Академический Документы
Профессиональный Документы
Культура Документы
INGENIERA
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDADES
Ing. Rodrigo Wadnipar, M. Sc.
1
Bibliografa
Statistics for Engineering and the Sciences.
Mendenhall William. Pearson Prentice-Hall, 2007.
Probabilidad y Estadstica para Ingeniera y
Ciencias
Walpole, Ronald E., Myers, Raymond H.,
Myers, Sharon L., YE, Keying.
Octava edicin
Editorial PEARSON Educacin.
Probabilidad y estadstica aplicadas a la ingeniera.
Montgomery, Douglas C. y George C. Runger.
Editorial Limusa Wiley.
3
33
CONCEPTO DE VARIABLE
ALEATORIA
La estadstica realiza inferencias acerca de
las poblaciones y sus caractersticas.
Por ejemplo, el espacio muestral que ofrece
una descripcin detallada de cada posible
resultado, cuando se prueban tres
componentes electrnicos, se escribe como:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
17
9
Ejemplo 3.5 W
Ejemplo 3.7 W
Sea X la variable aleatoria definida como el tiempo
de espera, en horas, entre conductores sucesivos
que exceden los lmites de velocidad detectados
por una unidad de radar. La variable aleatoria X
toma los valores de x tales que x >= 0.
14
DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD
Una variable aleatoria discreta toma cada uno de sus valores
con cierta probabilidad.
Al lanzar una moneda 3 veces, la variable X, que representa
el nmero de caras, toma el valor de 2 con probabilidad de
3/8, pues 3 de los puntos mustrales igualmente probables
tienen como resultado 2 caras y un sello.
Elementos del
espacio muestral
CSS
CCC
Ley de
correspondencia
# de caras
Probabilidad
3
17
caras
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
2. ||| f ( x) 1
| x
3. ||| P ( X x) f ( x)
19
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.8 W
3 5
15
1 1
f (1) P ( X 1)
28
8
2
3 5
3
2 0
f ( 2) P ( X 2)
28
8
2
f ( x) P( X x)
3
x
2 x
para x 0,1,2
8
20
2
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.9 W
Si una agencia automotriz vende el 50% de su inventario de
cierto vehculo extranjero equipado con bolsas de aire, encuentre
una frmula para la distribucin de probabilidad del nmero de
automviles con bolsas de aire entre los siguientes 4 vehculos
que venda la agencia.
Solucin: Como la probabilidad de vender un automvil con
bolsas de aire es 0.5, los 24 = 16 puntos del espacio muestral
tienen la misma probabilidad de ocurrencia. El denominador para
todas las probabilidades y tambin para la funcin, es 16. El
evento de vender x modelos con bolsas de aire y 4 x sin bolsas
4
de aire puede ocurrir de x formas, donde x pude ser 0, 1, 2,
3, 4, entonces la distribucin de probabilidad:
f ( x) P ( X x) ||| es :
22
4
x
f ( x) , ||| para _ x 0, : 1, : 2, : 3, : 421.
16
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Hay muchos problemas donde queremos calcular la
probabilidad de que el valor observado de una
variable aleatoria X sea menor o igual que algn
nmero real x.
Al escribir F(x) = P(X x) para cualquier nmero real
x, definimos F(x) como la funcin de la
distribucin acumulada de la variable aleatoria X.
22
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.10 W
4
x
f ( x ) , ___ para _ x 0, _ 1, _ 2, _ 3, _ 4.
16
1
0,
F ( 0) P ( X 0)
1/16,
16
1
4
5
5/16,
F (1) P ( X 1)
F(X) =
11/16,
16 16 16
1
4
6 11
15/16,
F ( 2) P ( X 2)
1,
16 16 16 16
1
4
6
4 15
F (3) P ( X 3)
16 16 16 16 16
1
4
6
4
1 16
F ( 4) P ( X 4)
1.
16 16 16 16 16 16
para x < 0,
para 0 <= x < 1,
para 1 <= x < 2,
para 2 <= x < 3,
para 3 <= x < 4,
para x >= 4.
20
23
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
= f(x)
3/8
1/4
1/16
1/4
1/16
24
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
6/16
4/16
1/16
Probabilidad de x = f(x)
HISTOGRAMA DE PROBABILIDAD
5
25
Probabilidad de x = f(x)
1/16
4/16 6/16
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
26
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
11/16 =
1.2000
16/16 =
15/16 =
1.0000
0.8000
1.0000
0.9375
0.6875
5/16 =
0.6000
0.4000
1/16 =
0.3125
0.2000
0.0625
0.0000
0
1
2
3
4
Distribucin Acumulada Discreta
1
27
DISTRIBUCIN
UNIFORME DISCRETA
La ms simple de todas las
distribuciones de
probabilidad discreta es
aquella donde la variable
aleatoria toma cada uno de
sus valores con probabilidad
idntica.
28
f x; n
xn
b a 1 1
1 n
b para
a 1 n
E X
x 2
2
i 1
12
i 1
Figura. Funcin de
masa de probabilidad
para una variable
aleatoria discreta
uniforme
29
Ejemplo 5.1 W
Cuando se selecciona al azar una bombilla
de luz de una caja que contiene una bombilla
de 40 watts, una de 60 watts, una de 75
watts y una de 100 watts, cada elemento del
espacio muestral S = {40, 60, 75, 100}
ocurre con probabilidad de . Por lo tanto
tenemos una distribucin uniforme, con
1
f ( x;4) , ____ x 40,60,75,100.
4
30
Ejemplo 5.2 W
Cuando se lanza un dado legal, cada
elemento del espacio muestral
S = {1, 2, 3, 4, 5, 6} ocurre con probabilidad
de 1/6. Por lo tanto, tenemos una
distribucin uniforme con
1
f ( x;6) , ____ x 1,2,3,4,5,6.
6
31
Ejemplo 5.3 W
Para el problema 5.2 W encontramos
que 1 2 3 4 5 6 6 1
3.5
6
2
b a 1 2 1 6 1 1 2 1
12
12
35
1.7078
12
32
17.5
35
1.7078
6
12
DISTRIBUCIN
BINOMIAL
Un ensayo que slo tiene dos resultados posibles
DISTRIBUCIN BINOMIAL
(continuacin)
34
n
n x
f x p x 1 p ,
x = 0, 1, ...,
x
n
35
DISTRIBUCIN BINOMIAL
(continuacin)
E X n p
2 V X n p 1 p
36
DISTRIBUCIN BINOMIAL
(continuacin)
n
n x
f x p x 1 p
x
x
37
DISTRIBUCIN BINOMIAL
(continuacin)
n
n x
x
f x p 1 p
x
38
DISTRIBUCIN BINOMIAL
(continuacin)
n
n x
x
f x p 1 p
x
39
DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo 5.4 W
La probabilidad de que cierto componente
sobreviva a una prueba de choque es 3/4.
Encuentre la probabilidad de que sobrevivan
exactamente 2 de los siguientes cuatro
componentes que se prueben.
Solucin: Supongamos que las pruebas son
independientes y como p = para cada una de
las 4 pruebas, obtenemos
f x
n
4
n x
x
p 1 p
x
2
3 1
4 4
4!
2!2!
32
27
4
4 128
40
DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo
5.5 W
La probabilidad de que un paciente se recupere de una rara
enfermedad sangunea es 0.4. Si se sabe que 15 personas contraen
tal enfermedad, cul es la probabilidad de que: a) sobrevivan al
menos 10; b) sobrevivan de 3 a 8; y c) sobrevivan exactamente 5?.
Solucin:
Respuesta a)
15
x
15 x
0.4 1 0.4
x 0 x
9
P( X 10) 1 P ( X 10) 1
4
15
15
x
15 x
x
15 x
0.4 1 0.4
0.4 1 0.4
x 0 x
x 0 x
Respuesta
c)
P ( X 5) 0.4032 0.2173 0.1859
5
P ( X 5)
15
5
155
0.4 1 0.4
0.1859
5
P ( X 5)
41
DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo 5.6 W
Una cadena grande de tiendas al detalle compra cierto
tipo de dispositivo electrnico de un fabricante. El
fabricante indica que la tasa de defectos del dispositivo
es 3%.
a) El inspector de la cadena elige 20 artculos al azar de
un cargamento Cul es la probabilidad de que haya al
menos un artculo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un
mes y que el inspector prueba aleatoriamente 20
dispositivos por cargamento Cul es la probabilidad
de que haya 3 cargamentos que contengan al menos
un dispositivo defectuoso?
42
DISTRIBUCIN BINOMIAL
(continuacin)
Solucin:
Denote con X el nmero de dispositivos defectuosos entre los
20. Esta X sigue una distribucin b(x; 20, 0.03). Por
consiguiente:
a) X = nmero de dispositivos
defectuosos entre los veinte
n
n x
P( X 1) 1 P ( X 0) 1 p x 1 p
x
20
0
20
P( X 1) 1 0.03 1 0.03 0.4562
0
P(Y 3)
43
DISTRIBUCIN BINOMIAL
(continuacin)
DISTRIBUCIN BINOMIAL
(continuacin)
Taller en Clase 2: 5.8 W. Se conjetura que hay
DISTRIBUCIN
GEOMTRICA
DISTRIBUCIN GEOMTRICA
Ejemplo: Las probabilidades
(continuacin)
de que un bit
transmitido a travs de un canal de transmisin digital
se reciba con error es 0.1. Suponga adems que los
ensayos de transmisin son independientes. Sea
que la variable aleatoria X denote el nmero de
ensayos hasta el primer xito. Determine P(X = 4).
Solucin: E = bit con error; O = bit correcto.
47
DISTRIBUCIN GEOMTRICA
(continuacin)
En una serie de ensayos Bernoulli
independientes, con probabilidad
constante p de un xito, sea que
la variable aleatoria X denote el
nmero de ensayos hasta el primer
xito. Entonces X tiene una
distribucin geomtrica con
parmetro px 1 y
f x 1 p p ,
x=1, 2, ...
48
48
DISTRIBUCIN GEOMTRICA
1
E X
p
1 p
V X
p
. Figura. Distribucin
geomtrica para un
valor del parmetro p
de 0.1.
49
DISTRIBUCIN GEOMTRICA
(continuacin)
50
DISTRIBUCIN GEOMTRICA
(continuacin)
51
DISTRIBUCIN GEOMTRICA
(continuacin)
52
DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo
4.19 M
La probabilidad de que un bit transmitido a travs de un canal
de transmisin digital se reciba con error es 0.1. Suponga que
las transmisiones son eventos independientes y sea que la
variable aleatoria X denote el nmero de bits transmitido hasta
el primer error.
Cul es P(X = 5), es decir, que el quinto bit transmitido tenga
error?
SOLUCIN:
Este evento puede denotarse como {OOOOE}, donde O denota
un bit correcto. Como los ensayos son independientes y la
probabilidad de una transmisin correcta es 0.9.
P(X = 5) = P(OOOOE) = (1 - p)X-1 p = (0.94)(0.1) = 0.066
Obsrvese de que hay cierta probabilidad de que X sea igual a
cualquier valor entero. As mismo, si el primer ensayo es un
xito, entonces X = 1. Por lo tanto, el rango de X es {1, 2, 3,..},
es decir, todos los enteros positivos.
53
DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo 4.20 M
La probabilidad de que una oblea contenga una
partcula de contaminacin grande es 0.01. Si se
supone que las obleas son independientes, cul es la
probabilidad de que sea necesario analizar
exactamente 125 obleas antes de detectar una
partcula grande?
SOLUCIN:
Sea que X denote el nmero de muestras analizadas
hasta cuando se detecta una partcula grande.
Entonces X es una variable aleatoria geomtrica con p
= 0.01. La probabilidad pedida es:
DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo 4.21 M
La probabilidad de que un bit transmitido a travs de un canal de
transmisin digital se reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y sea que la variable
aleatoria X denote el nmero de bits transmitido hasta el primer
error.
a) Cul es el nmero promedio de transmisiones hasta el primer
error?
b) Cul es su desviacin estndar?
SOLUCIN:
c) El nmero promedio de transmisiones hasta el primer error es
1
1
E X
10
p 0. 1
1 p
p
1 - 0.1
9.49
2
55
0 .1
DISTRIBUCIN GEOMTRICA
(continuacin)
Taller en Clase
1: 4.22 M.
La probabilidad de que un bit transmitido a
travs de un canal de transmisin digital se
reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y
sea que la variable aleatoria X denote el
nmero de bits transmitido hasta el primer
error.
Suponga que se han transmitido 50 bits. Cul
es el nmero promedio de bits, hasta el
siguiente error?. Comprelo con los resultados
del ejemplo 4.21 M
1
1
E X
10
Respuesta:
56
p
0.1
DISTRIBUCIN GEOMTRICA
Taller en Clase(continuacin)
2: 4.63 M.
La probabilidad de una alineacin ptica de xito en
el ensamble de un producto de almacenamiento
ptico de datos es 0,8. Suponga que los ensayos son
independientes.
a) Cul es la probabilidad de que la primera alineacin
de xito requiera exactamente cuatro ensayos?
b) Cul es la probabilidad de que la primera alineacin
de xito requiera a lo sumo cuatro ensayos?
c) Cul es la probabilidad de que la primera alineacin
de xito requiera al menos cuatro ensayos?
DISTRIBUCIN BINOMIAL
NEGATIVA
Una generalizacin de una distribucin
geomtrica en la que la variable
aleatoria es el nmero de ensayos de
Bernoulli requeridos para obtener r
xitos resulta en la distribucin
binomial negativa.
58
0.1 0.9
0
.
1
0
.
9
0
.
1
0
.
1
0
.
9
59
f x
1 p p
Para x = r, r+1,
r+2, ...
r 1
60
r
E X
p
r 1 p
V X
2
p
2
Ejemplo 5.17 W
x 1
5
x r
r
1 p p 1 0.55 6 4 0.554 0.1853
f x
r 1
3
2
3
4
0
1
2
1 0.0005 0.00053 1 0.0005 0.00053 1 0.0005 0.00053
2
2
2
64
P X 5 1.25 10 10 3.75 10 10 7.49 10 10 1.249 10 9
P X 5
DISTRIBUCIN
HIPERGEOMTRICA
Ejemplo 4.8 M: La produccin de un da de 850 piezas
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Sea que A y B denoten los eventos de que la primera y la
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Un conjunto de N objetos contiene
K objetos clasificados como xitos y
N K objetos clasificados como fracasos
Se seleccionan una muestra con tamao de n
objetos al azar (sin reemplazo) de los N objetos,
donde K N
y n N.
Sea que la variable aleatoria X denote el nmero
de xitos en la muestra. Entonces X tiene una
distribucin hipergeomtrica y
f x
K
x
N K
nx
N
n
x = mx {0, n + K N} hasta
mn. {K, n}
68
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Si X es una variable aleatoria hipergeomtrica con parmetros
N, K y n, entonces la media y la varianza de X son:
E X n p
donde p = K /
N.
A la expresin
N n
V X n p 1 p
N 1
2
N n
N 1
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.25 M
En el ejemplo 4.8 M, la produccin de un da de 850 piezas
manufacturadas contiene 50 piezas que no cumplen con los
requerimientos del cliente. Se seleccionan 2 piezas, al azar y sin
reemplazo, de la produccin de un da. Cul es la probabilidad de que
en la muestra haya x piezas que no cumplan con los requerimientos?
x = 0, 1, 2
50 800
319600
0 2
P ( X 0)
0.886
360825
850
50 800
40000
1 1
P ( X 1)
0.111
850
360825
50 800
1225
2 0
P ( X 2)
0.003
850
360825
f x
K
x
70
N K
nx
N
n
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.26 M
x nx
4 0 0.0119
f x
P
(
X
4
)
N
300
n
4
b)
c)
100 de
200
dos
100o ms
200piezas
100sean
200del
proveedor
Cul es la probabilidad
que
2 2 3 1 4 0
local?
P ( X 2)
0.408
300
300
300
4
4
4
100 200
0
4
Cul es la probabilidad
muestra sea del
P ( X 1) 1 deP (que
X al0)menos
1 una pieza de la
0.804
300
proveedor local?
71
DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.27 M
Un lote contiene 100 piezas de un proveedor de tubera local
y 200 unidades de un proveedor de otra ciudad. Si se
seleccionan 4 piezas al azar y sin reemplazo,
a) Cul es la media para el proveedor local?
b) Cul es la varianza para el proveedor local?
1
E X n p 4 1.33
3
a)
b)
1 2 300 4
N n
V X n p 1 p
0.88
4
3 3 300 1
N 1
2
72
DISTRIBUCIN DE
POISSON
Ejemplo 4.29 M
n
n
P ( X x) p x (1 p ) n x 1
n
x
x n
e x
lm n P ( X x )
, _____ x 73
0,1,2,....
x!
n x
DISTRIBUCIN DE POISSON
(continuacin)
Ejemplo 4.30 M
DISTRIBUCIN DE POISSON
(continuacin)
x!
x = 0, 1, 2, ...
76
77
DISTRIBUCIN DE POISSON
(continuacin)
78
DISTRIBUCIN DE POISSON
(continuacin)
79
DISTRIBUCIN DE POISSON
(continuacin)
80
DISTRIBUCIN DE POISSON
(continuacin)
81
DISTRIBUCIN DE POISSON
(continuacin)
82
DISTRIBUCIN DE POISSON
(continuacin)
83
DISTRIBUCIN DE POISSON
(continuacin)
Si X es una variable aleatoria de
Poisson con parmetro entonces
la media y la varianza de X son
= E(X) =
2 = V(X) =
84
DISTRIBUCIN DE POISSON
(continuacin)
DISTRIBUCIN DE POISSON
(continuacin)
Ejemplo 4.31 M
x
2.3
2
f x
,
x!
P ( X 2)
2. 3
0.265
2!
DISTRIBUCIN DE POISSON
(continuacin)
Ejemplo
4.32 M
f x
,
x!
e 10
P ( X 12)
0.095
12!
La probabilidad de que ocurran cero partculas en el rea del disco bajo estudio es
P(X = 0) = e-10 = 4.54 x 10-5
Determine la probabilidad de que 12 o menos partculas ocurran en el rea del disco
bajo estudio. La probabilidad es
e 10 10 x
P( X 12) P( X 0) P( X 1) ... P( X 12)
0.791
x!
x 0
12
87
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
Una variable aleatoria continua tiene una probabilidad
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
En este caso, sin embargo, si nos referimos a la
probabilidad de seleccionar a una persona que, al
menos mida 163 cm pero no ms de 165 cm de
estatura, tratamos ahora con un intervalo en vez
de un valor puntual de nuestra variable aleatoria.
Trataremos el clculo de probabilidades para
varios intervalos de variables aleatorias continuas
como P(a < X < b), P(W >= c), etc.
Observe que cuando X es continua,
P ( a X b) P ( a X b) P ( X b) P ( a X b)
89
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
2.
f x dx 1
3.
a b.
de a
F x P X x
f t dt
Para x
91
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.11 W
Suponga que el error de la temperatura de reaccin, en oC,
para un experimento de laboratorio controlado, es una
variable aleatoria continua X, que tiene la funcin de
densidad de probabilidad
x2
3 , ________________ 1 x 2,
f ( x)
0, ___ en _ cualquier _ otro _ caso.
2 x
x3
8 1
a ) __
f ( x)dx
b) __ P(0 X 1)
dx
x2
x3
dx
3
9
1
9
92
Ejemplo 3.12 W
Para la funcin de densidad del ejemplo 3.11 W
encuentre F(x), y utilcela para evaluar P(0 < X <= 1).
Solucin: Para -1 < x < 2.
F ( x)
t2
t3
f (t )dt dt
1 3
9
x
x3 1
9
1
9
F ( x)
1, ____________ x 2.
93
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.13 W
El Departamento de Energa (DE) asigna proyectos
mediante licitacin y, por lo general, estima lo que debera
ser una licitacin razonable. Sea b el estimado. El DE
determin que la funcin de densidad de la licitacin
ganadora (baja) es 5
2
8b , ________________ 5 b y 2b,
f ( y)
0, ___ en _ cualquier _ otro _ caso.
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
2
b y 2b,
Solucin: Para
5
F ( y)
5
5t
dt
2b / 5 8b
8b
y
2b / 5
5y 1
8b
4
De _ manera _ que
0, _____________ y
2
b,
5
95
E(X) es:
E X
x f x dx
2 VX
f x dx
1
f x
, a xb
ba
a
2 VX
b a
E X
12
f(x)
Funcin de densidad
de probabilidad
continua uniforme.
97
Ejemplo 5.8 M
Sea que la variable aleatoria continua X denote la corriente
media de un alambre delgado de cobre en miliamperios.
Suponga que el rango de X es [0, 20 mA], y suponga que la
funcin de densidad de probabilidad es,
f(x) = 0.05,
0<= x <=20.
Cul es la probabilidad de que una medicin de la corriente
est entre 5 y 10 miliamperios?
10
f(x)
0
5 10 15 20 x
Adems,
E(X) = 10 mA y V(X)= 202 / 12 = 33.33 mA2
Por consiguiente la desviacin estndar de X es 5.77
mA.
98
1
xa
du
ba
ba
xa
F ( x)
para ___ a x b
ba
_____ 1 __ para __ x b
99
DISTRIBUCIN NORMAL
Una variable aleatoria X con funcin de
densidad de probabilidad
1 x 2
1
f x
e 2
2
par x
a
E X
VX
f(x)
Funcin de densidad
de probabilidad
normal
100
2 = 1
=5
101
2 = 4
=5
102
2 = 1
= 15
103
104
P Z z
Entonces:
donde,
Z es una variable aleatoria normal estndar,
z = (x - es el valor z que se obtiene al
estandarizar X.
La probabilidad se obtiene introduciendo
105 el valor
68%
95%
99.7%
DISTRIBUCIN NORMAL
(continuacin)
107
DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.10 M
Suponga que Z es una variable aleatoria normal
estndar. Hay tablas que contienen las
probabilidades de la forma P(Z z). En la
siguiente figura se ilustra el uso de estas tablas
para encontrar P(Z 1.5). Se lee hacia abajo la
columna z hasta el rengln que es igual a 1.5. la
probabilidad se lee en la columna adyacente, con
el encabezado 0.00, como 0.933193.
108
P(Z<=1.5) = (1.5)
0 1.5
DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.11 M
DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.12 M
110
DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.13 M
Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribucin normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. Cul es la
probabilidad de que una medicin de la corriente est entre 9 y 11
miliamperios?
P(9 < X < 11) = P([9 10] / 2 < [X 10] /2 < [11 10] / 2)
P(9 < X < 11) = P(-0.5 < Z < 0.5)
P(9 < X < 11) = P(Z < 0.5) - P(Z < -0.5)
P(9 < X < 11) = 0.691462 0.308538 = 0.382924
Determine el valor para que la probabilidad de una medicin de
la corriente est bajo el valor de 0.98.
P(X<x) = P((X-10)/2 < (x-10)/2 = P(Z < (x-10)/2) = 0.98
P(X<2.05) = 0.979818 es la ms cercana, luego
(x 10)/2 = 2.05, por tanto x = 2(2.05) + 10 = 14.1 miliamperios.
111
DISTRIBUCIN NORMAL
(continuacin)
Ejemplo
5.14 M
Suponga que en la deteccin de una seal digital el ruido de fondo sigue
una distribucin normal con media de 0 voltios y una desviacin estndar de
0.45 voltios. Si el sistema asume que se ha transmitido un uno digital
cuando el voltaje excede 0.9, cul es la probabilidad de detectar un uno
digital cuando no se envi?
Sea que la variable aleatoria N denote el voltaje del ruido. La probabilidad
pedida (probabilidad de una deteccin falsa) es:
P(N > 0.9) = P(N / 0.45 > 0.9 / 0.45 = P(Z > 2)
P(Z > 2) = 1 P(Z 2) = 1 0.977250 = 0.022750
Determine los lmites simtricos alrededor de la media que incluyan al 99%
de todas las lecturas de ruido. El problema requiere encontrar x tal que
P(-x < N < x) = 0.99.
P(-x < N < x) = P(-x/0.45 < N/0.45 < x/0.45) = P(-x/0.45 < Z < x/0.45) = 0.99
1.00 - 0.99 = 0.01; 0.01 / 2 = 0.005.
Por la tabla normal P(-2.58 < Z < 2.58) = 0.99
Por lo tanto : para P(z) = 0.005; z = -2,58; para P(z) = 0.995; z = 2,58
x / 0.45 = 2.58 de donde x = 2.58(0.45) = 1.16
-x / 0.45 = -2.58 de donde x = -2.58(0.45) = -1.16
112
DISTRIBUCIN NORMAL
(continuacin)
86
Ejemplo 5.15 M
0.2515 0.2508
0.2485 0.2508
Z
0
.
0005
0
.
0005
0,2485
0,2500
0,2515
DISTRIBUCIN NORMAL
(continuacin)
0.0005
0.0005
P(0.2485 X 0.2515) P (3 Z 3)
P(0.2485 X 0.2515) P ( Z 3) P( Z 3)
P(0.2485 X 0.2515) 0.99865 0.00135 0.9973
DISTRIBUCIN
EXPONENCIAL
En
la exposicin de la distribucin de Poisson una variable aleatoria se
P ( X x) P( N 0)
( x )
e x
0!
Por _ lo _ tan to
F ( x) P ( X x) 1 e x , ___ x 0
Al _ deri var_ F ( x) _ la _ funcin _ de _ densidad _ es :
f ( x) e x , ___ x 0
115
DISTRIBUCIN EXPONENCIAL
La variable aleatoria X que es igual a la distancia
entre conteos sucesivos de un proceso de Poisson con
media >0 tiene una distribucin exponencial
con parmetro . La funcin de densidad de
probabilidad de X es
x
para 0 x <
f x e
1
E X
1
VX 2
f(x)
Funcin de densidad
de probabilidad
exponencial
116
DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo 5.21 M
En una red de computadoras de una gran corporacin, el acceso de
usuario al sistema puede modelarse como un proceso de Poisson con
una media de 25 accesos por hora. Cul es la probabilidad de que no
haya acceso en un intervalo de 6 minutos?
Sea que X denote el tiempo en horas desde el principio del intervalo
hasta el primer acceso. Entonces, X tiene una distribucin exponencial
con = 25 accesos por hora.
6 minutos = 0.1 horas. La probabilidad pedida se indica en el rea
sombreada de la figura.
P( X 0.1) 25e 25 x dx e 25 x
0.1
0.1
0.033
DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo 5.21 M (continuacin)
Determine el intervalo de tiempo tal que la probabilidad de que no
haya acceso en el intervalo sea 0.90. Se pide la longitud de tiempo x
tal que P(X>x) = 0.90. Ahora bien,
e 25( x ) 0.90
DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo
5.22 M
Sea que X denote el tiempo entre la deteccin de una partcula rara en un
contador Geiger y suponga que X tiene una distribucin exponencial con
(X)= 1.4 detecciones por minutos. La probabilidad de que se detecte una
partcula en un lapso de 30 segundos despus de activar el contador es,
= 1/E(X) = 1/1.4; luego, F(X) = P(X<0.5 min) = 1 - e-x = 1 - e-0.5/1.4 = 0,30
Suponga que se enciende el contador Geiger y que pasen 3 minutos sin
que se detecte ninguna partcula. Cul es la probabilidad de que se
detecte una partcula en los siguientes 30 segundos?
Como ya han transcurrido 3 minutos de espera, quizs se piense que uno
va a la segura, es decir, que la probabilidad de una deteccin positiva en
los siguientes 30 segundos deber ser mayor que 0.30. Sin embargo, para
una distribucin exponencial ste no es el caso. La probabilidad pedida
puede expresarse como la probabilidad condicional P(X<3.5 | X>3). Por la
definicin de probabilidad condicional,
P(X<3.5 | X>3) = P(3<X< 3.5) / P(X>3)
donde P(3<X< 3.5) = F(3.5) F(3) = [1 e-3.5/1.4] [1 e-3/1.4] = 0.0352
y
P(X>3) = e-3/1.4 = 0.1173
Por lo tanto
P(X<3.5 | X>3) = 0.0352 / 0.1173 = 0.30
119
n pq
120
121
APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE POISSON
(continuacin)
Ejemplo 5.17 M
En un canal de comunicacin digital, suponga que el nmero de
bits recibidos con error puede modelarse con una variable
aleatoria binomial, y suponga que la probabilidad de que un bit
se reciba con error es 1 x 10-5. Si se transmites 16 millones de
bits. cul es la probabilidad de que ms de 150 presenten
errores?
Sea que la variable X denote el nmero de errores. Entonces X
es una variable aleatoria binomial y
16.000.000
5 x
5 16.000.00 x
P(X 150) 1 - P(X 150) 1 -
10 1 10
x
x 0
P(X 150) 0.771
150
X n p
Z
n pq
x - 160
160(1 - 10-5 )
P(X 150) P
150 160
160(1 - 10-5 )
APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE POISSON
(continuacin)
Ejemplo 5.19 M
Considrese de nuevo la transmisin de bits del ejemplo
5.17 M. Para juzgar qu tan bien funciona la aproximacin
normal, suponga que slo van a transmitirse n = 50 bits y
que la probabilidad de un error es p = 0.1. La probabilidad
exacta de que ocurran hasta 2 errores como mximo es:
50
50
50
0.1 0 1 0.1 50
0.1 1 1 0.1 49
0.1 2 1 0.1 48 0,11173
0
1
2
P( X 2)
x -5 25
P(X 2) P
P ( Z 1.415) 0.08
2.12 2.12
Incluso para una muestra de apenas 50 bits, la
aproximacin normal es razonable.
124
APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE
POISSON
(continuacin)
Ejemplo
6.15 W
La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es 0.4. Se sabe que 100 personas
contrajeron esta enfermedad, cul es la probabilidad de que menos
de 30 sobrevivan?
Solucin: Representamos con la variable binomial X el nmero de
pacientes que sobreviven. Como n = 100, deberamos obtener
resultados bastante precisos usando la aproximacin de la curva
normal con
= np = (100)(0.4) = 40
y
npq 100 0.4 0.6 4.499
Para obtener la probabilidad que se desea tenemos que encontrar el
rea de la izquierda de x = 29.5. El valor de z que corresponde a 29.5
es
29.5 40
4.899
2.14
> 5.
126
Ejemplo 6.2 W
Suponga que el nmero de partculas de asbesto en un
centmetro cuadrado de polvo sigue una distribucin de
Poisson con una media de 1000. Si se analiza un
centmetro cuadrado de polvo, cul es la probabilidad de
encontrar menos de 950 partculas?
La probabilidad puede expresarse exactamente como
e x
f x
,
x!
e 10001000 x
P( X 950)
x!
x 0
950
P ( X x ) P Z
P ( Z 1.58) 0.057
1000
127