Beruflich Dokumente
Kultur Dokumente
X X n f P( X )
i i i i i
X(CCC) = 3 3 1 1/8 0.125
X(CCE) = 2 2 3 3/8 0.375
X(EEC) = 1 1 3 3/8 0.375
X(EEE) = 0 0 1 1/8 0.125
Total 8 8/8 1.000
X P( X )
i i
3 0.125
2 0.375
1 0.375
0 0.125
Total 1.00
1. P ( X ) 0
i
n
2. P ( X ) 1
i
i 1
Practica V:
Resolver los ejercicios del 4.1 al 4.5 del Cap. 4 de Probabilidad y Estadstica de Miller &
Freund.
2 2
Aplicando los trminos: E ( X 2 ) 3 y E ( X ) 1.5 en la formula E ( X 2 ) E ( X )
X
2 2
3 1.5 9 - 2.25 = 0.75
X
2
0.75 es el valor de la varianza.
X
2
8. La desviacin estndar es la raz cuadrada de la varianza: 0.75 0.866
X X
0.866
X
9. Funcin de distribucin de probabilidades acumuladas de una variable aleatoria
discreta o discontinua ( Fx o por P( X x) o simplemente Funcin de distribucin: Es
una funcin que presenta las probabilidades acumuladas, de una variable aleatoria discreta,
desde 0 hasta un valor k.
En el caso de la distribucin de probabilidades de la variable aleatoria discreta:
( Fx )
X P( X )
i i
3 0.125 0.125
2 0.375 0.500
1 0.375 0.875
0 0.125 1.000
Total 1.00
Entre las variables aleatorias discretas existen diversos patrones, modelos o distribuciones
importantes de los cuales se estudiaran, en este curso, las siguientes:
1. Proceso Bernoulli.
2. Distribucin Binomial.
3. Distribucin Hipergeomtrica.
4. Distribucin Poissn.
Desarrollo
1. La distribucin o proceso Bernoulli
Se produce sobre un ensayo o fenmeno no determinstico que puede tomar solo dos
resultados: xito o fracaso, alto o bajo, frio o caliente, defectuoso o bueno, etc. Las
modalidades (xito o fracaso, o cualquieras otras) son convencionales. El ensayo de Bernoulli
es observado en una sola repeticin.
Ejemplo
Se dispone de un lote de artculos y se realiza el ensayo de Bernoulli con observar un artculo
tomado al azar en ese lote. El artculo es bueno (B) o defectuoso (D). Suponga que la
probabilidad de que sea bueno es p, entonces: 0 < p < 1.
X ( articulo )
1, si el articulo es bueno
0 , si el articulo es defectuoso
La expresin anterior se puede interpretar como que X es la funcin que examina a un artculo
seleccionado al azar. El resultado del examen 1 si el artculo es bueno, es decir P (B) = P
(X=1) = p, y es 0 si el artculo es defectuoso, es decir que P (D)=P (X=1) = (1-p).
El proceso o experimento de Bernoulli consta de dos resultados posibles y la distribucin de
probabilidad de la variable aleatoria (X) de Bernoulli, viene dada por:
de Bernoulli es E ( X ) p
X
2
Y la varianza es p (1 p )
X
2. La distribucin binomial
'
A La primera bola es negra ; A La primera bola " no es " negra (Observe el apostrofe
en A, indicando que se trata del complemento del evento A).
El espacio muestral: S CCC , CCE , CEC , ECC , EEC , ECE , CEE , EEE
Es evidente que la moneda tiene una probabilidad constante de ser C o de ser E.
Se trata de una moneda balanceada con p(C) = P(E) = 0.5, y si se asume que cuando cae C
es un xito y cuando cae E es un fracaso, entonces la probabilidad de una cantidad de k
k ( nk )
n
xitos en n repeticiones del ensayo viene dada por: P ( X k ) p q , donde K
k
puede tomar los valores: 0, 1, 2,3,, n
Las probabilidades de ocurrencia de los eventos P(A) = 0.5 = P(B) = 0.5 = = P(F) = 0.5
6 ( 66 )
6
P( X 6) ) ( 0.5) ( 0.5)
6
6! 6 ( 66 ) 720
P ( X 6 ) ( 66 )!6! ( 0.5 ) ( 0.5 ) 720 ( 0.015625 )(1) 0.015625
X P( X )
i i
0 0,015625
1 0.09375
2 0.234375
3 0.3125
4 0.234375
5 0.09375
6 0.015625
Total 1.00000
La distribucin binomial, como todas las distribuciones de probabilidades, tiene que cumplir
las dos condiciones:
n
2. P( X ) 1
i
i 1
2.1. Funcin de distribucin de probabilidades acumuladas de una variable aleatoria
binomial o simplemente la Funcin de distribucin en el caso de la binomial [B (k; n, p)], a
veces representada simblicamente por Fx o por P( X x) . Es una funcin que presenta las
probabilidades de una variable aleatoria binomial, acumuladas desde 0 hasta un valor k.
Xi P( X )
i Fx
0 0,015625 0,015625
1 0,09375 0,109375
2 0,234375 0,343750
3 0,3125 0,656250
4 0,234375 0,890625
5 0,09375 0,984375
6 0,015625 1,000000
Total 1,00
Del cuadro anterior, la funcin de distribucin se reduce a las siguientes dos columnas:
Xi Fx
0 0,015625
1 0,109375
2 0,343750
3 0,656250
4 0,890625
5 0,984375
6 1,000000
2 2
X P( X ) X P( X ) X X
i
P( X )
i
i i i i i
0 0,015625 0,000000 0 0,00000
1 0.09375 0,093750 1 0,09375
2 0.234375 0,468750 4 0,93750
3 0.3125 0,937500 9 2,81250
4 0.234375 0,937500 16 3,75000
5 0.09375 0,468750 25 2,34375
6 0.015625 0,093750 36 0,56250
Total 1.00000 3 10,50000
3
X
2
2.3. La varianza ( ) en la distribucin binomial:
X
2 2
E ( X 2 ) E ( X )
X
Ya se conoce que 3
X
2
Ahora se procede al clculo del valor del trmino E ( X )
2 2 2
2
E ( X ) X 1 P ( X 1 ) X 2 P ( X 2 ) ... X n P ( X n )
2 2 2 2
2
E ( X ) ( 0 ) ( 0.015625) (1) ( 0.0.09375) ( 2 ) ( 0.234375) ... ( 6 ) ( 0.015625) 10.5
2
E ( X ) 10.5
2
1.5 .
X
2.4. La desviacin estndar es la raz cuadrada de la varianza:
2
1.5 1.23
X X
1.23
X
Formulas especiales para el clculo de la media y de la varianza en la distribucin
binomial:
n * p; n = 6, p = q = 0.5;
X
6 * 0.5 3 3.
X X
2
1.5 1.23
X X
Queda verificado que con ambas formulas, las anteriores y las especiales (en la binomial)
para el clculo de la media aritmtica y la varianza generan idnticos resultados.
Practica VI:
Resolver los ejercicios del 4.10-a), 4.10-b), 4.10-f), 4.11, y del 4.13 al 4.27, 4.30, 4.32, y del
4.35 hasta el 4.40 del Cap. 4 del libro Probabilidad y Estadstica de Miller & Freund.
3. Distribucin Hipergeomtrica
Ejemplo.
Suponga un lote de 100 piezas en almacn, de las cuales 10 presentan pequeos defectos,
se elige una muestra aleatoria de 6 y se desea:
a) La distribucin de probabilidades Hipergeomtrica correspondiente.
b) La funcin de distribucin Fx o por P( X x) de la distribucin Hipergeomtrica.
c) Determine la probabilidad de que:
1. Ninguna de las 6 piezas presente pequeos defectos.
2. Las 6 piezas presenten pequeos defectos.
3. Al menos 1 pieza presente pequeos defectos.
4. Ms de 1 presente pequeos de defectos.
5. A lo sumo 3 piezas presenten pequeos defectos.
a N a
x n x
h(a, k , n, N ) P( X k ) ; a 10, x 2, n 6, N 100 , a partir de aqui es hacer
N
n
las sustituciones y calcular
4. Distribucin de Poissn
Dada a conocer en 1837 por el matemtico francs Simen Dennis Poisson (1781-1840). Esta
distribucin se utiliza para el estudio del comportamiento de un fenmeno en una unidad de
tiempo, de rea o de volumen. Tambin se utiliza en el diseo de lmites de control de calidad.
Ejemplo
1. Se pudo verificar que 2 de cada 1000 de las llamadas que reciben los funcionarios de la
universidad se producen alrededor de las 4 de la madrugada.
a) Calcule la distribucin de probabilidad de Poissn.
b) Construya la funcin de distribucin Fx o por P( X x) de Poissn.
c) Determine la probabilidad de que un funcionario de la universidad:
1. No reciba llamada alrededor de las 4 de la maana.
2. Reciba, exactamente, una llamada alrededor de las 4 de la maana.
3. Reciba ms de una llamada alrededor de las 4 de la maana.
4. Reciba a lo sumo 3 llamadas alrededor de las 4 de la maana.
5. Reciba por lo menos una llamada alrededor de las 4 de la maana.
6. Reciba tres o ms llamadas alrededor de las 4 de la maana.
Practica VII
Resolver los ejercicios del 4.49 al 4.57
del Cap. 4 de Probabilidad y Estadstica de Miller & Freund.