SAN MARCOS
UNIVERSIDAD DEL PERÚ, DECANA DE AMÉRICA
FUNDADA EL 12 DE MAYO DE 1551 (651 AÑOS)
SEMANA 06-07-09
I. CONCEPTO DE VARIABLE ALEATORIA.
II. TIPOS DE VARIABLES ALEATORIAS
III. VARIABE ALEATORIA DISCRETA: DISTRIBUCIÓN
DE PROBABILIDAD
IV. VARIABLE ALEATORIA CONTINUA,
CARACTERÍSTICAS NUMERICAS DE UNA
VARIABLE ALEATORIA: ESPERANZA Y
VARIANZA.
V. DISTRIBUCIONES ESPECIALES DE VARIABLE
DISCRETA: BERNOULLI; BINOMIAL; POISSON;
GEOMÉTRICA; HIPERGEOMÉTRICA.
VI. DISTRIBUCIONES ESPECIALES DE VARIABLE
CONTINUA: UNIFORME; EXPONENCIAL;
NORMAL: PROPIEDADES, ESTANDARIZACIÓN,
MANEJO DE TABLA.
Una variable aleatoria es una función que asigna un número real a cada
elemento del espacio muestral Ω.
𝑅𝑥 = {𝑥 ∈ ℝ ∕ 𝑥 = 𝑋(𝑤), 𝑤 ∈ Ω}
Ejemplo 1:
a) El espacio muestral Ω
b) Sea X la variable aleatoria definida como el número de caras obtenidas,
entonces determine el recorrido o rango RX.
EJEMPLO 02.
EJEMPLO 03.
EJEMPLO 04.
DEFINICIÓN:
Nota 1:
Ejemplos:
EJERCICIOS COMPLEMENTARIOS:
Regular 25 20
Liso 60 70
Total
Si 112 246
a. P(AUB)
b. P(AB)
c. P(A’UB)
d. P(A’B’)
e. ¿Cuál es la probabilidad de que un pedido requiera memoria
extra, dado que el pedido requiere el procesador de alta
velocidad opcional?
f. ¿Cuál es la probabilidad de que un pedido requiera un pedido
de alta velocidad opcional, dado que el pedido requiere
memoria extra?
II. VARIABLE ALEATORIA DISCRETA Y DISTRIBUCIÓN DE
PROBABILIDAD:
CONTENIDO
EJEMPLO 05.
Si la variable aleatoria X es un número de caras que resultan al
lanzar una moneda tres veces, entonces, el rango de X es
Rx={0,1,2,3}, por lo tanto, en Rx, se tiene:
P[X=0]=P({SSS})=1/8
P[X=1]=P({SSC o SCS o CSS})=3/8
P[X=2]=P({SCC o CSC o CCS})=3/8
P[X=3]=P({CCC})=1/8
NOTAS:
EJEMPLO 06.
En un proceso de fabricación de semiconductores, se prueban dos
obleas de un lote. Cada oblea se clasifica como pasa o falla.
Suponga que la probabilidad de que una oblea pase la prueba es
0.8 y que las obleas son independientes. El espacio muestral del
experimento y las probabilidades asociadas se muestran:
Resultado Probabilidad x
(pasa,pasa) 0.64 2
(falla,pasa) 0.16 1
(falla,falla) 0.04 0
P[(pasa, falla)]=0.8*0.2=0.16
La variable aleatoria X se define: como el número de obleas que
pasan. La última columna de la tabla muestra los valores de X que
se asignan a cada resultado del experimento.
EJEMPLO 07.
Existe la posibilidad de que un Bit transmitido a través de un canal
de transmisión digital se reciba con error. Sea X igual al número de
bits con error en los cuatro siguientes bits transmitidos. Los valores
posibles de X son {0,1,2,3,4}. Con base en un modelo para los
errores, se determinarán las probabilidades de estos valores.
Suponga que las probabilidades son
P[X=0]=0.6561
P[X=1]=0.2916
P[X=2]=0.0486
P[X=3]=0.0036
P[X=4]=0.0001
Gráfico de Bastones:
DEFINICIÓN:
Para una variable aleatoria discreta X con valores posibles x1, x2, x3,
…,xn, LA FUNCIÓN DE PROBABILIDAD ES:
f(xi)= P[X=xi], puesto que f(xi) se define como una probabilidad, f(xi)≥
𝟎 y σ 𝒇(𝒙𝒊) = 𝟏
EJEMPLO 08.
Sea X la v.a. definida como el número de caras que ocurre al lanzar
una moneda 4 veces:
a. Obtenga la distribución de probabilidad de X. Luego
grafique la distribución y describa su forma.
DEFINICIÓN:
EJEMPLO 09.
Sea X la v.a. definida como el número de caras que ocurre al lanzar
una moneda 4 veces:
a. Obtenga y grafique la función de distribución acumulada
F(x)
X=#caras x=0 x=1 x=2 x=3 x=4
DEFINICIÓN:
𝝁 =E(X)= σ 𝑿𝒇(𝒙)
EJERCICIO DE LA SECCIÓN
EJERCICIO 01.
El número de mensajes por hora enviados en una red de
computadoras tiene la siguiente distribución:
EJERCICIO 03.
x 0 0 1.5 1.5 2 3
EJERCICIO 05.
2.5.1 BERNOULLI
DEFINICIÓN 01:
P(X=1)=p
P(X=0)=1-p
Ejemplo:
1. La v.a. que define el experimento lanzamiento de una moneda
sigue una distribución de Bernoulli de parámetro p. Donde p es
la probabilidad del suceso de interés, cara o sello.
2. En la selección de una pieza de un lote de 500 piezas. Los
resultados posibles son defectuosos y no defectuosos.
3. En la selección de una persona al azar de un grupo de 1000.
Los resultados posibles son hombre o mujer.
DEFINICION
2.5.2 BINOMIAL
DEFINICION
EJERCICIO 1
Un vendedor de un producto sabe, por experiencia, que logra la
venta en el 30% de los clientes que visita, porcentaje que ha
permanecido constante a lo largo del tiempo. Cada cliente no tiene
contacto con los demás. El vendedor desea saber la probabilidad de
que si visita 8 clientes.
a) Logre vender en exactamente 3 casos.
b) Logre vender en por lo menos 3 casos.
c) En a) y b) compruebe los resultados utilizando algún programa
estadístico
EJERCICIO 2
En una fábrica hay 12 máquinas. Cada una de ellas está averiada un
día de cada 10. ¿Cuál es la probabilidad de que un determinado día
haya?
EJERCICIO 3
En una fábrica se realiza el control de calidad de los productos, para
ello se seleccionan 10 de los artículos elaborados y se inspeccionan
con el fin de determinar si son defectuosos o no. La probabilidad de
que un producto sea defectuoso es de 12%. Determinar:
EJERCICIO 4
Un semáforo particular tardado en el trayecto matutino del lector
está en verde 20% de las veces que usted pasa por este crucero.
Suponga que cada mañana representa un ensayo independiente.
2.5.3 GEOMÉTRICA
En una serie de ensayos BERNOULLI independientes, con
probabilidad constante p de un éxito, sea que la variable aleatoria
X denote el número de ensayos hasta el primer éxito. Entonces X
tiene una DISTRIBUCIÓN GEOMETRICA con parámetro p y:
𝟏−𝒑
𝝁 = 𝑬(𝑿) = 𝟏/𝒑 y 𝝈𝟐 = 𝑽(𝑿) =
𝒑𝟐
EJEMPLO 01
La probabilidad de que una oblea contenga una partícula de
contaminación grande es 0.01. Si se supone que las obleas son
independientes, ¿cuál es la probabilidad de que sea necesario
analizar exactamente 125 obleas antes de detectar una partícula
grande? Realice el gráfico de progresión geométrica y replique con
el minitab
SOL.
Sea que X denote el número de muestras analizadas hasta que se
detecte una partícula grande. Entonces:
2.5.4 HIPERGEOMÉTRICA.
DEFINICIÓN:
𝑵−𝒏
𝝁 = 𝑬(𝑿) = 𝒏𝒑 y 𝝈𝟐 = 𝑽(𝑿) = 𝒏𝒑(𝟏 − 𝒑) ( )
𝑵−𝟏
Donde p=k/N
La-expresión
𝑵−𝒏
, 𝒔𝒆 𝒄𝒐𝒏𝒐𝒄𝒆 𝒄𝒐𝒎𝒐 𝒆𝒍 𝒇𝒂𝒄𝒕𝒐𝒓 𝒅𝒆 𝒄𝒐𝒓𝒓𝒆𝒄𝒄𝒊ó𝒏 para
𝑵−𝟏
poblaciones finitas.
EJERCICIO 01
Suponga que X tiene una distribución Hipergeométrica con N=100,
n=4, y k=20. Determine las siguientes probabilidades:
a) P(X=1)
b) P(X=4)
c) P(X=6)
d) Determine la media y la varianza de X.
e) Compruebe los resultados utilizando algún programa estadístico
EJERCICIO 02
Suponga que X tiene una distribución Hipergeométrica con N=20,
n=4 y k=4. Determine lo siguiente las siguientes probabilidades:
a) P(X=1)
b) P(X≤ 𝟐)
c) P(X=4)
d) Determine la media y la varianza de X.
e) Compruebe los resultados utilizando algún programa estadístico
EJERCICIO 03
En una empresa hay 28 empleados en el dpto. Administrativo y 43
en el dpto de ventas. Se desea seleccionar un comité de 5
empleados para que asistan a un evento. Determinar:
a) La probabilidad de que de los 5 empleados que se
seleccionan 3 pertenezcan al dpto. administrativo.
b) La probabilidad de que más de 3 empleados seleccionados
pertenezcan al dpto de administración.
c) Compruebe los resultados utilizando algún programa
estadístico
EJERCICIO 04
Un lote de 75 arandelas contiene cinco en las que la variabilidad del
espesor alrededor de la circunferencia es inaceptable. Se
selecciona, al azar y sin reemplazo una muestra de 10 arandelas.
a) ¿Cuál es la probabilidad de que ninguna de las arandelas
inaceptables este en la muestra?
b) ¿Cuál es la probabilidad de que al menos una de las
arandelas inaceptables esté en la muestra?
c) ¿Cuál es la probabilidad de que exactamente una de las
arandelas inaceptables este en la muestra?
d) ¿Cuál es el número promedio de arandelas inaceptables en
la muestra?
e) Compruebe los resultados utilizando algún programa
estadístico
2.5.5 POISSON
DEFINICION
Una v.a. X, tiene una DISTRIBUCIÓN de POISSON con
parámetros λ .
𝒆−𝝀 𝝀𝑿
𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = , 𝒔𝒊 𝒙 = 𝟎; 𝟏; 𝟐; …
𝒙!
Nota: El modelo de distribución de Poisson puede
establecerse aproximadamente como una variable aleatoria
BINOMIAL. Puesto que: 𝑬(𝑿) = 𝝀 = 𝒏𝒑 𝒔𝒆 𝒐𝒃𝒕𝒊𝒆𝒏𝒆 𝒑 = 𝝀 ∕ 𝒏
𝝁 = 𝑬(𝑿) = 𝝀 y 𝝈𝟐 = 𝑽(𝑿) = 𝝀
EJERCICIO 1
En un taller se averían una media de 2 máquinas a la semana.
Calcula la probabilidad de que:
EJERCICIO 3
La contaminación constituye un problema en la fabricación de
discos de almacenamiento óptico. El número de partículas de
contaminación que ocurre en un disco óptico tiene una distribución
de Poisson y el número promedio de partículas por centímetro
cuadrado de superficie es 0.1. El área de un disco bajo estudio es
100 centímetros cuadrados. Encuentre la probabilidad de que:
EJERCICIO 4
Suponga que X tiene una distribución de Poisson con una media de
4. Determine las siguientes probabilidades:
a) P(X=0)
b) P(X≤ 𝟐)
c) P(X=4)
d) P(X=8)
e) Compruebe los resultados utilizando algún programa estadístico
EJERCICIO 5
Suponga que X tiene una distribución de Poisson con una media de
0.4. Determine las siguientes probabilidades:
a) P(X=0)
b) P(X≤ 𝟐)
c) P(X=4)
d) P(X=8)
e) Compruebe los resultados utilizando algún programa estadístico
EJERCICIO 6
Suponga que el número de clientes que en entran a un banco en una
hora es una variable aleatoria de Poisson y suponga que
P(X=0)=0.05. Determine la:
a) Media y,
b) Varianza de X.
c) Compruebe los resultados utilizando algún programa estadístico
III. VARIABLE ALEATORIA CONTINUA Y DISTRIBUCIÓN DE
PROBABILIDAD:
CONTENIDO
EJEMPLO:
UN DIA DE PRODUCCIÓN, SELECCIONAR UNA PIEZA Y
MEDIR CON PRECISIÓN UNA LONGITUD DIMENSIONAL.
LA CORRIENTE EN EL EXPERIMENTO CON UN
ALAMBRE DE COBRE.
LA LONGITUD DE UNA PIEZA MAQUINADA.
DEFINICIÓN:
Para una variable aleatoria continua X, una FUNCIÓN DE DENSIDAD
DE PROBABILIDAD es una función tal que:
1. 𝒇(𝒙) ≥ 𝟎
∞
2. ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏
𝒃
3. 𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫𝒂 𝒇(𝒙)𝒅𝒙 =
á𝒓𝒆𝒂 𝒃𝒂𝒋𝒐 𝒇(𝒙)𝒅𝒆 𝒂 𝒂 𝒃, 𝒑𝒂𝒓𝒂 𝒂 𝒚 𝒃 𝒄𝒖𝒂𝒍𝒆𝒔𝒒𝒖𝒊𝒆𝒓𝒂
𝑷(𝒙𝟏 ≤ 𝑿 ≤ 𝒙𝟐) = 𝑷(𝒙𝟏 < 𝑿 ≤ 𝒙𝟐) = 𝑷(𝒙𝟏 ≤ 𝑿 < 𝒙𝟐) = 𝑷(𝒙𝟏 < 𝑿 < 𝒙𝟐)
DEFINICIÓN:
DEFINICIÓN:
𝝁 = 𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞
∞ ∞
𝝈 = [𝑽(𝑿)]𝟏/𝟐
EJERCICIO 06.
3.5.1 UNIFORME
Definición
𝟏
𝒇(𝒙) = ,𝒂 ≤ 𝒙 ≤ 𝒃
𝒃−𝒂
Tiene una distribución continua uniforme.
𝒙 𝟏 𝒙 𝒂
𝑭(𝒙) = ∫𝒂 du= −
(𝒃−𝒂) (𝒃−𝒂) (𝒃−𝒂)
1 b<=x
EJERCICIO 01.
EJERCICIO 02.
Suponga que X tiene una distribución continua uniforme en el
intervalo [-1, 1]:
EJERCICIO 03.
EJERCICIO 04.
EJERCICIO 05.
Suponga que X tiene una distribución continua uniforme en el
intervalo [-2, 2]:
3.5.2 EXPONENCIAL
∞ ∞
Si P(x<x)=∫𝒙 𝒇(𝒙)𝒅𝒙 = ∫𝒙 𝝀𝒆−𝝀𝒙 𝒅𝒙 =
∞
− ∫𝒙 𝒆−𝝀𝒙 𝒅(−𝝀𝒙)
P(X>X)=𝐞−𝛌𝐱
𝟏 𝟏
𝑬(𝑿) = 𝒚 𝑽(𝑿) = 𝟐
𝝀 𝝀
EJERCICIO 01.
EJERCICIO 02.
EJERCICIO 03.
EJERCICIO 04.
3.5.3 NORMAL:
Definición:
−(𝒙−𝝁)𝟐
𝟏
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐 para -−∞ < 𝒙 < +∞
√𝟐𝝅𝝈
Tiene una distribución normal con parámetro 𝝁, donde -−∞ < 𝝁 <
∞𝒚𝝈>𝟎
Además,
𝑬(𝒙) = 𝝁 𝒚 𝑽(𝑿) = 𝝈𝟐
𝑿−𝝁
𝒁=
𝝈
EJERCICIO 01.
a) P(Z<1.32)
b) P(Z<3.00)
c) P(Z<1.45)
d) P(Z>-2.15)
e) P(-2.34<z<1.76)
EJERCICIO 02.
a) P(Z>3)
b) P(0<Z<1)
c) P(-1<z<1)
d) P(-1<z<1)
e) P(-1<z<1)
EJERCICIO 03.
a) P(Z<z)=0.90
b) P(Z<z)=0.50
c) P(Z>z)=0.1
d) P(Z>z)=0.9
e) P(-1.24<Z<z)=0.8
EJERCICIO 04.
a) P(-z<Z<z)=0.95
b) P(-z<Z<z)=0.99
c) P(-z<Z<z)=0.68
d) P(-z<Z<z)=0.9973
EJERCICIO 05.
e) P(X<13)=
a) P(X>9)=
b) P(6<X<14)=
c) P(-2<X<8)=
EJERCICIO 06.
EJERCICIO 07.
0 X<-2
1 2≤ 𝑥
b. f(-2)=
c. f(0)=
d. f(2)=
2. El espesor del entrepaño de madera (en pulgadas) que pide un cliente
una v.a. con la siguiente función de distribución acumulada:
0 X<1/8
1 3/8≤ 𝑥
a) P(x≤ 1/8)
b) P(x≤ 1/4)
c) P(x≤ 5/16)
d) P(x>1/4)
e) P(x≤ 1/2)
V. BIBLIOGRAFIA
DE CONSULTA
Freund & Miller & Miller, Estadística Matemática con Aplicaciones. Pearson
Educación. 6ª Edición. 1996.