Академический Документы
Профессиональный Документы
Культура Документы
TECNOLÓGICA NACIONAL
FACULTAD REGIONAL AVELLANEDA
PROBABILIDAD Y ESTADÍSTICA
UNIDAD 3: VARIABLE ALEATORIA DISCRETA
Autores:
Lic Luis Alberto Garaventa
Mg. María Cristina Kanobel
Año 2017
2
Unidad 3: Variable aleatoria discreta
PROPÓSITOS
VARIABLE ALEATORIA
(cara ;cara)
(cara ;ceca)
(ceca ;cara)
(ceca ;ceca)
0 1 2 Nº de Caras
S
La relación que asigna un único número real a cada suceso del espacio muestral se
denomina variable aleatoria. Variable porque toma distintos valores y aleatoria
porque el valor observado no se puede predecir antes de la realización del experimento,
aunque sí se conocen sus posibles valores.
X ((ceca, ceca)) = 0
X ((cara, ceca)) = 1
X ((ceca, cara)) = 1
X ((cara, cara)) = 2
Los valores que toma la variable X son 0, 1, 2. Al conjunto formado por dichos valores
lo llamamos Recorrido de la variable aleatoria X. Entonces:
RX = {0, 1, 2}
Tiramos una moneda equilibrada hasta que salga cara y definimos la variable aleatoria
Y: “Cantidad de tiros necesarios”, su recorrido será RY = {1, 2, 3, 4, ...} porque no
podemos predecir cuál es el número máximo de tiros hasta que ocurra de una cara.
Si tiramos dos monedas y nos interesa medir la distancia entre ellas, entonces
definimos la variable aleatoria Z:“distancia entre las dos monedas” y su recorrido será
Rz = [ 0; D] porque la distancia entre ellas será 0 si caen una junto a la otra y como
máximo estarán alejadas una distancia que llamaremos D.
ACTIVIDAD
1
P(X = 0) =.P((ceca, ceca)) =
4
1
P(X = 1) = P((cara, ceca)U(ceca,cara)) =
2
1
P(X = 2) = P((cara,cara)) =
4
Es decir:
x 0 1 2
P(x) 1 1 1
4 2 4
1
Ejemplo extraído de Meyer; Probabilidad y aplicaciones estadísticas. Cáp4, Pág76.
5
Unidad 3: Variable aleatoria discreta
0,6
0,5
probabilidad
0,4
0,3
0,2
0,1
0
0 1 2
X: Número de caras
Sean x1, x2, x3, ... xn los distintos valores que puede tomar la variable aleatoria discreta
X y p( x1), p( x2),... p(xn) sus respectivas probabilidades.
Esto es:
x R x : p(x) P(X x)
px 0
Estas son las i PROPIEDADES que debe cumplir toda FUNCIÓN DE
px i de 1una variable aleatoria discreta.
PROBABILIDADES
x i R
ACTIVIDAD
6
Unidad 3: Variable aleatoria discreta
x 0 1 2 3
p(x) k(k+0,25) -0,5k+0,5 -0,25k+0,1 0,2125
a) Hallen el valor de k.
b) Calculen la probabilidad de que en un día falten 2 empleados.
c) Calculen la probabilidad de que un cierto día falte algún empleado.
Cant. de 0 1
defectuosos
frecuencia no n1
Entonces:
n0 n
X0 1 1
n n
2
Ver módulo 2
7
Unidad 3: Variable aleatoria discreta
Esto significa que para un n grande, X tiene una “probabilidad grande” de ser:
0.p(0) 1.p(1)
Como sabemos que hay un 5% de fallados:
INTERPRETACIÓN FÍSICA
Si pensamos en los valores p(xi) como masas puntuales en cada valor xi,
el valor esperado correspondería a la abscisa del centro de masa respecto
del origen.
ACTIVIDADES
1. Una fábrica embarca sus productos en camiones de dos tamaños distintos, uno
de 2 x 3 x 12 metros y el otro de 2 x 3 x 9 metros. . Si el 30 por ciento de los
envíos se hacen con el camión de 9 metros y el resto con el de 12 metros,
calculen el volumen medio embarcado por camión (consideren que los camiones
van siempre llenos.)3
3
Mendenhall W. Introducción a la probabilidad y la estadìstica. Grupo Editorial Iberoamérica México
1987
8
Unidad 3: Variable aleatoria discreta
x 2 0 x3 12
1 1 1
p(x) p3
2 4 16
5
Si se sabe que E(X)= , calcule x3 y p3
4
E(k)= k
E( X+Y ) =E( X ) + E( Y )
E( X. Y ) = E( X ). E( Y ) si X e Y independientes
ACTIVIDADES
r 21 22 23 24 25 26
p(r) 0,05 0,20 0,30 0,25 0,15 0,05
x 0 1 2 5
a) Calculen E(X)
b) Si Y la variable aleatoria que denota la ganancia del jugador,
i) Construyan la distribución de Y
ii) Calculen E(Y) de dos formas distintas.
3. Se contrata una póliza sobre un auto con las siguientes clausulas: se paga
$5000 por destrucción total o robo o $2400 por destrucción parcial La
probabilidad del suceso destrucción total es 0,04 y la de destrucción parcial
0.16. Calculen el valor de la prima de seguros, considerando que para el
cálculo de la prima, la ganancia esperada de la compañía debe ser cero.
caso contrario se lo lleva Marìa. ¿Cuánto debe apostar María por cada peso
que paga Adriana si se pretende que el juego sea justo?
ACTIVIDAD
(x) V(X)
ACTIVIDAD
x 0 1 2 3
p(x) 0,25 0,15 0,35 0,25
y 1 2 3 4 5
p(y) 0,40 0,30 0,15 0,10 0,05
12
Unidad 3: Variable aleatoria discreta
V ( c . X ) = c2. V( X )
V ( c. X + k ) = c2. V( X)
ACTIVIDADES
x 1 3 5 y 1 3 5
p(x) 0.1 0.5 0.4 p(y) 0.3 0.1 0.6
13
Unidad 3: Variable aleatoria discreta
Esto es:
F : / F(x) P(X x)
Esta función representa la probabilidad de que la variable aleatoria sea menor o igual que
un determinado valor x.
Si retomamos el ejemplo del tiro de dos monedas legales, podemos armar la función de
distribución acumulada para la variable aleatoria X: “cantidad de caras “.
Será:
.
4
Bueno C. y Garaventa L. “Probabilidad y Estadística para profesores de Escuela Media” (1996) INSPT
Bs As.
14
Unidad 3: Variable aleatoria discreta
0 si x<0
1
si 0 x<1
4
F(X)=
3 si 1 x 2
4
1 x2
si
Si graficamos la función anterior obtendremos:
F(X)
1
3/4
1/4
0 1 2 X
Observe que la función aumenta de "a saltos", ya que entre dos valores consecutivos de
una variable discreta, no puede tomar valores intermedios. Su valor mínimo es 0 y su
máximo es 1.
1. F(x) es no decreciente.
lím F(x) 0
x
lím F(x) 1
2. x
Demostramos la propiedad 4:
P(X x j ) F(x j )
P(X x j1 ) F(x j1 )
Si restamos ambos miembros:
15
Unidad 3: Variable aleatoria discreta
ACTIVIDADES
Número de accidentes 0 1 2 3
semanales x
Probabilidad p(x) 0,50 0,30 0,15 0,05
x 1 2 3 4 5
p(x) 0,10 0,25 0,40 0,15 0,10
PROCESO DE BERNOUILLI
Por ejemplo:
.
Entonces:
A A
0 1 X
16
Unidad 3: Variable aleatoria discreta
1 si s A
X(s) _
0 si s A
x 0 1
p(x) 1-p P
ACT IVIDADES
1. Verifiquen que la función anterior cumple con las condiciones para ser función de
probabilidad de una variable aleatoria discreta.
2. Una empresa que fabrica cosméticos para el cabello, envasa el 40% del champú en la
planta I y el resto en la planta II. En el llenado, que se realiza automáticamente en
ambas plantas, el contenido es inferior al estipulado un 3% de las veces para la planta
I y un 2,5% para la II. Si se extrae al azar un envase de la producción, ¿cuál es la
5
distribución Bernouilli en relación al suceso: “envase con contenido impropio”?
DISTRIBUCIÓN BINOMIAL
5
Extraído del libro “Introducción a la teoría de probabilidad y la inferencia estadística”, de Oílda Zanardi,
Depto. de impresiones, UTN-FRA.
17
Unidad 3: Variable aleatoria discreta
Las características de este modelo se pueden observar en los juegos de azar, por ejemplo: si
tiramos un dado equilibrado 10 veces la probabilidad de que ocurra as en cada tiro es p =1/6. En
otras aplicaciones de interés estas condiciones se cumplen en forma aproximada: en la mayoría
de los casos se observa una cantidad de elementos muy pequeña en relación a un total muy
numeroso, de modo que las repeticiones puedan considerarse como si fueran hechas con
reposición. De ese modo pueden asegurarse las condiciones de repeticiones independientes y
p constante en cada observación.
Su recorrido será:
RX = {0,1,2,...,n}
Para deducir la función de probabilidad de una variable aleatoria X con distribución binomial
definiremos la variable Xi que representa la variable Bernouilli correspondiente a la i - ésima
repetición del experimento aleatorio.
Luego X podrá expresarse como una suma de variables Bernouilli independientes:
Por ejemplo:
Si se hacen 4 observaciones y A ocurre sólo en 3 de ellas, la variable X tomará el valor 3, es
decir 3 veces 1 y una vez 0.
Una de las formas podrá ser: X = 1 + 0 + 1 + 1 pero no es la única. Si analizamos de cuántas
formas pueden ocurrir los 3 éxitos en las 4 repeticiones, podemos concluir diciendo que hay
C4,3 posibilidades.
Si nos detenemos ahora en calcular la probabilidad de que ocurra 3 veces el suceso A en las 4
repeticiones independientes de E podemos deducir, a partir de conceptos adquiridos en el
módulo 2, que:
P(X = 3) = C 4,3 .P(A1 A 2 A 3 A 4 )
4
P(X = k) = p k .(1 p) 4 k
k
ACTIVIDADES
2. En una fábrica se sabe que el 5% de los bulones que produce tienen una falla en la rosca que
los hace inútiles.
a) Si toman 5 bulones, calculen la probabilidad de encontrar exactamente dos fallados.
b) Si toman 10 bulones, calculen la probabilidad de encontrar al menos uno fallado
c) Si selecciona 8, calcular la probabilidad de encontrar a lo sumo 2 fallados.
d) ¿Cuántos bulones debe seleccionar para que la probabilidad de encontrar al menos uno
fallado sea superior a 0,95?
3. De una producción de tornillos se toma al azar una muestra de 25 de ellos para un control
de calidad. Se sabe que si aparecen dos o mas tornillos defectuosas la partida se rechaza.
a) Calculen la probabilidad de aceptar el lote sabiendo que la probabilidad de que un tornillo
sea defectuoso es p = 0.01.
b) Calculen la probabilidad de que haya menos de 5 tornillos defectuosos sabiendo que el 90%
de la producción es buena.
Dado un bolillero que contiene cuatro bolillas blancas y seis negras, podemos
calcular la probabilidad de que una bolilla extraída al azar sea blanca es
4
P(B)= .
10
19
Unidad 3: Variable aleatoria discreta
3
En cambio la probabilidad de que salga blanca la segunda bolilla no es la misma, puede ser si
9
4
la primera bolilla resultó blanca, o de lo contrario
si la primera fue negra.
9
Entonces la probabilidad de bolilla blanca en cada extracción no se mantiene constante sino
que varía en función de lo que haya ocurrido previamente.
Muchas veces no se cumplen las hipótesis del modelo binomial. Por ejemplo: cuando se hacen n
repeticiones sin reposición de un total N de modo que la probabilidad de que ocurra un
determinado suceso (A) en cada repetición depende de lo que haya ocurrido en las extracciones
anteriores, podemos afirmar que esas observaciones no son independientes y la probabilidad de
éxito no se mantiene constante en cada repetición. En estos casos no es aplicable la distribución
binomial.
Su recorrido será:
RX = {0,1,2,...,k}
D
Para hallar la probabilidad tendremos que considerar que hay formas de obtener k veces A
k
N D
y, por cada una de estas formas, habrá también
nk
D N D
k n k
p X k
N
N
A esta expresión la llamaremos función de probabilidad de la variable
aleatoria se denomina hipergeométrica y se aplica ACTIVIDADES
al caso de muestreo
finito, sin reposición.
1. Una compañía grande tiene un sistema de inspección para los lotes de
compresores pequeños que se compran a los vendedores. Un lote típico contiene
15 compresores. En el sistema de inspección se selecciona una muestra aleatoria
de cinco y todos se prueban. Suponga que en el lote hay dos compresores defectuosos.
20
Unidad 3: Variable aleatoria discreta
2.De un lote de 40 piezas se toman al azar 10. La población se rechaza si aparecen dos o más
piezas defectuosas. Sabiendo que la probabilidad de que una pieza sea defectuosa es 0,1,
calculen la probabilidad de que haya
a) Ninguna pieza defectuosa
b) A lo sumo dos piezas defectuosas.
3. De un lote de 100 piezas, se sabe que el 5% no cumplen con los requisitos de aceptación. Se
toman al azar 10. ¿Cuál es la probabilidad de encontrar a lo sumo una pieza defectuosa en la
muestra ?. Resolverlo para dos casos:
a) El muestreo se hace sin reposición
b) El muestreo se hace con reposición
¿Qué criterios aplicarían para poder utilizar la función binomial aún en casos sin
reposición?
ACTIVIDAD
DISTRIBUCIÓN DE POISSON
Para tratar estos casos debemos plantear ciertas condiciones, es decir que tendremos que
encuadrarlos dentro de un patrón en el cual el suceso que se considera ocurre en puntos aislados
de un continuo.
El modelo probabilístico que responde a tales características se basa en una serie de supuestos
que enunciaremos a continuación referidos a porciones de continuos que llamaremos t .
Hay n observaciones
En cada intervalo t observamos si el suceso A ocurre o no.
Las observaciones son independientes
Luego:
n
P(k) = P( X = k ) = lím p k 1 p
n k
n k
P( X = k ) = lím 1
n
n k n
22
Unidad 3: Variable aleatoria discreta
Desarrollando:
t k
k
t t
k n
n! 1
1 1
n k ! n
P( X = k ) = lím
k! n
n n
calculando el límite llegaremos a la siguiente fórmula:
.t e .t
k
ACTIVIDADES
ACTIVIDADES
23
Uniddad 3: Variaable aleatoriia discreta
1 En una facultad
1. fa se esstima que ell 0.5% de lo
os alumnos que
q se anotan no comien nzan a
cursar materias
m de 1º año. Si este año se anotaron 30003 alumnoos, ¿cuál seerá la
probabiliidad de que no
n se observeen casos del tipo mencionado?
2 Se sabe que
2. q la probaabilidad de que q un estud diante presennte escoliosiss (curvatura de la
espina doorsal) es 0,0004. De los siiguientes 180
00 estudiantees que se revvisen en búsqqueda
de escolioosis encuentrren la probabilidad de quue a lo sumoo 3 presentenn escoliosis.
A
APLICACIO
ONES AL AM
MBITO PROFESIONA
AL
TOMA DE DECISION
NES: MUE
ESTREO PARA
P ACE
EPTACIÓN
N DE
LOTES
Unna planta inddustrial se puuede considerrar como unna operación que transforrma la
maateria prima en productoos acabados,, de manera que la mateeria prima in ngresa
por la puerta posterior
p de la
l planta y lo
os productoss acabados salen por el frente.
f
Con el objeto de operar eficiientemente, un fabricantte desea minnimizar la caantidad de materia m
primaa defectuosaa que se recibbe y, para mantener
m la calidad, minim mizar el númmero de prod ductos
defecctuosos que se l clientes. Para conseg
s envían a los guir este objeetivo, el fabrricante se pro
opone
establecer proceddimientos quee actúen com mo “coladorees” o “filtross” en ambas ppuertas para tratar
de evvitar que paseen los elemenntos defectuoosos.
Para simplificar el
e estudio, coonsideremoss sólo la insp pección de laa materia priima que lleg
ga a la
planta, que conssiste de lotees grandes (cajas) de artículos talles como toornillos, clav vos o
rodammientos. El funcionamien
f nto del coladdor o filtro se
s ilustra grááficamente een la figura 1.
1 Los
lotes llegan a laa puerta postterior de la planta, se aceptan si la l fracción dde defectuossos es
pequeeña, y se devvuelven al prroveedor si laa fracción dee defectuososs es grande.
figura 1.
1 Detección de defectuossos
Un filtro
f se pueede conseguiir de muchaas formas, siendo
s la máás obvia, y aparentemen nte la
solucción perfectta, una insspección coompleta y cuidadosa de cada aartículo reccibido.
Desafortunadameente, el costoo de una innspección tottal es a mennudo enormee y, por lo tanto,
econóómicamente imposible. Una segundda desventaja, no tan apparente, es que aun con n una
inspeección complleta siempree hay artículos defectuossos que pasaan el filtro. El ser humaano se
aburrre y pierde peercepción cuuando tiene que
q realizar largas horas de
d inspección, particularm
mente
cuanddo la operacción se condduce con muucha rapidez.. Así, a mennudo se rechhazan artícullos no
defecctuosos y se aceptan
a artícculos defectuuosos.
Una última desvventaja de laa inspecciónn total es quue algunas pruebas sonn destructivaas por
naturraleza. Así, una
u prueba para
p determiinar la cantid
dad de luz que
q produce un bombillo o para
24
Unidad 3: Variable aleatoria discreta
flash, destruye el bombillo. Si todos los bombillos fuesen probados de esta manera, no quedaría
ninguno para vender.
Veamos que este plan de nuestro opera de una manera completamente objetiva y origina una
inferencia respecto a la población de los artículos contenidos en el lote. Si el lote es rechazado,
inferimos que la fracción p de defectuosos es demasiado grande; si el lote es aceptado,
inferimos que p es pequeña y aceptable para el proceso de manufactura. Los planes de
muestreo para la aceptación de lotes proporcionan un ejemplo de un proceso de decisión
estadística que es, realmente, un método de inferencia estadística.
Por ejemplo, supongamos que el proveedor garantiza que los lotes contienen menos que 1 por
ciento de defectuosos y que el fabricante puede operar satisfactoriamente con lotes que
contienen menos que 5 por ciento de defectuosos. Entonces, la probabilidad de aceptar lotes con
menos del 1 por ciento de defectuosos debería ser grande. De otra forma, el proveedor subiría
sus precios para cubrir el costo de los “lotes buenos” (con menos del 1 por ciento de
25
Unidad 3: Variable aleatoria discreta
defectuosos) que han sido devueltos o le cobraría al fabricante el recargo por reinspección. Por
otro lado, la probabilidad de aceptar lotes con 5 por ciento o más defectuosos debe ser pequeña.
EJEMPLO 1
Solución
P (aceptar) = p(0) = C50 p0 q5 = q5,
P (aceptar | p = .1) = (.9)5 = .590,
P (aceptar | p = .3) = (.7)5 = .168,
P (aceptar | p = .5) = (.5)5 = .031.
Se puede obtener un bosquejo de la curva característica de operación marcando los tres puntos
obtenidos en los cálculos anteriores. Además, sabemos que la probabilidad de aceptación debe
ser igual a 1 cuando p = 0 y debe ser igual a cero cuando p = 1. La curva se muestra en la figura
3
EJEMPLO 2
Solución
Calcularemos la probabilidad de aceptación del lote para p = .1, .2, .3, .5
a 1
P (aceptar) = p (0) + p (1) = p( y) ,
y 0
Los planes de muestreo para inspección se usan extensamente en la industria. Cada plan de
muestreo posee su propia y única curva característica de operación, que caracteriza el plan
y que, en cierta forma, describe el grado de filtración o el tamaño de los hoyos del colador.
El ingeniero de control de calidad escoge el plan que satisface los requerimientos del caso.
Al aumentar el número de aceptación, aumenta la probabilidad de aceptación y por tanto
aumenta el tamaño de los hoyos del colador. Un aumento en el tamaño de la muestra
proporciona más información para tomar la decisión y mejora por lo tanto, el poder
discriminador del procedimiento de decisión. Así, cuando n es grande, la curva
característica de operación cae rápidamente a medida que p aumenta.
LABORATORIO DE INFORMATICA
p P(aceptar)
0 1 Esta celda está calculada con la función DISTR.BINOM,
0,1 0,54904302 completando los parámetros de la siguiente forma:
0,2 0,16712577 NUM-ÉXITO 1 (corresponde al valor a)
0,3 0,0352676 ENSAYOS 15 (corresponde a n)
0,4 0,00517203 PROB-ÉXITO Celda de la izquierda (se refiere al
valor de p)
6 ACUMULADO 1 (estoW.implica la probabilidad
Extraído de “INTRODUCCIÓN A LA PROBABILIDAD Y LA ESTADÍSTICA”, Mendenhall , Grupo Editorial
Iberoamérica, 1991, Pág. 171 a 174, 176 a 177. acumulada hasta 1)
27
Unidad 3: Variable aleatoria discreta
0,5 0,00048828
0,6 0,00002523
0,7 0,000000516
0,8 1,9988E-09
0,9 1,36E-13
1 0