Introduccin a las Probabilidades para carreras de ingeniera (pgina 2)
Enviado por Regla Lamar Meneses
Anuncios Google Libros Gratis Pdf Buscas Libros? Encontr el listado completo de editoriales ac! Paginasamarillas.com.ar MEJOR Master MBA Online MBA ISEAD "Transformamos el Mundo Transformando Personas" www.isead.es Construccin de STANDS Diseo de Stands para eventos consultas al 114353-3848 www.divstands.com.ar
Partes: 1, 2, 3
Desarrollo Fenmeno aleatorio: Son aquellos fenmenos que se caracterizan porque su observacin bajo un conjunto determinado de condiciones, no siempre conduce a un mismo resultado, pero sucede que sus posibles resultados ocurren con regularidad estadstica al repetirse el fenmeno un nmero grande de veces. En la definicin se destacan varios elementos que son de suma importancia para la identificacin de los fenmenos aleatorios: Son fenmenos que se repiten o pueden repetirse un nmero indeterminado de veces. Es posible lograr las mismas condiciones en cada repeticin(que puedan considerarse las mismas) Presencia de la regularidad estadstica en los resultados, esto es, que el nmero de ocurrencia de cada posible resultado se estabiliza a la larga alrededor de un valor. Un ejemplo clsico y que ilustra lo anterior es el lanzamiento de una moneda en donde si se repite el lanzamiento un nmero grande de veces, aproximadamente se obtendr cara el 50% de las veces y escudo en el 50% de las veces. Otro ejemplo clsico es el lanzamiento de un dado. Con el fin de referirse en trminos generales a los resultados de los fenmenos aleatorios o a un conjunto de ellos se introducen los siguientes conceptos: Punto muestral: cada uno de los resultados posibles de un fenmeno aleatorio Ej.: Lanzamiento de una moneda: los puntos muestrales seran dos; cara y escudo. Lanzamiento de un dado: los puntos muestrales seran seis; 1, 2, 3, 4, 5, 6. Lanzamiento de dos dados: los puntos muestrales seran todos los posibles pares de nmeros (1,2); (1,3); ...; (6,6) Espacio muestral: conjunto de todos los resultados posibles del fenmeno aleatorio, o tambin conjunto de todos los puntos muestrales. Se acostumbra denotarlo por la letra S. Ej: Lanzamiento de una moneda: S= {C;E} Lanzamiento de un dado: S= {1,2,3,4,5,6} Lanzamiento de dos dados: S= {(a,b)/a=1,...,6; b=1,...,6} Emisin de xido de nitrgeno de un auto en gramos por milla Evento o suceso aleatorio: suceso que puede o no ocurrir al realizarse o tener lugar un fenmeno aleatorio, en otras palabras, cualquier subconjunto del espacio muestral S. Se suelen denotar mediante las primeras letras de nuestro alfabeto en Maysculas(A,B,C....). Ej: 1) Lanzamiento de una moneda A: que salga cara al lanzar la moneda A= {C} 2) Lanzamiento de un dado A: que salga un # par al lanzar el dado A= {2, 4, 6} B: que salga un nmero mayor que 3 B= {4, 5, 6} Como se puede observar es posible definir mas de un evento en un espacio muestral. Los eventos y espacios muestrales pueden representarse de diferentes formas usando la notacin de conjuntos (descriptiva, tabular, constructiva). Tambin se representan frecuentemente mediante diagramas de Venn. Es oportuno precisar cuando un evento ocurre. Al ocurrir un fenmeno aleatorio ello se manifiesta mediante la ocurrencia de uno y solo uno de sus posibles resultados. Se dice entonces que un evento ha ocurrido si ese resultado, o lo que es lo mismo, ese punto muestral pertenece al evento. A los puntos muestrales tambin se les denomina eventos simples y as es frecuente verlos en diversas literaturas sobre el tema. Si un evento ocurre siempre que se realice un experimento de dice que es un evento cierto, o sea, se produce de manera inevitable. Un evento cierto sera S. Si para toda observacin del fenmeno aleatorio un evento nunca ocurre se trata de un evento imposible. No tiene puntos muestrales y se denota igual que el conjunto nulo o vaco. Algunos otros eventos que se trabajan con frecuencia haciendo uso del lgebra de eventos, es decir que se obtienen mediante operaciones entre eventos simples se resean a continuacin. Evento complemento: Dado un evento A, el evento de que A no ocurra se le denomina complemento de A y se denota por Ac o A'. En el ejemplo del "Lanzamiento de un dado" referido anteriormente se defini el evento A como "salga un nmero par", de donde Ac o A': salga un # impar al lanzar el dado Ac = {1, 3, 5} Evento unin: Dados dos eventos A y B, el evento de que al menos uno de los eventos A o B ocurran se denomina A unin B y se denota por AUB Volviendo al mismo ejemplo AUB: salga un # par o un # mayor que 3 al lanzar el dado. AUB = {2, 4, 5, 6} Evento interseccin: Dados dos eventos A y B, el evento ambos B) oeventos A y B ocurran, se denomina A interseccin con B y se denota como (A (A.B). B): salga un # par y mayor que 3 al lanzar un dado.(A B) = {4, 6}(A Eventos mutuamente excluyentes: Dados dos eventos A y B se dice que son mutuamente excluyentes si A y B no tienen puntos muestrales comunes esto . En otras palabras la ocurrencia de uno implica la no ocurrenciaC B = es A del otro. C: salga el nmero tres al lanzar un dado, C = {3 }; entonces A y C son excluyentes Eventos exhaustivos: Dados dos eventos A y B se dice que A y B son exhaustivos si AUB =S Grupo completo de eventos: Se denomina grupo completo de eventos o sucesos, a un conjunto de eventos mutuamente excluyentes y exhaustivos definidos todos en el mismo espacio muestral. El concepto de Evento Aleatorio es de extrema importancia en la teora de las probabilidades puesto que el propio concepto de probabilidades esta indisolublemente asociado a l. Conocido todo lo anterior se est en condiciones de definir y comprender el concepto fundamental, el de probabilidad. Probabilidad: Es un valor numrico, entre 0 y 1, que expresa la posibilidad real de ocurrencia de un evento aleatorio. Dado un evento A, la probabilidad de A suele denotarse mediante P(A) Si P(A)>P(B) el evento A debe ocurrir mas veces que el B al repetirse un nmero grande de veces el fenmeno aleatorio en que fueron definidos. Si se obtienen o se conocen las probabilidades de cada uno de los eventos de un grupo completo de eventos se dice que se ha obtenido una distribucin de probabilidad del fenmeno aleatorio que se analiza. Existen varias maneras de calcular la probabilidad de un evento aleatorio las que comnmente se les denominan definiciones de probabilidad. Definicin clsica de probabilidad: Mediante esta definicin la probabilidad de un evento A se calcula como la relacin entre el # de resultados favorables al evento A [N(A)] y el # total de resultados igualmente posibles N(S), esto es:
Donde: N(A) tamao de A o cantidad de puntos muestrales que pertenecen a A N(S) tamao de S o cantidad de puntos muestrales que pertenecen a S Ejemplo del lanzamiento de un dado S= {1, 2, 3, 4, 5, 6} A= {2, 4, 6} y B= {4, 5, 6} =3/6=1/2=0,5 Significado del valor: Si se lanza un dado sucesivamente, aproximadamente el 50 % de las veces se debe obtener un nmero par. A.B= {4, 6} P(A.B) = Significado del valor: Si se lanza un dado sucesivamente, aproximadamente el 33 % de las veces se debe obtener un nmero par mayor que tres. Ejemplo: Ei : que se obtenga el # i al lanzar un dado Los eventos E1, E2,..., E6 forman un grupo completo de eventos y P(E1)=1/6 P(E2)=1/6 ... P(E6)=1/6 por lo que se puede formar la siguiente distribucin de probabilidad para el nmero que se obtiene al lanzar un dado no trucado: x 1 2 3 4 5 6 P(x) 1/6 1/6 1/6 1/6 1/6 1/6 Analizando esta definicin podemos llamar la atencin sobre dos limitaciones para ser usadas: 1) S tiene que ser finito 2) S tiene que ser equiprobable. Ventaja: Puede calcularse la probabilidad de un evento sin tener que realizar u observar el fenmeno aleatorio. Observen tambin que de acuerdo a esta definicin la probabilidad es un valor 1s P(A)snumrico perteneciente a (0,1) es decir 0 Definicin frecuencial de probabilidad: Esta definicin se sustenta en el concepto de frecuencia relativa de un evento (fr)
Si el fenmeno aleatorio se repite un gran nmero de veces, entonces: P(A), esto es lim fr(A) = P(A)~fr(A) n donde n : # de repeticiones De otra manera, si el fenmeno aleatorio se repite un nmero prolongado de veces, entonces la probabilidad de un evento es la proporcin de veces que el evento sucede en esa serie prolongada de repeticiones del experimento. - Limitaciones 1) hay que realizar u observar el fenmeno aleatorio 2) se obtiene un valor aproximado de la probabilidad - Ventajas 1) puede usarse en cualquier tipo de espacio muestral. 1s P(A) sTambin se puede concluir a partir de esta definicin que 0 Esta manera de obtener la probabilidad, toda vez que se requiere de la realizacin de un experimento un nmero grande de veces, que por dems en la prctica no puede ser infinito, es la que se utiliza para obtener lo que denominamos distribucin emprica de probabilidad. Definicin Axiomtica de la probabilidad: Segn esta definicin, que sintetiza en smbolos las conclusiones de las anteriores, la probabilidad se define como una aplicacin tal que: [ 0, 1 ]P: A P(A)A A : conjunto de todos los eventos posibles definidos en S Se establece una correspondencia entre el conjunto de todos los posibles eventos de un espacio muestral S y el intervalo [0, 1] de los nmeros reales por lo cual a cada evento A perteneciente a A , se asocia un valor del intervalo [0, 1] el cual es llamado probabilidad de A. La funcin P satisface tres axiomas (propiedades de la aplicacin): Axiomas 0>P(A) P(S) = 1 C B = I B) = P(A) + P(B) si A YP(A Basado en estos axiomas se pueden demostrar las siguientes identidades: P(Ac) = 1 P(A) P(A . Bc) = P(A) P(A . B) B) = P(A) + P(B) - P(A . B) si A y B son dos eventos cualesquieraYP(A Esas demostraciones pueden ser estudiadas en la mayora de los libros probabilidades. Probabilidad condicional. Se conoce que en un espacio muestral determinado pueden definirse un conjunto de eventos y hasta ahora solo haba interesado calcular la probabilidad de cualquiera de esos eventos sin relacionarlos unos con otros; esto es, la probabilidad absoluta de un evento. Sin embargo pudiera ser de inters calcular la probabilidad de que ocurra un evento de cierto espacio muestral S a la luz de que otro evento de ese mismo espacio S ocurra. Ejemplo: Considrese que en la produccin de ciertos ejes, la longitud es una caracterstica aleatoria con determinada distribucin de probabilidad. Son buenos los ejes cuya longitud est comprendida en el intervalo (1,2m; 1,5m); pero los que tienen longitud inferior a 1,2m pueden utilizarse si esta es mayor que un metro. Pudiera interesar conocer qu porcentaje de los que son menores de 1,2 m son mayores que 1m. En la situacin planteada subyace la necesidad del clculo de la probabilidad de un evento a la luz de que otro ocurra: - Que la longitud sea superior a 1 m dado que es menor de 1,2 La probabilidad de un evento, calculada bajo el supuesto de que otro ocurra se denomina "Probabilidad Condicional" y juega un rol de suma importancia en la teora de las probabilidades. La introduccin del concepto de probabilidad condicional y su forma de clculo, se realizar a partir de la definicin clsica de probabilidad, la cual solo se puede aplicar en espacios finitos y equiprobables y despus se generalizar para cualquier tipo de espacio muestral. Sean A y B dos eventos definidos en el mismo espacio muestral S, tal como se representa en el diagrama de Venn siguiente:
Se puede calcular la probabilidad condicional del evento A dado que ocurra el evento B la que se denota por P(A/B). Al expresarse oralmente la probabilidad condicional (probabilidad de A dado que B ocurra), se da por seguro, que B ocurre; por lo que el punto muestral que ocurre pertenece a B, de ah que estaremos obligados a considerar que bajo esta condicin el conjunto de todos los posibles resultados, es el conjunto de puntos muestrales que pertenecen a B; entonces los resultados favorables para que ocurra A, solo podran ser los de A.B, en smbolos: P(A/B)=N(A.B)/N(B) que sera una expresin de clculo de la probabilidad condicional slo si S es finito y equiprobable. Basado en ella, se puede encontrar una expresin para cualquier tipo de S: divdase para ello el numerador y el denominador por N(S) entonces:
que sera una expresin general pues P(A.B) y P(B) se calcularan acorde a las exigencias de S. Definicin de probabilidad condicional: Sean A y B dos eventos definidos en un mismo espacio muestral S donde P(B)>0; entonces la probabilidad condicional de A dado B, que se denota por P(A/B) se define:
Ejemplo del lanzamiento de un dado S={1,2,3,4,5,6} A={2,4,6} B={4,5,6} P(A.B)=N(A.B)/N(S)=2/6=1/3 P(B)=N(B)/N(S)=3/6=1/2
Interpretacin del resultado: El 66 % de las veces que se lance un dado y salga un nmero mayor que 3, ese nmero ser par. En este caso se poda utilizar N(A.B)/N(B) ya que el espacio es finito y equiprobable. Como probabilidad que es, la probabilidad condicional cumple con todos los axiomas y propiedades que se estudiaron en la absoluta. En ocasiones, el clculo de una probabilidad condicional solo requiere de un simple anlisis lgico de la situacin que se nos presenta. Ejemplo: Una caja contiene 8 piezas de las cuales 3 son defectuosas. Se extraen 2 piezas aleatoriamente de la caja y se desea calcular la probabilidad de que la segunda pieza extrada sea defectuosa si la primera lo fue:
8 piezas (3defectuosas) En situaciones como esta se requiere conocer como se ha extrado esta muestra de 2 piezas, ya que puede hacerse de dos formas fundamentales. Se extrae la primera, se analiza si es defectuosa o no, y se retorna a la caja antes de extraer la segunda; despus se extrae la segunda y se verifica si es defectuosa o no, completando la informacin de la muestra de dos piezas extradas. Si se hace de esta forma, se dice que se ha extrado una muestra de tamao 2 con reemplazamiento o con reposicin. Se extrae la primera, se analiza si es defectuosa o no y no se retorna a la caja; despus se extrae la segunda pieza verificando si es defectuosa o no, completando la muestra de tamao dos. Cuando se toma la muestra de esta forma decimos que hemos extrado una muestra de tamao dos sin reemplazamiento o sin reposicin. En definitiva, en el ejemplo se pueden definir dos eventos: D1: la primera pieza extrada sea defectuosa D2: la segunda pieza extrada sea defectuosa Para calcular P(D2/D1)
Apoyndose en el significado de la probabilidad condicional, se parte del hecho de que D1 ocurra, por tanto al extraer la segunda pieza se conocer la composicin de piezas que tendr la caja 8 piezas (3 defectuosas)
P(D2/D1)=3/8 7 piezas (2 defectuosas)
P(D2/D1)=2/7 Con reposicin Sin reposicin Significado del valor (sin reposicin) Al realizar en sucesivas ocasiones la extraccin de dos piezas sin reposicin de la caja, aproximadamente en el 28 % de las ocasiones en que la primera pieza sea defectuosa, la segunda tambin lo ser. Como se puede observar, con la definicin de eventos dada se pudo determinar la probabilidad condicional con mucha facilidad y precisamente apoyndose en esto se proporcionan algunas frmulas que nos facilitan el clculo de probabilidades ms complejas. Estas son: Frmula o Regla de la multiplicacin.- Se utiliza cuando se requiere calcular la probabilidad de una interseccin de dos o ms eventos. La expresin se obtiene de despejar la probabilidad de la interseccin de la expresin de clculo de la probabilidad condicional, esto es: P(A.B)=P(A/B)P(B) si P(A) > 0 =P(B/A)P(A) si P(B) > 0 El uso de esta expresin es recomendable cuando se conocen o son de fcil clculo las probabilidades que se multiplican, usando una expresin u otra de acuerdo a las probabilidades conocidas, su generalizacin para la interseccin de n eventos sera P(A1.A2An)=P(A1)P(A2/A1)P(A3/A1.A2)P(An/A1.A2An-1) Si en el ejemplo anterior se desea calcular la probabilidad de que ambas piezas extradas sean defectuosas se plantea: P(D1.D2)=P(D1)P(D2/D1)=(3/8)(2/7)= 3/28 (sin reposicin) Si dos eventos fueran independientes, es decir, si la ocurrencia de uno no influye en la ocurrencia o no ocurrencia del otro, en notacin de probabilidad para los eventos A y B se plantea: P(A/B) = P(A) y P(B/A) = P(B) Entonces el teorema de la multiplicacin cuando los eventos son independientes queda: P(A.B) = P(A)P(B) Regla de probabilidad total.- La situacin en la cual se aplica esta regla se presenta en el siguiente esquema: Se puede plantear: j= para iCB = (B.A1 ) U (B.A2) U (B.A3) U (B.A4) ya que (B.Ai).(B.Aj) = De ah que P(B) = P(B.A1) + P(B.A2) + P(B.A3) + P(B.A4) Y aplicando la regla de la multiplicacin en cada uno de las intersecciones, se tiene: P(B) = P(A1)P(B/A1) + P(A2)P(B/A2) + P(A3)P(B/A3) + P(A4)P(B/A4) Que se conoce como Regla de la probabilidad total. Su planteamiento general sera: Sean Ai (i=1n); n eventos exhaustivos y excluyentes definidos en un mismo S y B un evento definido tambin en el mismo S, entonces:
Su aplicacin es conveniente si se conocen o son de fcil clculo las P(Ai) y P(B/Ai) De la aplicacin de estas dos frmulas se obtiene la denominada Frmula de Bayes tambin muy utilizada en el clculo de probabilidades condicionales. Esperanza matemtica. Otro concepto importante de las probabilidades es el de Esperanza Matemtica, el cual se define como sigue: Si las probabilidades de obtener las cantidades a1, a2, , ak son p1, p2,, pk, respectivamente, entonces la esperanza matemtica es: E = a1p1 + a2p2 + + akpk La esperanza matemtica se interpreta como un promedio Ya se han visto varios ejemplos de fenmenos aleatorios, en los cuales con el fin de estudiarlos, se han tenido que analizar sus puntos muestrales y definir eventos, a partir de los cuales se le da solucin al problema, en ocasiones pueden conllevar dificultades mayores en dependencia de la complejidad del fenmeno aleatorio analizado. Se pudo constatar a su vez, que en la gran mayora de los fenmenos vistos, los puntos muestrales se expresaban con nmeros reales; tal es el caso del "Lanzamiento de un dado" cuyos puntos muestrales son: 1; 2.....6 .etc. Sobre la base de esa caracterstica se introducirn nuevos conceptos que nos permitirn abordar los fenmenos aleatorios con un nuevo enfoque. Variable aleatoria: Para introducir el concepto de variable aleatoria se utilizar el ejemplo del ) ylanzamiento de dos monedas representando sus puntos muestrales, escudo ( ), por los smbolos sealados.estrella ( Observar que es posible referirse a esos mismos puntos muestrales, definiendo una variable X que "mida" la cantidad de estrellas que se obtienen al lanzar dos monedas A cada punto muestral es posible asociarle un valor de la variable X: X tomara el valor 0 X " " " 1 X " " " 1 X " " " 2 y sobre la base de la variable X definida, que toma esos valores de manera aleatoria, puede expresarse el espacio muestral S como: x=0,1,2},S={x Precisamente a esa X se le denomina "variable aleatoria" y se define como: Definicin: Una variable aleatoria es una funcin que asocia un valor numrico real a cada resultado de un fenmeno aleatorio. Observar como mediante la utilizacin del concepto de variable aleatoria se puede expresar de una manera ms simple a los eventos: * A: que al menos se obtenga una estrella 1}>_ A={X * B: que exactamente se obtengan dos estrellas _ B={X=2} * C: que a lo sumo se obtenga una estrella _ 1}sC= {X La representacin de cualquier evento siempre vendr dada por un conjunto de nmeros reales y ello har mucho ms fcil las operaciones entre los mismos. Ejemplo: (X=2); ya que 2 es el nico nmero que(X=2) y entonces (A.B) 1) B>(XA tanto pertenece a A como a B Aunque el concepto de variable aleatoria se ha explicado sobre la base de un fenmeno aleatorio cuyo espacio muestral es finito; este concepto tambin es vlido para S infinitos, por ejemplo: X: "Cantidad de personas que llegan a una cola en un tiempo t" Sus posibles valores seran X =0,1, 2....(infinito numerable) Y: "Tiempo de trabajo sin fallo de cierto equipo" 0 (infinito no numerable)>Sus posibles valores Y De los ejemplos podemos distinguir dos tipos de variables aleatorias: discretas y continuas. Variable Aleatoria Discreta: Aquella que toma determinados valores; toma valores aislados, a saltos. Ejemplos de este tipo de variable aleatoria son las variables definidas "cantidad de estrellas obtenidas al lanzar dos monedas" y "cantidad de personas que llegan a una cola en un tiempo t" Variable Aleatoria Continua: Aquella que toma todos los valores en un intervalo dado. Un ejemplo de ellas es el definido anteriormente como "tiempo de trabajo sin fallo de cierto equipo" Las variables aleatorias se acostumbran a denotar mediante las ltimas letras de nuestro alfabeto en mayscula (X, Y, Z, etc) y para referirse a sus posibles valores se utilizan las minsculas correspondientes: X=x1; x2; x3; se entiende como que la variable aleatoria X toma los valores x1, x2 y x3 De inmediato centraremos nuestra atencin en las variables aleatorias discretas (v.a.d.). El objetivo central al estudiar los fenmenos aleatorios es conocer las probabilidades de ocurrencia de diferentes eventos en l definidos; resulta de inters entonces determinar o conocer el comportamiento probabilstico de las variables aleatorias que se definan para estudiar esos fenmenos; en otras palabras no tiene sentido conocer slo los valores que puede tomar una v.a, sino que, unido a ello es imprescindible conocer las probabilidades con que la v.a.d. toma cada uno de sus posibles valores, o conjunto de sus valores. En el caso del ejemplo del lanzamiento de dos monedas para el cual se defini la variable X: "cantidad de estrellas que se obtienen al hacer el lanzamiento de dos monedas" se puede determinar la probabilidad de ocurrencia de cada uno de sus posibles valores: Probabilidad de ocurrencia 1/2 * 1/2 =1/4 P(X=0)=1/4 1/2 * 1/2 =1/4 1/2 * 1/2 =1/4 1/2 * 1/2 =1/4 P(X=2)=1/4 Observe que los eventos (X=0); (X=1) y (X=2) forman para este experimento un "grupo completo de eventos" y por consiguiente, al obtener las probabilidades de esos eventos, se ha obtenido una "distribucin de probabilidad" del referido fenmeno. Especficamente, este tipo de distribucin de probabilidad asociada a variable aleatoria discreta recibe el nombre de "Funcin de Probabilidad". Funcin de probabilidad: Sea X una variable aleatoria discreta y sea f una funcin de R en el conjunto cerrado [0,1], subconjunto de R; entonces la funcin de probabilidad se define: [0,1]f: R f(x) y la misma cumple con las siguientes propiedadesX RexV0 >1) f(x) RexVf (x)=1 2) En otras palabras; es una funcin f(x) que asocia una probabilidad a cada valor de la variable aleatoria. f(x)=P(X=x) La funcin de probabilidad de la variable que se est estudiando: (X: "# de estrellas al lanzar dos monedas") puede expresarse como: X 0 1 2 f(x) 1/4 1/2 1/4 Comprobando si cumple las propiedades: 0 ==>1. f(x)> f(0)=P(X=0)=1/4 >0 f(1)=P(X=1)=1/ 2 >0 f(2)=P(X=2)=1/4 >0 entonces se cumple f(x)=12.
Conociendo la funcin de probabilidad de una variable aleatoria se puede calcular la probabilidad de cualquier evento que se defina asociado al fenmeno que se estudia. Ejemplo 1)]>(XA: al menos se obtenga una estrella [A 1)=P(X=1)+P(X=2)=f(1)+f(2)=1/2+1/4=>P(A)=P(X3/4 D: no se obtengan estrellas P(D)=P(X=0)=f(0)=1/4 La representacin grfica de una funcin de probabilidad en realidad son puntos en el plano, pero para lograr una ms rpida y mejor visin del comportamiento de la v.a se acostumbra a utilizar barras verticales.
Se utiliza tambin con frecuencia para expresar el comportamiento de las variables aleatorias otra distribucin de probabilidad, esta distribucin de probabilidad se denomina " Funcin de distribucin acumulada". Funcin de distribucin acumulada (Fx(t)): t)sEsta funcin se denota como Fx(t) y es una funcin tal que Fx(t)=P(X RetV La Fx(t) en variables aleatorias discretas se obtiene a partir de la funcin tsf(x) para toda x de probabilidad mediante Fx(t) = La Fx(t) del ejemplo que se viene desarrollando sera 0) = P(X=0) = sFx(0) = P(X 1) = P(X=0) + P(X=1) = sFx(1) = P(X 2) = P(X=0) + P(X=1) + P(X=2) = 1sFx(2) = P(X x 0 1 2 F(x) 1 Con esta funcin se puede calcular P(X=1) de la siguiente forma: 0) = Fx(1) - Fx(0) = - = .s 1) - P(X sP(X=1) = P(X Algunas caractersticas numricas de las distribuciones de probabilidad Las distribuciones de probabilidad proporcionan una informacin completa sobre el comportamiento aleatorio de una variable aleatoria, pero sobre la base de ese comportamiento es posible definir y calcular, algunos valores numricos capaces de resumir las caractersticas generales del fenmeno aleatorio que se estudia a partir de esa variable aleatoria. Uno de esos valores es el valor esperado de una variable aleatoria. El valor esperado de una variable aleatoria, tambin denominado valor medio, no es ms que la esperanza matemtica de la misma, y es una medida de localizacin de la distribucin, en otras palabras, informa sobre alrededor de que valor se mueven los valores de la variable aleatoria; por ello se dice que es una medida de tendencia central. A partir del concepto de esperanza matemtica definido anteriormente se puede decir que el valor esperado), denotado por E (X) o , se calcula en el caso de las variables discretas como:
La esperanza matemtica o valor esperado se interpreta promedio. En el ejemplo que se viene desarrollando sera: x f(x) = 0 f(0) + 1f(1) + 2f(2) = 0 * + 1 * + 2 * = 1E(x) = Interpretacin: Como promedio esta variable tomar valor 1 De modo general esta caracterstica numrica siempre tiene que tomar un valor comprendido en el rango de valores de la variable y las siguientes son algunas de sus propiedades: E(c) = c; E(c X)= c E(X); E(X +Y) = E(X) +E(Y) Este valor por si solo no brinda toda la informacin sobre el comportamiento de la variable aleatoria; conviene saber adems si ese valor promedio representa adecuadamente al conjunto de valores de la variable, es decir, si es un promedio de valores cercanos uno de otro, o si por el contrario logrado mediante valores alejados unos de otros. Esa informacin la brinda la varianza, que una la medida de variacin o dispersin en torno al valor esperado y la definimos como V(X) = E [ ( X E( x )2] La varianza nos informa cuan concentrados o dispersos estn los valores de la variable aleatoria alrededor de la media o valor esperado. Si V( X1 ) < V ( X2 ) hay mayor concentracin en los valores de la variable X1 que en los valores de la variable X2 Por lo tanto si realmente se tiene una variable entonces el valor de la 0] y por supuesto V(c)= 0.>varianza tendr siempre que ser mayor que 0 [V(X) Otras propiedades son: V(cX)= c2V(X); V(X+Y)= V(X) + V(Y) si los valores que tome X no hacen variar las probabilidades de ocurrencia de los valores de Y, es decir, si X y Y son independientes. Distribuciones ms utilizadas. En el campo de la ingeniera hay que enfrentarse con frecuencia a fenmenos aleatorios que para su estudio es necesario definir variables aleatorias, que aunque distintas, presentan una misma base terica. Ocurre as en casos tales como: Cantidad de piezas defectuosas en una muestra # de dispositivos que funcionan en un instante dado de 5 instalados # de ejes cuyos dimetros cumplen con las especificaciones en una muestra, etc. Ntese que se trata de distintas variables aleatorias pero se puede sealar en ellas caractersticas comunes Estn conformadas por una sucesin de pruebas. En el primer caso la revisin de una pieza para concluir si est o no defectuosa es una prueba y ello se le hace a un grupo de piezas. En el segundo caso cada dispositivo revisado a fin de determinar si est funcionando o no constituye una prueba y ello se le hace a un grupo de dispositivos y algo similar se considera en el tercer caso. Otra caracterstica comn es que solo interesan dos resultados posibles en cada prueba, (defectuosa o no defectuosa); (funcionan o no funcionan); (cumplen especificaciones o no cumplen especificaciones) Fenmenos aleatorios con estas caractersticas suelen tener comportamientos probabilsticos que se ajustan a la denominada distribucin Binomial y las pruebas de que constan son llamadas pruebas Bernoulli Pruebas Bernoulli: Se trata de una prueba o experimento en la cual se presentan solo dos posible resultados, a los cuales se les denominan por convenio xito y fracaso. Prueba Bernolli xito fracaso Si se define una variable aleatoria X tal que: X=0 si ocurre el fracaso X=1 si ocurre el xito y P(X=1)=p ; P(X=0)=q siendo q =1-p entonces:
Si se analiza la ocurrencia de una sucesin de pruebas de este tipo de manera independiente, por ejemplo el caso de 3 pruebas independientes Bernoulli, se puede definir: A: en la primera ocurra xito y en las otras fracaso qqP(A)=p B: ocurra exactamente un xito p = 3pqqq + qpq + qqentonces: P(B) = p
Generalizando: Distribucin Binomial
Sea X una variable aleatoria discreta que expresa "# de xitos en n pruebas independientes Bernoulli", entonces X tendr una distribucin binomial si su funcin de probabilidad viene dada por
Ya que X es # de xitos en n pruebas independientes Bernoulli, entonces Siendo las Xi variables Bernoulli que slo toman los valores 0 y 1; de donde E(X) = E(X1+X2++Xn) = E(X1) + E(X2) + + E(Xn) = p + p + + p = np E(X) = np De una manera similar se llega a la conclusin de que 2 =oV(x) = npq Resumiendo, si en un fenmeno aleatorio se presentan las siguientes caractersticas: Sucesin de pruebas Bernoulli Las pruebas son independientes La probabilidad de xito es la misma en cada prueba Entonces la variable aleatoria X "nmero de xitos en n pruebas b(n, p), donde n y p son~independientes Bernoulli" se distribuye Binomial X los parmetros de la distribucin: n: # total de pruebas (tamao de la muestra) p: probabilidad de que ocurra el xito en una prueba cualquiera Para referirse a la distribucin acumulada en smbolos, se usa la misma notacin pero con mayscula, en este caso de la Binomial sera B(x; n; p) y esa x)).snotacin expresa la probabilidad acumulada hasta x (P(X Ejemplo Se conoce por datos histricos que la probabilidad de que la pieza A producida en cierto taller sea defectuosa es 0,05. Para analizar la calidad de un lote grande de estas piezas se toma al azar una muestra de 10 piezas del mismo y si en ella al menos 2 piezas son defectuosas se rechaza el lote completo. Calcule la probabilidad de que un lote sea rechazado. Como promedio, cuntas piezas buenas deben encontrarse en muestras de 10 piezas? Calcule la probabilidad de que en la muestra se encuentren ms de 6 piezas buenas. Solucin: a) X: # de piezas defectuosas en la muestra (xitos = piezas defectuosas)
b(10; 0,05)~por tanto p = 0,05 y n = 10, es decir X 2) = 0,0861>P(X (existen tablas de la distribucin binomial para distintos valores de sus parmetros que proporcionan probabilidades de cada valor o acumuladas) b) se trata de otra variable aleatoria, Y: # de piezas buenas en la muestra b(10; 0,95)~Donde Y 0,95 = 9,5; como promedio se encontrarn 9,5 piezas buenas enE(Y) = np = 10 muestras de 10 piezas. c) Se continua con Y pero p > 0,5 y las tablas no suelen traer valores de p superiores a 0,50, pero sucede que (Y > (X6) < 4) y consecuentemente P(Y > 6) = P(X < 4) =1- P(X 4) = 0,999 Distribucin Poisson. La distribucin Binomial es un modelo probabilstico apropiado cuando se tiene la ocurrencia de ciertos sucesos (xitos) en una sucesin de pruebas independientes Bernoulli. Sin embargo se presentan en la prctica en general y en el campo de la ingeniera en particular otro tipo de fenmenos aleatorios en los que el inters tambin es el estudio del comportamiento de las ocurrencias de cierto suceso (que en ocasiones se les denominan tambin xitos); pero en este caso se trata de ocurrencias en instantes aleatorios de un perodo de tiempo determinado. Por ejemplo: # de fallas de un equipo en un perodo de tiempo determinado # de consumidores que arriban a un servicentro en un perodo de tiempo determinado. # de llamadas telefnicas recibidas en una central en un perodo de tiempo determinado, etc. Este tipo de fenmeno, como puede apreciarse de los ejemplos anteriores y de otros que se pudieran mencionar; pueden presentarse en diversos campos de las ciencias tcnicas: Una distribucin de probabilidad asociada a este tipo de fenmeno, denominada Distribucin Poisson se presenta en esta unidad. Retomando los ejemplos podemos observar que aunque se trata de sucesos diferentes (fallas de equipo, arribo de consumidores, llamadas telefnicas); se puede de manera genrica caracterizarlos como Flujo de sucesos. Flujo de sucesos: Se llama as a la sucesin de sucesos que ocurren en instantes aleatorios de tiempo. El flujo de sucesos puede presentar diversas propiedades, entre las cuales se distinguen: - Calidad de estacionario: se manifiesta en el hecho de que "la probabilidad de que ocurran k sucesos en cualquier intervalo de tiempo depende solamente del nmero k y de la duracin t del intervalo"; suponindose los intervalos excluyentes. P(X=k)=f(k;t) Por ejemplo, las probabilidades de que ocurran k sucesos en los intervalos de tiempo [1,6] ; [10,15] ; [t,t+5] de igual duracin t=5 unidades son iguales entre s. - Ausencia de efecto posterior: Se manifiesta en que "la probabilidad de que ocurran k sucesos en cualquier intervalo de tiempo no depende de que hayan ocurrido sucesos en intervalos que le preceden", es decir, no existe influencia de lo pasado en el presente, en smbolos: A) = P(X=k),P(X=k Siendo A cualquier hiptesis de ocurrencias de sucesos antes del intervaloanalizado - Calidad de ordinario: Se manifiesta en que es prcticamente imposible la ocurrencia de dos o ms sucesos en un intervalo de tiempo pequeo. t 2)=0 si t = >P(X Flujo de sucesos o Proceso Poisson: Aquel flujo de sucesos que posea las tres propiedades antes explicadas se le denomina "flujo elemental de sucesos" o tambin "proceso de Poisson". Al nmero medio de ocurrencias del suceso por unidad de tiempo se le llama "Intensidad de flujo". No resulta fcil determinar cuando un flujo de sucesos presenta esas tres propiedades Para obtener la expresin analtica de la distribucin Poisson {f(x)} es posible apoyarse en la distribucin Binomial y el cumplimiento de esas 3 propiedades. Considrese la variable aleatoria X: # de ocurrencias de cierto suceso en un intervalo de tiempo de duracin t Analice el intervalo de tiempo considerado * ** * *** * ** 0 t Los asteriscos indican los instantes aleatorios en que ocurre el suceso. Se divide el intervalo de duracin t en n sub-intervalos iguales de duracin t = t/nA tal que se cumpla que: tA1. La probabilidad de que ocurra el suceso en un sub-intervalo cualquiera es una constanteut, donde A ues proporcional a ste; es decir, es igual a u(>0). (De esta forma se garantiza la propiedad de ser estacionario) t es independiente deA2. La ocurrencia o no del suceso en un sub-intervalo t cualquiera.Ala ocurrencia o no del otro suceso en otro sub-intervalo (Se garantiza con esto la propiedad de ausencia de efecto posterior) 3. La probabilidad de que ocurra el suceso ms de una vez en un mismo t es despreciable respecto a la probabilidad de que ocurra unaAsub-intervalo t o no ocurre)Avez (ocurre el suceso en (Se garantiza as la propiedad de ordinario) Observe como bajo los supuestos hechos se puede considerar que estamos en presencia de una sucesin de n pruebas independientes Bernoulli (las n pruebas t en cada uno de los cuales ocurre elAseran los n subintervalos de duracin suceso o no ocurre el suceso (xito o fracaso) y la probabilidad de que ocurra el suceso es igual para cualquier sub-intervalo t/n)ut= Au(p = Por lo que aplicando la distribucin Binomial y por supuesto de manera aproximada, ya que las consideraciones hechas sern en mayor medida vlidas cuando n se haga tan grande como se quiera; se puede llegar a hallar f(x)=P(X=x):
t tendremosu = Se hace
nos conduce a la funcin deHallando el lmite de esa expresin cuando n probabilidad Poisson que buscamos.
Distribucin Poisson.- Sea la variable aleatoria discreta X que expresa, "# de ocurrencia de cierto suceso en un intervalo de duracin t"; si dicha variable aleatoria tiene por funcin de probabilidad la expresin: para x = 0, 1, 2, Entonces, se dice que X sigue una distribucin Poisson de probabilidad con t.u = parmetro : # medio de ocurrencias del suceso en el intervalo de duracin t. : # medio de ocurrencias del suceso por unidad de tiempo (intensidad deu flujo). t: duracin del intervalo. Puede demostrarse que: E(X) = V(X) = Aunque la mayora de las aplicaciones de la distribucin Poisson estn relacionadas con la ocurrencias de sucesos en un intervalo de tiempo, tambin esta distribucin constituye un modelo probabilstico apropiado para las ocurrencias de sucesos en un espacio determinado (ya sea longitud, rea, o volumen). Ejemplos: # de defectos en una superficie dada # de bacterias en un volumen dado # de defectos en una longitud dada El clculo de probabilidades con esta distribucin tambin se realiza mediante tablas. Ejemplo: Una computadora digital funciona las 24 horas del da y sufre interrupciones a razn de 0.25 interrupciones/h. El nmero de interrupciones en cualquier perodo de tiempo sigue una distribucin Poisson. a) Cul es la probabilidad de que durante 16 h sufra entre 2 y 4 interrupciones (ambos valores inclusive)? b) Cul es el promedio de interrupciones que sufre la computadora por da de trabajo? Solucin. a) X: # de interrupciones de la computadora en 16 h = 0.25 interrupciones/h.u 16 = 4 interrupciones en 16h. = 0.25t =16h =4)X ~ P( 4)= P(X 2)-P(X 5)= 0,9084 0.3712=s X sP(2 0.5372 (se utiliz una tabla que brinda P*Xx+) Al interpretar el resultado se puede decir que "aproximadamente en el 54 % de los intervalos de 16 horas de funcionamiento de la computadora, sta sufrir entre 2 y 4 interrupciones" b) Y: # de interrupciones en 24 h. 24 = t = 0.25u = E(Y)= 6 interrupciones Como promedio, la computadora sufrir 6 interrupciones por da de trabajo.