Universidad Mariano Glvez de Guatemala

Probabilidad y estadstica
Ing. Pablo Arango 2013

Unidad 3
Variables aleatorias y distribuciones de probabilidad

Variable aleatoria

Concepto: una variable es aleatoria si toma diferentes valores como resultado de un experimento aleatorio.
Aleatoria discreta
Si slo puede tomar un nmero limitado de valores.

Aleatoria continua
Si puede tomar cualquier valor dentro de un intervalo dado.

Variable aleatoria

Una variable aleatoria es un valor o magnitud que cambia de una ocurrencia a otra sin seguir una secuencia predecible. Ejemplo: en una clnica mdica no se tiene manera de saber con exactitud cuntos pacientes van a ser atendidos en un da cualquiera. Ejemplo: de manera anloga, la probabilidad de que usted haya nacido en mes dado es discreta, puesto que slo hay 12 valores posibles.

Variable aleatoria

Para un espacio muestral S de algn experimento, una variable aleatoria es cualquier regla que asocia un nmero con cada resultado en S.
En lenguaje matemtico, una variable aleatoria es una funcin cuyo dominio es el espacio muestral y cuyo rango es el conjunto de los nmeros reales.

Distribuciones discretas de probabilidad

Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad slo toma valores positivos en un conjunto de valores de X finito o infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad.

Distribuciones discretas de probabilidad

La funcin de probabilidad es una funcin matemtica que asigne una probabilidad a cada realizacin de x de la variable aleatoria X, o sea, X puede tomar un valor cualquiera x.

Distribuciones discretas de probabilidad

Definicin: sea X una variable aleatoria discreta. Se llamar a p(x) = P(X=x) la funcin de probabilidad de la variable aleatoria x, si satisface las siguientes propiedades:

Distribuciones discretas de probabilidad

Ejemplo: seis lotes de componentes estn listos para ser enviados por un proveedor. El nmero de componentes defectuosos en cada lote es como sigue:
1 0 2 2 3 0 4 1 5 2 6 0

Lote # compontes defectuosos

Distribuciones discretas de probabilidad

Uno de estos lotes tiene que ser seleccionado para ser enviado a un cliente particular. Sea X el nmero de defectuosos en el lote seleccionado. Los tres posibles valores de X son 0, 1 y 2. De los seis eventos simples igualmente probables, tres dan por resultado X = 0, uno X = 1 y otros dos X = 2.

Distribuciones discretas de probabilidad

Entonces:
p(0) = P(X=0) = P(lote 1, 3 6) = 3/6 = .500 p(1) = P(X=1) = P(lote 4) = 1/6 = 0.167

p(2) = P(X=2) = P(lote 2 5) = 2/6 = 0.333

Distribuciones discretas de probabilidad

Es decir, una probabilidad de 0.500 se asigna al valor 0 de X, una de 0.167 al de 1 y la restante, 0.333, a la de X = 2. Los valores de X junto con sus probabilidades especifican la funcin de masa de probabilidad.
Si este experimento se repitiera una y otra vez, a la larga X=0 ocurrira la mitad del tiempo, X=1 un sexto y X=2 un tercio.

Distribuciones discretas de probabilidad

Distribucin binomial
Distribucin hipergeomtrica Distribucin geomtrica Distribucin de Poisson Distribucin de Bernoulli

Distribuciones discretas de probabilidad

Valor esperado de una variable aleatoria discreta: es una medida de localizacin central de una variable aleatoria. Es un promedio ponderado de los valores que puede tener una variable en donde los factores de ponderacin son las probabilidades y se expresa de acuerdo a:

= =
=1

()

Distribucin binomial

El experimento consta de una secuencia de n experimentos ms pequeos llamados ensayos o intentos, donde n se fija antes del experimento.
Cada intento puede dar por resultado nicamente uno de dos resultados posibles, los cuales se denotan por xito (p) o fracaso (q).

Distribucin binomial

Los intentos son estadsticamente independientes, de modo que el resultado en cualquier ensayo particular no influye en el resultado de cualquier otro intento.
La probabilidad de xito (p) es constante de un intento a otro; por lo tanto, la de fracaso tambin lo es.

Distribucin binomial
! _ = ! !
n : nmero de pruebas del experimento k : nmero de xitos

Distribucin binomial

Ejemplo: cul es la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda?

n=6, k=2, p=0.5, q=0.5.

Distribucin binomial

Ejemplo: la ltima novela de un autor ha tenido un gran xito, hasta el punto que el 80% de los lectores ya la han ledo.

Si se tiene un grupo de 4 personas, cul es la probabilidad de que la hayan ledo dos de ellos? y un mximo de 2?

Distribucin binomial
Para la primera pregunta: P(x=2), n=4, k=2, p=0.8, q=0.2. Para la segunda pregunta: p(x=0)+p(x=1)+p(x=2), los valores restantes son los mismo.

Distribucin binomial

Media y varianza de la distribucin binomial

Distribucin binomial

Ejemplo: la probabilidad de que un artculo producido por una fbrica sea defectuoso es del 2%. Si se enva un cargamento de 10,000 unidades a un cliente, cul es el valor esperado de artculos defectuosos, la varianza y la desviacin estndar?

Distribucin hipergeomtrica

Empleada para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin finita.
Entonces, el resultado de una observacin depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores.

Distribucin hipergeomtrica

Es decir, la probabilidad hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo o no se conoce.
La muestra debe ser mayor del 5% de la poblacin, de manera que la probabilidad de xito sea perceptiblemente alterada de una seleccin a la siguiente.

Distribucin hipergeomtrica

Distribucin hipergeomtrica

Ejemplo: supngase que en un establo de carreras hay 10 caballos y 4 de ellos tienen una enfermedad contagiosa. Cul es la probabilidad de seleccionar una muestra de 3 en la cual 2 estn enfermos?
n=3 x=2

N = 10 r= 4

Distribucin hipergeomtrica

Durante un mes se fabricaron 12 computadoras, de las cuales 10 presentaron defecto. Se seleccion una muestra de 3 computadoras del total de la produccin.

Determine la probabilidad que 2 de 3 computadoras seleccionadas al azar presenten defecto.

Distribucin hipergeomtrica
N = 12 r = 10 n=3 x=2

P (x=2) =

10C2

(12-10)C(3-2)

12C3

P (x=2) = 0.4091 40.91%

Distribucin hipergeomtrica

Se tiene una convencin poltica de 50 personas de un departamento especfico, de los cuales 30 apoyan a un candidato (A) del partido y los otros 20 a otro (B), para ser elegido como secretario departamental.

Si se seleccionan aleatoriamente 5 de ellos, cul es la probabilidad de que, entre estos 5, por lo menos dos apoyen a A?

Distribucin hipergeomtrica
N = 50 r = 30
Ya que P(x2) = 1 - P(x1)
P (x=0) = P (x=1) =
30C0

n=5 x = 0, 1

* 30C1 *

/ 50C5 = 0.00732 20C4 / 50C5 = 0.06860

20C5

As: P(P2) = 1 (0.00732+0.06860) = 0.9241 = 92.41%

Distribucin geomtrica

Considrese un experimento aleatorio muy parecido a uno de distribucin binomial. Asmase un nmero de intentos con probabilidad constante de xito en cada uno.
Sin embargo, en lugar de un nmero fijo de intentos, los ensayos se realizan hasta que el xito es alcanzado.

Distribucin geomtrica

Distribucin geomtrica

Ejemplo: Cul es la probabilidad de que Pedro marque un gol por primera vez en su 5 penalty? La probabilidad de que marque un gol al tirar un pelanty es 80%.

P(x=5) = 0.80 * (1-0.80)5-1 = 0.00128

Distribucin geomtrica

Ejemplo: la probabilidad de que un bit transmitido por un cana digital de transmisin es sea recibido con error es 0.1. Asuma que las transmisiones son independientes y que la variable aleatoria x denote el nmero de bits transmitidos hasta el primer error.

Distribucin geomtrica
Si P(x=5) es la probabilidad de que los cuatro primeros bits sean transmitidos correctamente y el quinto con error, el evento puede ser escrito como {OOOOE} donde O representa que el bit est bien.
Ya que los intentos son independientes y que la probabilidad de una transmisin correcta es 0.9., se tiene:

P(x=5) = P{OOOOE} = 0.10 (1-0.1)5-1 = 0.066

Distribucin geomtrica
Ahora, suponga que 50 bits han sido transmitidos. El nmero promedio de bits transmitidos hasta el siguiente error sera:

VE = 1 / 0.1 = 10 bits.

Este resultado obviamente, es el nmero de bits hasta el primer error.

Distribucin de Poisson

Se aplica a sucesos con una probabilidad muy baja de ocurrir. Se utiliza la distribucin de Poisson como aproximacin de experimentos binomiales donde el nmero de pruebas en muy alto pero la probabilidad de xito muy baja.

Distribucin de Poisson

Se utiliza cuando n > 30 y np 5.

y : nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente y veces) : nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. e : nmero e o base de los logaritmos naturales (2.71828)

Distribucin de Poisson

El 3% de las bateras fabricadas por una industria son defectuosas. Qu probabilidad existe que en una muestra tomada al azar de 100 unidades salgan 5 defectuosas? = np = (100) (0.03) = 3 5 P(y=5) = ( 35 * e-3 ) / 5! P(y=5) = 0.1008 = 10.08%

Distribucin de Poisson

La produccin de televisores en cierta planta trae asociada una probabilidad de defecto del 2%. Si se toma un lote de 85 aparatos, obtenga la probabilidad de que existan 4 televisores con defecto.

= np = (85) (0.02) = 1.7 5

P(y=4) = ( 1.74 * e-1.7 ) / 4!

P(y=4) = 0.0636 = 6.36%

Distribucin de Poisson

Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100,000. Calcule la probabilidad de que en una ciudad con 500,000 habitantes haya ms de 3 personas con dicha enfermedad. Calcule el nmero esperado de habitantes que la padecen.

= np = (500,000) (0.00001) = 5 5 P(y>3) = 1 - P(y3) P(y>3) = 1 [P(y=0) + P(y=1) + P(y=2) + P(y=3) P = 0.7349 = 73.49% Valor esperado = np = 5

Distribucin de Bernoulli

O Distribucin Dicotmica.
Es una distribucin de probabilidad discreta que toma valor 1 para la probabilidad de xito p y 0 para la probabilidad de fracaso (q=1-p).

Distribucin de Bernoulli

Frmula

P(x) = (1 )1
x es una variable aleatoria que mide nmero de xitos y se realiza en un nico experimento con dos posibles resultados, xito o fracaso.

Distribucin de Bernoulli

Ejemplo: lanzar una moneda y que caiga cara.

p=
P(x=1) = 0.51(1-0.5)1-1 = 0.5

Distribucin de Bernoulli

Ejemplo: lanzar un dado y obtener un 6.

p = 1/6 P(x=1) = (1/6)1(1-1/6)1-1 = 1/6 P(x=0) = (5/6)0(1-5/6)1-0 = 5/6 (fracaso)

Variable aleatoria

Concepto: una variable es aleatoria si toma diferentes valores como resultado de un experimento aleatorio.
Aleatoria discreta
Si slo puede tomar un nmero limitado de valores.

Aleatoria continua
Si puede tomar cualquier valor dentro de un intervalo dado.

Distribuciones continuas de probabilidad

Distribucin uniforme
Distribucin normal Distribucin exponencial Distribucin t de student Distribucin ji cuadrado

Distribucin uniforme

Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las mismas para todos los posibles resultados, desde el mnimo de a hasta el mximo de b.
La probabilidad de que una observacin caiga entre dos valores se calcula:

Distribucin uniforme

Ejemplo: sea X el momento elegido al azar en que un estudiante recibe clases en un determinado da entre las siguientes horas:

7:00 8:00 9:00 10:00 11:00 12:00 13:00

Se solicita calcular o realizar lo siguiente:

Distribucin uniforme
a) b)

c) d) e)

f)

Cul es la funcin de densidad de la variable X? Elaborar un grfico de la distribucin de probabilidades. Calcular el valor medio esperado. Calcular la desviacin estndar. Calcular la probabilidad de que llegue en la primera media hora. Si recibe clases de estadstica de 10:00 a 12:15, calcular la probabilidad de recibir esa asignatura.

Distribucin uniforme
Para:
a)

a=7, b=13 (los extremos de las horas)

Distribucin uniforme
b) Grfico

Distribucin uniforme
c) Valor medio esperado

Distribucin uniforme
d) Desviacin estndar

Distribucin uniforme
e) Probabilidad llegar en la primera media hora. Esto es, a las 7:30 y por lo tanto se debe calcular la probabilidad entre 7:00 y 7:30.

Distribucin uniforme

Clculo de probabilidad entre 10:00 y 12:15.

Distribucin normal

Se le llama tambin curva de campana, curva de Gauss o distribucin gaussiana.

Distribucin normal

La media aritmtica, la mediana y la moda de la distribucin normal tienen el mismo valor y se ubican en el centro de la grfica. La curva es simtrica. Por lo tanto, el rea bajo la curva est en un 50% de cada lado, lo que equivale a la misma probabilidad. As, la probabilidad total es 1. La curva normal es asinttica, o sea, la curva se acerca cada vez ms al eje X pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de manera indefinida en ambas direcciones.

Distribucin normal

Puede existir un nmero infinito de distribuciones normales posibles, cada una con su propia media y desviacin estndar. Ya que obviamente no se puede analizar un nmero tan grande de posibilidades, es necesario convertir todas estas distribuciones normales a una forma estndar. Intervalos:

(-, +) : 68.26% del rea (-2, +2): 95.44 del rea (-3, +3): 99.74 del rea

Distribucin normal

La conversin a la distribucin normal estndar se efecta mediante la siguiente ecuacin:

Donde:

Z = desviacin normal X = valor de la variable aleatoria = desviacin estndar

Z representa el nmero de desviaciones estndar a las que una observacin est por encima o por debajo de la media.

Tabla tipificada de distribucin normal

Distribucin normal

Ejemplo: supngase que se sabe que el peso de los estudiantes universitarios sigue una distribucin normal, con una media de 140 lb y una desviacin estndar de 20 lb.

Determine la probabilidad de que una persona tenga un peso menor o igual a 150 lb.

Distribucin normal

= 140 lb = 20 lb

Distribucin normal

Z=

150 (140) 20

= 0.500

De la tabla, para Z = 0.500:

P(X=150) = 0.1915

Pero se desea saber la probabilidad de que se tenga un peso menor o igual a X=150

P(X150) = 0.500 + .1915 = 0.6915 = 69.15%

Distribucin normal

Si en el ejemplo anterior se dijese que en total son 3,500 estudiantes, cuntos tendran un peso igual o menor a 150 lb?

VE = (.6915) (3,500 estudiantes)

VE = 2,420.25 2,420 estudiantes

Distribucin normal

Utilizando los datos anteriores, cul es la probabilidad de que una persona elegida al azar tenga un peso mayor a 150 lb?

= 140 lb = 20 lb

Distribucin normal

Z=

150.5 (140) 20

= 0.525

De la tabla, para Z = 0.525:

P(X=150.5) = 0.1985

Pero se desea saber la probabilidad de que se tenga un peso mayor a X=150

P(X >150) = 0.500 - .1985 = 0.3015 = 30.15%

Distribucin normal

Cuntos estudiantes caeran dentro de esa probabilidad?

VE = (0.3015) (3,500 estudiantes)

VE = 1,055.25 1,055 estudiantes

Distribucin normal

Ejemplo: se calcul que el promedio del enfriamiento de todos los refrigeradores de un mismo tipo en cierta compaa es de -4 oC con una desviacin estndar de 1.2 oC.
Cul es la probabilidad de que un refrigerador salga con una temperatura superior a -3 oC? Cul es la probabilidad de que un refrigerador salga con una temperatura menor a -5.5 oC?

a)

b)

Distribucin normal
Se identifican los datos:
= -4 oC = 1.2 oC Z se calcular para valor correspondiente a la variable aleatoria continua en consideracin.

Distribucin normal

a) P(X > -3)

3 (4) 1.2

Z=

= 0.333

Se busca en la tabla el valor de Z = 0.333 y el valor de P es 0.1293 pero este es el indicado desde la media hasta X=-3. Pero se desea el dato ms all de -3 oC: P(X > -3) = 0.500 0.333 = 0.167 = 16.7%

Distribucin normal
b) P(X<-5.5)

Z=

5.5(4) 1.2

= 2.17

Se busca en la tabla el valor de Z = -2.17 y el valor de P es 0.4850 pero este es el indicado desde la media hasta X=-5.5. Pero se desea el dato menor de -5.5 oC: P(X > -3) = 0.500 0.4850 = 0.015 = 1.5%

Distribucin exponencial

La distribucin de Poisson calcula el nmero de eventos sobre alguna rea de oportunidad (intervalo de tiempo o espacio), la distribucin mide el paso del tiempo entre tales eventos. Si el nmero de eventos tiene una distribucin de Poisson, el lapso entre los eventos estar distribuido exponencialmente.

Distribucin exponencial

La probabilidad de que el lapso de tiempo sea menor que o igual a cierta cantidad x es:

donde: t : lapso de tiempo e : base del logaritmo natural (2.71828) : tasa promedio de ocurrencia

Distribucin exponencial

Ejemplo: los buses extraurbanos llegan a la terminal a una tasa promedio de 10 buses por hora. Determine:

a) La probabilidad de que llegue un bus en no ms de 5 minutos. b) La probabilidad de que llegue un bus en no ms de 10 minutos. c) La probabilidad de que llegue un bus entre 5 y 10 minutos. d) La probabilidad de que llegue un bus en ms de 5 minutos.

Distribucin exponencial
= 10 bus/hora
a) 5 minutos es 5/60 = 1/12 (proporcin)

O sea, existe un 56.54% de probabilidad de que el segundo bus llegue a la terminal en 5 minutos o menos del primero si la tasa de llegada es 10 buses por hora.

Distribucin exponencial
b) Ahora, la proporcin de 10 minutos es 1/6.

c)

Distribucin exponencial
d)

La probabilidad de que llegue un bus en ms de 5 minutos es 43.46%.

Distribucin exponencial

Ejemplo: en un experimento de laboratorio se utilizan 10 gramos del istopo Po-220. Si se sabe que la vida media de un tomo de este istopo es de 140 das, cuntos das transcurrirn hasta que haya desaparecido el 90% de los 10 gramos originales?

Distribucin exponencial
Ahora, el tiempo de desintegracin de un material radiactivo sigue una distribucin exponencial. El tiempo que transcurre hasta que el 90% del material radiactivo se desintegra es el percentil 90 de la distribucin exponencial, es decir:

Distribucin exponencial
= 1/140
0.90 = 1 - Y despejando t, se tiene: t = 322 das
(
1 ) 140

Distribucin t de student

En probabilidad y estadstica, la distribucin t de student o distribucin-t, es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.

Distribucin t de student

Condiciones:

La muestra es pequea: < 30 es desconocida La poblacin es normal o casi normal.

Por ejemplo, en pruebas de impacto de vehculos de lujo sera muy costoso destruir al menos 30 de ellos (Lamborghinis a US$550,000 cada uno, sera un costo de US$16,500,000) o un mdico que prueba una medicina nueva pudiese no encontrar 30 personas dispuestas a servir de conejillos de indias.

Distribucin t de student

La distribucin-t tiene una media de cero, es simtrica con respecto a la media y oscila entre - y +. La varianza es mayor a 1 y al igual que la curva normal, es una familia de curvas.

Distribucin t de student

Para todo conjunto de condiciones dadas, la distribucin-t producir un intervalo ms amplio que la distribucin Z (o normal) si sta se utilizara. Este ancho adicional es necesario debido a que se pierde algo de precisin por es desconocido y debe estimarse.

Distribucin t de student

El estadstico t se calcula muy similarmente al Z:

Distribucin t de student

Reescribiendo la ecuacin anterior, para expresarlo como un intervalo de confianza para estimar , se tiene que:

El valor apropiado de t se puede hallar en tablas.

Distribucin t de student

Ejemplo: se asume que se desea un intervalo de confianza del 95% y se tiene una muestra de 20 observaciones. Debido a que n=20, los grados de libertad son g.l. = 20 1 = 19. Los grados de libertad son el nmero de observaciones que se pueden elegir libremente.

Distribucin t de student

En la columna g.l., se busca g.l. = 19. Luego, se mueve a travs de dicha fila hacia la columna encabezada por un nivel de confianza del 0.95 para las pruebas de dos colas (se ignoran las dos filas referentes a las pruebas de una cola).

As, la entrada resultante es 2.093 que es el valor de t para un intervalo de confianza del 95% con un tamao muestral de 20.

Distribucin t de student

Ejemplo: una empresa de construccin fue culpada de inflar los comprobantes que registra para los contratos de construccin con el gobierno federal. El contrato estableci que un cierto tipo de trabajo debera promediar US$1,150. Por motivos de tiempo, los directivos de 12 agencias del gobierno fueron llamados a dar testimonio ante la corte respecto a los comprobantes de la empresa. Si se descubri que a partir del testimonio, se tiene una media de US$1,275 y una desviacin estndar de US$235, apoyara un intervalo de confianza del 95% el caso legal de la empresa? Se asume que los montos de los comprobantes son normales.

Datos importantes: g.l. = 12 1 = 11 IC = 0.95

Distribucin t de student

Por lo tanto, la corte puede tener un 95% de que el promedio de todos los comprobantes est dentro del intervalo de US$1,125 y US$1,425 y al estar el monto de US$1,150 dentro de dicho intervalo, se fortalece la defensa de la empresa.

Para un intervalo de confianza de 95% en la distribucin normal (0.4750*2), Z=1.96, por lo que se comprueba que la distribucin-t considera un rango ms amplio, t=2.201.

Distribucin t de student

Un fabricante de bombillas afirma que su producto durar un promedio de 500 horas de operacin. Para conservar este promedio esta persona verifica 25 bombillas cada mes. El fabricante estar satisfecho si esta afirmacin es cierta, con un nivel de confianza de 90%. Se tienen los datos muestrales:
520 513 521 522 511 500 513 521 510 495

496 510
506

488 510
503

500 475
487

502 505
493

512 521
500

Distribucin t de student

t = 1.711 X1 = 505.36 + 1.711 (12.07/5) = 509.5 X2 = 505.36 1.711 (12.07/5) = 501.25 Se concluye que la media poblacional no es 500, ya que la media de la muestra y los intervalos con un 90% de confianza estn por encima de ella.

Muchas gracias por su atencin.