Vous êtes sur la page 1sur 17

Tema 2

Probabilidad. Variables aleatorias

  • 2.1 Fundamentos de probabilidad

Hay que distinguir entre dos tipos de experimentos o fen´omenos: aleatorios y deterministas. Los

fen´omenos deterministas son los que obedecen a una relaci´on causa-efecto y al variar poco las causas

var´ıa poco el efecto.

Un experimento aleatorio es aquel que proporciona resultados diferentes aun cuando se repita de

la misma manera.

Ejemplos:

Lanzamiento de una moneda

Si seleccionamos tres art´ıculos al azar de un proceso de fabricaci´on y contabilizamos los que son

defectuosos.

Energ´ıa que consume una reacci´on qu´ımica en diferentes laboratorios

Veamos antes algunas definiciones. El conjunto de todos los resultados de un experimento aleatorio

recibe el nombre de espacio muestral. Lo denotaremos con S.

Ejemplos:

Lanzamiento de una moneda, S = {cara, cruz}

Si seleccionamos tres art´ıculos al azar de un proceso de fabricaci´on y contabilizamos los que son

defectuosos, S = {0, 1, 2, 3}.

Energ´ıa que consume una reacci´on qu´ımica en diferentes laboratorios: S R

´

El espacio muestral es discreto si tiene un numero

finito o infinito numerable de elementos; y es

continuo si consiste en uno o varios intervalos de la recta real.

Un evento o suceso del espacio muestral es un subonjunto de resultados contenidos en ´este.

El

espacio muestral se conoce tambi´en con el nombre de suceso seguro (siempre ocurre). El suceso que

1

2

Tema 2. Probabilidad. Variables aleatorias

no contiene ningun´

resultado del espacio muestral recibe el nombre de suceso nulo o suceso imposible.

Lo denotamos con . Por ser conjuntos aplicamos teor´ıa de conjuntos.

Un suceso ser´a compuesto si es uni´on de dos o m´as sucesos elementales. Las operaciones que se

pueden llevar a cabo entre sucesos son las siguientes:

El suceso uni´on

de

A y B, denotado

por A B, es el suceso formado por todos los posibles

resultados de A, de B o de ambos.

El suceso intersecci´on de A y B, denotado por A B es el suceso formado por los resultados

comunes a A y a B.

Dos sucesos son mutuamente excluyentes, incompatibles o disjuntos si no tienen resultados en

´

comun,

es decir, A B =.

Si cualquier resultado de A es tambi´en resultado de B, entonces A est´a contenido en B y se

denota por A B.

El complementario de un suceso A es aquel suceso que contiene a todos los resultados que no

est´an en A. Lo denotamos A c .

Ejemplo 2.1 Tiempo en minutos necesario para completar el ensamblaje de una m´aquina

S = {1, 2, 3,

. .

.}.

E 1 = {x|1 x < 10} = {1, 2,

. . .

, 9} y E 2 = {x|3 < x < 118} = {4, 5,

. . .

, 117}.

El suceso E 1 E 2 = {x|1 x < 118} = {1, 2,

. . .

, 117},

E 1 E 2 = {x|3 < x < 10} = {4, 5,

. . .

, 9}.

El suceso E

c

1

= {x|x 10} = {10, 11,

. .

.}.

Otro ejemplo E

c

1

E 2 = {x|10 x < 118} = {10,

. . .

, 117}

Ahora podemos dar las interpretaciones de probabilidad:

Objetiva (Frecuentista)

Deducida l´ogicamente. Al tirar una moneda la probabilidad de que salga cara es 1/2 o´ al

sacar una carta de una baraja de 40 cartas la probabilidad de que salga el as de oros es

1/40. Si todos los casos son igualmente probables (equiprobables) la probabilidad de un

suceso esn es el numero ´ de casos favorables dividido entre el numero ´ total de casos.

Obtenida del experimento. El numero

´

´

de veces que ocurre el suceso dividido entre el numero

de repeticiones del experimento.

Subjetiva, basada en un grado de creencia. La probabilidad de que mi equipo gane el partido de

˜

manana

es 0.9.

2.1 Fundamentos de probabilidad

3

  • 2.1.1 Axiomas de probabilidad

´

La probabilidad es un numero

que se asigna a cada suceso de un experimento aleatorio y cumple:

  • 1. P(S) = 1

  • 2. 0 P(E) 1, E S

  • 3. Para dos sucesos E 1 y E 2 , tales que E 1 E 2 = :

P(E 1 E 2 ) = P(E 1 ) + P(E 2 )

Consecuencias:

P() = 0.

P(E c ) = 1 P(E).

Si E 1 E 2 P(E 1 ) P(E 2 ).

Ejemplo 2.2 La tabla siguiente presenta un resumen del an´alisis realizado a las flechas de un com-

presor para determinar el grado con que ´estas satisfacen ciertos requerimientos.

La curvatura cumple

con los requerimientos

 

si

no

El acabado superficial

si

345

5

cumple requerimientos

no

12

8

  • a) Si se toma una flecha al azar, ¿cu´al es la probabilidad de que cumpla con los requerimientos de acabado superficial?

  • b) ¿Cu´al es la probabilidad de que la flecha seleccionada cumpla con los requisitos de acabado o con los de curvatura?

  • c) ¿Cu´al es la probabilidad de que la flecha cumpla con los requisitos de acabado o que no cumpla con los de curvatura?

  • d) ¿Cu´al es la probabilidad de que la flecha cumpla con los requisitos de acabado y curvatura?

Soluci´on:

A = curvatura.

B = acabado superficial.

a)P(A) = 350/370 = 0.9459

b)|A B| = 362, P(AUB) = 362/370 = 0.9783784

c)|A B c | = 358,

P(A B c ) = 358/370 = 0.9675

d) |A B| = 345, P(A B) = 345/370 = 0.9324324

4

Tema 2. Probabilidad. Variables aleatorias

Ejemplo 2.3 (Continuaci´on del ejemplo anterior) Las flechas se clasifican, adem´as, en t´erminos de

la m´aquina herramienta utilizada en su fabricaci´on.

M´aquina herramienta 1

La curvatura cumple

con los requerimientos

 

si

no

El acabado superficial

si

200

1

cumple requerimientos

no

4

2

M´aquina herramienta 2

La curvatura cumple

con los requerimientos

 

si

no

El acabado superficial

si

145

4

cumple requerimientos

no

8

6

  • a) Si se elige una flecha al azar, ¿cu´al es la probabilidad de que cumpla con los requerimientos de acabado o con los de curvatura, o que provenga de la m´aquina herramienta l?

  • b) Si se escoge una flecha al azar, ¿cu´al es la probabilidad de que cumpla con los requerimientos de acabado o que no cumpla con los de curvatura o que provenga de la m´aquina herramienta 2?

  • c) Si se elige una flecha al azar, ¿cu´al es la probabilidad de que cumpla con los requisitos de acabado y curvatura o que provenga de la m´aquina herramienta 2?

  • d) Si se toma una flecha al azar, ¿cu´al es la probabilidad de que cumpla con los requisitos de acabado o que provenga de la m´aquina herramienta 2?

Soluci´on:

A=acabado, B=Curvatura, C1=herramienta 1, C2=herramienta 2

a)El conjunto A B C1 est´a compuesto por 364, por tanto P(A B C1) = 364/370 = 0.9837

b)El conjunto A c B C2 est´a compuesto por 366 elementos P(A c B C2) = 366/370 =

0.9891892

c)El conjunto (A B) C2 tiene 363elementos por tantoP((A B) C2) = 363/370 = 0.981081

d)|A C2| = 364, P(A C2) = 367/370 = 0.9837838

2.1 Fundamentos de probabilidad

5

  • 2.1.2 Regla de adicci´on

P(A B) = P(A) + P(B) P(A B)

A A ∩ B B
A
A ∩ B
B

´

El resultado puede generalizarse a cualquier numero

de conjuntos:

P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C)

El caso de la intersecci´on no es tan sencillo.

  • 2.1.3 Probabilidad condicional

A medida que vamos obteniendo informaci´on, puede cambiar la probabilidad de un suceso.

Ejemplo 2.4 Un canal de comunicaci´on digital tiene una tasa de error de 1 bit por cada 1000 trans-

mitidos. Lo errores son raros, pero, cuando se presentan, tienden a ocurrir en rachas que pueden

afectar a muchos bits consecutivos.

Por tanto si se transmite 1 bit, la probabilidad de que sea err´oneo es 1/1000.

Sin embargo, si el

bit anterior es err´oneo, puede pensarse que la probabilidad de que sea err´oneo es mayor que 1/1000.

Ejemplo 2.5 Dos mol´eculas raras tienden a encontrarse juntas. La probabilidad de que una muestra

de aire contenga alguna de las mol´eculas es pequena. ˜ Sin embargo, si sabemos que ha aparecido en

una de ellas, la probabilidad de que aparezca la otra es muy alta.

Ejemplo 2.6 En un proceso de manufactura, el 10% de las piezas tiene fallos en la superficie. La

probabilidad de que una pieza sea funcionalmente defectuosa depende de los fallos en la superficie. Si

tiene fallo en superficie, la probabilidad de defecto es 0.25. Si no, la probabilidad de defecto es 0.05.

Se define la probabilidad del suceso A condicionado al suceso B como:

P(A/B) =

P(A B)

P(B)

Por tanto en el ejemplo anterior. Si definimos A como el suceso de que la pieza sea defectuosa y B

como el suceso de que tenga fallo en superficie. La probabilidad de que sea defectuosa sabiendo que

tiene fallo en superficie P(A/B) = 0.25 y P(A/B c ) = 0.05.

6

Tema 2. Probabilidad. Variables aleatorias

  • 2.1.4 Regla de multiplicaci´on

P(A B) = P(A/B) · P(B)

  • 2.1.5 Independencia

Dos sucesos son independientes si la probabilidad de uno no es afectado por la ocurrencia del otro.

P(A) = P(A/B) P(A B) = P(A) · P(B)

Notar que es diferente de ser disjuntos. Esto depende de la definici´on de sucesos. En cambio, la

independencia depende del modelo de probabilidad.

Ejemplo 2.7 Un lote de 500 contenedores para jugo de naranja congelado contiene cinco que est´an

defectuosos. Se toman del lote dos al azar, sin remplazo.

  • a) ¿Cu´al es la probabilidad de que el segundo contenedor sea defectuoso si el primero lo fue?

  • b) ¿Cu´al es la probabilidad de que los dos contenedores sean defectuosos?

  • c) ¿Cu´al es la probabilidad de que ambos contenedores sean aceptables?

Soluci´on:

D2=Segundo Defectuoso, D1=Primero Defectuoso

a)P(D2/D1) = 4/499

b)P(D1 D2) = P(D1) P(D2/D1) = 5/500 4/499

c)P(B1 B2) = P(B1) P(B2/B1) = 495/500 494/499 = 0.98

  • 2.1.6 Regla de probabilidad total

P(B) = P(B A) + P(B A c ) = P(B/A) · P(A) + P(B/A c ) · P(A c )

B ∩ A c B ∩ A A c A
B ∩ A c
B ∩ A
A c
A

2.1 Fundamentos de probabilidad

7

Ejemplo 2.8 Suponga que el 2% de los rollos de tela de algod´on son defectuosos, al igual que el 3%

de los rollos de tela de nylon. De los rollos utilizados por un fabricante, 70% son de algod´on y 30% son

de nylon. ¿Cu´al es la probabilidad de que al seleccionar al azar uno de los rollos ´este sea defectuoso?

Soluci´on:

D = defectuoso, A = algod´on, N = nylon

Por la regla de probabilidad total

P(D) = P(D A) + P(D N) = P(D/A)P(A) + P(D/N)P(N)

P(D) = (0.7)(0.02) + (0.3)(0.03) = 0.023

Ejemplo 2.9 La irregularidad del corte de productos de papel aumenta a medida que las hojas de la

cuchilla se desgastan. S´olo el 1% de productos cortados con cuchillas nuevas tienen cortes irregulares,

el 3% de los cortados con cuchillas de filo promedio exhiben irregularidades y el 5% de los cortados

con cuchillas desgastadas presentan irregularidades. Si el 25% de las cuchillas utilizadas en el proceso

de corte son nuevas, el 60% tiene un filo promedio y el 15% de las cuchillas est´an desgastadas, ¿cu´al

es la proporci´on de productos que tendr´an cortes irregulares?

Soluci´on:

Aplicamos probabilidad total

P(cortes irregulares)=P(nueva e irregulares) + P(promedio e irregulares) + P(desgatadas e irre-

gulares) = 0,028

  • 2.1.7 Teorema de bayes

Dado {A i } n

i=1 una serie de sucesos del espacio muestral tales que A i A j = ∅∀i

= j y cumpliendo que

{A i } n

i=1 = S. Sabiendo que ha ocurrido el suceso B y conocidas P(A i ) y P(B/A i ) desde i = 1,

. . .

n.

P(A k /B) =

P(A k B)

i

=k P(A i B)

=

P(A k ) · P(B/A k )

i

=k P(A i ) · P(B/A i )

Ejemplo 2.10 En una etapa de la producci´on de un articulo se aplica soldadura y para ello se usan

tres robots diferentes. La probabilidad de que la soldadura sea defectuosa var´ıa para cada robot, as´ı

como la proporci´on de art´ıculos que procesa.

Robot

Prob. Defecto

Proporci´on procesa

A

0,002

18%

B

0,005

42%

C

0,001

40%

¿Proporci´on global de defectos producida por los tres robots?

8

Tema 2. Probabilidad. Variables aleatorias

Si tomo un art´ıculo al azar y resulta con defecto en soldadura, ¿cu´al es la probabilidad de que

haya sido soldado por el robot A?

Soluci´on:

Sea D=total defectuosos, SR i =haya sido soldado por el robot i = A, B, C.

a)P(D) = P(D SR A ) + P(D SR B ) + P(D SR C )

= P(D/SR A ) P(SR A ) + P(D/SR B ) P(SR B ) + P(D/SR C ) P(SR C )

= 0.002 · 0.18 + 0.005 · 0.42 + 0.001 · 0.40 = 0.00286

b)P(SR A /D) = P(SR A D)/P(D) = (P(D/SR A )P(SR A ))/P(D)(0.0020.18)/0.00286 = 0.1258741.

Ejemplo 2.11 El circuito siguiente trabaja si, y s´olo si, existe una trayectoria en funcionamiento, de

izquierda a derecha. El dibujo indica la probabilidad de que cada dispositivo funcione. Supongamos que

la probabilidad de que un dispositivo funcione no depende del funcionamiento de los dem´as dispositivos.

¿Cu´al es la probabilidad de que el circuito funcione?.

8 Tema 2. Probabilidad. Variables aleatorias • Si tomo un art´ıculo al azar y resulta con

Soluci´on:

P(funcione) = P(A U B) = P(A)+P(B)-P(AB)= 0.933912

P(A) = P(A1 A2 A3) = P(A1) P(A2) P(A3) = 0.9 0.9 0.8 = 0.648

P(B) = P(B1 B2 B3) = P(B1) P(B2) P(B3) = 0.95 0.95 0.9 = 0.81225

P(A B) = P(A) P(B) = 0.526338.

  • 2.2 Variables aleatorias

Con frecuencia el inter´es de una muestra puede resumirse mediante un valor num´erico. Como el

resultado del experimento aleatorio no se conoce por anticipado, tampoco el valor num´erico.

Por ello, la variable (funci´on) que asocia un numero

´

con el resultado de un experimento aleatorio

se le conoce como variable aleatoria.

Notaci´on: X mayuscula

´

´

es la variable y x minuscula

el valor que toma esa variable.

2.2

Variables aleatorias

9

  • 2.2.1 Variable aleatoria discreta

´

Variable aleatoria con un numero

finito (´o infinito numerable) de valores.

Distribuci´on de probabilidad

La distribuci´on de probabilidad asocia a cada valor de la variable la probabilidad de tomar ese valor.

La funci´on f X (x) = P(X = x) es la funci´on de probabilidad y cumple:

f X (x) 0

  • 1. x

  • 2. x f X (x) = 1

La funci´on F X (x)

cumple:

= P(X

x)

=

x j x f X (x j ) es la funci´on de distribuci´on (acumulada) y

  • 1. 0 F X (x) 1x

  • 2. Si x y F X (x) F X (y)

El Valor esperado media de una variable aleatoria se denota por µ X = E(X) = xf X (x).

Ejemplo 2.12 Comparar dos productos en cuanto la ganancia esperada, con el producto A se gana

exactamente 3 millones de euros y con el producto B tenemos una probabilidad 0.3 de ganar 7 millones

y 0.7 de ganar 2 millones de euros.

El valor esperado del producto A es E(A) = 3 millones y para el producto B, E(B) = 0.3·7+0.7·2 =

  • 3.5 millones.

Por tanto, tenemos mayor ganancia esperada para el producto B, pero el producto B tambi´en tiene

mayor variabilidad.

2

La Varianza de una variable aleatoria se define como σ X = E(X

µ X ) 2 = x (x µ X ) 2 f X (x) =

E(X 2 ) µ X = x x 2 f X (x) µ X

2

2

y la desviaci´on est´andar como σ X = + σ

2

X .

Propiedades de la media y varianza de cualquier variable aleatoria

Sea X una variable aleatoria, la media de X = µ X = E(X) cumple:

1.

E(c) = c

c constante

  • 2. E(cX) = cE(X) c constante

  • 3. E(a + bX) = a + bE(X) a, b constantes

10

Tema 2. Probabilidad. Variables aleatorias

Para la varianza se cumple:

  • 1. V ar(c) = 0 c constante

  • 2. V ar(a + bX) = b 2 V ar(X) a, b constantes

Distribuci´on binomial

La distribuci´on binomial se refiere a sucesos que aparecen en una serie de experimentos aleatorios,

basados en varias hip´otesis:

  • 1. Serie de pruebas id´enticas, cada una con 2 resultados posible (´exito-fracaso) cada una de ellas se le conoce como un proceso de Bernouilli. con prob. 1 π y 1 con prob. π.

X Ber(π), X tiene dos valores posibles 0

  • 2. La probabilidad de ´exito π, es constante en todas las pruebas.

  • 3. Las pruebas son independientes.

A X =numero

´

de ´exitos en n pruebas, con X Bi(n, π). Este proceso aparece muy a menudo en

todos los campos.

C´alculo de probabilidades:

Los valores posibles de la variable X

son desde

el

0, 1,

. . .

, n.

Suponer que queremos calcular

P(X = k) con X Bi(5, π), supongamos tambi´en que k = 2, entonces tendremos 2 ´exitos y 3

fracasos. Una ordenaci´on posible ser´ıa EEFFF (E=´exito, F=Fracaso), otra EFEFF, EFFEF ,etc.

Tenemos 2 5 ordenaciones es el numero ´ de maneras de elgir 2 posiciones de 5. Si calculamos la

probabilidad de una ordenaci´on, que ser´a la misma para todas las ordenaciones ser´ıa π 2 (1 π) 3 . Por

tanto tendr´ıamos que:

P(X = k) = P(una ordenaci´on) · P(n o ordenaciones) = 5

2 π 2 (1 π) 3

.

 

Sea:

.

X Bi(n, π) P(X = k) = n π k (1 π) (nk)

k

Recordar que n =

k

lidades.

n!

k!(nk)! y que tambi´en existen unas tablas para ayudar al c´alculo de probabi-

Ejemplo 2.13 En la prueba de la tarjeta de un circuito impreso en la que se utiliza un patr´on de

prueba aleatorio, un conjunto de 10 bits tienen la misma probabilidad de ser uno o cero. Supongamos

que los bits son independientes.

2.2 Variables aleatorias

11

  • a. ¿Cu´al es la probabilidad de que todos los bits sean uno?

  • b. ¿Cu´al es la probabilidad de que todos los bits sean cero?

  • c. ¿Cu´al es la probabilidad de que exactamente cinco bits sean uno, y los otros cinco, cero?

Soluci´on:

X=numero ´ bits igual a 1 del conjunto

XBi(10,0.5)

  • a) P(X

= 10) = P(X <= 10) P(X <= 9) = 1 0.9990 = 0.0010

  • b) P(X = 0) = 0.0010

c)P(X = 5) = P(X

<= 5) P(X <= 4) = 0.6230 0.3770 = 0.246

El valor esperado o´ media y la varianza de una variable binomial, tenemos que si X Bi(n, π)

podemos descomponer a X = n

i=1 X i y por tanto la media de X E(X) = n

i=1 E(X i ) = i=1

n

π =

y a su vez la varianza V ar(X) = n i=1 V ar(X i ) = (1 π).

Distribuci´on de poisson

Consideremos un experimento en el que observamos la aparici´on de sucesos puntuales a lo largo del

tiempo, entendiendo el tiempo en sentido amplio. Se define la v.a. X=numero

´

de ocurrencias en un

intervalo de tiempo de longitud fija, que puede tomar los valores k = 0, 1,

. . .

, n, X PP(λ) con las

probabilidades:

P(X = k) =

e λ λ k

k!

Adem´as E(X) = λ y V ar(X) = λ.

Ejemplo 2.14 Supongamos que el numer ´ o de mensajes que entran en un canal de comunicaci´on en

un intervalo t segundos de duraci´on es una variable aleatoria con distribuci´on de Poisson de par´ametro

0.3t. Calcular las probabilidad de los siguientes sucesos:

  • a) En un intervalo de 10 segundos lleguen exactamente tres mensajes.

  • b) En un periodo de 20 segundos llegan a lo sumo 1 mensaje.

Soluci´on:

a)P(X = 3) =

e 0.310 0.310 k

k!

=

e 3 3 3

3!

= 0.224

b)P(X

1) =

2

e 0.320 0.320 k

i=1

k!

= 0.01735127

La distribuci´on de poisson aparece como l´ımite de la distribuci´on binomial n → ∞ y p 0, con

np = λ.

12

Tema 2. Probabilidad. Variables aleatorias

Ejemplo 2.15 Suponer que tenemos una variable X Bi(1000, 0.001), si calculo

P(X = 1) = 1000 0.001 1 (1 0.001) 999 = 0.3680635

1

Si ahora utilizo una poisson X PP(λ = np = 1) y calculo P(X = 1) =

1e 1

1!

= 0.3678794

  • 2.2.2 Variables aleatorias continuas

Supongamos que la variable de inter´es es la cantidad de energ´ıa producida por una m´aquina. El

valor obtenido cada d´ıa puede variar debido a variaciones en la materia prima y/o condiciones de

funcionamiento, ambientales, etc ..

El rango de posibles valores no es un conjunto definido previamente, (al menos te´oricamente) sino

todo un intervalo de R (´o todo R) entonces tenemos una variable aleatoria continua.

Distribuci´on de probabilidad

No podemos asociar una probabilidad a cada valor posible, como en el caso de una variable alea-

toria discreta. Necesitamos una funci´on que permita calcular probabilidad de intervalos, funci´on de

densidad.

La funci´on f X (x) es la funci´on de densidad y cumple:

1.

f X (x) 0

x

  • x 2

  • 2. P(x 1 X x 2 ) =

x

1

f X (x)dx


3.

+

−∞

f X (x)dx = 1

Consecuencia, P(X = k) = 0) area ´ nula.

x

La funci´on F X (x) = P(X x) = f X (u)du es la funci´on de distribuci´on (acumulada), por

tanto f X (x) =

d

dx F X (x).

El Valor esperado media de una variable aleatoria continua se denota por

.

µ X = E(X) =

+

−∞

x · f X (x)dx

la Varianza de una variable aleatoria discreta se define como

V ar(X) = σ X = E(X µ X ) 2 =

2

+

−∞

(x µ X ) 2 f X (x)dx

y la desviaci´on est´andar como σ X = + σ

2

X .

2.2 Variables aleatorias

13

Ejemplo 2.16 La longitud X de una cierta pieza se distribuye segun´

la funci´on de densidad de pro-

babilidad.

f(x; k) =

2kx

2 x 3

  • 0 x R [2, 3]

´

Una pieza es util,

si su longitud est´a comprendida entre 2.5 y 3 unidades de longitud.

  • a) ¿Cu´al es la probabilidad de que una pieza determinada sea util? ´

  • b) Si las piezas se empaquetan en lotes de 5 unidades, y se acepta el lote si no contiene piezas

defectuosas, ¿cu´al es la probabilidad que un lote determinado sea rechazado?.

  • c) Promedio de la longitud de las piezas.

Soluci´on:

+

a)

b)

´

X=numero

X Bi(5,0.45)

c)

Si es una funci´on de densidad debe cumplir,

+

f(x)dx =

+

2kxdx = 2k

−∞

−∞

3

2

´

−∞

f(x)dx = 1 por lo tanto:

3

= 1 k =

1

5

2

xdx = 2k t 2

2

Para que una pieza sea util

2

5

3

2.5

debe estar entre 2.5 y 3 por lo tanto:

2

5

t 2

2

3

2.5

= 0.55

P(2.5 X 3) =

xdx =

de piezas defectuosas en un lote de cinco

5

0

P(X 1) = 1 P(X 0) =

0.45 0 (1 0.45) 5 = 1 0.05032844 = 0.9496716

E(x) =

+

xf(x)dx =

−∞

3

2

x

2

5

xdx =

2

5

t 3 3

3

2

= 2.533

Distribuci´on exponencial

La variable X exp(λ) sigue una distribuci´on exponencial de par´ametro λ.

modelar tiempos de vida o tamanos.

˜

Es muy utilizada para

f(x) =

λe λx ,

si x 0;

0,

en otro caso.

La funci´on de distribuci´on:

F(x) = P(X

x) =

1 e λx , si x 0;

0,

en otro caso.

14

Tema 2. Probabilidad. Variables aleatorias

El par´ametro λ tiene que ser mayor que cero. Adem´as E(X) = µ X = 1y V ar(X) = 12

Ejemplo 2.17 El tiempo de vida de los reguladores de voltaje de los autom´oviles tiene una distribuci´on

exponencial con un tiempo de vida medio de seis anos. ˜ Una persona compra un autom´ovil que tiene

una antigue¨ dad de seis anos ˜ con un regulador en funcionamiento, y plantea tenerlo por espacio de seis

anos: ˜

  • a) ¿Cu´al es la probabilidad de que un regulador nuevo falle en lapso de seis anos?

˜

  • b) ¿Cu´al es la probabilidad de que falle en los siguientes seis anos

˜

el regulador de esta persona?

Soluci´on:

Si tenemos que la vida media es de 6 anos,

˜

tenemos que el tiempo de vida sigue una distribuci´on

exponencial de par´ametro λ = 1/6.

a) P(X < 6) = 1 e 1/66 = 1 e 1 = 0.6321206

b) P(X

< 12/X

>

6)

=

P(6<X<12)

P(X>6)

=

P(X<12)P(X<6)

P(X>6)

=

(1e 1/612 )(1e 1/66 ) e 1/66

=

e 1 + 1

=

0.6321206 Esto se debe a la propiedad de falta de memoria de la distribuci´on exponencial.

Distribuci´on normal

Es la distribuci´on continua m´as utilizada por 2 razones:

buena representaci´on de muchos casos en la pr´actica

propiedades estad´ısticas

Algunos ejemplos:

resistencia a la tensi´on

intensidad el´ectrica que pasa por un cable

di´ametro de rodamientos

errores de medida

Se denota por X N(µ, σ) y su funci´on de densidad:

f(x) =

  • 1

σ 2π

e

(xµ) 2

2σ 2

, −∞ < x <

El par´ametro µ es la media y σ es la desviaci´on t´ıpica. Esta distribuci´on tiene forma de campana,

es sim´etrica, est´a centrada en µ. Es c´oncava entre µ σ, µ + σ y es convexa fuera de ese intervalo,

casi toda est´a centrada entre µ ± 3σ el (0.9973) de la probabilidad.

2.2 Variables aleatorias

15

Todas tienen igual forma se diferencian en el centro µ y la dispersi´on σ.

La funci´on de distribuci´on:

F(x) = P(X x) =

x

−∞

  • 1

σ 2π

e

(yµ) 2

2σ 2 dy

La funci´on de distribuci´on es muy dif´ıcil de resolver, por ello utilizaremos las tablas de la normal

conocida como est´andar Z N(0, 1) ya que cualquier variable X N(µ, σ) puede transformarse

en Z = Xµ . A este mecanismo de transformaci´on de una variable X N(µ, σ) a una normal

σ

estandarizada se le conoce como estandarizaci´on.

C´alculo de areas,

´

el c´alculo de integrales para la normal est´andar se hace mediante el uso de las

tablas, y se define como P(Z z) = φ(z).

Ejemplo 2.18 Sea X N(10mA, 2mA) la intensidad de corriente el´ectrica que pasa por un cable.

Calcular la probabilidad de que la corriente el´ectrica sea mayor de 13mA.

Soluci´on:

P(X > 13) tipificar

=

P( X10

2

>

1310

  • 2 ) = P(Z > 1.5) = 1 Φ(1.5) = 1 0.9332 = 0.0668

Ejemplo 2.19 Los tubos de rayos cat´odicos de una terminal gr´afica tienen una fina malla detr´as de

la superficie visible que ha de tensarse durante el ensamblaje. Si se tensa mucho, la malla se rompe,

mientras que si no se tensa mucho, se forman arrugas. La tensi´on a la que est´a sometida esta malla

puede medirse en milivoltios (mV) mediante un dispositivo el´ectronico. Actualmente, la lectura de la

tensi´on de sucesivos tubos sigue una distribuci´on normal de media 275 mV y desviaci´on t´ıpica 43 mV.

La tensi´on m´ınima aceptable para que la malla no se arrugue es de 200 mV. La tensi´on m´axima que

soporta esta malla sin romperse es de 375 mV.

  • a) ¿Calcula la probabilidad de que la malla se arrugue?

  • b) Si una malla se ha arrugado, ¿cu´al es la probabilidad de que se haya aplicado una tensi´on inferior a 175 mV?

  • c) ¿Cu´al es la probabilidad de que una malla est´e en buenas condiciones?

  • d) ¿Cu´al es la probabilidad que entre 5 tubos al menos 3 de ellos tengan la malla en buenas condi- ciones?

  • e) Sea X la lectura de tensi´on en mV y µ = E(X). P(µ t X µ + t) = 0.95?

¿Cu´al es la tensi´on t tal que

Soluci´on:

Tenemos que X N(275, 43).

16

Tema 2. Probabilidad. Variables aleatorias

  • a) P(X < 200) tipificar

=

P(Z 200275

43

= P(Z ≤ −1.744) = 1 P(Z 1.744) = 1 0.959 = 0.041

  • b) P(X < 175/X < 200) = P(X<175X<200) =

P(X<200)

P(X<175)

P(X<200) =

P(Z< 175275

43

)

P(Z< 200275

43

)

=

0.0102

0.041

= 0.2487

  • c) Para que est´e en buenas condiciones se debe encontrar entre 200 y 375 miliVoltios.

P(200

<

X

< 375)

= P(X

<

375) P(X

2.32) (1 P(Z < 1.74) = 0.948

< 200)

= P(Z

<

2.32) P(Z

< 1.74)

=

P(Z

<

  • d) Si tengo cinco tubos defino la variable Y como el numero ´ de los cinco que se encuentran en

buenas condiciones. En el apartado anterior he calculado la probabilidad de que uno se encuentre en

buenas condiciones y podemos suponer que el estado de la malla de un tubo no depende de los dem´as.

Por tanto, Y Bi(5, 0.948).

P(Y 3) = P(Y

= 5) + P(Y

= 4) + P(Y

= 3) = 0.9987013

  • e) Sabemos que P(µt X µ+t) = 0.95, por tanto si tificamos, tenemos P(t/σ Z t/σ) =

0.95 y P(Z t/σ) P(Z ≤ −t/σ) = 2P(Z

t/σ) 1 = 0.95 P(Z t/σ) = 1.95/2 = 0.975

Ahora busco en la tabla de la normal estandarizada para que valor tengo una probabilidad de

0.975, es para el valor 1.96.

Por lo que t/σ = 1.96 y de aqu´ı obtengo que t = 1.96 43 = 84.28.

Ejemplo 2.20 En una f´abrica que envasa agua mineral, se ha establecido que el volumen envasado

por la m´aquina autom´atica sigue una distribuci´on normal de media 150 cl y de desviaci´on t´ıpica 2 cl.

  • a) Los criterios de calidad de la empresa implican que no se venda una botella que contenga menos de 147 cl. ¿Cu´al es la proporci´on de botellas en la producci´on que no se pueden vender?

  • b) Las botellas se empaquetan por 6 unidades, ¿cu´al es la probabilidad de que un paquete contenga al menos una botella con menos de 147 cl?

  • c) ¿Cuantas botellas esperar´ıas que hubiera invendibles de 10000 botellas?

  • d) Calcula un intervalo de volumen, centrado en la media, donde se encuentre el 90% de las botellas que produce la m´aquina.

  • e) Calcula cuanto tendr´ıa que ser la desviaci´on t´ıpica de la m´aquina para que el 99% de las botellas, se encuentren entre 149 y 151 cl.

f )

Si ahora se cambia la m´aquina por una nueva cuyo volumen de envasado tiene la siguiente

funci´on de densidad:

f(x; k) =

6x

k

147.5 x 152.5

  • 0 x R [147.5, 152.5]

donde k es una constante. Determina el valor de k.

  • g) ¿Cu´al es la media del volumen de llenado de la nueva m´aquina?

  • h) Con la nueva m´aquina, ¿cu´al es la proporci´on de botellas que tendr´ıan menos de 148 cl?

0

Tema 2. Probabilidad. Variables aleatorias

Soluci´on:

a)

X=volumen de llenado de las botellasN(150, 2)

P(X 147) = P(Z 147150 ) =

2

P(Z ≤ −1.5) = 1 P(Z 1.5) = 0.066

El 6.6% de las botellas tendr´ıan menos de 147 cl.

b)

´

X’=numero

de botellas en un lote de 6 con menos de 147 clBi(6, 0.0668).

6

P(X 1) = 1 P(X = 0) = 1 0 (0.0668) 0 (1 0.0668) 6 =0.339

c)

´

X’=numero

de botellas de 10000 con menos de 147 clBi(10000, 0.0668).

E(X ) = 10000 0.0668 = 668 botellas aproximadamente.

d)

Sabemos que P(150 t X 150 + t) = 0.90 tenemos que despejar t.

P(150 t X 150 + t) = P(X 150 + t) P(X 150 t) =

P(Z 150+t150 ) P(Z

2

150t150

2

) = P(Z

t

2 ) P(Z

P(Z

t

2 ) (1 P(Z

t

2 )) = 2P(Z

t

2 ) 1 = 0.90

P(Z

t

2 ) = 0.95

t

2

= 1.65 t = 3.3

t ) =

2

Y por tanto el intervalo ser´ıa: [146.7,153.3]

e)

Ahora suponemos X=volumen de llenado N(150, σ) con σ a despejar sabiendo que:

P(149 X 151) = 0.99

por tanto, P(149 X 151) = P(X 151) P(X 149) = P(Z

1

σ ) P(Z

1 ) = P(Z

σ

1

σ ) (1 P(Z

1

σ )) = 2P(Z

1

σ ) 1 = 0.99 P(Z

1

σ ) = 0.995

1

σ = 2.58 aproximadamente

σ = 0.3875969.

f)

Sabemos que

+

−∞

6

k xdx =

k

6

152.5

147.5

xdx despejo k y obtenemos que vale 4500.

g)

E(X) =

+

−∞

x

6

4500 xdx =

4500 147.5

6

152.5

x 2 dx = 150.0139

h)

148

−∞

6

4500 xdx =

4500

6

147.5 xdx = 0.0985

148