Variables Aleatorias Tercera semana

Zulima Ortiz B 2 de noviembre de 2010

1.

Variable Aleatoria

Normalmente, los resultados posibles (espacio muestral ) de un experimento aleatorio no son valores nmericos, hasta Por ejemplo, si un experimento consiste en lanzar de modo ordenado tres monedas al aire, para observar el nmero de caras (C) y sellos (S) que se obtienen, el espacio muestral asociado a dicho experimento aleatorio seria: = {CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}. En el Clculo de Probabilidades resulta ms fcil utilizar valores nmericos en lugar de trabajar directamente con los elementos de un espacio muestral como el anterior. Asi, se preere identicar los sucesos, {CSS, SCS, SSC } con el valor nmerico 1 que representa el nmero de caras obtenidas al realizar el experimento. Denicin 1. Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en el espacio muestral de un experimento aleatorio. X : X ( ) Las variables aleatorias se denotan con letras maysculas, como X, Y. Las letras minusculas se usan para denotar el posible valos de la variable aleatoria. 1

En el ejemplo anterior del lanzamiento de las monedas se puede denir la variable aleatoria X nmero de caras X (CCC ) = 3 X (CCS) = X (CSC ) = X (SCC ) = 2 X (CSS) = X (SSC ) = X (SCS) = 1 X (SSS) = 0 Ejemplo 1. Un Call center tiene 58 lineas tlefonicas, en el transcaurso del da se observa que las lneas estn ocupadas lluego si se dene la variable aleatoria X como el nmero de lineas ocupadas, a lo largo del da X podr tomar cualquier valor entre [0,58] Ejemplo 2. Un lote de 500 partes de un artculo, que contiene 10 que no cumple las especicaciones. 1. Del lote se van sacando los artculos, sin reemplazo, hasta que se obtiene uno que no cumple las especicaciones. La variable aleatoria es el nmero de partes seleccionadas. 2. Si se escoge una muestra del lote de tamao 15, y contamos el nmero de artculos defectuosos en la muestra, la variable aletoria es el numero de unidades defectuosas en la muestra. En general para estudiar una v.a no solo hay que conocer los valores que puede tomar, sino que tambien es necesario conocer la probabilidad con la que toma esos valores. Es decir es de inters saber cul es la probabilidad de que una variable aleatoria tome algn valor partcular. Denicin 2. Una variable aleatoria discreta es una variable aleatoria con un rango nito o innito contable. El rango de X es de la forma X = {0, 1, 2 , } Cuando se trata de variables aleatorias discretas, en muchas ocaciones interesa la probabilidad de que la variable aleatoria tome un valor partcular. Ejemplo 3. En un proceso de fabricacin de partes moldeadas en plstico interesan dos procesos, la coloracin y la reduccin de tamao. Una corrida de produccin arroja la informacin del espacio muestral y las probabilidades que aparecen en la tabla. 2

coloracin reduccin tamao aprobado aprobado aprobado no aprobado no aprobado aprobado no aprobado no aprobado determinar P{ X = 1} = 0,16 + 0,16 = 0,32

Probabilidad 0.64 0.16 0.16 0.04

x 2 1 1 0

Denicin 3. El evento que est formado por todos los resultados para los que X = x se denota { X = x }, y la probabilidad de este evento P{ X = x }

2.

Funcin Masa de Probabilidad, Funcin de densidad Discreta

Denicin 4. Sea X una variable aleatoria real discreta convalores x1 , x2 todos diferentes. la funcin f x , denida en R, mediante: f x (x) = P ( X = xi ) 0 six = x1 , x2 en otro caso

Recibe el nombre de funcin de densidad de una variable aleatoria discreta (fmp) Ejemplo 4. Supngase que se lanza un dado corriente una vez, sea X la variable aleatoria que indica el resultado obtenido. l rango de X es 1,2,3,4,5,6 y la funcin de densidad es f x (x) = P ( X = xi ) = 0
1 6

six = 1, 6 en otro caso

Esta funcin cumple las propiedades 1. f X ( x ) 0, x 2. f x = P( X = x ) 3. xi DX f X ( x ) = 1 Ejercicio 1. Un grupo de partes moldeadas se clasica de acuerdo con su longitud, de la siguiente manera longitud 4.9 Nmero de partes 0 5.0 3 5.1 10 5.2 25 5.3 50 5.4 18 5.5 16 5.6 2

Sea la variable aleatoria X como la longitud de una parte moldeada al azar 1. determine la funcin de probabilidad de X 2. Realice una grca

3.

Distribucin de la Variable aleatoria, Funcin de distribucin acumulada

FX ( x ) = P{ X x } = xi x P( x = xi )

Denicin 5. La funcin de Ditribucin (FDP) de una v.a X es la funcin

Ejemplo 5. Experimento: Lanzar una moneda legal dos veces = {cc, cs, sc, ss} Para sea x ( ) el nmero de caras asi: 4

X (cc) = 2, X (cs) = X (sc) = 1, X (ss) = 0 Construir la FDP X 1 (, x ] =, si x<0 0x<1 1x<2 x2

X 1 (, x ] ={ss}, si

X 1 (, x ] ={ss, sc, cs}, si

X 1 (, x ] ={ss, sc, cs, cc}, si FX ( x ) = PX ((, x ]) se tiene

0 1/4 FX ( x ) = 3/4 1

si x < 0 si 0 x < 1 si 1 x < 2 si x 2

En general la distribucin de probabilidad o simplemente distribucin de una variable aleatoria X es una descripcin del conjunto de valores posibles de X, el rango de X, junto con la probabilidad Para la variable aleatoria discreta X la funcin de distribucin acumulada (FMP) satisface las siguientes propiedades 1. FX ( x ) = P( X x ) = xi x P( x = xi ) 2. 0 FX ( x ) 1 3. Si x y, entonces FX ( x ) FY (y) Ejemplo 6. Sea X una variable aleatoria discreta con fmp dada por 1 7 si x = 2 3 1 si x = 2 f x ( x ) = P( X = x ) = 7 3 si x = 2 7 0 en otro caso 5

Determinar la funcin de distribucin de la variable aleatoria 0 1 4 7 1

7

Fx ( x ) =

si x 2 si 2 x < 1 2 1 si 2 x < 2 si x 2

La funcin de probabilidad acumulada proporciona como su nombre lo dice probabilidades hasta un cierto valor. es importante observar que aunque la variable aleatoria tome solo valores enteros, la funcin de distribucin acumulada puede denirse para valores no enteros Dada una v.a X las propiedades probabilsticas estn determinadas por la funcin de distribucinFX ( x ). A veces slo es necesario conocer algunos valores nmericos ligados a las variables aleatorias, dentro de estos valores tenemos la esperanza matemtica y la varianza. La esperanza nos dice alrededor de que valor se sita la variable (centro de gravedad) y la varianza nos proporciona la dispersin de la misma. Adems de estos valores existen los diferentes momentos.

3.1.

Valor Esperado

Sea X una v.a discreta, con soporte DX = x1 , x2 , ...xn ..., X posee un valor esperado si | xi | p ( X = xi ) <
i

En este caso se dene el valor esperado Denicin 6. Sea X una v.a discreta, con soporte DX = x1 , x2 , ...xn ... con f.m.p P( X = x ), se dene el valor esperado de X E( X ) = Notacion: E( X ), EX, , X , X.

xi p ( X = xi )
i

3.2.

propiedades del Valor Esperado

Sea X un v.a real 6

1. Si P( X 0) = 1 y EX existe, entonces EX 0 2. Ek=k, para cada constante k 3. E(g( X ) + h( X )) = E( g( X )) + E(h( X )) 4. si g( x ) h( x ) y g(X),h(X) son variables aleatorias, entonces E( g( X )) E(h( X )) Denicin 7 (Varianza). Var ( X ) = E( X EX )2 = EX 2 ( EX )2

4.

Variables Aleatorias Discretas

Uniforme Decimos que una v.a tiene una distribucin uniforme discreta sobre el conjunto de nmeros { x1 , x2 , ...xn } si la probabilidad de que X tome cualquiera de estos valores es la misma, 1/n. Est distribucin surge en espacios de probabilidad equiprobables, es decir en situaciones en donde tenemos n resultados diferentes y todos ellos con la misma probabilidad de ocurrencia. Escribimos X unif{ x1 , x2 , ...xn } P( X = x ) = 1/n 0 si x = x1 , x2 , ...xn en otro caso

4.1.

Distribucin de Bernoulli

En un experimento en donde se tienen slo dos posibles resultados llamados xito o fracaso, con probabilidades p y 1 p respectivamente, se dene la v.a X como aquella funcin que lleva el resultado xito al nmero 1 y el resultado fracaso al nmero 0, entonces decimos que X tiene distriucin Bernoulli con parmetro p (0, 1) y escribimos X Ber( p) P( X = x ) = p x (1 p )1 x 0 si x = 0, 1 en otro caso

4.2.

Distribucin de Binomial

Supongamos que se tiene una serie de experimentos independientes Bernoulli en donde la probabilidad de xito en cualquiera de los ensayos es siempre la misma p, en este caso el experimento aleatorio consiste en realizar sucesivamente n ensayos de Bernoulli, si se denota e el xito y f el fracaso se dene la v.a X como aquella funcin que cuenta el nmero de xitos en cada sucesin, entonces decimos que X tiene distriucin Binomial con parmetros n, p y escribimos X Bin(n, p) P( X = x ) =

( n ) p x (1 p )1 x x 0

x=0,1..

4.3.

Distribucin Gomtrica

Supongamos que tenemos una sucesin de ensayos independientes Bernoulli, pero innita. Para cada uno de los resultados de esta sucesin innita denimos la variable aleatoria X como el nmeno de fracasos antes de obtener el primer xito. por ejemplo: X ( f e f f e f f ..) = 1, X (e f f e f f ..) = 0, X ( f f f e f f ..) = 3, se observa que X puede tomar los valores 0, 1, 2..., y la probabilidad de X tome el valor x es p(1 p). decimos que X tiene una distribucin geomtrica, X geo( p) P( X = x ) = p (1 p ) x 0 si x = 0, 1, 2... en otro caso

4.4.

Distribucin de Poisson

Sea X la v.a que cuenta el nmero de ocurrencias de un evento en el intervalo de tiempo dado. Suponemos que conocemos la tasa media de ocurrencias del evento de inters, que se denota con la letra este parmetro es positivo y se interpreta como el nmero promedio de ocurrencias del evento, por unidad de tiempo. Decimos entonces que X tiene una distribucin de Poisson con parmetro , X P() P( X = x ) =
x x x! e

si x = 0, 1, 2... en otro caso

funcin de densidad

Funcin de distribucin

4.5.

Aproximacin de una Binomial a una Poisson

n! p k (1 p ) n k (n k)!k! n! (n k)!k! n
k

Sea X B(n, p), y supongamos que = np entonces X P() P( X = k) =

= =

nk

n(n 1) (n k + 1) k (1 /n)n k! (1 /n)k nk

Ahora para n grande y p pequeo 1 n

n

n ( n 1) ( n k + 1) 1, nk P( X = k) k e k!

4.6.

Distribucin Binomial negativa

Suponemos una sucesin innita de ensayos tipo Bernoulli, y denimos la v.s X que cuenta el nmero de fracasos antes de obtener el r-simo xito, entonces decimos que X tiene distribucin binomial negativa con parmetros r, p y la escribimos X Bin Neg( p, r ) P( X = x ) =

( r + x 1 ) p r (1 p ) x x 0
10

si x = 0, 1 en otro caso

5.

Ejercicios
1. Un lote de fusibles con 10 % de piezas defectuosas. Si se extrae al azar 4 fusibles del lote, calcular la probabilidad de que slo un fusible est defectuoso. Calcular la probabilidad de que por lo menos un fusible en la muestra este defectuoso. 2. En el ejemplo anterior supngase que los 4 fusibles se extrajeron del lote se enviaron a un cliente antes de probarlos, con garanta. Supngase tambin que el costo de hacer efectiva la garanta est dado por C = 3X 2 , donde X es el nmero de piezas defectuosas en el envi de cuatro. Calcular el costo esperado de reparacin. 3. Una industria suministra un producto qumico a 10 piezas manufactureras. La probabilidad de que cualquiera de las plantas llame y haga un pedido en un determinado da es de o.2, y es la misma para las 10 plantas. Calcular la probabilidad de que un da determinado, el nmero de plantas que llamen para hacer un pedido sea a) cuando mucho 3. b) cuando menos 3 y c) exactamente 3. 4. Una empresa de reclutamiento encuentra que 30 % de los aspirantes para determinado puesto en la industria tiene conocimientos avanzados de programacin. Se entrevista a los aspirantes uno a uno, para lo cual se seleccionan al azar de entre el grupo. Calcular la probabilidad de que el primer aspirante con conocimientos avanzados de programacin sea el quinto entrevistado. 5. Sea Y el nmero de entrevistas en la que se encuentra el primer aspirante con entranamiento avanzado. Suppongase que el primer aspirante que se encuentra se le ofrece el puesto, y que el aspirante acepta. Si cada entrevista cuesta 30000, calcular el valor esperado y la varianza del costo total esperado hasta que se ocupe el puesto.

11