Probabilidad y Estadística

UNIVERSIDAD TECNOLGICA NACIONAL
FACULTAD REGIONAL AVELLANEDA
PROBABILIDAD Y ESTADSTICA
UNIDAD 3: VARIABLE ALEATORIA DISCRETA
Autores:
Lic Luis Alberto Garaventa
Mg. Mara Cristina Kanobel
Ao 2014
Unidad 4: Variable aleatoria continua
En el mdulo 1 de ESTADISTICA DESCRIPTIVA hemos definido y clasificado el

trmino variable como as tambin el de frecuencia relativa. Utilizamos estos conceptos
para clasificar y agrupar informacin sobre una muestra de una poblacin real de estudio.
Pero dicha informacin es realmente til para poder realizar inferencias sobre alguna
caracterstica de dicha poblacin. Para predecir un resultado es necesario recurrir a
modelos tericos que se ajusten lo mejor posible a la realidad. La teora de probabilidades
nos brinda esas herramientas al estudiar experimentos aleatorios de poblaciones ideales
que se ajustan a muchas situaciones reales. Las distribuciones de probabilidad estn
relacionadas con las distribuciones de frecuencias. Una distribucin de frecuencias
terica es una distribucin de probabilidades que describe la forma en que se espera que
varen los resultados. Debido a que estas distribuciones tratan sobre expectativas de que
algo suceda, resultan ser modelos tiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.
PROPSITOS
Esperamos que, al finalizar la lectura activa y comprensiva de este mdulo, estn en
condiciones de asociar distribuciones de probabilidad a fenmenos que ocurren
aleatoriamente y aplicarlas en la resolucin de problemas.
VARIABLE ALEATORIA
Al realizar un experimento generalmente estamos interesados en alguna
funcin del resultado ms que en el resultado en s mismo. As, por
ejemplo, al arrojar dos veces una moneda equilibrada quizas nos interese
observar solamente la cantidad de caras que ocurren y no el par de observaciones que
dieron origen a dichos valores. Lo podemos visualizar en el siguiente grfico:
(cara ;cara)
(cara ;ceca)
(ceca ;cara)
(ceca ;ceca)
0
N de Caras
La relacin que asigna un nico nmero 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 realizacin del experimento, aunque
s se conocen sus posibles valores.
Sea S un espacio muestral asociado a un experimento aleatorio E. Se

denomina VARIABLE ALEATORIA X a una funcin tal que a cada
elemento s S le asigna un nmero real x.
Es decir:
X: S / X(s) = x
En general representaremos a las variables aleatorias con letras maysculas X, Y, Z, etc

y sus valores con letras minsculas x, y, z respectivamente.
Entonces:
X(s)=x significa que x es el nmero real asociado al resultado s S a travs de la variable
aleatoria X.
Si llevamos esto a nuestro ejemplo tendremos que:
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}
Se denomina RECORRIDO o RANGO de una variable aleatoria al conjunto

de valores que toma dicha variable
Esto es:
R x x / x Xs s S
Analicemos ahora otros experimentos aleatorios:

Tiramos una moneda equilibrada hasta que salga cara y definimos la variable aleatoria
Y: Cantidad de tiros necesarios, su recorrido ser RY = {1, 2, 3, 4, ...} porque no
podemos predecir cul es el nmero mximo 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 ser Rz = [ 0; D]
porque la distancia entre ellas ser 0 si caen una junto a la otra y como mximo estarn
alejadas una distancia que llamaremos D.
Las caractersticas de los recorridos de las variables X, Y y Z son distintas.

El recorrido de X es finito, el de Y es infinito numerable por ser el conjunto de los
nmeros naturales y en el caso de la variable Z es infinito no numerable porque se trata
de un intervalo de nmeros reales.
Es posible clasificar una variable aleatoria segn el tipo de recorrido:
Una VARIABLE ALEATORIA es:

DISCRETA si su recorrido es finito o infinito numerable
CONTINUA si su recorrido es infinito no numerable.
ACTIVIDAD
Definan el recorrido y clasifiquen las siguientes variables aleatorias:
a) Una urna contiene siete bolillas blancas y 3 negras Si se extraen 5 bolillas Se
define la variable: cantidad de bolillas blancas entre cinco bolillas extradas
b) Cierta lnea de colectivos hace el recorrido Lans- Retiro y Retiro- Lans. Se
define la variable: duracin del primer recorrido del da de un colectivo al azar.
c) Una fuente radiactiva emite partculas . Un contador observa la emisin de esas
partculas durante un tiempo determinado. Se define la variable: nmero de
partculas observadas.1
VARIABLES ALEATORIAS DISCRETAS

Volvamos al experimento aleatorio que consiste en arrojar dos veces una
moneda equilibrada. Al no conocer de antemano cul ser el resultado nos
interesar asignar un valor de probabilidad a cada valor que toma la
variable X: cantidad de caras.
Para calcular probabilidades en R x trabajaremos con sucesos equivalentes de la siguiente
forma:
P(X = 0) =.P((ceca, ceca)) =
1
4
P(X = 1) = P((cara, ceca)U(ceca,cara)) =
P(X = 2) = P((cara,cara)) =
1
2
1
4
Es decir:
1
Ejemplo extrado de Meyer; Probabilidad y aplicaciones estadsticas. Cp4, Pg76.

x
0
P(x) 1
4
1
1
2
2
1
4
La tabla anterior describe la funcin de probabilidad de la variable aleatoria X.

La funcin de probabilidad de una variable aleatoria X nos indica cmo se distribuye la
probabilidad para cada valor de X, y se determina a partir de la probabilidad de los
sucesos asociados a cada valor de X.
Volviendo al ejemplo la funcin de probabilidad de la v. a. X: nmero de caras tambin
puede graficar:
probabilidad
0,6
0,5
0,4
0,3
0,2
0,1
0
0
X: Nmero 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.
Se llama funcin de probabilidad o de masa de la variable .aleatoria

discreta X a la funcin que asigna a cada valor de la variable un valor de
probabilidad.
Esto es:
x R x : p(x) P(X x)
El conjunto de pares (xj, p(xj)) constituyen la distribucin de probabilidades de la

variable aleatoria.
Si analizamos los valores de la funcin de probabilidad del ejemplo anterior podemos
puntualizar las siguientes caractersticas:
px i 0
px 1
x i R x

Estas son las PROPIEDADES que debe cumplir
PROBABILIDADES de una variable aleatoria discreta.
toda
FUNCIN
DE
ACTIVIDAD
La siguiente distribucin de probabilidad corresponde a la variable aleatoria
X: cantidad de empleados ausentes por da en una empresa.
x
p(x)
0
k(k+0,25)
1
-0,5k+0,5
2
-0,25k+0,1
3
0,2125
a) Hallen el valor de k.
b) Calculen la probabilidad de que en un da falten 2 empleados.
c) Calculen la probabilidad de que un cierto da falte algn empleado.
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

En el mdulo 1 hemos definido medidas de centralizacin y de dispersin
que nos permiten resumir la informacin sobre una variable estadstica.
De la misma manera, en modelos tericos definiremos parmetros que
nos brinden la media y la dispersin de los valores de la variable de
estudio.
Analicemos el siguiente ejemplo:
Un lote grande de fusibles contiene slo un 5% de piezas falladas. Extraemos al azar un
fusible y observamos si est fallado. Definimos la variable aleatoria X: cantidad de
fusibles fallados al extraer uno.
El recorrido de la variable ser R x 0, 1
Si repetimos el procedimiento anterior n veces, ocurrir que en alguna de las repeticiones
saldr bueno, y en otras, fallado.
Para organizar la informacin obtenida de las n muestras usaremos una tabla de
frecuencias:
Cant. de
defectuosos
frecuencia
no
n1
Con el promedio aritmtico o media que definimos en el mdulo 1 de estadstica

resumiremos la informacin:
Entonces:
X0
n0
n
1 1
n
n

Si n es grande por el principio de estabilidad de las frecuencias relativas2 se cumple
que:
n0
n
P(X 0) y 1 P(X 1)
n
n
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:
P(X = 0) = p(0) = 0,95

P(X = 1) = p(1) = 0,05
Si reemplazamos estos valores en la expresin anterior obtendremos:
=0. 0,95 + 1. 0,05
= 0,05
Que es el valor esperado de la variable aleatoria X:cantidad de fusibles fallados en
una extraccin El valor obtenido significa que si se extrajeran muchos fusibles, se
esperara que el promedio de fallados que se obtengan est, muy probablemente, cercano
a 0,05.
Llamamos VALOR ESPERADO1 a la suma de los productos entre cada

valor de la variable y su probabilidad.
Es decir:
E(X)
Siempre que E(X)
xi R x
xi R x
x i .p(x i )
xi .p(x i ) sea absolutamente convergente:
INTERPRETACIN FSICA
Si pensamos en los valores p(xi) como masas puntuales en cada valor xi,
el valor esperado correspondera a la abscisa del centro de masa respecto
del origen.
Ver mdulo 2
ACTIVIDADES
1. Una fbrica embarca sus productos en camiones de dos tamaos 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 envos
se hacen con el camin de 9 metros y el resto con el de 12 metros, calculen el
volumen medio embarcado por camin (consideren que los camiones van siempre
llenos.)3
2. Sea una variable aleatoria discreta con la siguiente distribucin de probabilidades:
x
x3
12
p(x)
1
2
1
4
p3
1
16
Si se sabe que E(X)=
5
, calcule x3 y p3
4
Para calcular el valor esperado de una variable muchas veces resultan

tiles las siguientes PROPIEDADES
La esperanza de una constante es la misma constante.

E(k)= k
El valor esperado es un operador lineal.

E ( k. X + c) = k. E( X ) + c
donde k y c son constantes
El valor esperado de la suma de dos variables aleatorias es igual a la suma

de los valores esperados de dichas variables.
E( X+Y ) =E( X ) + E( Y )
Mendenhall W. Introduccin a la probabilidad y la estadstica. Grupo Editorial Iberoamrica Mxico

1987
Si dos variables aleatorias son independientes entonces el valor esperado del

producto entre ellas es igual al producto de los valores esperados de dichas
variables.
E( X. Y ) = E( X ). E( Y )
si X e Y independientes
Dada una variable aleatoria discreta X y f(x) su funcin de densidad y

siendo Y = g(X) se define el valor esperado de la variable aleatoria de Y
como:
E(Y)=
g(x ).p(x )
xi R x
E(Y)=
ACTIVIDADES
1. El nmero N de casas residenciales que una dotacin de bomberos puede atender
depende de la distancia r (en cuadras) que una autobomba puede recorrer en un
perodo especifico de tiempo. Si suponemos que N es proporcional al rea de un
crculo cuyo radio es r cuadras, entonces N Cr 2 donde C es una constante y
r (que es una variable aleatoria) es el nmero de cuadras que una autobomba
puede recorrer en un intervalo de tiempo especfico. Para una compaa dada
C=8, la distribucin de probabilidad de r est dada en la siguiente tabla y p(r) =
0 para r<21 y para r>26.
r
p(r)
21
0,05
22
0,20
23
0,30
24
0,25
25
0,15
26
0,05
Encuentren el valor esperado del nmero de casas N que la dotacin de bomberos

puede atender.
2. En un puesto de una feria se paga $4 para tener derecho a realizar un tiro al
blanco. El puestero ofrece un premio igual al triple del puntaje obtenido en el
blanco que muestra la figura. Un seor A se dispone a tirar y - segn su
experiencia en este juego - sus probabilidades de obtener un determinado puntaje
son las siguientes:
p(x) 0.2 0.4 0.3 0.1
a) Calculen E(X)
2 5
10

b) Si Y la variable aleatoria que denota la ganancia del jugador,
i) Construyan la distribucin de Y
ii) Calculen E(Y) de dos formas distintas.
3. Se contrata una pliza sobre un auto con las siguientes clausulas: se paga $5000
por destruccin total o robo o $2400 por destruccin parcial La probabilidad
del suceso destruccin total es 0,04 y la de destruccin parcial 0.16. Calculen el
valor de la prima de seguros, considerando que para el clculo de la prima, la
ganancia esperada de la compaa debe ser cero.
4. Un juego de azar se considera un juego justo (fair play) cuando la ambos
jugadores tienen la misma ganancia esperada. Adriana y Mara juegan un juego
de apuestas que tiene las siguientes caractersticas: Se tiran un dado y una
moneda. Si sale cara en la moneda y as en el dado, Adriana se lleva el pozo, en
caso contrario se lo lleva Mara. Cunto debe apostar Mara por cada peso que
paga Adriana si se pretende que el juego sea justo?
VARIANZA DE UNA VARIABLE ALEATORIA
Aunque el valor esperado es una medida que resume el comportamiento

de la poblacin, an nos falta informacin sobre la forma en que estn
distribuidos los valores de la variable alrededor de dicho valor. Es
necesario definir una medida que nos brinde esa informacin
Llamamos VARIANZA de una variable aleatoria al valor esperado del

cuadrado de la diferencia entre la variable y su valor esperado. Es decir que:
V(X) E(X E(X))2
Si desarrollamos el binomio (X E(X))2 aplicamos las propiedades del valor esperado

obtendremos una frmula equivalente, pero mucho ms sencilla de aplicar:
2
V(X) E X2 2X.E(X) E(X)
Aplicando la propiedad 3 obtendremos:

V(X) E(X2 ) E2X.E(X) E E2 (X)
Usando ahora la propiedad 2 nos quedar:

V(X) E(X2 ) 2E(X).E E(X) E2 (X)
Y con la propiedad 1 tendremos:
V(X) E(X2 ) 2E(X).E E(X) E2 (X)
11

Es decir que:
V(X) E(X2 ) E(X).E(X) E2 (X)
que es equivalente a:
V(X) E(X2 ) 2E2 (X). E2 (X)
Luego:
V(X) E(X2 ) E2 (X)
que llamaremos FRMULA DE CLCULO DE LA VARIANZA.

Tambin tengamos en cuenta que la frmula de clculo que utilizaremos es:
V(X) E(X2 ) E2 (X)
ACTIVIDAD
Calcule la varianza de la variable aleatoria correspondiente a la actividad de la
pgina 3.
DESVO DE UNA VARIABLE ALEATORIA
Aunque la varianza es un parmetro que caracteriza a una variable, es

necesario definir otro que se exprese en las mismas unidades que la
variable. Al usar la varianza como medida de dispersin estamos
utilizando un valor cuya unidad corresponde al cuadrado de la unidad de la variable
aleatoria correspondiente. Para solucionar este inconveniente y poder trabajar en las
mismas unidades, definiremos otro parmetro, teniendo en cuenta que la varianza es un
nmero no negativo, por definicin.
Llamamos DESVO ESTNDAR1 a la raz cuadrada de la varianza

(x) V(X)
(x) V(X)
ACTIVIDAD
Calculen la varianza y el desvo estndar de las siguientes variables
aleatorias discretas:
12

a) X=cantidad de paradas diarias de una mquina
x
0
1
2
3
p(x) 0,25 0,15 0,35 0,25
b) Y: Pasajeros por auto en una autopista
y
1
2
3
4
5
p(y) 0,40 0,30 0,15 0,10 0,05
PROPIEDADES DE LA VARIANZA DE UNA V.A. CONTINUA

Las propiedades de la varianza enunciadas para variable aleatoria discreta son
vlidas tambin cuando la variable es continua:
La varianza de una constante es cero.

V( c ) = 0
Sean C una constante y X una variable aleatoria se cumple que:

V ( c . X ) = c2. V( X )
Sean c y k constantes y X variable aleatoria se cumple que:

V ( c. X + k ) = c2. V( X)
La varianza de la suma de dos variables aleatorias X e Y es igual a la suma

de sus varianzas slo si X e Y son independientes.
V ( X + Y ) = V( X ) + V( Y )
13
ACTIVIDADES
1. Dos tiradores procuran alcanzar un blanco que tiene puntuaciones 1, 3, 5. El

tirador X y el tirador Y tienen de acuerdo con sus antecedentes probabilidad de
hacer blanco segn las siguientes tablas:
x
1
3
5
p(x) 0.1 0.5 0.4
y
1
3
5
p(y) 0.3 0.1 0.6
a. Calculen E(X) y E(Y).

b. Calculen V(X) y V(Y)
c. Se forma un equipo con los dos tiradores (los puntos individuales se suman).
Construyan la distribucin para la variable X+Y, y calculen E(X+Y) y
V(X+Y)de dos formas distintas.4
2. Demuestren las propiedades enunciadas.
FUNCIN DE DISTRIBUCION DE VARIABLE ALEATORIA
De la misma manera que calculamos frecuencias acumuladas, podemos

acumular probabilidades, obteniendo una funcin llamada funcin de
distribucin acumulada
Se llama FUNCIN DE DISTRIBUCIN ACUMULADA O

ACUMULATIVA a la funcin tal que a cada nmero real le asigna la
probabilidad acumulada hasta dicho valor.
Esto es:
F: / F(x) P(X x)
En el caso de las variables aleatorias discretas:

k
F(x k ) p(xi )
i 1
Esta funcin representa la probabilidad de que la variable aleatoria sea

menor o igual que un determinado valor x k
Bueno C. y Garaventa L. Probabilidad y Estadstica para profesores de Escuela Media (1996) INSPT
Bs As.
4
14
Esta funcin 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 funcin de
distribucin acumulada para la variable aleatoria X: cantidad de caras .
Ser:
.
x<0
0 si
1
si 0 x<1
F(X)= 4
3 si 1 x 2
4
1 si
x2
Si graficamos la funcin anterior obtendremos:

F(X)
1
3/4
1/4
0
Observe que la funcin aumenta de "a saltos", ya que entre dos valores consecutivos de
una variable discreta, no puede tomar valores intermedios. Su valor mnimo es 0 y su
mximo es 1.
A partir de estas consideraciones enunciaremos las siguientes PROPIEDADES:
1. F(x) es no decreciente.
lm F(x) 0
2.
lm F(x) 1
3. Si X es variable aleatoria discreta entonces F(X) es discontinua

(a izquierda) en cada xi R x con un salto de longitud. p(x i )
4. Si X es una variable aleatoria discreta entonces:
P(xi X x j ) F(x j ) F(xi1 )
15
Demostramos la propiedad 4:
P(X x j ) F(x j )
P(X x j1 ) F(x j1 )
Si restamos ambos miembros:

P(X x j ) P(X x j1 ) F(x j ) F(x j1 )
Entonces:
P(xi X x j ) F(x j ) F(xi1 )
ACTIVIDADES
1. Hallen la funcin de distribucin acumulada para la variable X que
tiene la siguiente distribucin de probabilidades
Nmero
de
accidentes
semanales x
Probabilidad p(x)
0,50
0,30
0,15
0,05
a) Hallen F(2). Qu representa el valor obtenido?

b) Hallen P 0 X 2 utilizando la funcin de distribucin acumulada.
2. Consideren la variable aleatoria que corresponde a la Cantidad de
ambientes de los departamentos vendidos por un operador inmobiliario que
tienen la siguiente distribucin de probabilidades.
x
p(x)
1
0,10
2
0,25
3
0,40
4
0,15
5
0,10
Construyan la funcin de distribucin acumulada para la variable
PROCESO DE BERNOUILLI
Un experimento consiste, muchas veces, en observar uno de dos posibles
resultados: xito o fracaso. Casos de este tipo aparecen frecuentemente en el
mundo real.
Por ejemplo:
Una maquina puede producir piezas no defectuosas o defectuosas
Una llamada telefnica puede encontrar la lnea libre u ocupada.
16

.
Entonces:
A
0
Si ocurre A a la variable X se le asignar el valor 1, en cambio

si ocurre A se le asociar el valor 0.
Una variable aleatoria, X, tiene distribucin Bernouilli, si toma exclusivamente dos

valores, 1 y 0, que se asocian a la ocurrencia o no del suceso observado
1
X(s)
0
si s A
_
si s A
A dicha variable le asociaremos una funcin de probabilidad. Si llamamos p = P(A) tendremos

la distribucin dada por la siguiente tabla:
x
p(x)
0
1-p
1
P
siendo su recorrido R x = {0,1}
ACT IVIDADES
1. Verifiquen que la funcin anterior cumple con las condiciones para ser funcin de
probabilidad de una variable aleatoria discreta.
2. Una empresa que fabrica cosmticos para el cabello, envasa el 40% del champ en la
planta I y el resto en la planta II. En el llenado, que se realiza automticamente 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 produccin, cul es la distribucin
Bernouilli en relacin al suceso: envase con contenido impropio?5
3. a) Calculen el valor esperado de una variable Bernouilli usando la definicin.
b) Calculen la varianza y el desvo de una variable Bernouilli usando la frmula de
clculo de la varianza.
Extrado del libro Introduccin a la teora de probabilidad y la inferencia estadstica, de Olda Zanardi,
Depto. de impresiones, UTN-FRA.
5
17
DISTRIBUCIN BINOMIAL
Consideremos ahora cierto nmero de repeticiones independientes de un
experimento aleatorio Bernouilli. En cada una de esas repeticiones observaremos
la ocurrencia o no de un suceso A, asociado a dicho experimento. Definiremos
tambin una probabilidad p asociada a cada observacin de modo que:
p = P(A) constante en cada repeticin por ser independientes
Las caractersticas 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 inters estas condiciones se cumplen en forma aproximada: en la mayora
de los casos se observa una cantidad de elementos muy pequea en relacin a un total muy
numeroso, de modo que las repeticiones puedan considerarse como si fueran hechas con
reposicin. De ese modo pueden asegurarse las condiciones de repeticiones independientes y p
constante en cada observacin.
Una variable aleatoria X tiene DISTRIBUCIN BINOMIAL si, a partir de la

observacin de la ocurrencia (o no) de un suceso A en cada una de las n
repeticiones, se define
X: " cantidad de veces que ocurre el suceso A en cada una de las n repeticiones
independientes del experimento aleatorio E"
Su recorrido ser:
RX = {0,1,2,...,n}
Para deducir la funcin de probabilidad de una variable aleatoria X con distribucin binomial
definiremos la variable Xi que representa la variable Bernouilli correspondiente a la i - sima
repeticin del experimento aleatorio.
Luego X podr expresarse como una suma de variables Bernouilli independientes:
X =X1 +X2 + X3 + ...+ Xn
Observemos que, en cada repeticin, Xi tomar slo dos valores:
1 si ocurre A (llamado xito de la observacin)

0, si no ocurre.
Por ejemplo:
Si se hacen 4 observaciones y A ocurre slo en 3 de ellas, la variable X tomar el valor 3, es decir
3 veces 1 y una vez 0.
Una de las formas podr ser: X = 1 + 0 + 1 + 1 pero no es la nica. Si analizamos de cuntas
formas pueden ocurrir los 3 xitos 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 mdulo
2, que:
P(X = 3) = C4,3 .P(A1 A2 A3 A4 )
18

siendo Ai la ocurrencia del suceso A en la i- sima repeticin.
Luego, siendo P (Ai) = p y por ser los Ai sucesos independientes ser:
4
P(X = 3) = p.p.p.(1-p)
3
P(X = 3) = 4 p3.(1-p)
De la misma forma, si queremos hallar la probabilidad de k xitos en cuatro repeticiones
haremos:
4
P(X = k) = pk .(1 p)4k
k
La probabilidad asociada a k xitos en n repeticiones independientes de un

experimento E ser:
n
P(X = k) = pk .(1 p)n k
k
A esta expresin la llamaremos funcin de probabilidad de la variable
aleatoria binomial, que denotaremos B(n, p)
ACTIVIDADES
1. a) Verifiquen que la frmula hallada corresponde a una funcin de probabilidad de una

variable discreta.
b) Calculen el valor esperado de una distribucin binomial usando la propiedad del valor
esperado de la suma de variables.
c) Calculen la varianza de una distribucin binomial usando la propiedad de la varianza de la
suma de variables independientes.
2. En una fbrica se sabe que el 5% de los bulones que produce tienen una falla en la rosca que
los hace intiles.
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) Cuntos bulones debe seleccionar para que la probabilidad de encontrar al menos uno
fallado sea superior a 0,95?
3. De una produccin 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 produccin es buena.
4. Un sistema con 9 componentes necesita para su funcionamiento que al menos 6 funcionen. Si
la probabilidad de funcionamiento de un componente es 0.95, calcular la confiabilidad del
sistema.
19

DISTRIBUCIN HIPERGEOMTRICA
Dado un bolillero que contiene cuatro bolillas blancas y seis negras, podemos
calcular la probabilidad de que una bolilla extrada al azar sea blanca es
4
P(B)= .
10
3
En cambio la probabilidad de que salga blanca la segunda bolilla no es la misma, puede ser si
9
4
la primera bolilla result blanca, o de lo contrario si la primera fue negra.
9
Entonces la probabilidad de bolilla blanca en cada extraccin no se mantiene constante sino
que vara en funcin de lo que haya ocurrido previamente.
Muchas veces no se cumplen las hiptesis del modelo binomial. Por ejemplo: cuando se hacen n
repeticiones sin reposicin de un total N de modo que la probabilidad de que ocurra un
determinado suceso (A) en cada repeticin depende de lo que haya ocurrido en las extracciones
anteriores, podemos afirmar que esas observaciones no son independientes y la probabilidad de
xito no se mantiene constante en cada repeticin. En estos casos no es aplicable la distribucin
binomial.
Analicemos entonces este modelo:
Un lote contiene N elementos de los cuales D tienen cierta caracterstica (el suceso A). De dicho
N
lote se extraen n elementos. Hay formas de extraer n elementos.
n
Se desea conocer cul es la probabilidad de tener k elementos (k <n) con la caracterstica A.
Decimos que:
La variable aleatoria X tiene DISTRIBUCIN HIPERGEOMETRICA si, a
partir de la observacin de la ocurrencia (o no) de un suceso A en cada una de las
n repeticiones, se define
X: " cantidad de veces que ocurre el suceso A en cada una de las n repeticiones del
experimento aleatorio E"
Su recorrido ser:
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, habr tambin
nk
La probabilidad de obtener k veces el suceso A en las n extracciones estar dado

por la funcin de probabilidad:
D N D

k n k
p X k
N

N
A esta expresin la llamaremos funcin de probabilidad de la variable
aleatoria se denomina hipergeomtrica y se aplica al caso de muestreo finito,
sin reposicin.
20

ACTIVIDADES
1. Una compaa grande tiene un sistema de inspeccin para los lotes de
compresores pequeos que se compran a los vendedores. Un lote tpico contiene
15 compresores. En el sistema de inspeccin se selecciona una muestra aleatoria
de cinco y todos se prueban. Suponga que en el lote hay dos compresores defectuosos.
a) Escribir la funcin de probabilidad de la variable Cantidad de defectuosos entre los cinco
seleccionados para muestra
b) Cul es la probabilidad de que para una muestra dada haya un compresor defectuoso?
c) Cul es la probabilidad de que la inspeccin descubra los dos compresores defectuosos?
2.De un lote de 40 piezas se toman al azar 10. La poblacin se rechaza si aparecen dos o ms
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.
Nota: De un lote de N piezas, si p es la probabilidad de una bola sea defectuosa. Habr:
D = p. N piezas defectuosas y N -D = N(1 - p) aceptables.
3. De un lote de 100 piezas, se sabe que el 5% no cumplen con los requisitos de aceptacin. Se
toman al azar 10. Cul es la probabilidad de encontrar a lo sumo una pieza defectuosa en la
muestra ?. Resolverlo para dos casos:
a) El muestreo se hace sin reposicin
b) El muestreo se hace con reposicin
Qu criterios aplicaran para poder utilizar la funcin binomial an en casos sin reposicin?
APROXIMACIN DE LA HIPERGEOMTRICA POR LA BINOMIAL

En ciertos casos es posible utilizar una distribucin para aproximar, con clculos
ms sencillos, probabilidades de una variable con otra distribucin.
La distribucin hipergeomtrica se puede aproximar por medio de una
distribucin binomial haciendo:
D
n
p
0.1 (comnmente llamada fraccin de muestreo)
cuando
N
N
siendo mejor la aproximacin para pequeos valores de n /N.
ACTIVIDAD
Resuelvan el punto 2 de la actividad anterior utilizando la aproximacin por medio
de una distribucin binomial. Comparen los resultados obtenidos.
DISTRIBUCIN DE POISSON
Cuando analizamos la distribucin binomial, planteamos la ocurrencia o no de un
suceso A en cada una de n observaciones independientes de un experimento
aleatorio E
Este planteo lo podemos extender al caso de observar la cantidad de veces que
ocurre un suceso en un continuo. Por ejemplo:
"Cantidad de fallas en un trozo de cable"

"Cantidad de burbujas de aire en cierta porcin de vidrio"
Cantidad de bacterias en determinado volumen de lquido
Para tratar estos casos debemos plantear ciertas condiciones, es decir que tendremos que
encuadrarlos dentro de un patrn en el cual el suceso que se considera ocurre en puntos aislados
de un continuo.
El modelo probabilstico que responde a tales caractersticas se basa en una serie de supuestos
que enunciaremos a continuacin referidos a porciones de continuos que llamaremos t .
Para un intervalo t 0 se cumple que:
1) La ocurrencia o no del suceso en un intervalo, es independiente de lo que ocurra en otros
intervalos.
2) Se considera despreciable la probabilidad de ms de un xito en un intervalo t
3) La probabilidad de un xito en un intervalo t no depende de la ubicacin del intervalo, sino
de su longitud. Es decir que:
p = .t
siendo una constante llamada intensidad del proceso Poisson.
Teniendo en cuenta estas hiptesis, supongamos que partimos de un intervalo de amplitud t, y lo
dividimos en n subintervalos de amplitud t de modo que:
cuando n se cumple que t 0
Entonces si consideramos que n es lo suficientemente grande podemos inferir que se cumplen
las propiedades 1, 2 y 3. Esto significa que:
Hay n observaciones
En cada intervalo t observamos si el suceso A ocurre o no.
Las observaciones son independientes
La probabilidad de ocurrencia del suceso A es constante en cada una de las n observaciones t ,

es decir que:
t
p = P(A)=
=constante
n
Entonces, en el lmite, cuando n se cumplen las condiciones del modelo binomial.
Por lo tanto, si se define la variable aleatoria:
X:" Cantidad de veces que ocurre el suceso A en el intervalo de amplitud t"

decimos que X tiene Distribucin de POISSON.
Luego, necesitamos asociarle a esta variable su funcin de probabilidad.

Bajo las condiciones definidas anteriormente podremos calcular la probabilidad de que ocurra k
veces el suceso A en el continuo t aplicando la frmula de la distribucin binomial.
Luego:
21
22

n
n k
P(k) = P( X = k ) = lm pk 1 p
n k

pk
reemplazando por el valor de p obtendremos:
n t
k n
P( X = k ) = lm
n
t
1 n
n k
pk
Desarrollando:
t k lm
n! 1
k! n n k ! n
calculando el lmite llegaremos a la siguiente frmula:
P( X = k ) =
k
.t e .t
P(X k)
k!
t
1 n
t
1 n
para k = 0,1,2,...
que corresponde a la funcin de probabilidades de una variable con

distribucin POISSON.
Se puede demostrar que para toda variable X distribuida segn Poisson
EX y VX
siendo t
ACTIVIDADES
1. Verifiquen que la frmula hallada cumple con las condiciones necesarias
para ser funcin de probabilidad de variable aleatoria discreta
2. En la inspeccin de cables producidos por un proceso continuo se observan 0,2
imperfecciones por minuto, Cul es la probabilidad de que en 15 minutos:
a) no se detecte imperfecciones?
b) Se detecte alguna imperfeccin.
3. La cantidad de fallas de aislacin en un cable responde a una distribucin de Poisson a
razn de 2 cada 100 metros.
a) Hallar la probabilidad de que un tramo de 100 metros no tenga fallas.
b) Hallar la probabilidad de encontrar a lo sumo una falla en un rollo de 150 metros.
c) Cuntos metros de cable se deberan considerar para que la probabilidad de
encontrar al menos una falla sea mayor que 0,99?
APROXIMACIN DE LA BINOMIAL USANDO LA DISTRIBUCIN

POISSON
La distribucin Binomial se puede aproximar utilizando para los clculos una
distribucin de Poisson cuando el valor de p es menor que 0.1 y n es lo
suficientemente grande, siendo mejor la aproximacin mientras menor sea p y
mayor n de modo que n .p sea constante.
23

Para hacer la aproximacin de una usaremos la frmula de la distribucin Poisson aplicando la
siguiente relacin:
t = n p
ACTIVIDADES
1. En una facultad se estima que el 0.5% de los alumnos que se anotan no
comienzan a cursar materias de 1 ao. Si este ao se anotaron 3000
alumnos, cul ser la probabilidad de que no se observen casos del tipo
mencionado?
2. Se sabe que la probabilidad de que un estudiante presente escoliosis (curvatura de la
espina dorsal) es 0,004. De los siguientes 1800 estudiantes que se revisen en bsqueda
de escoliosis encuentren la probabilidad de que a lo sumo 3 presenten escoliosis.
APLICACIONES AL AMBITO PROFESIONAL

TOMA DE DECISIONES: MUESTREO PARA ACEPTACIN DE LOTES
Una planta industrial se puede considerar como una operacin que transforma la
materia prima en productos acabados, de manera que la materia prima ingresa por
la puerta posterior de la planta y los productos acabados salen por el frente. Con el
objeto de operar eficientemente, un fabricante desea minimizar la cantidad de
materia prima defectuosa que se recibe y, para mantener la calidad, minimizar el nmero de
productos defectuosos que se envan a los clientes. Para conseguir este objetivo, el fabricante se
propone establecer procedimientos que acten como coladores o filtros en ambas puertas para
tratar de evitar que pasen los elementos defectuosos.
Para simplificar el estudio, consideremos slo la inspeccin de la materia prima que llega a la
planta, que consiste de lotes grandes (cajas) de artculos tales como tornillos, clavos o
rodamientos. El funcionamiento del colador o filtro se ilustra grficamente en la figura 1. Los
lotes llegan a la puerta posterior de la planta, se aceptan si la fraccin de defectuosos es pequea,
y se devuelven al proveedor si la fraccin de defectuosos es grande.
figura 1. Deteccin de defectuosos
Un filtro se puede conseguir de muchas formas, siendo la ms obvia, y aparentemente la solucin

perfecta, una inspeccin completa y cuidadosa de cada artculo recibido. Desafortunadamente, el
costo de una inspeccin total es a menudo enorme y, por lo tanto, econmicamente imposible.
Una segunda desventaja, no tan aparente, es que aun con una inspeccin completa siempre hay

artculos defectuosos que pasan el filtro. El ser humano se aburre y pierde percepcin cuando
tiene que realizar largas horas de inspeccin, particularmente cuando la operacin se conduce con
mucha rapidez. As, a menudo se rechazan artculos no defectuosos y se aceptan artculos
defectuosos.
Una ltima desventaja de la inspeccin total es que algunas pruebas son destructivas por
naturaleza. As, una prueba para determinar la cantidad de luz que produce un bombillo para flash,
destruye el bombillo. Si todos los bombillos fuesen probados de esta manera, no quedara ninguno
para vender.
Un segundo tipo de filtro o colador para la deteccin de artculos defectuosos, relativamente
barato y sin el tedio de la inspeccin total, implica el uso de un plan de muestreo estadstico. Se
escoge al azar una muestra de n artculos del lote y se inspeccionan. Si el nmero y de defectuosos
es menor o igual que un nmero a predeterminado, llamado nmero de aceptacin, el lote es
aceptado. De otra forma, el lote se rechaza y se devuelve al proveedor.
Veamos que este plan de nuestro opera de una manera completamente objetiva y origina una
inferencia respecto a la poblacin de los artculos contenidos en el lote. Si el lote es rechazado,
inferimos que la fraccin p de defectuosos es demasiado grande; si el lote es aceptado, inferimos
que p es pequea y aceptable para el proceso de manufactura. Los planes de muestreo para la
aceptacin de lotes proporcionan un ejemplo de un proceso de decisin estadstica que es,
realmente, un mtodo de inferencia estadstica.
Nuestro estudio de planes de muestreo para aceptacin de lotes quedara incompleto si no
hiciramos ningn comentario acerca de la bondad de nuestro procedimiento para hacer
inferencias. Aunque el plan de muestreo descrito es un proceso para la toma de decisiones, ste
no es nico. Podramos cambiar el nmero n de elementos en la muestra, podramos cambiar el
nmero de aceptacin a, o, en cualquier caso, podramos usar algn procedimiento no estadstico
para la toma de decisin, procedimientos que no son raros en la prctica. En realidad, cada
individuo es un ente que toma decisiones basndose en gustos, preferencias y antojos personales.
Cmo podemos comparar estos procedimientos de tomar decisiones? La respuesta es inmediata:
escogemos el procedimiento de decisin que permite tomar la decisin correcta con la mayor
frecuencia, o, alternativamente, aquel que permite tomar una decisin incorrecta el menor nmero
de veces.
Los ingenieros de control de calidad caracterizan la bondad de un plan de muestreo, calculando
la probabilidad de aceptacin para diversas fracciones de artculos defectuosos en los lotes. El
resultado se presenta grficamente y se lo llama curva caracterstica de operacin para el plan de
muestreo. La figura 2 muestra una curva caracterstica de operacin tpica. Para que el proceso
de deteccin opere satisfactoriamente, es deseable que la probabilidad de aceptar lotes con una
fraccin de defectuosos pequea sea grande, y la probabilidad de aceptar lotes con una fraccin
de defectuosos grande sea pequea. Podemos ver que la probabilidad de aceptacin siempre
decrece a medida que la fraccin de defectuosos aumenta, lo que est de acuerdo con nuestra
intuicin.
24
25

figura 2. Curva caracterstica de operacin tpica para un plan de muestreo
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 debera ser grande. De otra forma, el proveedor subira sus precios
para cubrir el costo de los lotes buenos (con menos del 1 por ciento de defectuosos) que han
sido devueltos o le cobrara al fabricante el recargo por reinspeccin. Por otro lado, la probabilidad
de aceptar lotes con 5 por ciento o ms defectuosos debe ser pequea.
EJEMPLO 1
Calcule la probabilidad de aceptacin de un lote para un plan de muestreo con tamao de muestra
n = 5 y nmero de aceptacin a = 0, para las fracciones de defectuosos p = .1,.3, y .5. Haga un
bosquejo de la curva caracterstica de operacin para este plan.
Solucin
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 caracterstica de operacin marcando los tres puntos
obtenidos en los clculos anteriores. Adems, sabemos que la probabilidad de aceptacin 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
figura 3. Curva caracterstica de operacin , n = 5, a = 0
EJEMPLO 2
Construya la curva caracterstica de operacin para un plan de muestreo con n = 15 y a= 1.
Solucin
Calcularemos la probabilidad de aceptacin del lote para p = .1, .2, .3, .5
a 1
P (aceptar) = p (0) + p (1) =
p(y) ,
y 0
P (aceptar | p = .1) = .549,

P (aceptar | p = .2) = .167,

P (aceptar | p = .3) = .035,
P (aceptar | p = .5) = .000.
La curva caracterstica de operacin para el plan de muestreo se da en la figura 4
figura 4. Curva caracterstica de operacin , n = 15, a = 1

Los planes de muestreo para inspeccin se usan extensamente en la industria. Cada plan de
muestreo posee su propia y nica curva caracterstica de operacin, que caracteriza el plan
y que, en cierta forma, describe el grado de filtracin o el tamao de los hoyos del colador.
El ingeniero de control de calidad escoge el plan que satisface los requerimientos del caso.
Al aumentar el nmero de aceptacin, aumenta la probabilidad de aceptacin y por tanto
aumenta el tamao de los hoyos del colador. Un aumento en el tamao de la muestra
proporciona ms informacin para tomar la decisin y mejora por lo tanto, el poder
discriminador del procedimiento de decisin. As, cuando n es grande, la curva caracterstica
de operacin cae rpidamente a medida que p aumenta.
Obsrvese que el muestreo de aceptacin es un ejemplo de inferencia estadstica porque el
procedimiento involucra una decisin respecto de la fraccin p de defectuosos en el lote. Si
se acepta el lote, se infiere que la verdadera fraccin p de defectuosos en el lote es algn valor
relativamente pequeo y aceptable. Si se rechaza el lote, es claro que lo que se piensa es que
p es demasiado grande. Por consiguiente, el muestreo de aceptacin es un procedimiento que
involucra una inferencia respecto a la fraccin de defectuosos del lote. La curva caracterstica
de operacin para el plan de muestreo proporciona una medida de la bondad de este
procedimiento de inferencia.6
LABORATORIO DE INFORMATICA
Construiremos la curva caracterstica para un plan de muestreo de n =15 y a = 1. Para ello

utilizaremos la planilla de clculo.
Veamos el ejemplo que se presenta a continuacin:
Extrado de INTRODUCCIN A LA PROBABILIDAD Y LA ESTADSTICA, W. Mendenhall , Grupo Editorial

Iberoamrica, 1991, Pg. 171 a 174, 176 a 177.
26

p
27
P(aceptar)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1
0,54904302
0,16712577
0,0352676
0,00517203
0,00048828
0,00002523
0,000000516
1,9988E-09
1,36E-13
0
Esta celda est calculada con la funcin DISTR.BINOM,

completando los parmetros de la siguiente forma:
NUM-XITO 1 (corresponde al valor a)
ENSAYOS 15 (corresponde a n)
PROB-XITO Celda de la izquierda (se refiere al valor
de p)
ACUMULADO 1 (esto implica la probabilidad
acumulada hasta 1)
Luego, usando el asistente de grficos tendremos:
probabilidad de aceptar el
lote
CURVA CARACTERSTICA PARA n=15 y a=1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

probabilidad de falla en el lote

Probabilidad y Estadística

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probabilidad y Estadística

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD TECNOLGICA NACIONAL

FACULTAD REGIONAL AVELLANEDA

Unidad 4: Variable aleatoria continua

En el mdulo 1 de ESTADISTICA DESCRIPTIVA hemos definido y clasificado el

Unidad 4: Variable aleatoria continua

Sea S un espacio muestral asociado a un experimento aleatorio E. Se

En general representaremos a las variables aleatorias con letras maysculas X, Y, Z, etc

Se denomina RECORRIDO o RANGO de una variable aleatoria al conjunto

Analicemos ahora otros experimentos aleatorios:

Unidad 4: Variable aleatoria continua

Una VARIABLE ALEATORIA es:

VARIABLES ALEATORIAS DISCRETAS

P(X = 1) = P((cara, ceca)U(ceca,cara)) =

Ejemplo extrado de Meyer; Probabilidad y aplicaciones estadsticas. Cp4, Pg76.

Unidad 4: Variable aleatoria continua

La tabla anterior describe la funcin de probabilidad de la variable aleatoria X.

Se llama funcin de probabilidad o de masa de la variable .aleatoria

El conjunto de pares (xj, p(xj)) constituyen la distribucin de probabilidades de la

Unidad 4: Variable aleatoria continua

VALOR ESPERADO DE UNA VARIABLE ALEATORIA

Con el promedio aritmtico o media que definimos en el mdulo 1 de estadstica

Unidad 4: Variable aleatoria continua

P(X = 0) = p(0) = 0,95

Llamamos VALOR ESPERADO1 a la suma de los productos entre cada

Siempre que E(X)

xi .p(x i ) sea absolutamente convergente:

Unidad 4: Variable aleatoria continua

Si se sabe que E(X)=

Para calcular el valor esperado de una variable muchas veces resultan

La esperanza de una constante es la misma constante.

El valor esperado es un operador lineal.

donde k y c son constantes

El valor esperado de la suma de dos variables aleatorias es igual a la suma

Mendenhall W. Introduccin a la probabilidad y la estadstica. Grupo Editorial Iberoamrica Mxico

Unidad 4: Variable aleatoria continua

Si dos variables aleatorias son independientes entonces el valor esperado del

Dada una variable aleatoria discreta X y f(x) su funcin de densidad y

Encuentren el valor esperado del nmero de casas N que la dotacin de bomberos

p(x) 0.2 0.4 0.3 0.1

Unidad 4: Variable aleatoria continua

VARIANZA DE UNA VARIABLE ALEATORIA

Aunque el valor esperado es una medida que resume el comportamiento

Llamamos VARIANZA de una variable aleatoria al valor esperado del

Si desarrollamos el binomio (X E(X))2 aplicamos las propiedades del valor esperado

Aplicando la propiedad 3 obtendremos:

Usando ahora la propiedad 2 nos quedar:

Unidad 4: Variable aleatoria continua

que llamaremos FRMULA DE CLCULO DE LA VARIANZA.

V(X) E(X2 ) E2 (X)

DESVO DE UNA VARIABLE ALEATORIA

Aunque la varianza es un parmetro que caracteriza a una variable, es

Llamamos DESVO ESTNDAR1 a la raz cuadrada de la varianza

Unidad 4: Variable aleatoria continua

PROPIEDADES DE LA VARIANZA DE UNA V.A. CONTINUA

La varianza de una constante es cero.

Sean C una constante y X una variable aleatoria se cumple que:

Sean c y k constantes y X variable aleatoria se cumple que:

La varianza de la suma de dos variables aleatorias X e Y es igual a la suma

Unidad 4: Variable aleatoria continua

1. Dos tiradores procuran alcanzar un blanco que tiene puntuaciones 1, 3, 5. El

a. Calculen E(X) y E(Y).

2. Demuestren las propiedades enunciadas.

FUNCIN DE DISTRIBUCION DE VARIABLE ALEATORIA