Академический Документы
Профессиональный Документы
Культура Документы
DISTRIBUCIONES DE PROBABILIDAD
2
CONTENIDO
Variables aleatorias
Distribuciones discretas
Uniforme
Binomial
Binomial Negativa
Geométrica
Hipergométrica
Poisson
3
VARIABLE ALEATORIA
Una variable aleatoria está asociada con un número
(resultado) de una observación (experimento aleatorio).
Una variable aleatoria es una función que asigna un número
real a cada resultado en el espacio muestral de un
experimento aleatorio.
Las variables aleatorias se denotan con una letra mayúscula
(por ejemplo X).
El valor posible de X se denota con una letra mínuscula,
como x. 4
VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
continuas:
Variables aleatorias
Variables aleatorias
partes probadas. peso, tiempo,
-Número de baches en un temperaturas,
tramo de carretera. presión, etc.
-Tipos de usuarios en un
tranvía.
6
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
TEMA 3.1
7
EJEMPLO 1: PRUEBA DEL FLASH DE LA CÁMARA
10
EJEMPLO 3: CONTAMINACIÓN DE MUESTRAS
Número de muestras que tienen que ser analizadas
para detectar una gran partícula de
contaminación (X).
La probabilidad de que la muestra contenga una
gran partícula es 0,01 Distribución de Probabilidad
Las muestras son independientes. P(X = 1) = 0.01= 0.0100
Determine la distribución de probabilidad de X. P(X = 2) = (0,99)*0,01= 0.0099
2
P(X = 3) = (0,99) *0,01= 0.0098
Solución: 3
P(X = 4) = (0,99) *0,01= 0.0097
p denota una muestra en donde una gran partícula
está presente y a denota una muestra en donde la
partícula está ausente.
El espacio muestral es: S = {p, ap, aap, aaap, …}
11
El rango de valores de X es: x = 1, 2, 3, 4, …
EJEMPLO 4: BACHES DEFECTUOSOS
Considere la distribución de probabilidad del ejemplo 2.
a) Encuentre la probabilidad de tener a lo sumo 3 baches defectuosos.
Solución: Baches Probabilidad
El evento (X ≤ 3) es la unión de los eventos: P(X =0) = 0.6561
P(X =1) = 0.2916
(X = 0), (X = 1), (X = 2), y (X = 3).
P(X =2) = 0.0486
P(X =3) = 0.0036
P(X =4) = 0.0001
1.0000
𝑃𝑃 𝑋𝑋 ≥ 1 = 1 − 𝑃𝑃 𝑋𝑋 = 0 = 1 − 0,6561 = 0,3439
13
Para una variable aleatoria discreta X, F(x) satisface las siguientes propiedades:
14
EJEMPLO 5: MUESTREO SIN REMPLAZO
La producción diaria de 850 varillas de acero contiene 50 varillas defectuosas.
Dos varillas son seleccionadas aleatoriamente sin remplazo.
X es el número de partes defectuosas en la muestra (2).
Halle la distribución acumulada de X.
P ( X = 0 ) = 800
850 849 = 0.886
⋅ 799
P ( X =1) =2 ⋅ 800
850 849 =0.111
⋅ 50
P ( X = 2 ) = 850
50
⋅ 849
49
= 0.003
F ( 0= x<0
) P ( X ≤ 0=) 0.886 0
0.886
0 ≤ x <1
F (1=
) P ( X ≤ 1=) 0.997 F ( x) =
0.997 1≤ x < 2 15
F ( 2=
) P ( X ≤ 2=) 1.000 1 2≤ x
MEDIA Y VARIANZA
• Fórmula computacional:
𝑏𝑏+𝑎𝑎
𝜇𝜇 = 𝐸𝐸 𝑥𝑥 =
2
𝑏𝑏 − 𝑎𝑎 + 1 2– 1
𝜎𝜎2 = 𝑉𝑉 𝑥𝑥 =
12 17
EJEMPLO 8: NÚMERO DE LÍNEAS DE VOZ
X es el número de las 48 líneas de voz que son usadas (están
ocupadas) en un momento en particular.
Asuma que X es una variable aleatoria discreta uniforme con un
rango de 0 a 48. Encuentre E(X) y σX.
Respuesta:
18
DISTRIBUCIÓN BINOMIAL
Un ensayo de Bernoulli es un experimento aleatorio que
tiene sólo dos resultados posibles, denotados por “éxito” y
“fracaso”.
La probabilidad de un éxito en cada ensayo se denota
con p y permanece constante (0 < 𝑝𝑝 < 1).
Los ensayos son independientes.
El ensayo de Bernoulli se realiza n veces y se tiene una
distribución binomial.
19
DISTRIBUCION BINOMIAL
n x
f ( x) = p (1 − p ) for x =
n− x
0,1,...n (3-7)
x
μ = E(X) = np
σ2 = V(X) = np(1-p)
20
EJEMPLO 10: CONTAMINACIÓN ORGÁNICA
Cada muestra de agua tiene una probabilidad del 10% de contener un
contaminante orgánico en particular.
Suponga que las muestras son independientes con respecto a la presencia
del contaminante.
Encuentre la probabilidad de que en las siguientes 18 muestras,
exactamente 2 contengan el contaminante.
Respuesta:
Sea X el número de muestras que contienen el contaminante en las
siguientes 18 muestras analizadas. Entonces X es una variable aleatoria
binomial con
p = 0.1 y n = 18
21
EJEMPLO 10: CONTAMINACIÓN ORGÁNICA
22
0,2835 = DISTR.BINOM.N(2;18;0,1;falso)
EJEMPLO 11: CONTAMINACIÓN ORGÁNICA-2
Determine la probabilidad de que al menos 4 muestras contengan el contaminante.
Respuesta:
23
EJEMPLO 11: CONTAMINACIÓN ORGÁNICA-2
Determine la probabilidad de que al menos 4 muestras contengan el contaminante.
Respuesta:
24
0,098 = 1-DISTR.BINOM.N(3;18;0,1;VERDADERO)
EJEMPLO 12: CONTAMINACIÓN ORGÁNICA-3
Ahora determine la probabilidad de que haya 3 o más casos, pero menos de 7.
Respuesta:
=DISTR.BINOM.N(6;18;0,1;VERDADERO)-DISTR.BINOM.N(2;18;0,1;VERDADERO)
EJEMPLO 13:
σ = SD(X) = 0.6
26
DISTRIBUCIÓN BINOMIAL NEGATIVA
La distribución binomial tiene:
Un número fijo de ensayos Bernoulli.
Un número de éxitos aleatorio.
27
BINOMIAL NEGATIVA
Si X es una variable aleatoria binomial negativa con parámetros p y r,
f ( x) = ( ) p (1 − p )
x −1
r −1
r x−r
for x = r , r + 1, r + 2... 𝑟𝑟 = 1, 2, 3, …
(3-11)
r
=µ E=(X )
p
and
r (1 − p )
= (X )
σ V= 2
p2
28
EJEMPLO 17: FLASH DE LA CÁMARA
La probabilidad de que una cámara pase una prueba en particular es 0,8, y el
desempeño de las cámaras es independiente del desempeño de las otras. ¿Cuál es la
probabilidad de que la tercera falla se obtenga en cinco pruebas o menos?
RESPUESTA
Sea X el número de cámaras probadas hasta que tres fallas hayan sido obtenidas.
La probabilidad requerida es P(X ≤ 5).
Se tiene una distribución binomial negativa con p = 0,2 y r = 3.
Entonces,
5
x − 1
∑
P( X ≤ 5) =
x =3 2
3
(0.2) (0.8)
x −3
3 3 4 3
=0.2 + 0.2 (0.8) + 0.2 (0.8) 2
3
29
2 2
= 0.056
DISTRIBUCIÓN GEOMÉTRICA
𝑓𝑓 𝑥𝑥 = 𝑝𝑝(1 − 𝑝𝑝)𝑥𝑥−1
1
=µ E= (X )
p
andy
(1 − p )
(X )
σ V=
= 2
2
30
p
EJEMPLO 14: VIGUETA PREFABRICADA
La probabilidad de que una vigueta prefabricada tenga un problema
estructural es de 0,01. Asuma que las viguetas son independientes.
¿Cuál es la probabilidad de que exactamente 125 viguetas tienen que
ser analizadas antes de encontrar la falla estructural?
Respuesta:
Sea X el número de muestras analizadas hasta que una falla estructural es
detectada. Entonces X es una variable aleatoria geométrica con parámetro
p = 0,01.
𝑓𝑓 𝑥𝑥 = 𝑝𝑝(1 − 𝑝𝑝)𝑥𝑥−1
P(X = 125) = 0,01 * (0,99)124 = 0,00288.
31
EJEMPLO 15: PROMEDIO Y DESVIACIÓN ESTÁNDAR
La probabilidad de que un bit transmitido a través de un canal de transmisión sea
recibido con un error es de 0,1. Suponga que todas las transmisiones son eventos
independientes, y sea la variable aleatoria X el número de bits transmitidos hasta el
primer error. Encuentre el promedio y la desviación estándar.
Respuesta:
f ( x)
=
( )( )
K
x
N −K
n−x
= = 0,(1,
0, n2,+ …, N ) to min ( K , n )
K −mín(K,n)
( )
Donde
where x x max (3-13)
N
n 34
EJEMPLO 17: PARTES DE SUPLIDORES
Un lote de partes contiene 100 partes del suplidor A y 200 partes del
suplidor B. Si 4 partes son seleccionadas aleatoriamente, sin reemplazo,
¿Cuál es la probabilidad de que todas ellas sean del suplidor A?
RESPUESTA:
35
EJEMPLO 17: PARTES DE SUPLIDORES
RESPUESTA:
Sea X igual al número de partes en la muestra del suplidor A.
36
EJEMPLO 18: PARTES DE SUPLIDORES 2
¿Cuál es la probabilidad de que dos o más partes sean del suplidor A?
RESPUESTA:
=DISTR.HIPERGEOM.N(2;4;100;300;FALSO)
+DISTR.HIPERGEOM.N(3;4;100;300;FALSO)
+DISTR.HIPERGEOM.N(4;4;100;300;FALSO)
37
= 0,4074
EJEMPLO 19: PARTES DE SUPLIDORES 3
=1-DISTR.HIPERGEOM.N(0;4;100;300;FALSO) = 0,804
38
DISTRIBUCIÓN HIPERGEOMÉTRICA
N −n
µ E (=
= X ) np and
y σ V (=
= X ) np (1 − p )
2
(3-14)
N −1
where p =
donde K
N
N −n
and
y isesthe finite population
el factor correction
de corrección factor.finita
de población
N −1
39
EJEMPLO 20: MUESTRA DE CLIENTES
Una lista de cuentas de clientes de una gran compañía tiene 1000 clientes.
De esos, 700 han comprador al menos un producto en los últimos 3 meses.
Para evaluar un producto nuevo, se toma una muestra aleatoria de 50
clientes de la lista. ¿Cuál es la probabilidad de que más de 45 clientes de la
muestra hayan comprado en la compañía en los últimos 3 meses?
RESPUESTA
Sea X el número de clientes de la muestra quienes han comprado en la
compañía en los últimos 3 meses. Entonces X es una variable aleatoria
hipergeométrica con N = 1,000, K = 700, n = 50.
50
∑
P ( X > 45 ) =
( )( )
700 300
x 50 − x Es un problema muy largo!
x = 46
( )
1, 000
50
40
EJEMPLO 20: MUESTRA DE CLIENTES
Una lista de cuentas de clientes de una gran compañía tiene 1000 clientes.
De esos, 700 han comprado al menos un producto en los últimos 3 meses.
Para evaluar un producto nuevo, se toma una muestra aleatoria de 50
clientes de la lista. ¿Cuál es la probabilidad de que más de 45 clientes de la
muestra hayan comprado en la compañía en los últimos 3 meses?
RESPUESTA
N = 1,000, K = 700, n = 50.
=DISTR.HIPERGEOM.N(46;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(47;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(48;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(49;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(50;50;700;1000;FALSO)
= 0,00012 41
∑( )
50
P (=
X > 45 ) ( 0.7 )
50 0.7 x 1 −= 50 − x
0.00017
x = 46
x
42
DISTRIBUCIÓN POISSON
43
DISTRIBUCIÓN POISSON
e−λ λ x
f ( x) = para x 0,1, 2,3,...
for (3-16)
x!
𝝁𝝁 = 𝑬𝑬(𝑿𝑿) = 𝝀𝝀
𝝈𝝈𝟐𝟐 = 𝑽𝑽(𝑿𝑿) = 𝝀𝝀
Respuesta:
Sea X el número de fallas en 1 mm de alambre
45
EJEMPLO 22: FALLAS EN EL ALAMBRE DE COBRE
Respuesta:
Sea X el número de fallas en 1 mm de alambre
46
EJEMPLO 23: FALLAS EN EL ALAMBRE DE COBRE-2
Determine la probabilidad de tener 10 fallas en 5 mm de alambre.
Respuesta:
Sea X el número de fallas en 5 mm de alambre.
fallas/mm fallas
=POISSON.DIST(10;11,5;FALSO) = 0,113
47
EJEMPLO 24: FALLAS EN EL ALAMBRE DE COBRE-3
Determine la probabilidad de que al menos exista una falla en 2 mm de alambre.
Respuesta:
Sea X el número de fallas en 2 mm de alambre.
Note que P(X ≥ 1) requiere ∞ términos. No es conveniente calcular la suma
fallas/mm fallas
=1-POISSON.DIST(0;4,6;FALSO) = 0,9899
48