Академический Документы
Профессиональный Документы
Культура Документы
Una variable aleatoria X es una variable aleatoria uniforme si cada uno de los n valores
que están en el rango de ésta, x1 , x2 ,..., x n tiene la misma probabilidad. Entonces,
f x (x ) =
1
n
EJEMPLO: La probabilidad de que el primer dígito del número de serie de una pieza
sea uno de los números desde 0 hasta 9, es la misma. Si se toma una pieza al azar de un
lote muy grande, y X es el primer dígito del número de serie, entonces X tiene una
distribución discreta uniforme con una probabilidad 0.1 para cada valor de
R = {0,1,2,....,9}. Esto es,
f x ( x) = 0.1
Supóngase que X es una variable aleatoria discreta uniforme sobre los enteros
consecutivos a , a + 1, a + 2,..., b , con a ≤ b .
La media de X es
µ X = E ( X ) = (b + a ) / 2
La desviación estándar de X es
σX =
(b − b + 1)2 − 1
12
43
Apuntes para Clases 44
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
E ( X ) = (0 + 48) / 2 = 24
y σX = {[(48 − 0 + 1) − 1]/ 12}
2 /2
= 14.14
DISTRIBUCIÓN BINOMIAL
Un ensayo Bernoulli es un experimento aleatorio que tiene sólo dos resultados posibles,
denotados por “éxito” y “fracaso”. La probabilidad de un éxito se denota por p.
n
f X (x; , p, n ) = p x (1 − p )n− x , x = 0,1,2,...., n
x
44
Apuntes para Clases 45
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
En este experimento se indica con E un bit erróneo, y con C un bits sin error, esto es,
recibido correctamente. Con esto, el espacio muestral de este experimento puede
describirse como una lista de cuatro que indican qué bits fueron recibidos con y sin
error. Por ejemplo, el resultado CECE indica que el segundo y el cuarto bit son
erróneos, y los otros dos se recibieron correctamente.
Por consiguiente, el espacio muestral es
Resultado X Resultado X
CCCC 0 ECCC 1
CCCE 1 ECCE 2
CCEC 1 ECEC 2
CCEE 2 ECEE 3
CECC 1 EECC 2
CECE 2 EECE 3
CEEC 2 EEEC 3
CEEE 3 EEEE 4
Por otra parte, la probabilidad de que se presente cualquiera de los seis resultados
mutuamente excluyentes para los que X = 2, es la misma. Por consiguiente
P( X = 2) = 6(0.0081) = 0.0486
En general,
45
Apuntes para Clases 46
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Para completar una fórmula general de probabilidad, sólo es necesario una expresión
para el número de resultados que contienen x errores. Puede construirse un resultado
que contiene x errores separando los cuatro ensayos en dos grupos. El tamaño de uno de
los grupos es x y contiene los errores, mientras que el tamaño del otro grupo es n-x y está
formado por los ensayos donde no hay errores. El número de maneras de separar cuatro
4
objetos en dos grupos, uno de los cuales tiene tamaño x, es = 4! /[ x!(4 − x )!] .
x
Por tanto, en este ejemplo,
4
P( X = x ) = (0.1) (0.9)
x 4− x
x
4
Nótese que = 4![2!2!] = 6 , resultado que ya se había obtenido con anterioridad.
2
µ X = E ( X ) = np y σ x2 = V ( X ) = np (1 − p )
46
Apuntes para Clases 47
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Figura: Distribuciones binomiales para valores seleccionados de n y p.
EJEMPLO
La posibilidad de que cada muestra de aire contenga una molécula rara particular es de
10%. Supóngase que las muestras son independientes con respecto a la presencia de la
molécula. Encuéntrese la probabilidad de que en las 18 muestras siguientes, exactamente
dos contengan la molécula rara.
Sea x = el número de muestras de aire que contienen la molécula rara en las 18 muestras
siguientes analizadas. Entonces x es una variable aleatoria binomial con p = 0.1 y n =
18. Por consiguiente,
18
P( X = 2) = (0.1) 2 (0.9 )16
2
18
Ahora = (18! / [2! 16!]) = (18(17) / 2 ) = 153 . Por tanto,
2
18 18
P( X ≥ 4) = ∑ (0.1) x (0.9 )18− x
x=4 x
6
18
P(3 ≤ X < 7 ) = ∑ (0.1) (0.9 )
x 18 − x
x= 3 x
= 0.168 + 0.070 + 0.022 + 0.005
= 0.265
P( X ≥ 4) = 1 − P( X < 4)
3 18
= 1 − ∑ (0.1)x (0.9)18− x
x =0 x
EJEMPLO:
47
Apuntes para Clases 48
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Distribución geométrica
En una serie de ensayos Bernoulli independientes, con una probabilidad constante p del
primer éxito, sea la variable aleatoria X el número de ensayos realizados hasta la
obtención del primer éxito. Entonces, X tiene una distribución geométrica con
parámetros p y
f x ( x p ) = (1 − p )
x −1
p, x = 1, 2...
EJEMPLO:
La probabilidad de que una muestra de aire contenga una molécula rara es 0.01. Si se
supone que las muestras son independientes con respecto a la presencia de la molécula
rara, ¿cuál es la probabilidad de que sea necesario analizar exactamente 125 muestras
antes de detectar una molécula rara?.
48
Apuntes para Clases 49
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
EJEMPLO
Considérese de nuevo la transmisión de bits del ejemplo 3-25. En este caso, p = 0.1. el
número promedio de transmisiones hasta que se presente el primer error es 1/01 = 10.
La desviación estándar del número de transmisiones hasta que se presente el primer error
es
[
σ X = (1 − 0.1) / 0.12 ]
1/2
= 9.49
49
Apuntes para Clases 50
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
La suposición para el uso de un modelo geométrico es que el sistema presuntamente no
se desgastará. La probabilidad del error permanece constante para todas las
transmisiones.
r (1 − p )
µ X = E (X ) = σ X2 = V ( X ) =
r
y
p p2
50
Apuntes para Clases 51
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Figura Distribuciones binomiales negativas para valores seleccionados de los
parámetros r y p.
EJEMPLO
Una aeronave de alto rendimiento contiene tres computadoras idénticas. Sólo una de
ellas se utiliza para controlar la nave; las otras dos son reservas que se activan en caso
de falta en el sistema primario. Durante una hora de operación, la probabilidad de falta
en el computador primario (o en cualquiera de los sistemas de reserva que se encuentre
activo) es 0.0005. Si se supone que cada hora representa un ensayo independiente, ¿cuál
es el tiempo prometido de falta de las tres computadoras?.
Sean X el número de horas transcurridas hasta que faltan los tres sistemas, y
X 1 , X 2 y X 3 el número de horas de operación de que fallen el primero, el segundo y
el tercer sistema, respectivamente.
Entonces X 1 + X 2 + X 3 . Por otra parte, se supone que las horas comprenden ensayos
independientes con probabilidad constante de falla p = 0.0005. Asimismo, una
¿Cuál es la probabilidad de que las tres computadoras fallen durante un vuelo de cinco
horas?.
La probabilidad pedida es P( X ≤ 5 ) , y
P ( X ≤ 5) = P ( X = 3) + P ( X = 4) + P ( X = 5 )
3 4
= 0.0005 + 0.0005 (0.9995) + 0.0005 (0.9995)
3 3 3
2
2
= 1.25 ×10 + 3.75 × 10 + 7.49 × 10 −10
−10 −10
= 1.249 × 10 −9
DISTRIBUCIÓN HIPERGEOMÉTRICA
51
Apuntes para Clases 52
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Se toma una muestra de tamaño n, al azar (sin reemplazo) de entre N objetos, donde
K ≤N y n≤N.
K N − K
x n − x
f X (x; N , K , n ) = x = 0,1,2,..., min ( K , n )
N
n
EJEMPLO
50 800
0 2 319600
P( X = 0 ) = = = 0. 886
850 360825
2
50 800
1 1 40000
P( X = 1) = = = 0.111
850 360825
2
50 800
2 0
P( X = 2) =
1225
= = 0. 003
850 360825
2
52
Apuntes para Clases 53
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
EJEMPLO
Sea X el número de partes en la muestra que son del proveedor local. Entonces, X tiene
una distribución hipergométrica y la probabilidad pedida es P(X = 4). En consecuencia,
100 200
4 0
P ( X = 4) = = 0.0119
300
4
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea el proveedor local?
53
Apuntes para Clases 54
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
100 200
0 4
P( X ≥ 1) = 1 − P( X = 0 ) = 1 − = 0.196
300
4
N −n
µ X = E ( X ) = np y σ X2 = V ( X ) = np (1 − p )
(N − 1)
K
donde p =
N
La expresión
( N − n)
( N − 1)
es conocido como factor de corrección de población finita
EJEMPLO
0 1 2 3 4 5
Probabilidad Hipergeométrica 0.004 0.099 0.397 0.397 0.099 0.004
Probabilidad Binomial 0.031 0.156 0.313 0.313 0.156 0.031
54
Apuntes para Clases 55
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
EJEMPLO
El muestreo se hace sin reemplazo. Sin embargo, dado que el tamaño de la muestra, 50,
es pequeño comparado con el número de cuentas de clientes, 1000, la probabilidad de
seleccionar un clie nte que haya comprado un producto a la corporación en los últimos
tres meses, permanece aproximadamente constante a medida que se elige a los clientes.
Por ejemplo, sean A el evento donde el primer cliente seleccionado no compró ningún
producto de la corporación en los últimos tres meses, y B el evento en que el segundo
cliente seleccionado tampoco adquirió ningún producto en los últimos tres meses.
Entonces, P( A) = 300 / 1000 = 0.3 y P( B / A) = 299 / 999 = 0.2993 . Esto es, los ensayos
son aproximadamente independientes.
55
Apuntes para Clases 56
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
DISTRIBUCIÓN POISSON
EJEMPLO
n
P( X = x ) = p x (1 − p )n− x
x
n(n − 1)(n − 2)L (n − x + 1) np
x
(1 − p ) (1 − p )
−x
= n
x! n
n(n − 1)(n − 2)L (n − x + 1) λx np
n
(1 − p )
−x
= 1 −
x! n
x
n
n(n − 1)(n − 2)L (n − x + 1) λx λ λ
n −x
= 1 − 1 −
nx x! n n
n (n − 1) (n − 2) (n − x + 1) λ x λ λ
−x
= L 1 − 1 −
n n n n x! n n
Al considerar cada uno de los términos que aparecen en la expresión anterior, puede
demostrarse que
e −λ λ x
lim n→∞ P( X = x ) = , x = 0,1, 2, ...
x!
56
Apuntes para Clases 57
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
Además, dado que el número de bits transmitido tiende a infinito, el número de errores
puede ser igual a cualquier entero no negativo. Por consiguiente, el recorrido de X es el
conjunto de los enteros desde cero hasta infinito.
e − λ λx
f X (x ) = , x = 0, 1, 2, ...
x!
57
Apuntes para Clases 58
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
EJEMPLO
Para el caso del alambre delgado de cobre, supóngase que el número de fallas está
descrito por una distribución Poisson con una media de 2.3 fallas por milímetros.
Determínese la probabilidad de tener dos fallas en un milímetro de alambre.
e −2.3 2.3 2
P( X = 2 ) = = 0.265
2!
Por consiguiente,
P( X = 10 ) = e −11.5 / 10! = 0.113
10
Por tanto,
P( X ≥ 1) = 1 − P( X = 0 )
= 1 − e − 4.6
= 0.9899
58
Apuntes para Clases 59
Curso : Probabilidades MA – 442 Ingeniería Civil
Profesor : Raúl Zhigley C.
P( X = x ) = f X ( x )
P(1 ≤ X ≤ 3) = f X (1) + f X (2 ) + f X (3)
E ( X ) = µ X = ∑ xf X ( x )
x
V (X ) = σ = ∑(x − µ ) f X (x )
2 2
X X
x
• Número de ensayos n fijo
Número de éxitos X (variable aleatoria)
Binomial
n
f (x; p, n ) = p x (1 − p )n − x 0≤ x≤n
x
E ( X ) = np V ( X ) = np(1 − p )
Binomial negativa
x − 1
f (x; p, r ) = (1 − p ) x −r p r x = r , r + 1,...
r −1
r (1 − p )
E (X ) = V (X ) =
r
p p2
Caso especial r = 1 : variable aleatoria geométrica.
59