CURSO: ESTADSTICA APLICADA A LA INGENIERA

CAPTULO 3: VARIABLES DISCRETAS ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

3-1 3-2 3-3 3-4 3-5 3-6 3-7

VARIABLES DISCRETAS ALEATORIAS DISTRIBUCIN DE PROBABILIDADES Y FUNCIONES MASIVAS DE PROBABILIDADES FUNCIONES DE DISTRIBUCIN ACUMULATIVAS PROMEDIO Y VARIANZA DE VARIABLES DISCRETAS ALEATORIAS DISTRIBUCIN DISCRETA UNIFORME DISTRIBUCIN BINOMINAL DISTRIBICIONES GEOMTRICA Y BINOMINAL NEGATIVA

3-7.1 Distribucin Geomtrica 3-7.2 Distribucin Binominal Negativa 3-8 3-9 DISTRIBUCIN HIPERGEOMTRICA DISTRIBUCIN DE POISSON

3-1

VARIABLES DISCRETAS ALEATORIAS

Muchos sistemas fsicos pueden ser modelados por los mismos o similares experimentos aleatorios y variables aleatorias. La distribucin de las variables aleatorias implicadas en cada uno de estos sistemas comunes puede ser analizada, y los resultados de aquel anlisis pueden ser usados en aplicaciones diferentes y ejemplos. En esta seccin, presentamos el anlisis de varios experimentos aleatorios y variables aleatorias discretas que con frecuencia resultan en aplicaciones. A menudo omitimos una discusin del espacio de muestra subyacente del experimento aleatorio y directamente describimos la distribucin de una variable aleatoria particular. EJEMPLO 3-1: Un sistema de comunicacin de voz para un negocio contiene 48 lneas externas. En un tiempo particular, el sistema es observado, y algunas lneas estn siendo usadas. Sea X la variable aleatoria que denota el nmero de lneas en uso. Entonces, X puede asumir cualquier nmero entero de 0 a 48. Cuando el sistema es observado, si 10 lneas estn en uso, x = 10.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

EJEMPLO 3-2: En un proceso de fabricacin de semiconductores, dos obleas de un grupo son testeadas. Cada oblea es clasificada como aprobada o fallida. Asumiendo que la probabilidad que una oblea apruebe el test es 0.8 y que las obleas son independientes. El espacio de muestra para este experimento y las probabilidades asociadas se muestran en la Tabla 3-1. Por ejemplo, debido a la independencia, la probabilidad del resultado que la primera oblea aprob el test y la segunda oblea fall, denotada como pf, es: P(pf) = 0.8 (0.2) = 0.16 La variable aleatoria X es definida ser igualitaria con el nmero de obleas que aprueben. La ltima columna de la Tabla muestra los valores de X que estn asignados a cada resultado (salida) en el experimento.

Resultado (salida) Oblea 1 Oblea 2 Aprob Aprob Fall Aprob Aprob Fall Fall Fall

Probabilidad 0.64 0.16 0.16 0.04

x 2 1 1 0

Tabla 3-1: Prueba de las Obleas. EJEMPLO 3-3: Defina la variable arbitraria X para que sea el nmero de partculas contaminadas en una oblea, en la fabricacin de semiconductores. Aunque las obleas poseen varias caractersticas, la variable aleatoria X compendia la oblea slo en trminos de nmero de partculas. Los posibles valores de X son nmeros enteros del cero hasta algn valor elevado que represente el nmero mximo de partculas que pueden ser encontradas en una de las obleas. Si este nmero mximo es muy grande, podramos asumir simplemente que el rango de X es el conjunto de nmeros enteros del cero al infinito.

Debe notarse que ms de una variable aleatoria puede ser definida sobre un espacio de muestra (o espacio muestral). En el ejemplo 3-3, deberamos definir la variable Y como tal que sea el nmero de chips de una oblea que fallaron en el test final.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

3-2

DISTRIBUCIN DE PROBABILIDADES Y FUNCIONES MASIVAS DE PROBABILIDADES

Las variables aleatorias son tan importantes en experimentos aleatorios que a veces esencialmente ignoramos el espacio de muestra original del experimento y foco de la distribucin de probabilidad de la variable aleatoria. Por ejemplo, en el Ejemplo 3-1, nuestro anlisis podra focalizarse exclusivamente en los nmeros enteros {0, 1,..., 48} del rango de X. En el Ejemplo 3-2, podramos resumir el experimento aleatorio en trminos de tres valores posibles de X, a saber {0, 1, 2}. De esta forma, una variable aleatoria puede simplificar la descripcin y anlisis de un experimento aleatorio. La distribucin de probabilidad de una variable aleatoria X es una descripcin de las probabilidades asociadas con los valores posibles de X. Para una variable aleatoria discreta, a menudo la distribucin es especificada por slo una lista de los valores posibles junto con la probabilidad de cada uno. En algunos casos, es conveniente expresar la probabilidad en trminos de una frmula.

EJEMPLO 3-4: Hay una posibilidad que un bit transmitido por un canal de transmisin digital es recibido con error. Sea X igual al nmero de bits con error en los siguientes cuatro bits transmitidos. Los valores posibles para X son {0, 1, 2, 3, 4}. Basado en un modelo para los errores que ser presentado en la seccin siguiente, las probabilidades para estos valores sern determinadas. Suponga que las probabilidades son: P (X = 0) = 0.6561; P (X = 1) = 0.2916; P (X = 4) = 0.0001. P (X = 2) = 0.0486; P (X = 3) = 0.0036;

La distribucin de probabilidad de X es especificada por los posibles valores junto con la probabilidad de cada uno. Una descripcin grfica de la distribucin de probabilidad de X es mostrada en el Figura 3-1. Suponga una carga en una larga y delgada viga, que presiona una cantidad slo en puntos discretos. Vea la Figura 3-2. La carga puede ser descrita por una funcin que especifique la cantidad de presin en cada uno de los puntos discretos. Del mismo modo, para una variable aleatoria discreta X, su distribucin puede ser descrita por una funcin que especifique la probabilidad de cada uno de los posibles valores discretos para X.

Figura 3-1: Distribucin de Probabilidad para bits con error.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Figura 3-2: Carga en puntos discretos de una viga delgada y larga.

DEFINICIN: Para una variable aleatoria discreta X con valores posibles x1, x2,, xn, una funcin de probabilidad masiva (de cantidad) es una funcin tal que: (1) f (xi) 0 n (2)

f (x ) = 1
i

i=1 (3) f (xi) = P (X = xi) (3-1)

Por ejemplo, en el Ejemplo 3-4, f(0)=0.6561, f(1)=0.2916, f(2)=0.0486, f(3)=0.0036 y f(4)=0.0001. Compruebe que la suma de las probabilidades en el Ejemplo 3-4 es 1.

EJEMPLO 3-5: Sea la variable aleatoria X la que denote el nmero de obleas semiconductoras que tienen que ser analizadas a fin de descubrir una elevada contaminacin de partcula. Asuma que la probabilidad que una oblea contiene una elevada contaminacin de partculas es 0.01 y que las obleas son independientes. Determine la distribucin de probabilidad de X. Sea p la que denote una oblea en la cual una elevada contaminacin de partculas est presente, y sea a la que denote una oblea en la cual la contaminacin est ausente. El espacio de muestra del experimento es infinito, y puede ser representado como todas las posibles secuencias que comienzan con una cuerda de a's y termina con p. Es decir, s = {p, ap, aap, aaap, aaaap, aaaaap, etctera} Considere unos pocos casos especiales. Tenemos que P (X = 1)=P(p)=0.01. Tambin, usando el supuesto de independencia:

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

P (X = 2) = P(ap) = 0.99 (0.01) = 0.0099. Una frmula general es:

para x = 1, 2, 3,.. La descripcin de las probabilidades asociadas con X en trminos de esta frmula es el mtodo ms simple de describir la distribucin de X en este ejemplo. Claramente f(xi) 0. El hecho que la suma de las probabilidades es 1 es dejada como un ejercicio. Este es un ejemplo de una variable geomtrica aleatoria, y los detalles sern proporcionados ms adelante.

3-3

FUNCIONES DE DISTRIBUCIN ACUMULATIVAS

EJEMPLO 3-6: En Ejemplo 3-4, podemos estar interesados en la probabilidad de tres o menos bits con error. Esta pregunta puede ser expresada como P(X 3). El evento que {X 3} es la unin de los eventos {X = 0}, {X = 1}, {X = 2}, y {X = 3}. Claramente, estos tres eventos son mutuamente excluyentes. Por lo tanto: P(X 3) = P (X = 0) + P (X = 1) + P (X = 2) +P(X = 3) = 0.6561 + 0.2916 + 0.0486 + 0.0036 = 0.9999 Este enfoque puede tambin ser usado para determinar: P(X = 3) = P(X 3) - P(X 2) = 0.0036

En el Ejemplo 3-6 se muestra que a veces es til ser capaz de proveer probabilidades acumulativas, tales como P(X x) y que tales probabilidades pueden ser utilizadas para encontrar la probabilidad de funcin masiva de una variable aleatoria. Por lo tanto, usando la probabilidad acumulativa es un mtodo alternativo de describir la distribucin de probabilidades de una variable aleatoria. En general, para cualquier variable discreta aleatoria con posibles valores x1, x2,, xn, los eventos {X = x1}, {X = x2},.., {X = xn} son mutuamente excluyentes. Por tanto, P(X x) =

xi

f(xi).

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

DEFINICIN:

La funcin de distribucin acumulativa de una variable discreta aleatoria X, denotada como F(x), es: F(x) = P(X x) =

f(xi).

xi x

Para una variable discreta aleatoria X, F(x) satisface las siguientes propiedades: (1) (2)

F(x) = P(X x) = xi 0 F(x)

f(xi).

(3)

Si x y, entonces F(x)F(y)

(3-2)

Como la probabilidad de una funcin masiva, la funcin de distribucin acumulativa provee probabilidades. Se debe notar que an si la variable aleatoria X puede asumir solamente valores enteros, la funcin de distribucin acumulativa puede ser definida con valores no enteros. En el Ejemplo 3-6, F(1.5) = P(X 1.5) = P {X=0} + p (X=1) = 0.6561 + 0.2916 = 0.9477. Las propiedades (1) y (2) de la funcin de distribucin acumulativa son obtenidas de la definicin. La propiedad (3) se obtiene del hecho que si x y, el evento que {X x} esta contenido en el evento {X y}. El siguiente ejemplo muestra como una funcin de distribucin acumulativa puede ser usada para determinar la funcin masiva de una variable discreta aleatoria.

EXAMPLE 3-7: Determine la probabilidad de la funcin masiva de X a partir de la siguiente funcin de distribucin acumulativa:

La Figura 3-3 muestra un grfico de F(x). Del grfico, los nicos puntos que reciben probabilidades no nulas (cero) son -2, 0 y 2. La probabilidad de la funcin masiva en cada punto es el cambio en la funcin de distribucin acumulativa en este punto. Por lo tanto,

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Figura 3-3: Funcin de Distribucin Acumulativa para el Ejemplo 3-7.

EJEMPLO 3-8: Suponga que la produccin diaria de 850 partes fabricadas contiene 50 partes que no se ajustan a las exigencias de cliente. Dos partes son seleccionadas al azar, sin reemplazo, del grupo. Permita a la variable aleatoria X iguale el nmero de partes no ajustadas en la muestra. Cul es la funcin de la distribucin acumulativa de X? La pregunta puede ser respondida primeramente encontrando la probabilidad de la funcin masiva de X.

Por lo tanto:

La funcin de distribucin acumulativa para este ejemplo es graficada en la Figura 3-4. Debe notarse que F(x) es definido para todas las x desde - x y no solamente para 0, 1 y 2.

Figura 3-4: Funcin de Distribucin

Acumulativa para Ejemplo 3-8.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

3-4

PROMEDIO Y VARIANZA DE VARIABLES DISCRETAS ALEATORIAS

Dos nmeros a menudo son usados para resumir una distribucin de probabilidad para una variable arbitraria X. El promedio es una medida del centro o el medio de la distribucin de probabilidad, y la varianza es una medida de la dispersin, o variabilidad en la distribucin. Estas dos medidas no identifican nicamente una distribucin de probabilidad. Es decir dos distribuciones diferentes pueden tener el mismo promedio y varianza. De todos modos, estas medidas son medidas simples, resmenes tiles de la distribucin de probabilidad de X. DEFINICIN:

El promedio, media o valor esperado de una variable aleatoria discreta X, denotada como o E(X) es:

= E(X) =

x f(x)
x

(3-3)

La varianza de X, denotada por 2 o V(X), es: 2 = V(X) = E(X-)2 = (x- ) f(x) = (x) f(x) 2
x x

__ La desviacin estndar de X es = 2

La media (promedio) de una variable aleatoria discreta X es un promedio ponderado de los valores posibles de X, con pesos iguales a las probabilidades. Si f(x) es la funcin masiva de probabilidad de una carga en una viga larga, delgada, E(X) es el punto en el cual la viga se equilibra. Por consiguiente, describe "el centro" de la distribucin de X en una manera similar al punto de balance de una carga. Ver la Figura 3-5.

Figura 3-5: Una distribucin de probabilidades puede ser vista como una carga con la media
igual al punto de balanceo. Partes a) y b) ilustran igual media, pero la parte a) muestra un mayor varianza.

La varianza de una variable aleatoria X es una medida de dispersin o de dispersarse en los valores posibles para X. La varianza de X usa el peso f(x) como el multiplicador de cada posible desviacin cuadrtica (x- ) 2. La figura 3-5 ilustra distribuciones de probabilidad con medias iguales, pero diferente varianzas. Las propiedades de adicin y la definicin de pueden ser usadas para mostrar la igualdad de las frmulas de la varianza.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Ambas frmulas para V(x) pueden ser utilizadas. La Figura 3-6 muestra que dos distribuciones de probabilidades pueden diferir an cuando tengan idnticas medias y varianzas.

Figura 3-6: Las Distribuciones de Probabilidad ilustradas en la Parte a) y b) difieren an

cuando ambas tienes igual media y varianza.

EJEMPLO 3-9: En el Ejemplo 3-4, hay una posibilidad que un bit transmitido por un canal de transmisin digital es recibido con error. Permita que X sea igual al nmero de bits con error en siguientes cuatro bits transmitidos. Los valores posibles para X son {0, 1, 2, 3, 4}. Basado en un modelo para los errores que es presentado en la seccin siguiente, las probabilidades para estos valores sern determinadas. Suponga que las probabilidades son:

Entonces,

Aunque X nunca asuma el valor 0.4, el promedio ponderado de los valores posibles es 0.4. Para calcular V(X), una Tabla es conveniente.

Profesor: Ing. Oscar A. Inostroza

CURSO: ESTADSTICA APLICADA A LA INGENIERA

La frmula alternativa para la varianza puede tambin ser usada para obtener el mismo resultado. EJEMPLO 3-10: Dos nuevos diseos de producto deben ser comparados sobre la base del potencial de ingresos. Marketing siente que los ingresos del diseo A pueden ser predecidos bastante exactamente, en 3 millones de dlares. El potencial de ingresos del diseo B es ms difcil de valorar. Marketing concluye que hay una probabilidad de 0.3 que los ingresos del diseo B sean 7 millones de dlares, pero hay una 0.7 probabilidad que los ingresos sean slo 2 millones de dlares. Qu diseo prefiere usted? Permita que X denote los ingresos del diseo A. Como no hay ninguna incertidumbre en los ingresos del diseo A, podemos modelar la distribucin de la variable aleatoria X como 3 millones de dlares con la probabilidad 1. Por lo tanto, E(X) = 3 millones. Permita que Y denote los ingresos del diseo B. El valor esperado de Y en millones de dlares es: E(Y) = $7 (0.3) + $2 (0.7) = $3.5. Porque E(Y) excede a E(X), debemos preferir disear B. Sin embargo, la variabilidad del resultado de disear B es mayor. Esta es:

= 5.25 millones de dlares cuadrados. Como las unidades de las variables en este ejemplo son millones de dlares, y porque la varianza de una variable aleatoria es el cuadrado de las desviaciones de la media, las unidades de 2 son millones de dlares cuadrados. Estas unidades hacen la interpretacin difcil. Como las unidades de la desviacin estndar son las mismas de las unidades de la variable aleatoria, la desviacin estndar es ms fcil de interpretar. En este ejemplo, podemos resumir nuestros resultados como la desviacin media de Y de su media es de 2.29 millones de dlares.

Profesor: Ing. Oscar A. Inostroza

10

CURSO: ESTADSTICA APLICADA A LA INGENIERA

EJEMPLO 3-11: El nmero de mensajes enviados por hora de una red de computacin tiene la siguiente distribucin:
x = nmero de mensajes f (x)

10 0.08

11 0.15

12 0.30

13 0.20

14 0.20

15 0.07

Determinar la media y la desviacin estndar del nmero de mensajes enviados por hora. E(X) = 10 (0.08) + 11 (0.15) + 12 (0.30) + 13 (0.20) + 14 (0.20) + 15 (0.07) = 12.5. V(X) = 102(0.08)+112(0.15)+122(0.30)+132(0.20)+142(0.20)+152(0.07) -12.52 = 1.85 ___ ___ = V(X) = 1.85 = 1.36. La varianza de una variable aleatoria X puede ser considerada ser el valor esperado de una funcin especfica de X, denominada h(X) = (X )2. En general, el valor esperado de cualquier funcin h(X) de una variable aleatoria discreta es definido de una manera similar.

Valor Esperado de una Funcin de una Variable Aleatoria Discreta:

Si X es una variable aleatoria discreta con una funcin de probabilidad masiva f(x), E [h(X)] =

x h(x) f(x)
x

(3-4)

EJEMPLO 3-12: En el Ejemplo 3-9, X es el nmero de bits con error en los siguientes cuatro bits transmitidos. Cul es el valor esperado del cuadrado del nmero de bits con error? Ahora, h(X) = X2. Por lo tanto: E [h(X)] = 02 x 0.6561 + 12 x 0.2916 + 22 x 0.0486 + 32 x 0.0036 + 42 x 0.0001 = 0.52 En el ejemplo previo, el valor esperado de X2 no es igual a E(X) al cuadrado. Sin embargo, en el caso especial que h(X) = aX + b para cualquier constante a y b, E[h(X)] = a E(X) + b. Esto puede ser mostrado de las propiedades de la adicin en la definicin de la ecuacin 3-4.

Profesor: Ing. Oscar A. Inostroza

11

CURSO: ESTADSTICA APLICADA A LA INGENIERA

3-5

DISTRIBUCIN DISCRETA UNIFORME

La variable aleatoria discreta ms sencilla es aquella que asume solamente nmeros finitos de valores posibles, todos con igual probabilidad. Una variable aleatoria X que asume cada uno de los valores x1, x2,, xn igual probabilidad 1/n, es frecuentemente de inters. DEFINICIN: Una variable aleatoria X tiene una distribucin uniforme discreta si cada uno de los valores n en sus rangos, x1, x2,, xn, tienen igual probabilidad. Entonces: f(xi) = 1/n (3-5)

EJEMPLO 3-13: El primer dgito del nmero de parte serial es igualmente deseable que sea cualquiera de los dgitos 0 al 9. Si una parte es seleccionada de un grupo grande y X es el primer dgito del nmero de serie, X tiene una distribucin uniforme discreta con probabilidad 0.1 para cada valor en R = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}. Es decir, f(x) = 0.1 para cada valor en R. La probabilidad de la funcin masiva de X se muestra en la Figura 3-7.

Figura 3-7: Probabilidad de una funcin masiva para una variable aleatoria uniforme discreta.

Supongamos que el rango de una variable aleatoria discreta X es los enteros consecutivos a, a+1, a+2, .., b; para a b. El rango de X contiene b-a+1 valores, cada uno con probabilidad 1/(b-a+1). Ahora;

La identidad algebraica;

Puede ser usada para simplificar el resultado a = (b + a ) /2.

Profesor: Ing. Oscar A. Inostroza

12

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Suponga que X es una variable aleatoria discreta uniforme sobre enteros consecutivos a, a+1, a+2,., b. para a b. La media de X es:

= E(X) = (b + a) / 2.
La varianza de X ser:

2 = [(b a + 1)2 -1] / 12

(3-6)

EJEMPLO 3-14: Como en el Ejemplo 3-1, permita que la variable aleatoria X denote el nmero de las 48 lneas de voz que estn en uso en un momento particular. Asuma que X es una variable aleatoria uniforme discreta con un rango de 0 hasta 48. Entonces: E(X) = (48 + 0) / 2 = 24, y = {[(48 0 -1)2 -1]2 /12}1/2 = 14.14. La ecuacin 3-6 es ms til que lo que aparenta. Si todos los valores en el rango de una variable aleatoria X son multiplicados por una constante (sin cambiar ninguna probabilidad), la media y la desviacin estndar de X sern multiplicada por esa constante. EJEMPLO 3-15: Sea la variable aleatoria Y denote la proporcin de las 48 lneas de voz que estn en uso en un particular momento, y X denote el nmero de lneas que estn en uso en un particular momento. Entonces, Y = X/ 48. Por lo tanto: E(Y) = E(X) / 48 = 0.5 y V(Y) = V(X) / 482 = 0.087.

3-6

DISTRIBUCIN BINOMINAL

Considere los experimentos aleatorios siguientes y variables aleatorias: 1. Eche una moneda a cara o cruz 10 veces. Sea X = nmero de de cabezas obtenidas. 2. Una mquina de herramienta de desgaste produce 1% de partes defectuosas. Sea X = nmero de de partes defectuosas en las 25 siguientes partes producidas.

Profesor: Ing. Oscar A. Inostroza

13

CURSO: ESTADSTICA APLICADA A LA INGENIERA

3. Cada muestra de aire tiene una posibilidad del 10% de contener una molcula rara particular. Permita que X = el nmero de muestras de aire que contienen la molcula rara en las siguientes 18 muestras analizadas. 4. De todos los bits transmitidos por un canal de transmisin digital, el 10% son recibidos con error. Sea X = nmero de bits con error en los siguientes cinco bits transmitidos. 5. Una prueba de seleccin mltiple contiene 10 preguntas, cada una con cuatro alternativas, y usted adivina en cada pregunta. Sea X = el nmero de preguntas contestadas correctamente. 6. En los siguientes 20 nacimientos en un hospital, permita X = el nmero de nacimientos hembras. 7. De todos los pacientes que sufren una enfermedad particular, el 35% experimenta una mejora con una medicina particular. En los 100 siguientes pacientes que se administraron la medicina, permita que X = el nmero de pacientes que experimentan mejora. Estos ejemplos ilustran, que un modelo de probabilidad general que incluye estos experimentos, como casos particulares, seran muy tiles. Cada uno en estos experimentos aleatorios, pueden ser pensados como constando de series repetidas, pruebas aleatorias: 10 cara o cruz de la moneda en el experimento 1, la produccin de 25 partes en experimento 2, etctera. La variable aleatoria en cada caso es una cuenta del nmero de pruebas que alcanzan un criterio especificado. El resultado de cada prueba o encuentran el criterio que X cuenta o no lo hace; por consiguiente, cada prueba puede ser resumida como el resultado de ambos; un xito o un fracaso. Por ejemplo, en el experimento de seleccin mltiple, para cada pregunta, slo la opcin que es correcta es considerada un xito. La eleccin de cualquiera de las tres opciones incorrectas, resultante de la prueba, puede ser resumida como un fracaso. Los trminos xito y fracaso son slo etiquetas. Podemos usar de igual forma A y B 0 o 1. Lamentablemente, las etiquetas habituales pueden a veces causar engaos. En el experimento 2, porque X cuenta partes defectuosas, la produccin de una parte defectuosa es llamada un xito. Un proceso con slo dos resultados posibles es usado con mucha frecuencia como un componente bsico de un experimento aleatorio, que es llamado prueba de Bernoulli. Es por lo general asumido que las pruebas que constituyen el experimento aleatorio son independientes. Esto implica que el resultado de una prueba no tiene ningn efecto en el resultado a ser obtenido, de cualquier otra prueba. Ms an, es a menudo razonable asumir que la probabilidad de un xito en cada prueba es constante. En el experimento de seleccin mltiple, si el interesado de la prueba no tiene ningn conocimiento del material y slo conjetura cada pregunta, podramos asumir que la probabilidad de una respuesta correcta es para cada pregunta. La notacin factorial es usada en esta seccin. La recuperacin que denota el producto de los nmeros enteros menor que o igual a n!:

Por ejemplo:

y por definicin 0! = 1. Tambin usamos la notacin de combinatoria:

Profesor: Ing. Oscar A. Inostroza

14

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Por ejemplo:

EJEMPLO 3-16: La posibilidad que un bit transmitido por un canal de transmisin digital es recibido con error es 0.1. Tambin, asuma que las pruebas de transmisin son independientes. Permita que X el nmero de bits con error en los siguientes cuatro bits transmitidos. Determinar P(X = 2). Sea la letra E la que denota un bit con error, y sea la letra O la que denota que el bit est Ok, esto es, recibido sin error. Podemos representar los resultados de este experimento como una lista de cuatro letras que indican los bits que estn errados y aquellos que estn bien (Ok). Por ejemplo, el resultado OEOE indica que los segundos y cuartos bits estn errados y otros dos bits estn bien. Los valores correspondientes para x son: Resultado x Resultado x
.

El evento que X = 2 consiste de los seis resultados:

Usando el supuesto que las pruebas son independientes, la probabilidad de {EEOO} es:

Tambin, cualquiera de las seis mutuamente excluyentes respuestas, para las cuales X = 2, tienen la misma probabilidad de ocurrencia. Por lo tanto:

En general: P(X = x) = (nmero de respuestas que resultan en x errores) veces (0.1)x (0.9)4-x

Profesor: Ing. Oscar A. Inostroza

15

CURSO: ESTADSTICA APLICADA A LA INGENIERA

Para completar una frmula de probabilidad general, slo una expresin para el nmero de resultados que contienen x errores es necesaria. Un resultado que contiene x errores puede ser construido dividiendo las cuatro pruebas (letras) en el resultado, en dos grupos. Un grupo es de tamao x y contiene los errores, y el otro grupo es de tamao n-x y consiste en las pruebas que estn bien (Ok). El nmero de formas de dividir cuatro objetos en dos grupos, una de los cuales es de tamao x, es:

Por lo tanto, en este ejemplo:

Notar que:

como se encontr anteriormente. La probabilidad de la funcin masiva de X fue mostrada en el Ejemplo 3-4 y Figura 3-1. El ejemplo previ motiv el siguiente resultado:

DEFINICIN:

Un experimento aleatorio consiste en pruebas de n Bernoulli tales que: (1) (2) (3) Las pruebas son independientes. Cada prueba resulta en slo dos posibles resultados, etiquetados como xitos y errores. La probabilidad de un xito en cada prueba, denotada como p, se mantiene constante.

La variable aleatoria X que iguala el nmero de pruebas que resultan en un xito tiene una variable aleatoria binominal con parmetros 0 < p < 1 y n =1, 2,. La probabilidad de la funcin masiva de X es:

Como en el Ejemplo 3-16, (n x ) iguala el nmero total de secuencias diferentes que contienen x xitos y n-x errores. El nmero total de las secuencias diferentes que contiene x xitos y n-x errores veces la probabilidad de cada secuencia es igual a P(X=x).

Profesor: Ing. Oscar A. Inostroza

16

CURSO: ESTADSTICA APLICADA A LA INGENIERA

La expresin de probabilidad previa es una frmula muy til que puede ser aplicada en varios ejemplos. El nombre de la distribucin es obtenida de la Expansin Binominal. Para constantes a y b, la expansin binominal es:

Permita que p denote la probabilidad de xito en una prueba sola. Entonces, usando la expansin binominal con a = p y b = 1-p, vemos que la suma de las probabilidades para una variable aleatoria binominal es 1. Adems, porque cada prueba en el experimento es clasificada en dos resultados, {xito, error o fracaso}, la distribucin es llamada binominal. Una distribucin ms general, la cual incluya la binominal como un caso especial, es la distribucin binominal. Ejemplos de la distribucin binominal se muestran en la Figura 3-8. Par un n fijo, la distribucin se vuelve ms simtrica cuando p aumenta desde 0 a 0.5 o decreciente de 1 a 0.5. Para un p fijo, la distribucin se vuelve ms simtrica cuando n aumenta.

Figura 3-8: Distribucin Binominal para valores selectos de n y p. EJEMPLO 3-17: Varios ejemplos usando el coeficiente binominal:

Profesor: Ing. Oscar A. Inostroza

17

CURSO: ESTADSTICA APLICADA A LA INGENIERA

EJEMPLO 3-18: Cada muestra de agua tiene una posibilidad del 10% de contener un contaminador orgnico particular. Asuma que las muestras son independientes en cuanto a la presencia del contaminador. Encuentre la probabilidad lo que en las 18 siguientes muestras, exactamente 2 contienen el contaminador. Permita que X = nmero de muestras que contienen el contaminador en las 18 siguientes muestras analizadas. Entonces X es una variable aleatoria binominal con p=0.1 y n=18. Por lo tanto,

Ahora, tenemos que:

Por lo tanto:

Determine la probabilidad que al menos cuatro muestras contengan el contaminador. La probabilidad solicitada es:

Sin embargo, es ms fcil de usar el evento complementario,

Determine la probabilidad que 3 X < 7. Ahora:

La media y la varianza de una variable aleatoria binominal depende solamente en los parmetros p y n.

DEFINICIN:

Si X es una variable aleatoria binominal con parmetros p y n, = E(X) = np y 2 = V(X) = np (1-p)

(3-8)

Profesor: Ing. Oscar A. Inostroza

18

CURSO: ESTADSTICA APLICADA A LA INGENIERA

EJEMPLO 3-19: Para el nmero de bits transmitidos y recibidos con error en el Ejemplo 3-16, n=4 y p=0.1, de manera que: E(X) = 4 (0.1) = 0.4 y V(X) = 4 (0.1)(0.9) = 0.36

Y estos resultados coinciden con aquellos obtenidos del clculo directo en el Ejemplo 3-9.

Profesor: Ing. Oscar A. Inostroza

19