Professional Documents
Culture Documents
PROBABILIDAD
VARIABLES ALEATORIAS
DISCRETAS
MATEMATICA PARA INGENIEROS
2011
Distribucin Uniforme
Sea X una variable aleatoria discreta cuyos
k valores posibles son x1 , x2 , . . . , xk , con igual
probabilidad de ocurrencia , entonces
la funcin de masa de X es
1/k
para
x1 , x 2 , . . . , x k
p X ( x )=
0
en otro caso
Ejemplos
Cuando un foco se selecciona al azar de una caja que contiene un
k enteros positivos:
1 , 2 , . . . , k , donde la frase al azar significa que los k
enteros tienen la misma probabilidad de ser seleccionados
100 y definimos la
variable aleatoria X como el nmero con que se identifica a
cada alumno (a cada alumno se le hace corresponder un nico
nmero entre los enteros del 1 al 100)
No se puede asignar una distribucin uniforme
a una sucesin infinita de valores posibles pero se
puede asignar una distribucin de este tipo a
cualquier sucesin finita de resultados igualmente
probables.
grfico de bastones
de puntos
histograma
En el eje de abscisas representamos los valores que toma X
y el eje de ordenadas corresponde a los valores de p X ( x )
para
x= 1,2,...,k
pX(x) =
0
Esperanza
Varianza
en otro caso
E(X) = (k+1)/2
VAR ( X ) = ( k 2 1 ) / 12
Distribucin Binomial
siguiente
n
px. ( 1 - p ) (nx)
si x = 0 , 1 , 2 , . . . , n
x
pX(x)=
0
se llama binomial
en otro caso
con parmetros
se simboliza X b ( n , p )
Ejemplo
Supngase que una mquina produce un artculo defectuoso con
probabilidad
p ( 0 < p < 1 ) y produce uno no defectuoso con
probabilidad q = 1 - p
Que se examinan independientemente
n artculos de los
producidos por la mquina.
Se define X como la variable aleatoria nmero de artculos
defectuosos obtenidos en este experimento
los valores posibles de X sern 0 , 1 , 2, . . n
artculos
defectuosos y para cada uno de ellos existe una probabilidad
asociada.
La probabilidad P ( X = x ) es la probabilidad de obtener
cualquier sucesin ordenada de n artculos consistente
de x artculos defectuosos y
n- x
no defectuosos.
. ( 1 p ) (nx)
Proceso de Bernoulli
El
Cada
La
xito o
Los
Este
2 y 3
Los artculos se seleccionan en forma independiente de un proceso que supone un 10
% de piezas defectuosas
p = 0,10
y q = 1 p = 0 , 90 .
El nmero de xitos , X : cantidad de piezas defectuosas , en n = 3 experimentos es
una variable aleatoria binomial
X b ( n = 3 , p = 0, 1 )
3
0,1 x . 0,9 ( 3 x )
si x = 0 , 1 , 2 , . . . , n
pX(x) =
x
0
Reemplazando resulta
x
pX(x)
en otro caso
0
0,729
1
0,243
2
0.027
3
0,001
Esperanza y varianza
Dada una variable aleatoria con Distribucin
Binomial
X b(n,p)
n es el nmero de intentos
p la probabilidad de xito en un intento
determinado,
la esperanza y la varianza de X son
E(X) = n p
VAR ( X ) = n p q
, entonces :
La probabilidad de obtener la primera mujer
( 14 / 20 ) = 0,70
La probabilidad de elegir la segunda mujer
( 13 / 19 ) = 0,684
La probabilidad de elegir una tercera
( 12 / 18 ) = 0,67
y as sucesivamente
Vemos aqu que , la probabilidad condicionada de extraer
mujeres de esa poblacin , no se mantiene constante en
cada repeticin del experimento y no resulta posible , en
consecuencia , aplicar el esquema binomial
Distribucin Hipergeomtrica
Surge as la Distribucin Hipergeomtrica que es
14
3 combinaciones de 3 mujeres tomados del grupo de 14 .
Se tienen
Se pueden seleccionar de
disponibles
6
maneras a 2
2
intentos es el producto
14 6
3 2
3 mujeres y
2 hombres
en 5
20
disponibles es
20
En este problema
X
es la variable aleatoria que determina el
nmero de xitos de un experimento , en este caso es el nmero de
mujeres que pueden integrar una comisin de 5 personas
Los valores posibles o el recorrido de X resultan : REC X = { 0 , 1 , 2 , 3 , 4 , 5 } y el tamao de la
muestra es n = 5 .
El xito es obtener
nx
hombres.
20 14
5-x
pX(x) = P(X=x) =
si
= 0,1,2,3,4,5
20
5
Distribucin Hipergeomtrica
La distribucin de probabilidad de una variable aleatoria hipergeomtrica
X nmero de xitos en una muestra aleatoria de tamao n
seleccionada de N artculos totales , de los cuales
k
son
considerados como xitos y N k como fracasos es
k
x
Nk
n-x
p X ( x ) = h ( N , n , k )=
si x =0, 1, 2, ,mn{n,k}
N
n
0
en otro caso
VAR ( X ) = n
E(X) = n (k / N)
(k/N)
(k/N) = p
[( N k ) / N ]
(Nk)/N = q
E(X) = n p
(Nn)/(N1)
[( N n ) / ( N 1 )]
proporcin de fracasos
VAR ( X ) =
n p q [( N n ) / ( N 1 )]
Se observa que la esperanza es la misma que para la distribucin binomial y la varianza se obtiene multiplicando la
varianza de la distribucin binomial por el factor de correccin ( N n ) / ( N 1 )
Distribucin de Poisson
Corresponde a la variable aleatoria discreta que mide el nmero de resultados que
ocurren en un intervalo de tiempo t , o en una regin especfica t
- t
(t)x
para x = 0 , 1 , 2 , . . .
pX(x) =
x!
0
en otro caso
La variable aleatoria
puede representar
peaje .
el
durante un intervalo de
3 milsimas de segundo.
Proceso de Poisson
Satisface tres condiciones que surgen de la observacin de un fenmeno concreto durante un
perodo de tiempo fijo o en una regin especfica
Primera condicin
La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de
aquella en cualquier otro intervalo
El nmero de ocurrencias en un intervalo de tiempo o regin especficos es independiente del nmero de
ocurrencias en cualquier otro intervalo disjunto de tiempo o regin disjunta del espacio.
Por ejemplo, an cuando se reciba un nmero muy grande de llamadas telefnicas en una central durante el
intervalo concreto , la probabilidad de que se reciba al menos una llamada durante el prximo intervalo
permanece inalterada .
Anlogamente , an cuando no se han recibido llamadas en la central durante un intervalo muy largo , la
probabilidad de que se reciba una llamada durante el prximo intervalo de tiempo ms corto permanece
inalterada.
Proceso de Poisson
Segunda condicin
La probabilidad de observar exactamente un xito en un
intervalo es estable.
La probabilidad de una ocurrencia durante cualquier intervalo de
tiempo o regin debe ser aproximadamente proporcional a la
longitud de ese intervalo( o al tamao de la regin ) y no depende del
nmero de ocurrencias fuera de ese intervalo o regin .
Tercera condicin
La probabilidad de que haya dos o ms ocurrencias en el
intervalo de tiempo o regin debe ser despreciable en
comparacin con la probabilidad de una ocurrencia .
Proceso de Poisson
Estas tres condiciones se sintetizan diciendo que los
Cantidad de
Cuadrculas
75
103
121
54
30
13
Total
400
Ejemplo
X: cantidad de clulas por cuadrcula
La esperanza matemtica o promedio de esta distribucin
cuadrcula .
Se trata de un valor pequeo , considerando que la cantidad de clulas que podran
existir en la cuadrcula es muy grande . Esto nos lleva a pensar que estamos ante un
acontecimiento relativamente raro.
Tambin podemos esperar que la existencia de clulas de levadura en un cuadrado
es independiente de la existencia de este tipo de clulas en otros cuadrados .
As, este experimento origina para la variable aleatoria discreta una funcin de
masa igual a la de Poisson.
El parmetro que caracteriza a esta distribucin es
= t = 1,8 clulas,
P ( X = 2 ) = ( e - 1,8 1,8
t = 1 cuadrcula
) / 2 ! = 0,2678
E ( X ) = VAR ( X ) = = t
Ejemplo
El nmero promedio de partculas radiactivas que pasan
a travs de un contador durante un milisegundo en un
experimento de laboratorio es
4
Cul es la
probabilidad de que entren 6 partculas al contador en
un milisegundo determinado ?
Se trata de una distribucin de Poisson de parmetro
= 4 y debemos calcular P ( X = 6 ) .
P ( X = 6 ) = ( e - 4 4 6 ) / 6 ! = 0,1042
P ( X< 7 ) = P ( X 6) =
8000
0,001 x
0,999
nx
x=0
P (X < 7) =
x=0
[(e
-8
8 x ) / x ! ] = 0,3134