Professional Documents
Culture Documents
TECNOLÓGICO
NORBERT WIENER
PROGRAMA: S3C
Lima-Perú
2
Manual del Alumno
Índice General
Pág. N°
1. Introducción: Análisis Combinatorio, técnicas de conteo
.......................................................................................... 03
5. Practica Calificada Nº 01
.......................................................................................... 27
SESION 01
INTRODUCCIÓN
PERMUTACIONES
Ejemplo 3:
En un proceso de manufactura hay seis operaciones distintas, que se
indican con A, B, C, D, E y F. En general no existe una secuencia fija para
las operaciones, con la salvedad de que A debe efectuarse al principio y F
al final. ¿Cuántas secuencias diferentes pueden ocurrir?
Solución:
A B C D E F
P4 = 4! = 24 formas diferentes
Cuando se toman parte de los elementos del conjunto se tiene:
n!
Pn,r =
(n r )!
Ejemplo 4:
Si : n = 5 y r=3
5! 5! 120
P5,3 = 60
(5 3)! 2! 2
Ejemplo 5:
8
Manual del Alumno
Hay 7 candidatos para desempeñar 3 tareas, si todos los candidatos son
igualmente eficientes, ¿De cuántas maneras se puede efectuar la
asignación?
Solución:
7! 7! 7.6.5.4!
P7,3 = 210
(7 3)! 4! 4!
Ejemplo 6:
De cuántas maneras 3 fresadoras, 4 tornos, 4 taladros y 2 cepillos pueden
ordenarse en fila en un taller, de modo que el mismo tipo de máquina
queden juntas.
3F 4T 4T 2C
P3 = 3! P4 = 4! P4 = 4! P2 = 2!
P4 = 4!
Combinaciones :
Una combinación de “ n ” elementos tomados de “ r ” en “ r ” es un
n
Notación: nCr;
r
Conjuntamente : C 47 . C 24 = 35 x 6 = 210
14!
b) 14 P3 2184
11!
5. Calcular :
35!*28!
a) K
27!*36!
29!
b) K
27! 28!
36! 37!
c) K
37! 36!
SESION 02
COMBINACIONES
13
Manual del Alumno
Análisis Combinatorio
Ejemplo 3:
La agencia de Publicidad PIPSA, ha obtenido la exclusividad respecto a
una línea de polvos para preparar postres. A estos efectos la agencia ha
decidido organizar un concurso nacional destinado a adivinar el nombre
futuro de esa línea de productos.
Las condiciones son:
15
Manual del Alumno
a) Los nombres que se propongan deben ser de 4 letras.
b) Ninguna letra debe repetirse.
c) La primera y tercera letras deben ser consonantes.
d) La segunda y cuarta letras deben ser vocales.
e) Si una persona propone 2 veces el mismo nombre queda
descalificada.
¿Cuántos nombres debe proponer una persona para estar seguro que
participa en el sorteo público?
Considerar 28 letras del alfabeto
Solución:
23 x 5 x 22 x 4 = 10,120 nombres diferentes
¿Por qué esos números?
Porque hay 28 letras del alfabeto, 23 consonantes y 5 vocales, pero se
disminuyó de 23 a 22 en la primera y tercera cifra porque una de las
condiciones es que las letras no se repitan. Así como 5 y 4 en la segunda y
cuarta cifras, que son las vocales.
Notación Factorial
En algunos problemas de matemáticas se nos presentan multiplicaciones
de números naturales sucesivos tal como:
4 x 3 x 2 x 1 = 24 ; 3x2x1=6 ; 2 x 1 = 2.
Para abreviar estas expresiones, se usa una notación especial llamada
notación factorial y nos denota las multiplicaciones sucesivas de n hasta l y
se define como:
4 x 3 x 2 x 1 = 4! Se lee: “cuatro factorial” o “factorial de cuatro”
3 x 2 x 1 = 3! Se lee: “tres factorial” o “factorial de tres”
16
Manual del Alumno
En términos generales:
n(n-1)(n-2)...x 2 x 1 = n! Se lee “n factorial” o “factorial de n”
Propiedades:
a) para n natural
n! = n(n-1)!
Ejemplo: 7! = 7 x 6! = 7 x 6 x 5 x 4!
b) 0! = 1
Ejemplos:
1) 5! = 5 x 4 x 3 x 2 x 1 = 120
2) 4! 3! = (24)(6) = 144
3)
4)
5)
Ejemplo:
Determinar 50! por Stirling:
17
Manual del Alumno
18
Manual del Alumno
SESION 03
VARIACIONES
SESION 04
INTRODUCCIÓN A LA PROBABILIDAD
Azar y Desconocimiento.
El azar está relacionado con el desconocimiento. Un ejemplo nos puede
ayudar; piense en un proceso industrial que produce grandes cantidades
de un artículo determinado. No todos los artículos producidos son
idénticos, cada artículo puede calificarse como ``bueno'' o ``defectuoso''. Si
19
Manual del Alumno
de toda la producción se escoge un artículo ``a ciegas'', ese artículo puede
resultar bueno o defectuoso. Esta es una situación azarosa (o aleatoria) y
la parte esencial de este azar es que no sabemos si el artículo
seleccionado es defectuoso. Claro que con experiencia en el proceso es
posible cuantificar de una manera numérica qué tan factible es que el
artículo sea defectuoso o no.
Azar e incertidumbre.
Hay otro concepto asociado al azar y es el de incertidumbre. Veamos un
ejemplo. Respecto a una inversión, podemos estar contemplando invertir
una cantidad de dinero. El retorno sobre la inversión puede ser fijo, como
en el caso de una cuenta en un banco con interés fijo; pero pensemos en
una empresa. El negocio puede resultar desde un gran éxito hasta un
fracaso, es decir, la ganancia no es fija, sino que depende del éxito a
obtener. Si no podemos evaluar qué tan factible es cada monto posible de
la ganancia, tenemos una situación de incertidumbre. Por el contrario, si
podemos tener una idea de qué tan probables son los diferentes
resultados y entonces tendremos una situación de riesgo. Esta última es la
que llamamos aleatoria o azarosa.
Espacio Muestral y Probabilidad.
El párrafo anterior se resume diciendo que en las situaciones o
experimentos aleatorios tenemos dos elementos esenciales:
1. Una lista de posibilidades a futuro: espacio muestral
2. Una cuantificación de la incertidumbre sobre esa lista de
posibilidades: asignación de probabilidades.
20
Manual del Alumno
Cualquier problema o situación en la probabilidad, parte de esos dos
elementos: Espacio Muestral y Probabilidades.
ESPACIO MUESTRAL.
El espacio muestral es el conjunto de todos los posibles resultados de un
experimento o situación aleatoria.
Si en una caja hay 10 manzanas y 2 están echadas a perder (¡al menos en
este momento!), al extraer tres manzanas y ver cuantas son buenas
podemos obtener 1, 2 o 3 buenas (¡0 buenas es imposible!). De modo que
en este ejemplo el espacio muestral es: { 1, 2, 3 }.
Si un juego consiste en tirar todos los volados que hagan falta hasta
obtener tres águilas seguidas o hasta que sean 15 volados, si nos fijamos
en el número de volados requeridos, el espacio muestral es: { 3, 4, 5, . . . ,
15 }. Pero si nos fijáramos en el número de soles que resultan, entonces el
espacio muestral es: { 0, 1, 2, . . . , 15 }.
Es claro que para determinar el espacio muestral en un experimento
aleatorio es necesario entender perfectamente:
Qué se va a hacer.
Qué se va a observar o contar.
SUCESOS O EVENTOS.
Cuando se tiene un espacio muestral llamamos, formalmente evento a
cualquier subconjunto del espacio muestral.
Decimos que un evento se realiza, cuando el resultado del experimento
aleatorio es un elemento del evento.
21
Manual del Alumno
Las dos definiciones anteriores son muy abstractas. Veamos un par de
ejemplos.
En el caso de contar cuantos volados hacen falta para conseguir tres
águilas seguidas o tirar 15 volados; el espacio muestral son los números:
3, 4, 5, . . . , 15.
Un evento podría ser { 3, 5, 7, . . . , 15}.
Este evento corresponde a que el número de tiros necesario sea n ó n. Si
al hacer los volados los resultados fueran:
AASAASSSAAA (aquí nos detenemos porque han caído ya, tres
águilas seguidas), el evento si se realizó porque el número
necesario fue 11 y es n ó n .
SSSAAA (aquí paramos porque ya hay tres águilas), el evento no
se realizó.
Podemos pensar que cada experimento al azar es un juego y que un
evento es una lista de los resultados que hacen que YO gane.
Otro ejemplo más. Al comprar llantas para mi auto, puede ser que
manifiesten un defecto de fabricación dentro del período de garantía total y
que el fabricante deba reponerlas. También puede pasar que el defecto se
manifieste en el período de garantía parcial y que el fabricante bonifique
sólo un porcentaje o que el defecto se manifieste después de vencido el
período de garantía en cuyo caso el fabricante no paga nada. También
puede pasar que las llantas no tengan defecto de fabricación aparente y
que no haya garantía que reclamar. Como se puede considerar que las
llantas que me vendieron se escogieron al azar de entre toda la
producción, tenemos un experimento aleatorio.
22
Manual del Alumno
El espacio muestral en este experimento es: S = { T, P1, P2, P3, N, OK }.
Con la siguiente notación T: pago total, P1 pago del 50%, P2: pago del
30%, P3: pago del 10%, N: nada de pago, OK: llantas sin defecto. El
evento { OK } sólo se realiza cuando las llantas no tienen defecto.
En este último ejemplo se tiene un evento simple porque consta de un solo
punto del espacio muestral. Será compuesto cuando tiene varios puntos
del espacio muestral. Se llama evento imposible al que no puede ocurrir;
éste evento corresponde al conjunto vacío. Otro evento extremo es el
espacio muestral mismo que, puesto que siempre ocurre, se llama evento
seguro.
Problemas Propuestos:
1. En una caja hay 8 focos de los cuales 3 están fundidos. Se van a
sacar los focos de uno en uno, hasta encontrar los tres fundidos.
Si nos fijamos en el número de focos que se quedan en la caja
¿cuál es el espacio muestral?
2. En el experimento de los volados mencionado arriba. Si nos
fijamos en el número de soles que salieron, describa en sus
propias palabras, cuál es el evento { 0, 1, 2 }. Si los resultados
fueron AASAASAAA ¿Por qué se detuvo el experimento? ¿Se
realizó el evento?
3. Júntese con un compañero de este curso y entre los dos discutan
y encuentren un ejemplo de un experimento aleatorio relacionado
con las personas que están en la biblioteca después de las 10 de
la noche. Expliquen cuál es el espacio muestral. Expliquen qué
información necesitarían para asignar probabilidades.
23
Manual del Alumno
4. Con su mismo compañero, encuentren un ejemplo de un
experimento aleatorio referente a las inscripciones. Detallen el
espacio muestral. Propongan un evento. Den un ejemplo de un
resultado que implique que el evento no se realizó y otro resultado
donde el evento sí se haya realizado.
24
Manual del Alumno
SESION 05
PRACTICA CALIFICADA
SESION 06
PROBABILIDAD
EJEMPLOS.
La probabilidad es un concepto muy viejo en las matemáticas. Actualmente
lo aplicamos en prácticamente todos los campos de la actividad humana.
La variedad de situaciones en que se aplica va desde la producción hasta
la planeación a largo plazo de las empresas.
Aunque esta es la visión moderna, y la razón de que estemos estudiando
probabilidad en este curso, los orígenes del concepto son muy humildes,
comenzó aplicándose a los juegos de azar.
Pensemos en un dado perfectamente balanceado de modo que ninguno
de los seis lados es favorecido.
El espacio muestral es { 1, 2, 3, 4, 5, 6 }.
La función de probabilidad le asigna a cada uno de los elementos del
espacio muestral el valor de 1 / 6.
Esta asignación la hacemos porque el dado está balanceado.
Decimos que la probabilidad de un evento es el número de resultados
favorables al evento entre el número de resultados posibles.
26
Manual del Alumno
Por ejemplo, la probabilidad de que el resultado sea mayor que 4 es 2 / 6,
porque hay 2 resultados favorables entre los 6 resultados posibles.
Formalmente, el evento es A = { 5, 6 } y P[A] = 2/6.
La probabilidad que resulta de esta manera, tiene una interpretación
empírica; si hacemos una serie larga de lanzamientos del dado, y
observamos la frecuencia de resultados favorables al evento A, esta
frecuencia tiende a ser 2/6.
SESION 07
PROBABILIDAD DE SUCESOS
27
Manual del Alumno
Al definir los sucesos hablamos de las diferentes
relaciones que pueden guardar dos sucesos entre sí, así
como de las posibles relaciones que se pueden
establecer entre los mismos. Vamos a ver ahora cómo se
refleja esto en el cálculo de probabilidades.
a) Un suceso puede estar contenido en otro: entonces,
la probabilidad del primer suceso será menor que la del
suceso que lo contiene.
Ejemplo: lanzamos un dado y analizamos dos sucesos:
a) que salga el número 6, y b) que salga un número par.
Dijimos que el suceso a) está contenido en el suceso b).
P(A) = 1/6 = 0,166
P(B) = 3 / 6 = 0,50
Por lo tanto, podemos ver que la probabilidad del suceso
contenido, suceso a), es menor que la probabilidad del
suceso que lo contiene, suceso b).
b) Dos sucesos pueden ser iguales: en este caso, las
probabilidades de ambos sucesos son las mismas.
Ejemplo: lanzamos un dado al aire y analizamos dos
sucesos: a) que salga número par, y b) que salga múltiplo
de 2. Las soluciones coinciden en ambos casos.
P(A) = 3 / 6 = 0,50
P(B) = 3 / 6 = 0,50
28
Manual del Alumno
c) Intersección de sucesos: es aquel suceso
compuesto por los elementos comunes de los dos o más
sucesos que se intersectan. La probabilidad será igual a
la probabilidad de los elemntos comunes.
Ejemplo: lanzamos un dado al aire y analizamos dos
sucesos: a) que salga número par, y b) que sea mayor
que 3. La intersección de estos dos sucesos tiene dos
elementos: el 4 y el 6.
Su probabilidad será por tanto:
P(A B) = 2 / 6 = 0,33
SESION 08
PROBABILIDAD DE SUCESOS
Problemas Propuestos
Problemas propuestos:
Resuelva estos ejercicios.
1. Se van a tirar 5 monedas y el resultado va a ser el número de
águilas menos el número de soles. Escriban el espacio muestral
equiprobable para este experimento. (Debe tener 32 resultados).
2. Siguiendo con el ejercicio anterior, me van a dar una cantidad de
pesos igual a la resta: [número de águilas] MENOS [número de
soles]. Si sale negativo quiere decir que ¡yo pago! ¿Cuál es la
probabilidad de que gane más de dos pesos?
36
Manual del Alumno
3. Si un dado se construye de modo que un 1 o un 2 ocurran dos
veces más frecuentemente que un 5, mismo que se presenta tres
veces más seguido que un 3 o un 4 o un 6. ¿Cuál es la
probabilidad de que el número que se obtiene sea par? ¿Cuál la
de que sea un cuadrado perfecto? ¿Cuál la de que sea mayor que
4?
4. ¿Cómo harían Uds. para construir un dado como el que se
propone en el ejercicio anterior?
37
Manual del Alumno
SESION 10
EXAMEN PARCIAL
SESION 11
PROBABILIDAD CONDICIONAL
Probabilidades conjuntas
Con:
la definición que hicimos de probabilidad condicional y
la definición de independencia podemos establecer igualdades que
nos auxilien para calcular la probabilidad de la ocurrencia
simultánea de dos eventos.
1. Para dos eventos en general.
P(A y B) = P(A) P(B | A)
o Esta igualdad no es más que la definición de probabilidad
condicional volteada al revés.
o Para aplicar esta igualdad es preciso que contemos, de
alguna manera indirecta, con la probabilidad condicional.
o La igualdad se puede escribir también, condicionando
sobre B, así.
P(A y B) = P(B) P(A | B)
2. Para dos eventos independientes
P(A y B) = P(A) P(B)
43
Manual del Alumno
o Para poder usar esta igualdad se necesita saber, de otras
fuentes, que A y B son independientes.
o Esta igualdad no es más que la versión de la de arriba
cuando P(B | A) = P(B).
Estas igualdades son muy útiles cuando el experimento aleatorio se va a
llevar a cabo en etapas temporales. Por ejemplo, suponga que una
empresa recibe materia prima empaquetada en sobres de 300g. que
vienen en cajas de 50 sobres cada una; suponga, además que cada sobre
puede ser: bueno o deficiente. Para revisar una caja, se van a tomar, al
azar, 3 sobres.
si más de 2 sobres son deficientes se rechazará la caja completa.
si ningún sobre es deficiente, se aceptará la caja completa.
si hay 1 o 2 sobres deficientes, se tomarán otros 3 sobres y si el
total de deficientes de los 6 sobres revisados, se pasa de 2, se
rechazará la caja completa (en caso de ser 2 o menos, se acepta
la caja).
Una fuente secreta nos informa que una caja específica tiene 10 sobres
deficientes. ¿Cuál es la probabilidad de que esa caja sea aceptada?
El problema es complejo, trate Ud. de resolverlo, la respuesta involucra
pensar en etapas, de acuerdo a los diferentes resultados de la primera
etapa. El problema lo resolvemos en el salón.
Más de dos Sucesos o Eventos
Ambas igualdades se pueden llevar a tres o más eventos, como sigue:
P(A y B y C) = P(A) P(B | A) P(C | A y B)
o cualquier otro orden para el condicionamiento,
por ejemplo:
44
Manual del Alumno
P(A y B y C) = P(B) P(C | B) P(A | B y C)
Para el caso de eventos independientes la igualdad se simplifica en su
escritura:
P(A y B y C) = P(A) P(B) P(C)
La generalización de las fórmulas anteriores a más de tres eventos es
inmediata.
No olvide que para aplicar cualquiera de estas fórmulas es preciso
conocer, previamente los valores de las probabilidades involucradas.
Un ejemplo de uso de estas fórmulas es el siguiente:
Si una pistola está cargada con 15 cartuchos, de los cuales 2 son inútiles y
no funcionarán, ¿Qué probabilidad hay de que el primer cartucho funcione
y los dos siguientes no?
En este ejemplo, por la especificación del evento, podemos calcular las
probabilidades condicionales por separado y eso nos lleva aplicar la
primera de las fórmulas vistas arriba.
La solución la damos en el pizarrón.
Más sobre independencia
Respecto a la independencia de dos eventos, hay algunas cosas muy
elementales que agregar a la definición que hicimos en notas pasadas.
1. La independencia de dos eventos A y B, quiere decir que el saber
que A sucedió no modifica la probabilidad de que B también haya
sucedido. Como consecuencia saber que A no sucedió tampoco
puede afectar a la probabilidad de B.
Hacemos una demostración formal en el pizarrón.
Podemos poner esto diciendo que
45
Manual del Alumno
Si A y B son independientes, también lo son las
tres siguientes pares: A' y B ; A y B' ; A' y B'
(estamos usando el apóstrofe ' para denotar
complemento)
2. Cuando se tienen tres eventos, se puede presentar una situación
muy curiosa. Puede pasar que
o A y B sean independientes y
o A y C sean independientes y
o B y C también sean independientes.
Pero A, B y C NO sean independientes.
Esta situación curiosa se describe diciendo que no basta que
varios eventos sean independientes a pares, para que sean
independientes.
El ejemplo clásico es el de un experimento aleatorio con cuatro
posibles resultados igualmente probables: 1, 2, 3 y 4 .
o Si el resultado es 1, A gana y nadie más.
o Si el resultado es 2, B gana y nadie más.
o Si el resultado es 3, C gana y nadie más, pero
o Si el resultado es 4, los tres A, B y C ganan.
Usted puede calcular las probabilidades para darse cuenta que:
o P(A y B) = P(A) P(B)
o P(A y C) = P(A) P(C)
o P(B y C) = P(B) P(C)
pero P(A y B y C) no es igual a P(A) P(B) P(C).
46
Manual del Alumno
3. Una nota final de un estilo menos matemático. La palabra
independencia se utiliza en otros contextos para denotar un
sinnúmero de conceptos diferentes.
Los ejemplos más comunes son en política, en historia, en
derecho. En la ciencia se habla de variables independientes y el
significado es diferente que el que usamos aquí. Aún en otras
ramas de la matemática se usa la palabra independencia para
denotar a otros conceptos. Cuando queremos distinguir la
definición técnica que usamos en la probabilidad de otras nociones
le ponemos un apellido a la independencia y decimos
independencia estocástica.
Es conveniente recordar que cuando existe duda si dos eventos son
independientes o nó, la única forma de zanjar la cuestión es viendo si P(A
y B) es igual o diferente al resultado de multiplicar P(A) P(B). Naturalmente
que si la independencia de dos eventos está en duda, el cálculo de P(A y
B) no se puede hacer simplemente multiplicando P(A) P(B) sino que se
debe justificar de alguna otra manera.
47
Manual del Alumno
SESION 12
TEOREMA DE BAYES
o sea
P(C|d) = [0.0004]/[0.00286] = 0.1399
casi 14%.
O sea que si tomamos una pieza al azar, la probabilidad de que haya sido
soldada por el robot C es alta, 40%. Pero, como ese robot produce sólo 1
50
Manual del Alumno
de cada mil soldaduras defectuosas, al saber que la pieza seleccionada es
defectuosa, la probabilidad de que provenga del robot C disminuye a
solamente 14%. Esto quiere decir que, en este caso el saber que la
soldadura es defectuosa, nos provee con una gran cantidad de
información.
Si analizáramos, usando de nuevo la fórmula de Bayes las probabilidades
de los robots A y B, tendríamos
P(B|d) = 0.7343 y P(A|d) = 0.1259
Comparadas con las probabilidades de cada máquina sin saber que la
pieza es defectuosa vemos un gran incremento en la probabilidad de B.
Si, por el contrario la pieza no hubiese tenido defectos de soldadura, el
mismo teorema de Bayes nos daría (haga Ud. las cuentas y ¡fíjese que no
me haya equivocado yo!):
P(A|no d) = 0.1802 P(B|no d) = 0.4191 y P(C|no d) = 0.4007
Las probabilidades no son idénticas a las probabilidades no condicionales,
pero la diferencia es muy pequeña.
Para apreciar mejor el cambio, pongamos en una sola tabla las
probabilidades iniciales y las condicionales obtenidas bajo el conocimiento
de la soldadura de la pieza.
Robot P() P( |d) P( |no d)
A 0.18 0.1259 0.1802
B 0.42 0.7343 0.4191
C 0.40 0.1399 0.4007
Es tan grande el éxito de los tres robots en el soldado correcto que el
saber que la pieza no tiene defectos, prácticamente no altera las
probabilidades de producción en uno u otro.
51
Manual del Alumno
Por el contrario, el robot C es tan bueno, comparado con el B que, al saber
que la pieza es defectuosa, las probabilidades cambian dramáticamente.
En este ejemplo el cálculo de probabilidades condicionales nos cuantifica
algo que el sentido común nos dice de otra forma. Note que la fórmula de
Bayes nos sirvió para pasar de las probabilidades no condicionales a las
condicionales.
Función de Distribución.
Cuando la imagen de una variable aleatoria es un intervalo real decimos,
según habíamos quedado, que la variable es continua. La matemática que
utilizamos para las variables continuas es diferente a la de las discretas
Por eso empezamos nuestro estudio con las discretas. Aún no acabamos
con las variables discretas, todavía nos faltan por discutir temas muy
importantes. Pero antes, hablaremos de una noción que es común a las
discretas y a las continuas.
Una función muy útil en el cálculo de probabilidades de una v. a. es la
función de distribución. Esta función se define de igual forma para
continuas y discretas:
F (x) = P(X <= x)
Vea bien la definición anterior y apréndasela de memoria. Coja una hoja de
papel en blanco y escríbala.
62
Manual del Alumno
Para no confundirnos con la notación, suele escribirse también así:
F (t) = P(X <= t)
La función de distribución tiene las siguientes propiedades:
1. F(en menos infinito) = 0 ; F(en más infinito) = 1
2. F es una función no decreciente.
3. F sirve para calcular probabilidades así
P( a < X <= b ) = F(b) - F(a)
Para que esta última propiedad nos sea de utilidad deberíamos tener la
distribución ya calculada. Para muchas variables aleatorias de uso común,
las distribuciones ya están calculadas y tabuladas (una hoja de cálculo,
como Excel ya incluye prácticamente todas las distribuciones que veremos
en este curso).
Para las variables aleatorias discretas hay que tener cuidado con el hecho
de que la primera desigualdad es estricta y la segunda no.
Por ejemplo si la imagen de X son todos los enteros, P(2 < X <= 5) se
puede calcular haciendo la resta F(5)-F(2). Pero la probabilidad P(2 < X <
5) se obtiene restando F(5)- F(1) (¿Por qué?). ¿Cómo calcula Ud. P(2 <= X
< 5)?
Las 4 propiedades que se señalaron arriba definen a una función de
distribución, de modo que para saber si una función es una distribución o
no, basta ver que las cumpla.
Considere el siguiente ejemplo.
F (x) = 1 - exp. (- 0.7 x ) para x > 0
Se trata de una variable aleatoria continua, cuya imagen son los números
positivos(¿Por qué?). Lo que Ud. tiene que hacer es:
Mostrar que es una distribución y
63
Manual del Alumno
usarla para calcular P( X >= 1.0), P( 0.7 < X < 1.0), P(X < 0.7), P(
X > 1.0 ó X <= 0.4 ).
En el pizarrón hacemos ejemplos de cómo es la forma matemática de una
función de distribución y de su gráfica.
f(x)=
o 0.025x para x en (3,7)
2
o k x si x está en [7,10)
o 0 en cualquier otra parte
muestre que k = 1/438 y muestre también que P(6 <= X <= 8) = 0.3155
Valores Esperados.
67
Manual del Alumno
Hay un par de cantidades importantes asociadas con cada variable
aleatoria:
el valor esperado, esperanza matemática o simplemente
esperanza o media.
la varianza y su raíz cuadrada, la desviación estándar.
Ambas cantidades se definen en base a un operador que llamamos el
operador esperanza. Matemáticamente la esperanza se define así, para
una v.a. discreta
E( g(X) ) = suma { g(i) f(i) }
2
Si la función g es g(t)= (t-4) , su esperanza es
2 2
E( [X - 4] ) = suma{[i-4] f(i)} =
2
suma{i f(i)} - suma{8if(i)} + suma{16f(i)} =
2
E(X ) - 8E(X) + 16
Y si g es g(t)= t/ 28
E( X/ 28) = suma{i/ 28 f(i)} = 1/28 suma{i f(i)} =
= (1/ 28) E(X) = E(X)/ 28
Ejemplo.
Ejemplos: si X es una v.a. continua cuya función de probabilidad es
X 1 2 3 4 5 6
f(x) 1/21 2/21 3/21 4/21 5/21 6/21
E(X) = 13 / 3 (detalles en el pizarrón) y var(X) = 20 / 9 así la desv.est.(X) =
1.4907.
Propiedades Aritméticas.
Las definiciones matemáticas de valor esperado y varianza, nos dicen
cómo calcular estas cantidades. Como operaciones matemáticas, tienen
algunas propiedades que vale la pena resaltar, porque a veces simplifican
algunas cuentas
E(c) = c la esperanza de una constante es la misma constante
E(c g(X)) = c E(g(X)) una constante multiplicando se puede sacar
de la esperanza.
E(g(X) + h(X)) = E(g(X)) + E(h(X)) la esperanza de una suma es
la suma de las esperanzas.
Las anteriores propiedades son muy parecidas a las de la integral.
Ahora tenemos algunas propiedades de la varianza.
2 2
var(X) = E(X ) - [E(X)] esta propiedad es muy útil para calcular, y
podemos tomarla como definición de la varianza.
2
var(aX) = a var(X) una constante multiplicando se saca de la
varianza elevándola al cuadrado.
var( c ) = 0 la varianza de una constante es cero.
69
Manual del Alumno
La varianza de una suma en general no es igual a la suma de las
varianzas. Según veremos después, la igualdad se cumple sólo
cuando las variables son independientes.
Como un ejemplo de estas propiedades, veamos la razón de la fórmula
2 2
var(X) = E(X ) - [E(X)] . De acuerdo a la definición
2
var(X) = E([X-E(X)] )
2 2
= E[X - 2XE(X) + E(X) ] =
2 2
= E( X) - E(2XE(X)) + E(E(X) ) =
2 2
= E( X) - 2E(X) E(X) + E(X) =
2 2
= E( X ) - E(X)
haciendo las operaciones y, juntando los dos extremos, se tiene:
2 2
var(X) = E(X ) - [E(X)]
SESION 14
DESIGUALDAD DE TCHEBYSHEV
Ejemplo de Aplicación:
Sea X una variable aleatoria con media 33 y varianza 16 . Hallar una cota
inferior para :
P [ 23 < X < 43 ]
Solución:
71
Manual del Alumno
P [ 23 < X < 43 ] = P [ 23 - 33 < X - 33 < 43 - 33 ]
= P [ - 10 < X – 33 < 10 ] = P [ IX- μ I < 10 ]
Observe que: 10 = kσ y σ = 4 , entonces k = 5/2 .
1
Luego: P [ 23 < X < 43 ] = P [ IX- μ I < (5/2) (4) ] ≥ 1 -
(5 / 2) 2
21
Por lo tanto: P [ 23 < X < 43 ] ≥
25
Problemas propuestos:
1. Sea X una variable aleatoria con media μ =2 y varianza σ2 = 1.
use la desigualdad de tchebyshev para hallar una cota inferior para
:
a) P [ IX- 2 I < 4 ] b) P [ - 3 < X < 7 ]
DISTRIBUCIONES DISCRETAS
Modelos Especiales.
Hay algunas variables aleatorias discretas que se usan muy
frecuentemente en una gran cantidad de aplicaciones. Estos modelos
reciben nombres especiales, que se utilizan en todo el mundo. Los
modelos principales que estudiamos son: el binomial, el hipergeométrico y
el de Poisson. Estudiaremos cada una por turno
DISTRIBUCIÓN BINOMIAL
Se tiene un número fijo de pruebas n. Con las siguientes características:
Cada prueba tiene sólo dos posibles resultados: genéricamente los
llamamos éxito y fracaso. Los denotamos con 1 (éxito) y 0
(fracaso).
El resultado de cada prueba es independiente del resultado de las
demás pruebas.
La probabilidad de éxito no cambia de una prueba a otra.
Nos interesa sólo el número total de éxitos X y no el orden en que
hayan ocurrido.
Cuando se cumplen las condiciones anteriores X tiene la distribución
binomial con parámetros n y p, donde n es el número de intentos y p la
probabilidad de obtener un éxito. Los valores posibles son desde cero
hasta ene: { 0, 1, 2, ... , n }. La función de probabilidad es:
k (n-k)
f(k) = P(X=k) = nCk p q , para k en {0,1,2,...,n}
73
Manual del Alumno
donde me he visto obligado por la tipografía, a usar el símbolo poco usual
nCk para denotar las combinaciones de k objetos tomados de un total de
n:
nCk = [n!] / [k!(n-k)!]
además, la letra q representa la probabilidad de fracaso q = 1-p.
La media de la binomial es: E(X) = np y la varianza: var(X) = npq.
¿Dónde se aplica el modelo binomial?:
1. ¿En una familia de tres hijos, cuál es la probabilidad de que a lo
más 2 sean niñas? La probabilidad de niña es 0.5; el sexo de cada
hijo es independiente del de los demás; n=3 y p=0.5.
P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
= 0.125 + 3(0.125) + 3(0.125)
= 0.875
o bien. P(X <= 2) = 1 - P(X=3) = 1 - 0.125 = 0.875
2. Se extraen 4 canicas CON REEMPLAZO de una urna que tiene 5
blancas y 3 negras. ¿Cuál es la probabilidad de que salgan menos
de 2 blancas? Como la elección se hace con reemplazo, se
cumplen los requisitos de un experimento binomial. X es el número
de canicas blancas, n = 4 y p = 5/8 = 0.625. La probabilidad que
necesitamos es P(X < 2) y ésta es igual a:
P(X < 2) = P(X=0) + P(X=1)
4 3
= 0.375 + (4)(0.625)(0.375)
= 0.1516
3. De un lote con 1,000 artículos de los cuales el 10% son
defectuosos, se escogen al azar 10. ¿Cuál es la probabilidad de
que haya más de 2 defectuosos? Aunque el muestreo se hace sin
74
Manual del Alumno
reemplazo, por la gran cantidad de artículos que hay en el lote
comparados con los que se escogen, suponemos que son válidos
los supuestos del modelo binomial. X es el número de artículos
defectuosos y la probabilidad que se nos pide es: P(X > 2).
Como el cálculo de las 8 probabilidades necesarias es muy latoso,
notemos que P(X > 2) = 1 - P(X <= 2). Aún así, hagamos esta
cuenta consultando la tabla de la binomial adecuada: n = 10, p =
0.10. La tabla dice que P(X <= 2) = 0.9298. Por tanto, la
probabilidad buscada es P(X > 2) = 0.0702 [Vea su tabla y
descubra este valor]. Claro que también tenemos la posibilidad de
calcular P(X <= 2) y restarla de uno.
P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
10 9 2 8
= (.9) + (10)(.1)(.9) + (45)(.1) (.9)
= 0.9298
Distribución de Bernoulli.
Este modelo se llama así en honor del probabilista de este apellido. A la
binomial cuando n = 1 se le llama Bernoulli.
Es aquel modelo que sigue un experimento que se realiza una sola vez y
que puede tener dos soluciones: acierto o fracaso:
Verificándose que:
p+q=1
p + q = 0,5 + 0,5 = 1
p + q = 0,25 + 0,75 = 1
p + q = 0,00001 + 0,99999 = 1
Distribución Hipergeométrica
76
Manual del Alumno
Se tiene un grupo de N objetos de los cuales k son éxitos y el resto,(N-k),
son fracasos. Se seleccionan n de los N, SIN REEMPLAZO. La v.a. X que
nos interesa es el número total de éxitos entre los n seleccionados y no el
orden en que salieron.
En estas condiciones la v.a. X tiene la distribución hipergeométrica. Su
imagen es {0,1,...,n}. La función de probabilidad está dada por:
P(X=x) = [ kC x (N-k)C(n-x) ] / [ NCn ]; para x en { 0,1,...,n }
La media es: E(X) = nk/N y la varianza: var(X) = [N-n]/[N-1] n (1-k/N) k/N
¿Dónde se aplica?
1. En situaciones de muestreo sin reemplazo en que la muestra es
un porcentaje considerable de la población. Como ejemplo, de un
lote de 40 artículos se seleccionan al azar 4 para probarlos y si
fallan la prueba más de 2 se rechaza el lote completo. ¿Cuál es la
probabilidad de rechazar un lote que tenga 8 defectuosos? Dado
que el muestreo se hace sin reemplazo y la fracción de muestreo
es grande (10%) tenemos una v.a. hipergeométrica. Los
parámetros son: N=40, k=8, n=4, X es el número de defectuosos
en la muestra y queremos la probabilidad
P(X > 2) = P(X=3) + P(X=4) = 1792/91390 + 70/91390 = 0.0204
ésta es la probabilidad de rechazar un lote con 25% de
defectuosos y es muy baja. Para mejorar el proceso de selección,
los ingenieros deciden rechazar el lote cuando haya 2 o más
defectuosos. ¿Cuál es la probabilidad de rechazar un lote que
tenga 8 defectuosos? Los parámetros permanecen iguales lo que
cambia es la probabilidad, ahora es
P(X >= 2) = P(X=2) + P(X>2) = 0.1520 + 0.0204 = 0.1724
77
Manual del Alumno
Con esta nueva política de rechazar el lote cuando sean 2 o más,
¿cuál es la probabilidad de rechazar un lote con 6 defectuosos?
Los parámetros son, ahora, N=40, k=6, n=4 y queremos la
probabilidad:
P(X > 10) = 1 - [P(X=0) + P(X=1)]
= 1 - [46376/ 91390 + 35904/ 91390]
= 0.0997
2. En el salón de tercer año de una escuela hay 35 alumnos, de los
cuales 10 son niñas y 25 niños. Se nombra un comité de 7
alumnos que represente al salón. La selección se hace al azar.
¿Qué probabilidad hay de que en el comité haya mayoría de
niñas? En esta situación se cumplen las hipótesis de una
hipergeométrica. Los parámetros son: N=35, k=10, n=7, X es el
número de niñas en el comité. La probabilidad pedida es:
P(X > 3) = P(X=4) + P(X=5) + P(X=6) + P(X=7)
= 0.0839
Problemas Propuestos:
1. La probabilidad que en cierto establecimiento industrial el
consumo de energía eléctrica sea normal en 24 horas es
igual a ¾. Determinar la distribución de probabilidad del
número de días de consumo normal de energía eléctrica en un
lapso de 6 días; represente en un diagrama esta distribución .
determine además cuál es la probabilidad que haya 4 días de
consumo normal?
78
Manual del Alumno
2. Se lanza un dado 4 veces cuál es la probabilidad que la suma
9 aparezca exactamente 2 veces.
3. Una máquina produce cierto tipo de piezas , de las cuales un
promedio de 5% son defectuosas . En una muestra aleatoria
de cinco piezas . ¿cuál es la probabilidad de obtener :
a) Exactamente una pieza defectuosa.
b) Por lo menos una pieza defectuosa.
4. La probabilidad de fallar durante el vuelo para cada uno de los
6 motores de un avión es 0.0005 . Suponiendo que los 6
motores trabajan independientes, determine la probabilidad
que en un vuelo determinado :
a) no ocurra ninguna falla de motor.
b) No ocurra más de una falla.
c) Ocurra exactamente 2 fallas.
5. Suponga que los motores de un avión de cierta marca que
operan independientemente , tienen una probabilidad de falla
de 0.1 . suponga que un avión efectúa un vuelo exitoso , si al
menos la mitad de sus motores operan normalmente ,
determine cuál avión , una con 4 motores y otro con 6 motores
, tiene mayor probabilidad de efectuar un vuelo exitoso.
6. Suponga que la máquina A produce el doble de artículos que
la máquina B . Se sabe que el 6% de los artículos que produce
la máquina A son defectuosos mientras que el 3% de los
artículos que produce la máquina B son defectuosos .
Suponga que se junta la producción diaria de estas máquinas
79
Manual del Alumno
y se toma una muestra aleatoria de 10 artículos. Cuál es la
probabilidad de obtener 3 artículos defectuosos.
7. Un examen consta de 20 preguntas , cada una tiene 5
respuestas, de las cuales sólo una es correcta . Un estudiante
que desconoce el curso responde el examen al azar.
a) Cuál es la probabilidad que acierte mas de 10 respuestas
correctas?
b) Cuál es la probabilidad que acierte mas de 15 respuestas
correctas?
8. Se sabe que la probabilidad de que germine una sola semilla
de cierta clase es 0.9 . un agricultor quiere vender cultivos de
esta planta, para lo cuál asevera que cada uno contiene 100
plantas . Si siembra 110 semillas en cada cultivo ( que se
suponen germinarán en forma independientes ) ¿cuántas
plantas se puede esperar que contenga un cultivo promedio?
SESION 15
DISTRIBUCIÓN DE POISSON
Este modelo se llama así para honrar la memoria de otro gran probabilista
y matemático. La v.a. de Poisson se refiere a sucesos en un intervalo de
tiempo o en una área específica. El intervalo de tiempo puede ser de
cualquier duración, un minuto, una hora, un día, un año. Algunos ejemplos
de situaciones modeladas con el modelo de Poisson son: el número de
fallas de una máquina en una semana, el número juegos de algún deporte
pospuestos por lluvia en una temporada.
80
Manual del Alumno
Cuando se trata de superficies, los ejemplos son: el número de ratas en un
terreno, el número de errores de mecanografía por página, el número de
defectos por centímetro cuadrado.
Para que una v.a. sea de Poisson, se requiere que se satisfagan 3
hipótesis (que suelen llamarse también postulados del proceso de
Poisson).
En los problemas que resolvemos en este curso, el hecho de que el
modelo a utilizar sea el de Poisson, forma parte del enunciado del
problema.
La v.a. de Poisson tiene un solo parámetro que es mu = lambda.t ;donde t
es la longitud del intervalo o la superficie de la región y lambda es la tasa
de ocurrencia de eventos por unidad de medida.
La imagen de la v.a. de Poisson es {0, 1, 2, . . . } es decir todos los enteros
no negativos. La función de probabilidad esta dada por:
(k)
P(X = k) = exp(-mu)[mu / k!]; k = 0, 1, 2, . . .
La media es E(X) = mu y la varianza es var(X) = mu.
¿Dónde de aplica la v.a. de Poisson?
1. Si el promedio de llamadas por día hábil (de ocho horas) que se
reciben en un banco es 96. ¿Cuál es la probabilidad de que en una
hora se reciban exactamente 14?
Aquí, mu = 12 y
(-12) (14)
P(X = 14) = e [12 / 14!] = 0.0905
En la misma situación ¿Cuál es la probabilidad de tener más de 16
llamadas en una hora? Ahora queremos:
P(X > 16) = 1 - P(X <= 16)
81
Manual del Alumno
esta última probabilidad la leemos en la tabla de Poisson y
tenemos:
P(X > 16) = 1 - 0.8987 = 0.1013
2. Una aplicación muy importante de la probabilidad de Poisson se
da para aproximar la binomial. Esta aproximación funciona bajo las
siguientes circunstancias.
o La v.a. X cuyas probabilidades se quieren es binomial.
o La n es muy grande (n >= 20) y
o La p es muy pequeña (p <= 0.05).
o De modo que, aproximadamente np < 5
En estas condiciones:
(k)
P(X = k) aproximadamente es exp(-mu)[mu / k!]
donde mu = np
Ejemplo. En una cierta comunidad la probabilidad de que una
persona infectada por neumonía muera es 0.002. ¿Cuál es la
probabilidad de que mueran a lo más 5 de las siguientes 2000
personas infectadas? Aquí se dan las condiciones para la
aproximación: n= 2000 y p = 0.002 de modo que mu = 4 y la
probabilidad pedida se obtiene de la tabla como
P(X >= 5) aproximadamente es 0.7851
3. Un mecanógrafo comete, en promedio, 2 errores por página. ¿Cuál
es la probabilidad de que tenga más de 20 errores en un
documento de 7 páginas? Aquí mu = 14 que es el número
esperado de errores en el documento. La probabilidad buscada,
usando la tabla es
P(X > 20) = 1 - P(X <= 20) = 0.0479
82
Manual del Alumno
SESION 16
DISTRIBUCIONES CONTINUAS
Esta función no tiene una integral elemental de modo que se requiere una
tabla especial para conocer los valores de la probabilidad de una variable
normal. La tabla da probabilidades para
F(t) = P(Z < t)
Problemas Propuestos.
1. Sea X una variable aleatoria con N( μ, 25 )
Calcular: P[ І X – μ І > 3 ]
2. Si X es una variable aleatoria con N( 650, 625 ). Hallar la constante
“c > 0” tal que:
P[ І X – 650 І < c ] = 0.9544
3. En una distribución normal se tienen los siguientes datos:
P[ X < 45 ] = 0.31 P[ X > 64 ] = 0.08
Hallar la media y la desviación estándar de la distribución.
4. Una pequeña ciudad es abastecida de agua cada 2 días ; El
consumo en volumen de agua para esa pequeña ciudad tiene una
distribución normal con media 20000 litros y una desviación de 1000
litros ( se entiende el consumo cada 2 días ) . Se trata de hallar la
capacidad de su tanque de agua para que sea de solo 0.01 , la
probabilidad que en un periodo de dos días el agua no sea suficiente
para toda la demanda.
5. Si la duración de los periodos de duración de los postes telefónicos
de madera es tal que el 9.51% tienen un periodo de duración que
exceden los 9 años, determine la desviación estándar de los
periodos de duración si se sabe que la distribución de dichos
periodos es normal.
SESION 17
91
Manual del Alumno
Puede ser aproximada por una normal, luego Sn puede considerarse una
normal de media 3.5*n y varianza 35n/12. La curva roja es el grafico de la
función de densidad de una normal con esos parámetros.
Problemas propuestos:
1. Un examen de tipo test contiene 100 preguntas, cada una con dos
posibles respuestas (verdadera-falsa), de las que sólo una es
cierta. Hacer uso de la aproximación normal para:
Sea
SESION 18
PRUEBAS DE HIPÓTESIS
Introducción y Suposiciones
Una hipótesis es una aseveración sobre algún atributo poblacional. Según
Méndez (1973), una hipótesis es "Una suposición teórica que se acepta
provisionalmente para explicar ciertos hechos". Aseveraciones sobre
parámetros poblacionales conducen a pruebas paramétricas. Estas
pruebas se basan en el análisis de muestras con el fin de evaluar algún
valor hipotético. Las técnicas paramétricas se basan generalmente en una
o varias suposiciones sobre los elementos de la población. Por otra parte,
existen hipótesis que se plantean con respecto a un intervalo de valores,
es decir, en este caso el interés no es determinar un valor en particular
sino construir un intervalo de confianza, es decir, con base a una muestra
determinar el valor de P (a< Q < b), la probabilidad de que el parámetro Q
se encuentre entre (a,b) y el grado de confiabilidad en esta aseveración.
Las suposiciones mas importantes en la mayoría de las pruebas de
hipótesis son:
Distribuciones de Referencia
La mayoría de las pruebas estadísticas hacen uso de una distribución de
referencia. Una distribución de referencia es un modelo probabilístico de la
estadística de prueba que ocurre cuando Ho es cierta, es decir, cuyo(s)
parámetro(s) corresponden a los establecidos en la hipótesis nula. Con
esta distribución de referencia podemos calcular las probabilidades de
101
Manual del Alumno
obtener el valor observado de dicha estadística. Por ejemplo, suponga que
examinamos una muestra de la cual obtuvimos una media muestral =8.
Podemos suponer que este valor provino de una distribución N(5,2), es
decir, de una distribución de medias distribuidas normalmente, Media ~
N(5, 2). En este caso, estamos suponiendo que la media poblacional µ <=
5, i.e., Ho: µ <= 5, contra Ha: µ > 5. Además, también suponemos que la
varianza de las medias es 2. La Figura 1 ilustra la distribución
probabilística N(5,2).
Dos poblaciones
1. Se realiza el siguiente experimento. Se pretende probar si cierto
tipo de trampa captura adultos de "salivazos" igualmente del lado
norte y del lado sur. Aqui la hipótesis es mu1 = mu2, contra Ha:
mu1 <> mu2. mu1 es la media poblacional (número de insectos
capturados) en el lado sur, y mu2 es la media poblacional en el
lado norte.
2. Se postula que existe una relación lineal entre el numero de
chinches del sorgo y el rendimiento del sorgo. El modelo
estadístico mas simple es que el rendimiento (Y) es una función
lineal del número de chinches (X): Yi = B0 + B1X + ei. Si este
modelo es cierto, entonces B1 <> 0, de otra manera no existe
relación entre X y Y y el modelo se colapsa a: Yi = B0 + ei.
104
Manual del Alumno
B0 representa la media general y B1 la pendiente de una recta. La
hipótesis que se desea probar es: Ho: B1 = 0 vs B1 <> 0.
PROBLEMAS PROPUESTOS:
Muestra 1 Muestra 2
n1 = 40 n2 = 50
= 25.2 = 22.8
S1 = 5.2 S2 = 6.0
b) ¿Cuál es el valor p?
Muestra 1 Muestra 2
n1 = 80 n2 = 70
= 104 = 106
107
Manual del Alumno
S1 = 8.4 S2 = 7.6
b. ¿Cuál es el valor p?
Ho: 1 - 2 =0
Ha: 1 - 2 0
Los resultados siguientes corresponden a dos muestras
independientes de las dos poblaciones. ¿Cuál es su conclusión de
la prueba de hipótesis con a = 0.05?
Muestra 1 Muestra 2
n1 = 8 n2 = 7
= 1.4 = 1.0
S1 = 0.4 S2 = 0.6
n1 = 36 n2 = 49
= 40 años = 35 años
S1 = 9 años S2 = 10 años
= 547 = 525
S1 = 83 S2 = 78
SESION 19
EXAMEN DE LA II UNIDAD FORMATIVA
110
Manual del Alumno
SESION 20
EXAMEN SUSTITUTORIO