Академический Документы
Профессиональный Документы
Культура Документы
Ejemplo 1:
- X : N
umero de componentes defectuosos.
Por lo tanto: X = 0, 1, 2, 3 componentes defectuosos.
- Se puede conocer la probabilidad para cada valor x que asume
la variable aleatoria (v.a).
1
8
3
P (X = 1) =
8
3
P (X = 2) =
8
1
P (X = 3) =
8
P (X = 0) =
- N
umero de bacterias por unidad de area.
- N
umero de unidades defectuosas en lote de unidades
producidas
- N
umero de imperfecciones en lamina de plastico.
Ejemplo 3:
Ejemplo 4:
Ejemplo 4:
- Sea X:= N
umero de caras obtenidas,
= {(a1 , a2 , a3 , a4 , a5 , a6 ) : ai {C, S}, i = 1, 2, . . . , 6}
- Entonces se tiene que X es una aplicaci
on de en
= {1, 2, . . . , 6}
- As por ejemplo se tienen que X(C,C,S,C,C,S)=4.
- La aplicacion X es un ejemplo de variable aleatoria.
=).
espacio de probabilidad y (,
variable aleatoria es una aplicaci
- Una = =on
Ejemplo 5:
= = {a, b} y = = ()
- La aplicacion de X:
X(w) =
a si w = 1
b si w = 2 o w = 3
probabilidades es definida.
f (X = xi ) 0
n
X
f (X = xi ) = 1
P (X = xi ) = f (xi )
i=1
F (X = x) = P (X x) =
X
it
1
2
P (X = x,X
Y = y)A para toda regi
on en el plano
P [(x, y)A] =
f (x, y)
A
Ejemplo 6:
1
8
3
8
3
8
1
8
8 si x0 = 0
83 si x1 = 1
3
f (X = xi ) =
8 si x2 = 2
si x3 = 3
8
0 en otro caso
Ejemplo
Ejemplo
Ejemplo 7:
- Un sistema de inspecci
on
optica es capaz de detectar
imperfecciones en el examen de componentes de un aparato
electronico. La probabilidad de encontrar una componente
correcta (C) es de 0.98.
- Suponga que se inspeccionan tres componentes elegidas al
azar con reemplazamiento de un lote de tales componentes.
Ejemplo 7:
(0.02)3 = 8 106
0 unidades correctas
3
((0.98) ) = 0.941192
3 unidades correctas
0
8*106
8*106
1
0.001176
0.001184
2
0.057624
0.0588
3
0.941192
1
Ejemplo 8:
Ejemplo 9:
- La distribuci
on acumulada F (X = xi ) de una variable
aleatoria discreta X, cuya distribuci
on de probabilidad es
f (X = xi ) es,
F (X = xi ) = P (X xi ) =
X
tx
f (t)
para
< x <
F (X = xi ) = P (X xi ) =
n
X
i=1
lm F (X) = 1
lm F (X) = 0
1
8
1
8
3
8
4
8
3
8
7
8
1
8
8
8
18
4
F(x)=
8
88
8
funci
on:
para
para
para
para
para
x<0
0x<1
1x<2
2x<3
3x
Ejemplo
Ejemplo 10:
10
11
12
1
36
1
36
2
36
3
36
3
36
6
36
4
36
10
36
5
36
15
36
6
36
21
36
5
36
26
36
4
36
30
36
3
36
33
36
2
36
35
36
1
36
36
36
26
36
3
36
23
36
E(X) =
n
X
xi f (xi ) =
i=1
2 = V (X) = E[(xi )2 ]
n
X
=
((xi )2 ) f (xi )
i=1
2 =
n
X
i=1
xi 2 f (xi ) 2
corresponde
a la raz cuadrada positiva de 2 : = 2 es
CV =
100
n
X
i=1
((xi )k )f (xi )
3 = E[(X ) ] =
n
X
i=1
(xi )3 f (xi )
3
(2 )3/2
3
(2 )3/2
4
(2 )2
X
0
1
2
3
Total
f (X)
1
8
3
8
3
8
1
8
Xf (X)
0
3
8
6
8
3
8
12
8
(X )f (X)
0
-0.5
+0.5
+1.5
0
(X-)2 f (X)
0.28125
0.09375
0.09375
0.28125
0.7500
(X )3 f (X)
-0.421875
-0.046875
0.046875
0.421875
0
- El valor esperado:
= E(X) =
n
X
i=1
xi f (xi ) =
12
= 1.5
8
i=1
- Desviacion estandar:
2 =
0.75
= 0.8660254
- Coeficiente de variaci
on:
CV
? (100)
0.8660254
=
1.5
= 57.73
=
- Sesgo o asimetria:
3 = 0
Actividad a Realizar
- El n
umero de casas de prefabricadas vendi
o mensualmente
entre de 5 a 20 viviendas, junto con la frecuencia de cada
nivel de ventas, halle el valor esperado, desviacion estandar y
factores de forma.
Total
N
umero de meses
3
7
4
5
3
2
24
Casas (xi)
5
8
10
12
17
20
Actividad a Realizar
Ejemplo
(casas<-c(5,8,10,12,17,20) )
(p_x_i<-c(0.125,0.291666667,0.166666667,0.208333333,0.125,0.083333333 ))
op <- par(mfrow = c(1, 2),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
plot(c(0,20),c(0,0.4), xlab="N
umero de casas", ylab="Probabilidad compra por meses")
points(casas,p_x_i, type="p",col="blue")
plot(c(0,20),c(0,0.4), xlab="N
umero de casas", ylab="Probabilidad compra por meses")
points(casas,p_x_i, type="h",col="blue")
Ejemplo 8:
Ejemplo 11:
Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80
Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
= E(X) =
Total
19
61
80
n
X
(xi f (xi ))
i=1
62
= 3
80
18
+4
80
= 3, 225
3(62) + 4(18)
=
= 3.225
80
Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80
- Varianza:
n
X
(xi )2 f (xi )
i=1
= (3 3.225)2
= 0.174
62
80
!
+ (4 3.225)2
18
80
- Desviacion estandar:
2 =
0.174 = 0.417
Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80
- Asimetra:
3 = E[(xi )3 ]
n
X
=
(xi )3 f (xi )
i=1
- Coeficiente de Asimetra:
3
(2 )3/2
0.06037
=
(0.174)3/2
= 0.8317586
3 =
Ejemplo 12:
- Sea X = N
umero de cilindros del motor.
- H(X = xi ): Costo de afinaci
on de los cilindros del vehculo
- Entonces,
h(4) = 150000 + 5000(4) + 500(4)2 = 178000
h(6) = 150000 + 5000(6) + 500(6)2 = 198000
h(8) = 150000 + 5000(8) + 500(8)2 = 222000
- Sea X : N
umero de cilindros del motor.
- H(X = xi ): Costo de afinaci
on de los cilindros del vehculo
- Luego:
E[H(X = xi )] = 1780000(0.50) + 198000(0.30) + 222000(0.20)
= 192000
- E(K) =
KP (K) = K
- E[Kh(x)] = KE[h(x)]
P (K) = K pues,
P (K) = 1
Propiedades de la varianza:
Var(X) 0
Var()=0
Var(X)= 2 Var(X)
Var(X + )= Var(X)
Propiedades de la varianza:
f (x) = P (X = x) =
o en otro caso
- Comprobando la funci
on de masa:
X
i=1
P [X = xi ] 0
X
1
P [X = xi ] =
( )=1
i=1
- La funcion de distribuci
on,
x < x1
01
x1 x x2
...
F (X = xi ) =
xi x xi+1
xi
...
= E(X = xi ) =
X
xi
xi
i=1
i=1
xi
xi f (xi )
- Tambien,
= E(X = xi ) =
X
xi
xi
i=1
xi
i=1
( + 1)
2
xi P [X = xi ]
- Varianza
2 = E[(xi )2 ]
X
=
(xi )2 f (x)
=
(xi )
i=1
(xi )2
i=1
- Tambien,
2 =
2 1
12
35
12
21
6
= 3.5
Ejercicio 13:
0
1p
1
p
P (X = x) = px (1 p)1x ,
x = 0, 1
X
pi
0
1p
1
p
P (X = x) = px (1 p)1x ,
E(X) = p
x = 0, 1
X
pi
0
1p
1
p
V ar(X) = = p q
Ejemplo:
- Exito
podra ser hallar en un ensayo especfico que la unidad
es defectuosa al examinarla.
- Cada experimento aleatorio consiste en una serie de ensayos o
pruebas repetidas realizadas en identicas condiciones (n
veces), o sea que cada uno de ellos es independiente de los
demas.
f(X)=P(X=x)=
n x
(1 )nx para x=0,1,2,. . . ,n
x
0
- Para n entero 0 1
en otro caso
P (BBBD) = (0.9)(0.9)(0.9)(0.1)
P (BBDB) = (0.9)(0.9)(0.1)(0.9)
= 1 (1 )3 . o sea:
P (BDBB) = (0.9)(0.1)(0.9)(0.9)
P (DBBB) = (0.1)(0.9)(0.9)(0.9)
(0.1)1 (0.9)3 = 0.0729 para cada posible resultado de una unidad
defectuosa
- Si generalizamos: P (X = x) = nx x (1 )nx donde: nx
son las distintas maneras como x exitos se producen dentro de
los n ensayos; x (1 )nx es la probabilidad de x exitos en
cada una de las maneras distintas de producirse los x exitos .
Ejemplo
(a0<- (choose(4,0)*(0.1)^0*((0.9)^4)))
(a<- (choose(4,1)*(0.1)*((0.9)^3)))
(b<-(choose(4,2)*(0.1)^2*((0.9)^2)))
(c1<-(choose(4,3)*(0.1)^3*((0.9)^3)))
(d<-(choose(4,4)*(0.1)^4*((0.9)^0)))
x=0:4
(m<-cbind(a0, a,b,c1,d))
plot(x,m, type="h",main="Unidades defectuosas
en una muestra", col="red",
ylab="Probabilidad de unidades defectuosas",
xlab="N
umero de unidades defectuosas")
Ejemplo
(a0<- (choose(4,0)*(0.1)^0*((0.9)^4)))
dbinom(0,4,0.1)
(a<- (choose(4,1)*(0.1)*((0.9)^3)))
dbinom(1,4,0.1)
(b<-(choose(4,2)*(0.1)^2*((0.9)^2)))
dbinom(2,4,0.1)
(c1<-(choose(4,3)*(0.1)^3*((0.9)^3)))
dbinom(3,4,0.1)
(d<-(choose(4,4)*(0.1)^4*((0.9)^0)))
dbinom(4,4,0.1)
Ejemplo
Ejemplo
op <- par(mfrow = c(1, 1),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:4
plot(x, dbinom(x, size=4, prob=0.1),
xlab="Numero de sucesos",
ylab="Funci
on de Probabilidad",
main="Distribuci
on Binomial n= 4,
Probabilidad de suceso = 0.1", type="h")
points(x, dbinom(x, size=4, prob=0.1), pch=16)
abline(h=0, col="blue")
remove(x)
Ejemplo
op <- par(mfrow = c(1, 1),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:4
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=4, prob=0.1)[-length(x)],
xlab="N
umero de sucesos",
ylab="Probabilidad acumulativa",
main="Distribuci
on Binomial: n= 4,
Probabilidad de suceso = 0.1", type="l")
abline(h=0, col="gray")
remove(x)
Ejemplo
Explicando la funci
on rep, que se refiere a
repetici
on:
rep(0:4, c(2,2,2,2,2))
[1] 0 0 1 1 2 2 3 3 4 4
Para graficar la funci
on de distribuci
on de v.a.
discretas, y realizar los escalones.
x <- 0:4;x <- rep(x, rep(2, length(x)))
x
[1] 0 0 1 1 2 2 3 3 4 4
x[-3]
[1] 0 0 1 2 2 3 3 4 4
x[-3] , es retirar el tercer 3 elemento.
Ejemplo
Hallando los
pbinom(q, 4,
lower.tail =
pbinom(1, 4,
0.9477
pbinom(2, 4,
[1] 0.9963
pbinom(3, 4,
[1] 0.9999
pbinom(4, 4,
[1] 1
cuantiles
prob=0.1, lower.tail = TRUE, log.p = FALSE)
TRUE ;Cola a la derecha
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
Ejemplo
0
0.001
1
0.027
2
0.243
3
0.729
xi P (X = xi )
E(X) =
n
X
n x
x
p (1 p)nx
x
i=0
E(X) = np
= E(X) =
n
X
xi f (xi )
aplicando la definici
on de valor esperado se obtiene que para
esta distribucion : = n
Dispersion o variaci
on: Varianza:
2 = V (X)
= E[(xi )2 ]
n
X
=
(xi )2 f (xi )
i=1
p
n(1 ).
- Generalmente la distribuci
on binomial es sesgada o asimetrica
hacia la derecha, sesgo que se va perdiendo cuanto mas
grande sea el valor de n (# de pruebas) y en la medida en
que se acerque a 0, 5 (por lo tanto (1 ) tienda a 0, 5),
limite en el cual se torna simetrica
- Para el caso considerado y utilizando tanto la metodologa
tradicional de la definici
on de conceptos como usando las
formulas simplificadas, tenemos:
X
0
1
2
3
Total
f (X)
0.729
0.243
0.027
0.001
1.000
Xf (X)
0
0.243
0.054
0.003
0.30
(X )
0.3
+0.7
+1.7
+2.7
0
(X )2
0.09
0.49
2.89
7.29
(X )2 f (X)
0.06561
0.11907
0.07803
0.00729
0.27000
- E[X = xi ] = =
n
X
xi f (xi ) = 0, 30
i=1
n
X
=
(xi )2 f (x) = 0, 27
i=1
Ejemplo 10:
Ejemplo 14:
- El plan establece que si al examinar diariamente las veinte
unidades, tres o mas salen defectuosas, algo esta pasando y se
ordena detener el proceso productivo para buscar la falla.
- C
ual es la probabilidad de que se ordene parar el proceso
productivo si se sabe por experiencia que la probabilidad de
una unidad defectuosa es 10 %?
n = 20
= 0.1
Se pide:
P (X 3)
20
X
20
P (X 3) =
(0.1)x (0.9)20k = 0.40.
k
k=3
P (X 3) = 1 P (X 2) = 1
2
X
20
x=0
(0.1)x (0.9)20x
= 1 P (X = 0) + P (X = 1) + P (X = 2)
P (X 3) = 1 0.1216 + 0.2701 + 0.2852
P (X 3) = 1 0.6769 = 0.3231
Ejercicio Clase:
Ejercicio en clase
P (X 4) =
4
X
f (X = xi )
i=0
= P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4)
= 0.2059 + 0.343 + 0.2669 + 0.1285 + 0.0429
P (X 4) = 0.9874
Ejemplo
op <- par(mfrow = c(1, 1),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:4
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=4, prob=0.1)[-length(x)],
xlab="N
umero de sucesos",
ylab="Probabilidad acumulativa",
main="Distribuci
on Binomial: n= 4,
Probabilidad de suceso = 0.1", type="l")
abline(h=0, col="gray")
remove(x)
Ejemplo
Hallando los
pbinom(q, 4,
lower.tail =
pbinom(1, 4,
0.9477
pbinom(2, 4,
[1] 0.9963
pbinom(3, 4,
[1] 0.9999
pbinom(4, 4,
[1] 1
cuantiles
prob=0.1, lower.tail = TRUE, log.p = FALSE)
TRUE ;Cola a la derecha
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
prob=0.1, lower.tail = TRUE, log.p = FALSE)
Ejercicio en clase
P (X 5) = 1
4
X
f (X = xi )
i=0
= 1 0.9879
= 0.0127
Ejercicio en clase
P (3 X 6) =
6
X
f (X = xi )
i=3
Ejercicio en clase
Ejercicio en clase
- Se conoce que el 95 % de las piezas producidas por una
maquina son perfectas. Se toma una muestra de 12 piezas al
azar y se desea saber la probabilidad de que exactamente 9
sean perfectas.
n = 12, p = 0.95 , q = 0.05, X = 9.
12
P (X = 9) =
(0.95)9 (0.05)(129)
9
= 0.0174
Ejercicio 15:
La distribucion de Poisson X P ()
La distribucion de Poisson X P ()
- Es una generalizaci
on de la distribuci
on binomial cuando sobre
un E.A.
- se define una variable aleatoria X que representa el n
umero de
exitos independientes que ocurren para intervalos de medida
especficos ( tiempos, lugares, espacios) , ademas con una
probabilidad de ocurrencia peque
na.
- Se llama distribuci
on de los eventos raros pues se usa como
aproximacion a la binomial cuando el tama
no de muestra es
grande y la proporci
on de exitos es peque
na.
- Esos intervalos de medida pueden referirse a: Tiempo:
(Segundo , minuto, hora, dia, semana, etc.) Area: (Segmento
de linea, pulgada cuadrada, Centimetro cuadrado, etc).
Volumen:( Litro, gal
on, onza, etc.)
Ejemplos
- N
umero de defectos por m2 .en piezas similares de un
material.
- N
umero de personas que llegan a un taller automotriz en un
lapso de tiempo especfico.
- N
umero de impulsos electr
onicos errados transmitidos durante
espacio de tiempo especfico.
- N
umero de llamadas telef
onicas que ingresan a un
conmutador por minuto.
- N
umero de interrupciones en servicios de energa en intervalos
de un dia.
Criterios o propiedades.
e x
x!
x = 0, 1, 2, . . .
en cualquier otro punto o valor
P (X x) = F (x) =
x
X
e k
k=0
k!
Ejemplo
- El n
umero promedio de partculas radioactivas que registra un
contador en un milisegundo en la realizaci
on de un
experimento aleatorio es de cinco (5) partculas. Hallar la
probabilidad de que se registre distinto n
umero de partculas
en un mismo milisegundo.
x e5
= 5.
.
f (X) = 5 x!
X = 0, 1, 2, . . . , n
0
0.006
1
0.033
2
0.084
3
0.140
4
0.175
5
0.175
6
0.146
7
0.104
8
0.065
9
0.036
Ejemplo
(tabla <- data.frame(Pr=round(dpois(0:9, lambda=5), 4)) )
Pr
1 0.0067
2 0.0337
3 0.0842
4 0.1404
5 0.1755
6 0.1755
7 0.1462
8 0.1044
9 0.0653
10 0.0363
remove(tabla)
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Hallando la funci
on de probabilidad:
op <- par(mfrow = c(1, 1),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:9
plot(x, dpois(x, lambda=5), xlab="x",
ylab="Masa de Probabilidad",
main="Distribucion Poisson: Media =5", type="h")
points(x, dpois(x, lambda=5), pch=16)
abline(h=0, col="blue")
remove(x)
Ejemplo
Para la funci
on de distribuci
on acumulada,
media (par
ametro, lambda) de valor 5
op <- par(mfrow = c(1, 1),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:9
x <- rep(x, rep(2, length(.x)))
plot(x[-1], ppois(x, lambda=5)[-length(.x)],
xlab="x", ylab="Masa de Probabilidad",
main="Distribuci
on Poisson : Mean =5", type="l")
abline(h=0, col="blue")
remove(x)
Ejemplo
Comparando la Binomial con la Poisson
op <- par(mfrow = c(1, 2),bg = "antiquewhite")
par(lty="dashed")
par(col="red")
x <- 0:4
plot(x, dbinom(x, size=4, prob=0.1),
xlab="Numero de sucesos",
ylab="Funci
on de Probabilidad",
main="D. Binomial n= 4, P= 0.1", type="h")
points(x, dbinom(x, size=4, prob=0.1), pch=16)
abline(h=0, col="blue")
remove(x)
Ejemplo
Demostraci
on de la Esperanza de la distribuci
on Poisson
Sea X una variable aleatoria con distribuci
on Poisson con
parametro . Utilizando la definici
on de Esperanza, tenemos:
E(X) =
X
x=0
E(X) =
xe
x
x!
- Valor Esperado:
= E[X] =
n
X
i=1
xi f (xi )
= V [X] =
n
X
(xi )2 f (xi )
i=1
(t)y et
y!
Ejemplo
- El n
umero de pulsos que llegan a un contador GEIGER se
presentan en promedio de 6 pulsos por minuto. Hallar la
probabilidad de que en 15 minutos se reciban exactamente 20
pulsos.
- es decir, que una frecuencia de 6 pulsos por minuto es
eqyivalente a una de 15 6 = 90 por 15 minutos.
=6
20 90
y t
e
t = 15 minutos
= [(6)(15)]
=
P (Y = 20) = (t)y!e
20!
y = 20
4.09 1019
n .
p 0 o (1 p) 1.0.
et tx
x!
Para x = 0, 1, 2, . . .
Ejemplo:
- Un proceso de fabricaci
on de probetas de vidrio. Se sabe por
experiencia que en promedio, una de cada 1000 probetas
producidas presenta una
o mas burbujas, lo cual afecta el uso
de las probetas, y las deja inservibles.
Ejemplo:
1
= 0.001
P (burbujas) = 1000
n = 8000
q = 0.999
Ejemplo:
6
X
B(8000; 0.001) =
x=0
6
X
8000
(0.001)x (0.999)8000x .
x
x=0
Ejemplo:
- Entonces: P (X < 7) =
6
X
B(8000; 0.001) =
x=0
6
X
8000
(0.001)x (0.999)8000x .
x
x=0
Teorema
X
0
1
2
3
4
5
n=4, p=1/4
0.316
0.422
0.211
0.047
0.004
-
Distribuci
on Binomial
n=8, p=1/8 n=100, p=1/100
0.344
0.366
0.392
0.370
0.196
0.185
0.056
0.061
0.010
0.015
0.001
0.003
Distribucion Poisson
=1
0.368
0.368
0.184
0.061
0.015
0.003
Ejemplo Poisson
Ejemplo Poisson
= 1 0.986310 = 0.013690
1.4 %
Ejemplo Poisson
Binomial
Poisson
Resultados Posibles
Enteros entre 0 y n
Enteros de 0 a
Observaciones
Par
ametros
nyp
Funci
on de Probabilidad
!
n x
(1 )nx
x
f (X) =
f (X) =
e ()x
x!
para X=0,1,2,. . . ,n
para X=0,1,2,. . . ,
Valor Esperado
= np
Varianza
Desviaci
on estandar
2 = npq
= (npq)1/2
2 =
= ()1/2
Ejemplo Poisson
Ejemplo Poisson
e0.2 0.23
= 0.00109164 0.11 %
3!
Ejemplo Poisson
Distribucion
Multinomial:(X1 , X2 , . . . , Xk ) M (n, p1 , p2 , . . . , pk )
Ejemplo 16:
.
.
En n pruebas
p1 + p2 + . . . + pk = 1, 0
x1 resultados para E1
x2 resultados para E2
.
ocurrira con px1 1 px2 2 . . . pxk k de
.
xk resultados para Ek
probabilidad.
- El n
umero de ordenes
o arreglos que pueden producir
resultados similares sera:
n
n!
=
x1 !x2 !, . . . , xk !
x1 , x2 , . . . , xk
- Combinando los dos componentes, se tiene entonces que:
f (x1 , x2 , . . . , xk ) = P [X1 = x1 , X2 = x2 , . . . , Xk = xk , ] =
n
px1 px2 2 . . . pxk k
x1 , x2 , . . . , xk 1
k
X
i=1
xi = n
k
X
i=1
pi = 1.0
Ejemplo 17:
- Se sabe que las bombas de gasolina para autos existentes en
el mercado se pueden clasificar en:
- 40 % de rendimiento excelente (Ex).
- 20 % de rendimiento bueno (B).
- 30 % de rendimiento regular (R).
- 10 % de rendimiento malo (M ).
- Se selecciona una muestra de n = 9 bombas mediante proceso
aleatorio. C
ual sera la probabilidad de que quede conformada
por: 3Ex, 3B, 1R y 2M ?
-
f (3, 3, 1, 2)
= P [X1 = 3, X2 = 3, X3 = 1, X4 = 2] =
9
(0.4)3 (0.2)3 (0.3)1 (0.1)2
3, 3, 1, 2
= 5040(0.064)(0.008)(0.3)(0.01)
-
= 0.00774.
El tama
no de la muestra aleatoria n es grande relativamente
en comparacion con el tama
no de la poblaci
on. Generalmente:
n
100 > 5 %.
N
Se desea caraterizar la v.a. X = n
umero de exitos al obtener
una muestra aleatoria sin reemlazamiento, de tama
no n.
Planteamiento:
N1
x
!
N N1
nx
!
N1
N N1
x
nx
!
N
x = 0, 1, 2, ..., n x N1 ; (n x) (N N1 )
xf (x) = n NN1
- Varianza:
X
2 = V [X] =
(x )2 f (x)
!
!
!
N1
N N1
N n
= n
N
N
N 1
N1
y
N
N N1
N
n
- El factor ( N
on por
N 1 ) se identifica como factor de correcci
poblacion finita (F.C.F.).
- Resulta igual a 1 si n = 1
o a 0 si n = N , y tiene como lmite
la unidad cuando N tiende a infinito En resumen (F.C.F.).es
la correccion a la varianza de la v.a Binomial por ser el
muestreo sin reemplazo del conjunto finito de tama
no N .
- Si n es peque
no frente a N , el (F.C.F.) es cercano a la
unidad y la Hipergeometrica sera similar a la binomial pues el
(F.C.F.) resultara una cifra que afecta de manera poco
significativa el resultado del producto.
n
- En la practica, si N
(100) < 5 %, no se aplica el (F.C.F.) pues
su valor tendera a uno (1).
- La funcion de distribuci
on acumulativa quedara definida
entonces por:
F (x) = P (X x)
!
!
N1
N N1
x
k
nk
X
=
!
N
k=0
n
(n x)(N1 x)
f (x)
(x + 1)(N N1 n + x + 1)
Ejemplo 18:
- En una empresa industrial diariamente se producen 90
unidades de unidad metalmecanica, de las cuales
generalmente 5 salen defectuosas. Se examina en un dia
cualquiera una muestra de 5 unidades. Hallar la probabilidad
de x unidades defectuosas.
- N=90, N1 =5 , N N1 =85, n=5 , x=0,1,. . . ,5
f (x) =
=
N1
x
N2
nx
N
n
85
5
x 5x
90
5
parax = 0, 1, . . . , 5
- La tabla de distribuci
on de probabilidad:
x
P (x)
0
0.746
1
0.230
2
0.0225
3
0.000812
4
0.00000967
5
0+
- Valor Esperado:
E[X] =
4(0.00000967)+ . . .
=
0.277
xf (x)
- Simplificadamente:
N1
= n
N
5
= 5
= 0.227
90
2 = V [X] = E[(x )2 ]
X
=
(xi )2 f (x)
- a
un de forma mas simplificada:
N N1
2
= npq
N 1
5
85
90 5
= 5
90
90
90 1
= 0.25
Ejemplo :
- Un lote de producci
on contiene 1000 unidades de las cuales
hay 900 sin defectos y 100 defectuosas. Del lote se extrae una
muestra aleatoria de n = 10 unidades.
- Hallar la probabilidad de al menos ocho (8) no defectuosas en
la muestra, considerando los dos tipos de muestreo: con y sin
reemplazo. Definimos a X como el n
umero de no defectuosos
en la muestra.
N = 1000
N1 = 900
N2 = 100
n = 10
Ejemplo :
1
= 0.9298
2
= 0.9308
10
N = grande.
10
n
n
= 1000
= 0, 01 o sea N
< 0.10 .
N 100
p = 1000 = 0.10
Ejercicio: (Walpole, p
ag 131)
Ejemplo: