Si n representa un número de pruebas y x el número de
casos favorables, los problemas de este tipo se pueden
resolver usando la llamada distribución Binomial, ya que satisfacen las condiciones siguientes:
1._Hay solamente dos casos posibles en cada ensayo,
llamados arbitrariamente casos “favorables” y “desfavorables”, sin inferir de esto que un caso favorable sea necesariamente un caso deseado. 2._La probabilidad de un caso “favorable” es constante en todas las pruebas; se denotara con la letra P, y por lo tanto, la probabilidad del caso “desfavorable” será 1-P. 3._Hay n pruebas siendo n una constante dada. 4._ Las n pruebas son independientes. 𝑛! b(x;n,p) = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥! 𝑛−𝑥 ! Supongamos una muestra de n unidades obtenida de un lote de N unidades, en el cual a unidades son defectuosas. Esta muestra se ha obtenido del lote extrayendo sucesivamente las unidades de tal forma que, después de cada extracción, la probabilidad de obtener una unidad defectuosa es a/N ,pero, en la segunda extracción seguirá siendo a/N solo si la primera unidad sacada se volviera a meter. En otras palabras la probabilidad de extraer una unidad defectuosa en la segunda extracción es (a-1)/(N-1) ò a/(N-1), según que la primera unidad sacada sea, o no, defectuosa. La hipótesis numero 4 que hicimos para la distribución binomial será validad únicamente si después de cada extracción se repone la unidad en el lote. 𝑛 𝑛! 𝑥 = 𝑥! 𝑛−𝑥 ! La distribución de una variable normal está completamente determinada por dos parámetros, su media y su desviación estándar, denotadas generalmente por µ y 𝜎. Con esta notación, la densidad de la normal viene dada por la ecuación: 1 −1 𝑥−𝜇 2 f(x) = exp 𝜎 2𝜋 2 𝜎 que determina la curva en forma de una campana que tan bien conocemos asi se dice que una característica x sigfue una distribución normal de media µ y varianza σ, y se denota como X=N(µ,σ), si su función de densidad viene dada por la ecuacion anterior. Un experimento de Poisson viene caracterizado por cumplir las siguientes condiciones: La probabilidad de que un suceso tenga lugar en un intervalo de tiempo o en una región es proporcional a la amplitud de dicho intervalo o región. El numero de sucesos que tienen lugar en un intervalo o región es independiente del numero de sucesos que tienen lugar en otro intervalo o región. La variable aleatoria X que representa el numero de sucesos que tienen lugar en un intervalo de tiempo o en una región especifica t, se llama variable aleatoria de poisson, cuya distribución de probabilidad representaremos por 𝑡 𝑡 ( 𝑡) P(X; t)=P(X=x)=𝑒 ,𝑥 = 0,1,2, … … . 𝑥! La media aritmética de una distribución de probabilidad se llama el valor esperado E(X), y se halla multiplicando cada resultado posible por su probabilidad y sumando los resultados, tal y como se muestra en la formula. µ=E(X)=σ 𝑥𝑖 𝑃 𝑥𝑖 La varianza de una distribución de probabilidad es el promedio de las desviaciones al cuadrado respecto a la media. La varianza puede escribirse como: 𝜎 2 =σ 𝑥𝑖 − 𝜇 2 𝑃 𝑥𝑖 Para dar un ejemplo de aplicación de la ley binomial, supongamos que se quiere encontrar la probabilidad de que exactamente 9 de los 10 tubos de vacio duren al menos 1000 horas, puesto que la probabilidad de que cualquiera de estos tubos dure un minimo de 1000 horas es 0.80. x=9 p=0.80 n=10 𝑛! 𝑏 𝑥; 𝑛, 𝑝 = 𝑝𝑥 1 − 𝑝 𝑛−𝑥 𝑥! 𝑛−𝑥 ! 10! 𝑏 9; 10,0.80 = (0.80)9 (0.20)1 =0.268 (9!)(1!) Hallar la probabilidad de conseguir 5 caras si se lanza la moneda 6 veces. x=5 n=6 p=0.5 𝑛! 𝑏 𝑥; 𝑛, 𝑝 = 𝑝𝑥 1−𝑝 𝑛−𝑥 𝑥! 𝑛−𝑥 ! 6! 𝑏 5; 6,0.50 = (0.50)5 (0.50)1 =0.09375 (5!)(1!) Como ejemplo de distribución hipergeometrica calcularemos la probabilidad de obtener dos unidades defectuosas en una muestra de tamaño diez, tomada sin reemplazamiento de un total de 20 unidades que contiene 5 defectuosas. Substituyendo x=2,n=10,a=5 y N=20, obtenemos: 5 15 10.6435 ℎ 2; 10,5,20 = 2 20 8 = = 0.348 10 184.756 En una fabrica de camisas la producción de un determinado dia fue de 30 camisas, de las cuales 6 tenian defectos que las hacían invendibles. ¿Cuál es la probabilidad de que de cinco camisas escogidas al azar de la producción del dia, ninguna tenga defectos? En este caso se define x como el numero de camisas sin defectos de las 5 elegidas, x es una variable aleatoria hipergeometrica con campo de existencia 0,1,2,3,4,5. Queremos saber la probabilidad de que x sea igual a 5: 24 6 f(5)= 5 0 30 = 0.2983 5 Si la probabilidad es de 0.005 de que una persona cualquiera que asista a un desfile en un dia muy caluroso de verano sufra insolación. ¿Cuál es la probabilidad de que 18 de las 3000 personas que asisten al desfile sufran insolación? Se trata de una binomial con n=3000; x=18 y p=0.005. Estos valores están fuera de las tablas y no es fácil calcular 3000 18 (0.005) 18 (0.995) 2982 ; por eso se prefiere aproximar con una Poisson. Al sustituir x=18 y =3000(0.005) = 15 en la formula de distribución de Poisson, se obtiene 𝑒 −15 .1518 (18;15) = = 0.07061296 18! Supongamos que se esta interesado en la probabilidad de que 5 clientes lleguen durante la siguiente hora ( o en cualquier hora dada) laboral. La observación simple de las ultimas 80 horas ha demostrado que 800 clientes han entrado al negocio. Por tanto µ=10 por hora. 𝜇𝑥 𝑒 −𝜇 P(x)= 𝑥! 105 (2.71828−10 ) P(5)= =0.0378 5! De acuerdo con el teorema de Chebyshev, la probabilidad de que una variable aleatoria asuma un valor dentro de k=2 desviaciones estándar alrededor de la media es por lo menos de ¾. Si una variable aleatoria tiene una distribución normal, determine con las tablas el valor exacto de la probabilidad de que X asuma un valor dentro de 2 desviaciones estándar alrededor de la media. Los valores de la variable tipificada z correspondientes a 𝑥1 = 𝜇 − 2𝜎 y 𝑥2 = 𝜇 + 2𝜎 son 𝜇−2𝜎 −𝜇 𝜇+2𝜎 −𝜇 respectivamente 𝑧1 = =-2 ; 𝑧2 = = 2. 𝜎 𝜎
Por tanto, P(-2<Z<2) = ɸ(2)-ɸ(-2) = 0.9544.
Sea X una variable aleatoria continua con distribución normal, calcule las probabilidades indicadas: 11.E(X)=4 y V(X)=9; calcule la probabilidad P(X 7) Para esto, primero se realiza la estandarización de la variable X y después se emplean las tablas de distribución normal estándar. 𝑥−4 7−4 P(X 7)=P ≥ = P(Z≥1)=P(Z≤-1) = ɸ(-1) = 9 3 0.1587
El Muestreo Aleatorio Simple Significa Que Cierta Muestra Dada de Un Tamaño Muestral Específico Tiene La Misma Probabilidad de Ser Seleccionada Que Cualquier Otra Muestra Del Mismo Tamaño