SE
PUEDE
DEFINIR
UNA
x=1
(XITO)
1P
x=0
(FRACASO)
P (x) =
ESTO ES P (x = 1) = P
P ( x = 0) = 1 P
= q
P( x) = P(1) + P(0) = P + 1 P = 1
x
GRAFICAMENTE:
FUNCION
DE
LA MEDIA DE LA DISTRIBUCION.
x = E {x} =
x 2 = E { ( x x)2 } =
= P2 (1 P) + (1 P)2 P
= P (1 P) [P + (1 P) ]
= P (1 P)
= pq
RECORDAR QUE:
x2 = E { x2} x2
P (x = 1) = P
P (x = 0) = 1 P = q
P (x = 0) =?
P (x =0) = q . q . q = q3 = 3C0 p0 q3
P (x = 1) =?
P (x = 1) = p . q q + q p q + q q p
= 3 p q2
= 3C1 p q2
P (x = 2) = ? ;
P (x =2) = p. p. q + q. p. p + p. q. p.
= 3 p2 q
= 3C2 p2 q
P (x =3) = ?
P (x = 3) = p. p. p
= p3
= 3C3 p3 q0
RELACION
q = = 0.25
Espectro = 0,1,2,3,4,5
a) P ( x = 5 ) = 5C5 p5 q0 = (5/(5 (0))) (0.75)5(0.25)0
= 0.2373 = 23.73%
b) P ( x = 0 ) = 5C0 p0 q5 = (5/(0 (5))) (0.75)0(0.25)5
= 0.00097 = 0.097%
;N=5
DISTRIBUCION DE BERNOULLI.
P
;x=1
1P
;x=0
x=p
2
x
= p (1 p) = pq
P (x) =
DISTRIBUCION BINOMIAL.
P (x) = NCx px qn-x
; x = 0, 1, 2, ., N
x = Np
2
x
= Npq
DISTRIBUCION GEOMETRICA
SI EN UN PROCESO DE BERNOULLI SE QUIERE CONOCER LA
DISTRIBUCION DEL NUMERO DE PRUEBAS EFECTUADAS HASTA
OBTENER EL PRIMER XITO O SEA EL NUMERO DE FRACASOS
CONSECUTIVOS QUE PRECEDEN AL PRIMER XITO, A DICHA
DISTRIBUCION SE LE LLAMA GEOMETRICA.
SEA x LA V. A. Y x = n EL NUMERO DE FRACASOS CONSECUTIVOS
QUE PRECEDEN A UN XITO, ENTONCES SE QUIERE CONOCER P (x =n)
EN UNA PRUEBA
DE BERNOULLI
P (x = 1) = P
P (x = 0) = 1 P = q
P (x = n) = q q q . q p
n
P (x = n) = qnp
P (x = n) = qnp
FUNCION DE PROBABILIDAD
EJEMPLO:
UN JUGADOR DE BALONCESTO HACE 5 TIROS. OBTENER LA
DISTRIBUCION GEOMETRICA.
q=
SOLUCION:
Espectro = ( 0 , 1 , 2 , 3 , 4 )
P (x=1) = qp = = 3/16 = 0.1875
P (x=0) = q0p = 1 x = 0.75
P (x=2) = q2p = ()2 = 0.0468
P (x=3) = q3p = () 3 = 0.0117
P (x=4) = q4p = () 4 = 0.0029
qnp Zn
n 0
P(x)
(1 q) qn Zn
n 0
= (1 q)
qnZn
SERIE GEOMETRICA
n 0
1
= (1 q) ---------1 qZ
1-q
P (Z) = ---------1 qZ
t
dPt (Z)
- (1 q) ( -q)
q
x = ------------- z=1 = ------------------- z=1 = -----dZ
(+1 q) (Z) 2
1q
d2 pt (Z)
x2 = ------------ z=1 + x x2 =
dZ
q
----------(1 q)2
x = ------------ = ----- =
1q
EJEMPLO:
SE SABE QUE EL 20% DE LOS TRANSISTORES QUE PRODUCE UNA
INDUSTRIA SON DEFECTUOSOS:
i) CALCULAR LA PROBABILIDAD DE QUE 4 TANSISTORES TOMADOS AL
AZAR:
a) UNO RESULTA DEFECTUOSO
b) NINGUNO RESULTA DEFECTUOSO.
c) MAS DE 2 SEAN DEFECTUOSOS
d) POR LO MENOS 3 SEAN DEFECTUOSOS
ii) CALCULAR LA PROBABILIDAD DE QUE 5 TRANSISTORES RESULTEN
NO DEFECTUOSOS Y QUE EL SEXTO TRANSISTOR SEA DEFECTUOSO.
PROCESO DE BERNOULLI
p = 0.2
, q = 0.8
4!
P( x = 2 ) = 4C2p q = --------------- (0.2) 2 (0.8) 2 = 0.1536
2! (4 - 2!)
2 2
4!
P ( x = 4) = 4C4p4q0= ---------------- (0.2) 4 (0.8) 0 = 0.0016
4! (4 - 4!)
ii) P (x = 5) =?
DISTRIBUCION GEOMTRICA
x : TRANSISTOR DEFECTUOSO
QUE
LLEVAN
LA
DISTRIBUCION
10
PROPOSICION:
NM
n-x
P (X = x) = h (x; n, M, N) =
N
n
PARA x UN ENTERO QUE SATISFAGA MAX(0, n N + M) x MIN(n, M)
EN EL EJEMPLO ANTERIOR n = 5, M = 12 Y N = 20, POR LO QUE
h(x; 5, 12, 20) PARA X = 0, 1, 2, 3, 4, 5 SE PUEDE OBTENER AL SUSTITUIR
ESTOS NUMEROS EN LA ECUACION ANTERIOR.
EJEMPLO:
CINCO EJEMPLARES DE UNA POBLACION ANIMAL CONSIDERADOS
EN VIAS DE EXTICION EN CIERTA REGION HAN SIDO ATRAPADOS,
MARCADOS Y PUESTOS EN LIBERTAS PARA QUE SE MEZCLEN EN LA
POBLACION. DESPUES DE QUE HABIAN TENIDO UNA OPORTUNIDAD DE
MEZCLARSE, SE SELECCIONO UNA MUESTRA ALEATORIA DE 10 DE
ESTOS ANIMALES. SEA X = NUMERO DE ANIMALES MARCADOS DE LA
11
20
10 x
x = 0, 1, 2, 3, 4, 5
25
10
PARA (a)
5
2
20
8
= 0.385 = 38.5%
25
10
PARA (b)
P (X 2) = P (X = 0, 1, o 2) =
h( x; 10, 5, 25) =
x0
PROPOSICION
LA MEDIA Y VARIANZA DE LA VARIABLE ALEATORIA (va) X
HIPERGEOMETRICA QUE TIENE DISTRIBUCION DE PROBABILIDAD
h (x; n, M, N) SON
12
M
E(X) = n
V(X) =
N1
M
.n.
M
. 1-
V(X) =
N1
(10)(.2)(.8) = (.625)(1.6) = 1
24
13
DISTRIBUCION HIPERGEOMETRICA
LA FORMA MAS SIMPLE DE PERCATARSE DE LA DIFERENCIA
ENTRE LA DISTRIBUCION BINOMIAL Y LA DISTRIBUCION
HIPERGEOMETRICA, ES CONOCIENDO LA MANERA COMO SE LLEVA A
CABO EL MUESTREO. LOS TIPOS DE APLICACIONES DE LA DISTRIBUCION
HIPERGEOMETRICA SON MUY SIMILARES A AQUELLOS DE LA
BINOMIAL. EL INTERES SE CENTRA EN EL CALCULO DE LAS
PROBABILIDADES PARA EL NUMERO DE OBSERVACIONES QUE CAEN EN
UNA CATEGORIA PARTICULAR. SOLO QUE EN EL CASO DE LA BINOMIAL,
SE REQUIERE LA INDEPENDENCIA ENTRE INTENTOS. COMO RESULTADO,
SI LA DISTRIBUCION BINOMIAL SE APLICA AL MUESTREO DE UN LOTE
DE ARTICULOS (PAQUETE DE CARTAS, UNA CANTIDAD DE ARTICULOS DE
UNA LINEA DE PRODUCCION), EL MUESTREO DEBE REALIZARSE CON
REEMPLAZO DE CADA ARTICULO DESPUES DE OBSERVARSE. POR EL
OTRO LADO, LA DISTRIBUCION HIPERGEOMETRICA NO REQUIERE
INDENPENDENCIA Y SE BASA EN EL MUESTREO LLEVADO A CABO SIN
REEMPLAZO.
LAS APLICACIONES DE LA DISTRIBUCION HIPERGEOMETRICA SE
ENCUENTRAN EN MUCHAS AREAS, CON UN USO CONSIDERABLE EN EL
MUESTREO DE ACEPTACION, LAS PRUEBAS ELECTRONICAS Y EL
ASEGURAMIENTO DE LA CALIDAD. ES OBVIO QUE EN MUCHOS DE ESTOS
CAMPOS LA PRUEBA SE REALIZA A EXPENSAS DE LA PIEZA QUE SE ESTA
PROBANDO. ESTA SE DESTRUYE Y POR LO TANTO NO PUEDE
REEMPLAZARSE EN LA MUESTRA. ENTONCES, ES NECESARIO EL
MUESTREO SIN REEMPLAZO. EN LOS SIGUIENTES PARRAFOS SE UTILIZA
COMO EJEMPLO UN CASO SIMPLE DE JUEGO DE CARTAS.
SE DESEA ENCONTRAR LA PROBABILIDAD DE OBTENER 3 CARTAS
ROJAS EN 5 RETIROS DE UN PAQUETE COMUN DE 52 CARTAS. PARA
RESOLVER LA SITUACION DE MUESTREAR SIN REEMPLAZO, EL
PROBLEMA DEBE REPLANTEARSE. SI SE SACAN 5 CARTAS AL AZAR Y SE
DESEA CONOCER LA PROBABILIDAD DE SELECCIONAR 3 CARTAS ROJAS
DE LAS 26 DISPONIBLES Y 2 CARTAS NEGRAS DE LAS OTRAS 26
DISPONIBLES EN EL PAQUETE. SE TIENEN (263) MANERAS DE
14
26
2
(26!/3!23!)(26!/2!24!)
=
52
5
= 0.3251= 32.51%
(52!/5!47!)
15
MIENTRAS P(S) = p
r1
LA DISTRIBUCIN DE PROBABILIDADA DE LA VARIABLE ALEATORIA
BINOMIAL NEGATIVA CON PARMETROS r = NMERO DE LAS S Y p = P(S)
ES:
16
nb ( x ; r , p ) =
X = 0, 1, 2,
r1
EJEMPLO:
1. UN PEDIATRA DESEA RECLUTAR 5 PAREJAS, CADA UNA DE LAS
CUALES ESPERA TENER A SU PRIMER HIJO, PARA QUE PARTICIPEN
EN UN NUEVO RGIMEN DE NACIMIENTO NATURAL. SEA p = P(UNA
PAREJA SELECCIONADA AL AZAR ACCEDE A PARTICIPAR). SI p =
0.2 , CUL ES LA PROBABILIDADA DE QUE SE PIDA A 15 PAREJAS
QUE PARTICIPEN ANTES DE ENCONTRARA 5 QUE ACCEDAN? ESTO
ES, CON S = (ACCEDE A PARTICIPAR), CUL ES LA
PROBABILIDADA DE QUE OCURRAN 10 F ANTES DE LA QUINTA S?
p = 0.2
r=5
x = 10
10 + 5 - 1
(0.2)5 (0.8)10 = 0.03439 = 3.44%
nb ( 10 ; 5 , 0.2 ) =
51
P ( x < 10 ) =
x 0
10
x 0
4
EN ALGUNAS PUBLICACIONES, LA VARIABLE ALEATORIA BINOMIAL
NEGATIVA SE TOMA COMO EL NMERO DE INTENTOS X + r EN LUGAR
DEL NMERO DE FRACASOS.
EN EL CASO ESPECIAL r = 1, LA DISTRIBUCIN DE PROBABILIDAD ES:
nb ( x ; 1 , p ) = ( 1 p )x p ,
x = 0, 1, 2,..
17
r(1p)
,V(X)=
p2
DISTRIBUCION DE POISSON
ESTA DISTRIBUCION SE PUEDE OBTENER A PARTIR DE LA HAY
DISTRIBUCION BINOMIAL CONSIDERANDO QUE N , MIENTRAS QUE
P0
P (x = n) = NCn Pn qN-n
x = 0, 1, 2, , N
N!
P (x = n) = --------------- PN qn-N
n! (N n)!
18
n! (1 P)N
HACIENDO = NP
P = ----- , SE TIENE
N
n (1 - /N)N
1
2
n-1
P(x) = LimN [ (1 - ) (1 - ).(1 -) ]
N
N
N
n! (1 - /N)n
n (1 /N)N
= Lim
N
n!
n
= Lim (1 - )N
n! N
19
P (x) = -2
n!
n = 0, 1, 2, ,
DISTRIBUCION DE POISSON.
LA FUNCION DE PROBABILIDAD QUE DEFINE ESTA DISTRIBUCION
ES:
P(x = n) = -
n!
O BIEN:
n = 0,1,2,.,
x = 0,1,2,.
P(x) = -
x!
Np5
EJEMPLO:
SI EL 2% DE LOS TRANSISTORES PRODUCIDOS POR UNA FABRICA
SALEN DEFECTUOSOS, ENCONTRAR LA PROBABILIDAD DE QUE EN UN
LOTE DE 200 TRANSISTORES HAYA CUANDO MAS 5 TRANSISTORES
DEFECTUOSOS.
EL PROBLEMA SE TRABAJA CON UNA DISTRIBUCION BINOMIAL, EN
LA CUAL:
N=200
p=0.02
q=0.98
20
= Np
= 200 (.02)
=4
P(x5) = P(x=0) + P(x=1) + + P(x=5)
40
4
45
= -4 + -4 + + -4
0!
1!
5!
40
4
42
43
44
45
= -4 ( + + + + +
0!
1!
2!
3!
4!
5!
= 0.7851
21
(a)
(b)
(c)
CON LO CUAL
S
q = 1 p = 1
N
(d)
22
N-n
P(x=n) = NCn p q
S
S
n
= NCn ( ) (1 )N-n
N
N
CONSIDERANDO QUE N
P(x = n) = -
n!
SI S = 1 :
n = 0,1,2,.,
x = 0,1,2,.
P(x) = -
x!
PROBLEMA:
P ( x >= 3) = P ( x = 3 ) + P ( x = 4 ) + . + P ( x = 14 ) =
=1-(P(x=0)+P(x=1)+P(x=2))=
= 1 - ( 140/0! + 141/1! + 142/2! ) e-14 = 0.9999 = 100%
2.- SUPONGAN QUE EN EL NUMERO DE LLAMADAS TELEFNICAS QUE
LLEGAN A UN CONMUTADOR ES DE 120 POR HORA. DETERMINAR LA
PROBABILIDAD DE QUE:
a) EN UN MINUTO SE RECIBAN CERO LLAMADAS
b) EN UN MINUTO LLEGEN ENTRE UNA Y CINCO LLAMADAS
DISTRIBUCIN POISSON
23
DISTRIBUCIN POISSON
CALCULO DE LA MEDIA
=
CALCULO DE LA VARIANCIA
=
DISTRIBUCIN UNIFORME
RECORDANDO LA PROBABILIDAD CLSICA:
N(A)
NUMERO DE ELEMENTOS DE A
N(S)
NUMERO DE ELEMENTOS DE S
P(A)=
24
. ( a)
P ( X1 < X < X2 ) =
f ( x)dx
x1
Como
Entonces
X2
P ( x1 < x < x2 ) =
f ( x)dx = h ( x )
X2
X1
(c)
X1
X
X2
X1
=
ba
ba
=h(x)
x2
x1
ba
de donde
X
h(x)=
ba
y sustituyendo en ( b )
X
f ( x)dx =
ba
derivando
25
SI a < x < b
ba
ESTA FUNCION DEFINE UNA DISTRIBUCIN DE PROBABILIDAD PARA LA
VARIABLE ALEATORIA x. A ESTA DISTRIBUCIN SE LE LLAMA
DISTRIBUCIN UNIFORME O RECTANGULAR.
GRFICAMENTE:
1
X2
P ( x1 < x < x2 ) =
dx
X1
ba
EJEMPLO:
UN PARACAIDISTA SE LANZA DESDE UN AVION, CUAL ES LA
PROBABILIDAD DE QUE CAIGA EN EL AREA A y B, QUE ESTAN MARCADAS
EN EL PISO?
26
magnitud de A
P(A) =
= 0.16 = 16%
magnitud de S
(5)
magnitud de B
(5)2 (2)2
P(B) =
25
21
=
= 0.84 = 84%
(5)2
magnitud de S
25
x = E {x} =
x2
dx =
|ba
ba
ba
1
2
2
x=(b a )
ba
( b + a) (b a)
x=
b+a
=
2 (b a)
2
1
b+a
(b a)2
2
x
= E {x } x =
2
x2
dx -
ba
12
DISTRIBUCION EXPONENCIAL
SI EN UNA DISTRIBUCION DE POISSON EL INTERVALO ES TIEMPO,
ENTONCES LA DISTRIBUCION EXPONENCIAL SE UTILIZA PARA DETERMINAR
EL TIEMPO QUE TRANSCURRE HASTA QUE SE VERIFIQUE EL PRIMER
EVENTO (PUNTO).
LA FUNCION DENSIDAD DE PROBABILIDAD PARA LA DISTRIBUCION
EXPONENCIAL ES:
e-t
; t>0
f (t ) =
0
27
t2
f (t) dt
t1
CALCULO DE LA MEDIA:
x = E {x} =
x f (x) dx =
xe
-x
dx = x e-x dx =
0
u = x ; du = dx
dv = e-x dx ; v = -1/ e-x
x = ( - x/ e
-x
) 0 + 1/
1
=
---x
CALCULO DE LA VARIANCIA
x2 = E {x2} x 2
E{x2} =
x2 f(x) dx =
x2 e-x dx
1
2
2
2
x = E {x } x = ----2
1
2
x = ---2
EJEMPLOS:
1.- SE HA OBSERVADO QUE LA FRECUENCIA DE LLEGADA DE
AUTOBUSES A UNA DETERMINADA PARADA, ES DE 3 POR
HORA. CUL ES LA PROBABILIDAD DE QUE LLEGUEMOS A LA
PARADA Y ESPEREMOS 10 MINUTOS PARA QUE LLEGUE EL
AUTOBUS?
28
1/ 6
e-t dt =
P (t > 1) =
P (t > 1) = 60.65%
4
29
x =d
30
1
e-x2/2 ; FUNCION DE DENSIDAD DE PROBABILIDAD
f(x)=
2 d
x2
P ( x1 < x < x2 ) =
x1
HACIENDO :
( x - x )2
Z=
x
31
P ( x1 < x < x2 ) =
e-z2/2 dz
x1 z1 x x
P(5<x<7)
P(x<6)
P(x<3)
P(x>8)
P(1<x<2)
P ( 6 < x < 7.5 )
P ( x > 4.5 )
0.84135 0.5
x- x
z=
x
x1 - x
z1 =
5-5
=
2
x2 - x
z2 =
=0
7-5
=
= 1
2
32
= 0.34135 = 34.135%
6-5
=
= 0.5
2
3-5
=
=-1
2
x- x
z =
= 0.0668 = 6.68 %
8-5
=
0.93320 1
= 1.5
2
0.06680 0.02276
= 0.04404 = 4.404 %
0.89436 0.69145
= 0.20291 = 20.291 %
x
x1 - x
z1 =
1-5
=
x
x2 - x
z2 =
=-2
2
2-5
= - 1.5
2
x1 - x
z1 =
6-5
=
= 0.5
2
33
7.5 - 5
=
= 1.25
2
1 0.40129
x- x
z =
= 0.5987 = 59.87 %
4.5 - 5
=
= - 0.25
2
EJEMPLO:
EN UN ALMACEN SE UTILIZAN LMPARAS FLUORESCENTES CON VIDA
MEDIA DE 3,500 HORAS Y DESVIACIN ESTANDAR DE 600 HORAS, LA
DURACIN TIENE DISTRIBUCIN NORMAL.
a) SI LAS LUCES ESTAN ENCENDIDAS 10 HORAS AL DIA DURANTE 52
SEMANAS. Qu PORCENTAJE DE LAS LAMPARAS NECESITARAN
REPONERSE?
b) DESPUS DE CUANTAS SEMANAS SERIA NECESARIO REPONER EL
10% DE LAS LMPARAS?
VIDA MEDIA = x = 3,500 horas
x = 600 horas
SEMANA DE 7 DIAS
X : LA VIDA TIL DE LAS LMPARAS
a) (70 horas/semana)(52 semanas) = 3,640 horas
SE TENDRAN QUE REPONER LAS QUE DUREN MENOS DE 3,640 HORAS
x- x
z =
3,640 3,500
=
= 0.2333
600
34
x 3,500
=
600
EJEMPLO:
CON FRECUENCIA SE SUPONE QUE LAS MEDICIONES DE LONGITUD
USANDO UN INSTRUMENTO CALIBRADO CON LA SUFICIENTE
EXACTITUD, ESTAN DISTRIBUIDAS EN FORMA NORMAL ALREDEDOR DE
LA LONGITUD VERDADERA DEL OBJETO MEDIDO. SUPONGA QUE LA
LONGITUD DEL OBJETO ES DE 9 METROS Y QUE LA MEDIACIN DE LA
MISMA ES UNA VARIABLE ALEATORIA x CON DISTRIBUCIN NORMAL,
CON x = 9 Y x = 0.02 DETERMINAR LA PROBABILIDADA DE QUE LA
LONGITUD MEDIDA ESTE ENTRE 8.99 Y 9.02
x=9
x = 0.02
P ( 8.99 < x < 9.02 ) = P ( -0.5 < z < 1 ) =
0.84135 0.30855
x- x
z=
x1 - x
z1 =
8.99 - 9
=
0.02
x2 - x
z2 =
= - 0.5
9.02 - 9
=
=1
0.02
35
= 0.5328 = 53.28%
x = 50 METROS
x = 5 METROS
a) P ( x > 55 ) = P ( z > 1 ) =
x- x
z =
1 0.84135
55 50
=
=1
5
0.97724 0.5
= 0.47724 = 47.724 %
50 - 50
=
= 0
5
x2 - x
z2 =
= 0.1586 = 15.86 %
60 - 50
=
=2
5
EJEMPLO:
UNA MAQUINA AUTOMATICA QUE EXPENDE CAF , LLENA LAS COPAS
CON 6 ONZAS DE CAF Y CON x = 0.4 SI SE USAN COPAS DE 7 ONZAS
QU PORCENTAJE DE ELLOS SE DERRAMARA?
x=6
x = 0.4
P ( x > 7 ) = P ( z > 2.5) =
1 0.99378
36
= 0.00622 = 0.622 %
76
=
= 2.5
0.4
EJEMPLO:
En un examen de matemticas, en el que se ha evaluado de 0 a 20 puntos, el 67% de los
alumnos ha obtenido una puntuacin igual o menor que 12.2 y el 9% ha obtenido
puntuacin superior a 16.7. Suponiendo que la distribucin de las puntuaciones sea
normal, calcule su media y su desviacin tpica
37
38