Escolar Documentos
Profissional Documentos
Cultura Documentos
SEMANA 1
NDICE
2
ESTE DOCUMENTO CONTIENE LA SEMANA 1
VARIABLE ALEATORIA DISCRETA Y DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS
APRENDIZAJES ESPERADOS
Identificar elementos que forman parte de los temas como esperanza, varianza de variables
aleatorias discretas y distribuciones de probabilidad de variables discretas.
INTRODUCCIN
En el curso de estadstica se habl del concepto de espacio muestral, que corresponda solo a la
descripcin de los resultados posibles en un evento. En el presente contenido se asociar este
concepto obtenido para cada resultado posible con valores numricos que variarn de acuerdo al
resultado. Ya que el resultado de un experimento no se conoce con anticipacin, sucede lo mismo
con el valor de la variable involucrada y, por esta razn, a estos valores que cambian se les llama
variable aleatoria.
El valor de una variable aleatoria puede estar definido para un conjunto de posibles valores.
3
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Donde X representa a la variable aleatoria (como concepto) y x representa el valor que puede ser
particularmente X. Entonces X puede ser menor, mayor o igual a un valor en particular.
El espacio muestral (S) de un experimento representa todos los posibles resultados que se pueden
obtener. Por ejemplo, al lanzar un dado se tiene seis posibles resultados (los nmeros del 1 al 6).
Otro ejemplo, es el da de la semana en que hay ms congestin vehicular (lunes, martes,
mircoles, jueves, viernes, sbado y domingo).
S w1 , w2 , w3 ,...
s w2 , w5 , wn
Formalmente, una variable aleatoria puede ser considerada como una funcin o regla sobre los
eventos del espacio muestral a un sistema numrico o lnea real, tal como se observa en la
siguiente figura (Olea, 2011, p. 6):
4
ESTE DOCUMENTO CONTIENE LA SEMANA 1
As, los eventos E1 y E2 pueden corresponder a:
Para efectos del clculo de probabilidad se considerar la clasificacin de las variables en discretas
y continuas. Cuando se hable de variable discreta se har referencia a una cantidad entera y
exacta, como el nmero de hermanos o los aos de estudio.
Si X es una variable aleatoria, la distribucin de probabilidad puede ser descrita por su funcin de
distribucin de probabilidad acumulada que se anota como:
Si X es variable aleatoria discreta, entonces esta funcin puede ser expresada a travs de la
funcin de probabilidad puntual" denotada por (Olea, 2011, p. 9):
pX x P X x
As:
FX x P X X i pX xi
xi x xi x
Con xi X soporte de X.
5
ESTE DOCUMENTO CONTIENE LA SEMANA 1
DEFINICIN: Se llama soporte de X a todos los posibles valores que puede tomar la variable x
(Olea, 2011, p. 9).
X x1 , x2 , x3 ,...xn
CASO DISCRETO:
Ejemplo 1: Sea X la variable aleatoria cuyos valores representan el nmero de excavadoras que
operan frecuentemente despus de 6 meses. Si las excavadoras inicialmente son tres, entonces los
acontecimientos posibles son:
X 0 , X 1 , X 2 , X 3
Suponga que cada una de las tres excavadoras est o no operativa despus de 6 meses con igual
probabilidad e independiente de las otras.
6
ESTE DOCUMENTO CONTIENE LA SEMANA 1
b) Grafique la funcin de densidad.
Solucin:
1
8 Si x 0
3 Si x 1
8
fX x
3 Si x 2
8
1
Si x 3
8
Medidas de centralidad.
Medidas de dispersin.
Medidas de asimetras y otras.
Dado que para cada valor existe una medida de probabilidad, el centro equivale a un promedio
ponderado.
Se define el valor esperado o esperanza o media de una variable aleatoria X a (Olea, 2011, p. 24):
7
ESTE DOCUMENTO CONTIENE LA SEMANA 1
X E X x p x ,
x X
i X i Caso discreto
Tambin puede ser necesario conocer la esperanza de una funcin determinada. Dada una funcin
g x , entonces el valor esperado de esta puede ser obtenido como:
E g x g x p x ,
x X
X i Caso discreto
2 X Var X E X X X pX xi ,
2 2
Caso discreto
x X
X
PROPIEDAD:
Var X E X 2 E X
2
X Var X
X
X
X
8
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Ejemplo 2: Obtenga el nmero esperado y la varianza de excavadoras operativas despus de 6
meses (siguiendo el ejemplo 1).
Recordar:
1
8 Si x 0
3 Si x 1
8
fX x
3 Si x 2
8
1
Si x 3
8
EX X p x
x X
X i
1 3 3 1
0 1 2 3
8 8 8 8
3
2
EX2
EX2 X 2
pX xi
x X
1 3 3 1
02 12 22 32
8 8 8 8
Se reemplaza:
Var X E X 2 E X
2
Var X 3 1,52
9
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Var X 0, 75
Notar que hay solo dos resultados posibles para cada experimento.
Las variables descritas pueden ser modeladas por una secuencia Bernoulli, la cual se basa en los
siguientes supuestos:
a) Cada experimento, tiene una de dos opciones ocurrencia o no ocurrencia del evento.
b) La probabilidad de ocurrencia del evento (xito) en cada experimento es constante (se asigna
como p).
Dada una secuencia Bernoulli, si X es el nmero de ocurrencias del evento xito entre los n
experimentos, con probabilidad de ocurrencia igual a p, entonces la probabilidad que ocurran
exactamente x xitos en los n experimentos est representada por la distribucin binomial.
n
pX x p x 1 p ,
n x
x 0,1, 2,3,..., n
x
0, x0
x
n
FX x p k 1 p , 0 x n
nk
k 0 k
1, x n
10
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Ejemplo 3: Cinco niveladoras se utilizan en la construccin de una carretera. Si la variable nmero
de niveladoras que falla antes de las 900 horas de uso se comporta como una variable binomial
con probabilidad de xito 0,0559 y asumiendo independencia entre las niveladoras, determine la
probabilidad que:
a) Exactamente dos presenten una falla en las primeras 900 hrs. de funcionamiento.
Solucin:
a) Sea y Nmero de niveladoras que fallan antes de las 900 horas de uso.
y ~ B n, p y ~ B 2;0,0559
5
P y 2 0, 05592 1 0, 0559
5 2
P y 2 0,02629
b)
P y 2 1 P y 2
P y 2 1 P y 0 P y 1
5 5 51
P y 2 1 0, 05590 1 0, 0559 0, 05591 1 0, 0559
5 0
0 1
P y 2 1 0,9721
P y 2 0,02789
c)
P y 2 P y 0 P y 1 P y 2
11
ESTE DOCUMENTO CONTIENE LA SEMANA 1
P y 2 0,99839
P N 1 E1 p
P N 2 F1 E2 1 p p
N n p 1 p
n 1
n 1
N2 E N 2 E N
2
12
ESTE DOCUMENTO CONTIENE LA SEMANA 1
1.9. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIN GEOMTRICA
Por definicin se sabe que la funcin acumulada debe cumplir con la condicin:
FN K P N K
El nmero de intervalos ocurridos hasta observar el primer evento exitoso se denomina tiempo
medio de recurrencia y corresponde al tiempo entre recurrencias. Este tiempo se conoce como
periodo de retorno:
1
T E T tp 1 p
t 1
t 1 p
La distribucin geomtrica posee esta propiedad que significa que la probabilidad no se afecta en
nada con los acontecimientos que hayan ocurrido anteriormente. El conocimiento de los
resultados previos no tiene efectos sobre las probabilidades de los eventos futuros (Montgomery
& Runger, 1998, p. 199).
Ejemplo 3: Una plataforma costa afuera es diseada para soportar olas de hasta 8 metros sobre el
nivel medio del mar.
Una ola de estas caractersticas tiene una probabilidad del 5% de ocurrencia por ao. Determine:
a) El periodo de retorno.
13
ESTE DOCUMENTO CONTIENE LA SEMANA 1
c) Probabilidad que ocurra despus del tercer ao.
Solucin:
a)
1 1
T E T 20 aos
p 0,05
Ejemplos: Los terremotos pueden ocurrir en cualquier momento y en cualquier lugar en una
regin con actividad ssmica en el mundo; las grietas por fatiga puede producirse en cualquier
punto de una soldadura continua; los accidentes de trfico pueden suceder en cualquier momento
en una autopista.
Estos ejemplos pueden ser modelados como secuencia Bernoulli, dividiendo el tiempo o el espacio
en pequeos intervalos apropiados de tal forma que solo un evento puede ocurrir o no dentro
de cada intervalo (ensayo Bernoulli).
14
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Sin embargo, si el evento ocurre al azar en cualquier instante (o en cualquier punto del espacio),
esto puede pasar ms de una vez en cualquier momento o intervalo de espacio.
En tal caso, las ocurrencias del evento puede ser modeladas con un proceso de Poisson o la
secuencia Poisson.
Supngase un intervalo entre 0 y 1. Se hace una particin tal que en cada subintervalo ocurra solo
1 vez la variable en estudio; adems, la probabilidad de ocurrencia en cada intervalo es un
experimento Bernoulli e independiente entre ellos.
Supuestos:
n
P X x lim p x 1 p
n x
n x
E X n p v
Se reemplaza p y desarrolle usando lmites, para que finalmente se obtenga la funcin de densidad
de una variable Poisson.
e v v x
P X x
x!
15
ESTE DOCUMENTO CONTIENE LA SEMANA 1
e v v x
P X x
x 0 x!
X v
Var X v
vt e vt
x
P Xt x , x 1, 2,3,...
x!
Ejemplo 4: Los registros histricos de tormentas devastadoras en una ciudad en los ltimos 20
aos indican un promedio de cuatro tormentas por ao. Suponiendo que las ocurrencias de
tormentas se pueden modelar con un proceso de Poisson. Calcule la probabilidad que el prximo
ao no presente tormentas de lluvias.
Solucin:
16
ESTE DOCUMENTO CONTIENE LA SEMANA 1
v 0 e v
P X 0 e v e4 0, 0183
0!
Se toma una muestra aleatoria de tamao n, sin reemplazo de entre los N objetos (K N; n N). Si
la variable X = nmero de xitos en la muestra, entonces X es una variable hipergeomtrica y tiene
distribucin de probabilidad:
Ejemplo 5: Una prueba de control de calidad que se aplica a cajas que contienen cada una 10
unidades de cierto producto consiste en sacar al azar 4 unidades de la caja y examinarlas. Si en la
muestra sale a lo ms una unidad defectuosa, la caja se acepta; en caso contrario, la caja se revisa
completamente. Cul es la probabilidad de que en una caja que contiene 3 unidades defectuosas
deba revisarse completamente?
Solucin:
En este caso:
17
ESTE DOCUMENTO CONTIENE LA SEMANA 1
Lo que se busca es la probabilidad de hallar ms de una unidad defectuosa. Por lo tanto,
P X 1 .
P X 1 P X 2 P X 3
3 10 3
X 4 x
H X ; 3; 4;10 ; X 0 , 1, 2 ,3
10
4
10
Por ejemplo, se resuelve con la frmula = COMBINAT(10;4)
4
18
ESTE DOCUMENTO CONTIENE LA SEMANA 1
As se resuelve cada una de las combinaciones:
COMENTARIO FINAL
Los modelos de probabilidad tienen muchas aplicaciones en algunos problemas empresariales.
Estos modelos se definen por medio de una variable aleatoria y una funcin de distribucin de
probabilidad. Lo que se busca es poder modelar situaciones en donde las posibles respuestas o
resultados son variables discretas como, por ejemplo, la cantidad de artculos defectuosos en un
lote, la cantidad de pblico en una fila en un banco o el nmero de reservas a diario en una lnea
area.
19
ESTE DOCUMENTO CONTIENE LA SEMANA 1
REFERENCIAS
Canavos, G. (1984). Probabilidad y estadstica, aplicaciones y mtodos. 1 edicin. Estados Unidos:
McGraw-Hill.
Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadstica para la administracin y economa. 6
Olea, R. (2011). Estadstica para ingeniera. Apuntes Curso de verano TAV. Chile. Pontificia
estadstica. Semana 1.
20
ESTE DOCUMENTO CONTIENE LA SEMANA 1