Professional Documents
Culture Documents
____________________________________________________________________________________________
1.- Probabilidad Condicional, Bayes, Independencia
1.1.- Probabilidad Condicional:
DEF:
Sea E un evento arbitrario de un espacio muestral M con IP(E)>0.
Se define la probabilidad condicional de A dado E (se denota IP(A/E)),
como sigue:
IP A E
IP A E
IP E
( / )
( )
( )
(**)
OBS:
La probabilidad condicional de A dado E (o bien, la IP del suceso A s ya ha
sucedido el suceso E, o bien, la IP del suceso A condicionado a E), se
puede visualizar en un diagrama de Venn como se aprecia a continuacin:
Nota:
La probabilidad condicional es una probabilidad relativa del suceso A con
relacin al suceso E.
En particular, si M es un espacio finito y |A|denota la cardinalidad de un
evento A, entonces:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
118
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
( )
IP A E
IP A E
IP E
A E
E
( ) /
o
IP A E
cardinalid ad de A E
cardinalid ad de E
( )
o
suceder puede E que en maneras de nmero
suceder pueden E y A que en maneras de nmero
IP ) ( E A
Ejercicio:
Si al lanzar un par de dados insesgados se obtiene que la suma es 5, hallar
la probabilidad de que uno de los dados sea 2, es decir:
E={ suma es 5}={(1,4),(2,3),(3,2),(4,1)} => |E|=4 y
A={un dos aparece por lo menos en un dado}={ (2,1) , (2,2), (2,3), (2,4) ,
(2,5) , (2,6), (1,2),(3,2),(4,2),(5,2), (6,2)}=>|A|=11.
Hallar IP(A|E)
Solucin:
E consta de 4 elementos y en 2 de ellos aparece el nmero 2,
entonces pertenece a A:
AE= {(2,3), (3,2)} => |AE|=2
Entonces
IP(A|E)=2/4= 1/2.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
119
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Teorema de la multiplicacin de la probabilidad condicional:
Si despejamos de la ecuacin (**) que define la probabilidad condicional y
usamos el hecho de que AE = EA, obtenemos la siguiente frmula:
Teorema 1:
( ) IP E A IP E IP A E ( ) ( )
Obs.
este teorema puede extenderse de la siguiente manera por induccin
matemtica:
Para los eventos A
1
,A
2
,.....,A
n
se cumple que
( ) ( ) ( )
( ) A IP A IP A A IP A A A P A A A A
n n 1 1 2 1 3 1 2 1 2 1
A A
2 n
( )
Ejercicios resueltos
1. Suponer que se tiene una caja (20 botellas) de Coca-Cola para la venta,
y se sabe que existen 10 que en su tapa traen un premio, determinar:
a- La probabilidad de que la tercera botella que se venda sea la primera
que tenga su tapa con premio
b- La probabilidad de que la tercera botella sea la segunda premiada
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
120
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Solucin:
a Este experimento ocurre sin devolucin, grficamente sera:
S i n p r e m i o S i n p r e m i o C o n p r e m i o
Sean los sucesos:
S
P
= Sin Premio
C
P
= Con Premio
P
1
= La primera premiada
P
2
= La segunda premiada
IP(S
P
S
P
C
P
)=IP(C
P
/ S
P
S
P
) IP(S
P
/ S
P
)IP(S
P
)=
=casos favorables/casos posibles=
=(10910)/(201918) 0.132 13.2%
Tambin para el desarrollo de este ejercicio se pueden hacer uso de
rboles, que indican la condicionalidad en las ramas.
2-b
S i n p r e m i o C o n p r e m i o C o n p r e m i o
C o n p r e m i o S i n p r e m i o
IP(sale 2da premiada en la tercera prueba)=IP(P
1
S
P
P
2
)+IP(S
P
P
1
P
2
)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
121
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
=IP(P
1
) IP(S
P
/ P
1
) IP(P
2
/ P
1
S
P
)+IP(S
P
) IP(P
1
/ S
P
) IP(P
2
/ S
P
P
1
)
=((1010 9)/(20 19 18) )+((10109)/(201918)) 0,263 26,3%
(Como ejercicio podra realizarlo usando un rbol).
2- En un costurero se tienen 5 carretes de hilo de los cuales 2 son de color
rojo y 3 son de color negro.
a- Cul es la probabilidad de que al sacar los carretes el tercero sea el
segundo de color negro?
b- Cul es la probabilidad de encontrar el ltimo rojo en la cuarta
extraccin?
Solucin
a- Sean los sucesos:
N = color negro
R = color rojo
Existen 2 eventos y la IP(de que al sacar los carretes el tercero sea el
segundo de color negro) es:
IP(1)=IP(NRN) + IP(RNN) = IP(N) IP(R/N) IP(N/NR) +IP(R)
IP(N/R)IP(N/RN) IP(1)=((232)/(543))+((322)/(543))=0.4=40%
b-
Existen 3 eventos cuyas probabilidades son
IP (encontrar el ltimo rojo en la cuarta extraccin)=
IP(que el ltimo rojo sea el cuarto)=
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
122
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
IP(RNNR) +IP(NRNR) +IP(NNRR)=
=IP(R)IP(N/R) IP(N/RN) IP(R/RNN) + IP(N) IP(R/N) IP(N/NR)
IP(R/NRN) + IP(N) IP(N/N) IP(R/NN) IP(R/NNR)
=((3221)/(5432))+((2321)/(5432))+((3221)/(5432))
= 0,3=30%
3- En una caja de 100 artculos hay 10 defectuosos se toman al azar 3
artculos uno tras otro, hallar la probabilidad de que los tres no sean
defectuosos.
Sean los sucesos:
A
i
= {el artculo i es bueno}
B
i
= {el artculo i es malo}
IP(A
1
A
2
A
3
)= IP(A
1
) IP(A
2
/A
1
) IP(A
3
/A
1
A
2
)
IP(A
2
|A
1
)
IP(A
3
|A
1
A
2
)
IP(B
3
|A
1
A
2
)
IP(B
2
|A
1
)
IP(A
3
|B
1
A
1
)
IP(B
3
|B
1
A
1
)
IP(A
2
|B
1
)
IP(A
3
|A
2
B
1
)
IP(B
3
|A
2
B
1
)
IP(B
2
|B
1
)
IP(A
3
|B
2
B
1
)
IP(B
3
|B
2
B
1
)
bicicleta 0.5 IP(A
1
)
bicicleta 0.5 IP(B
1
)
IP(A
1
) = 90/100
IP(A
2
/A
1
) = 89/99
IP(A
3
/A
1
A
2
) = 88/98
IP(A
1
A
2
A
3
) = ((908988)/(1009998))=0,73=73%
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
123
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Es decir, se debe seguir por el rbol buscando las rutas que correspondan
al problema planteado y multiplicando las probabilidades en cada ruta y
como las rutas son eventos independientes se suman todos los tramos.
1.2.- Teorema de Bayes y particiones
Supongamos que los eventos A
1
,A
2
,.....,A
n
forman una particin de un
espacio muestral M; esto es, que los eventos A
i
son mutuamente
excluyentes (incompatibles) y su unin es M. Sea B otro evento. Entonces
B A A A B
n
M B ( )
1 2
( ) ( ) ( ) A B A B A B
n 1 2
donde los
( ) A B
i
son eventos mutuamente excluyentes(incompatibles). En
consecuencia por el teorema de la multiplicacin queda:
) ( ) ( ) ( ) (
2 1
B A IP B A IP B A IP B IP
n
+ + +
luego el Teorema de la IProbabilidad Total queda:
IP B IP A IP B A IP A IP B A IP A IP B A
n n
( ) ( ) ( ) ( ) ( ) ( ) ( ) + + +
1 1 2 2
por otro lado, para cualquier i, la probabilidad condicional A
i
dado B se
define por
( )
( )
( ) A B
IP A B
IP B
i
i
Reemplazando la IP(B) obtenemos el Teorema de causa o Teorema de
Bayes :
Teorema de Bayes
Suponga que A
1
,A
2
,.....,A
n
es una particin (sucesos incompatibles) del
espacio muestral M y sea B un evento cualquiera del mismo espacio
muestral M, entonces para cualquier i tenemos,
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
124
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) A B
IP A IP B A
IP A IP B A IP A IP B A IP A IP B A
i
i i
n n
+ + +
1 1 2 2
Ejercicio:
Una persona puede viajar de 3 formas, bicicleta, auto y avin. Cada forma
de transporte tiene una probabilidad de tener un defecto en el sistema de
rodado y no llegar al destino del 3%, 4% y 5% respectivamente.
Para escoger el mtodo de traslado se tienen 3 fichas, las cuales tienen
una probabilidad de aparecer del 50%, 30% y 20% respectivamente.
Si se toma un viaje al azar, y no llega a destino, hallar la probabilidad de
que ese viaje se realiz en bicicleta.
a u t o 0 . 3
b i c i c l e t a 0 . 5
a v i n 0 . 2
l l e g a 0 . 9 7
n o l l e g a 0 . 0 3
l l e g a 0 . 9 6
n o l l e g a 0 . 0 4
l l e g a 0 . 9 5
n o l l e g a 0 . 0 5
Sea B el evento que no llegue a destino.
( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) Avin B IP Avin IP Auto B IP Auto IP Bicicleta B IP Bicicleta IP
Bicicleta B IP Bicicleta IP
B Bicicleta
+ +
) (
( )( )
( )( ) ( )( ) ( )( ) 05 . 0 2 . 0 04 . 0 3 . 0 03 . 0 5 . 0
03 . 0 5 . 0
+ +
) ( B Bicicleta
IP(bicicleta/B) =0,4054
37
15
X
a esta funcin se le conoce como funcin de cuanta (f.c.) de la variable
aleatoria discreta X.
Obs.
En la expresin la igualdad siguiente se verifica slo en forma notacional
( ) ) x = X ( ) x = M (X
i i
IP IP
2.2 Funcin de Distribucin (F
X
(x)).
Sea X una v.a.d. con funcin de cuanta (f.c.) p(xi). Se define la Funcin
de Distribucin como :
[ ]
( ) ( )
x x
i X
i
x p x X IP = (x) F x
1 , 0 R : F
Cuyas propiedades son:
1) F
x
(-) = 0.
2) F
x
() = 1.
3) F
x
es no decreciente.
4) F
x
es contnua por la derecha.
2.3 Esperanza (IE[X]).
Definicin: Sea X una variable aleatoria discreta con valores x
1
,...,x
n
,... y
sea p(x
i
)=IP(X=x
i
), i=1,2,......n,...Entonces el valor esperado de X (o la
esperanza matemtica de X), que se denota con IE[X], es el nmero que se
define como :
[ ]
i
x
i i
p x X E
Observacin :
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
132
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
{ [ ] {
i i
x mx X x mn IE
2.4 Momento de Orden n (
n
)
Definicin : Sea X una variable aleatoria discreta con funcin de cuanta
p
i
(x
i
), se define el momento de orden n(con nIN) de la variable aleatoria
discreta X como:
[ ] ( )
i
x
i
n
i
n
n
x p x X IE
2.5 Momento Centrado en la Esperanza.
Sea X una v.a.d. con f.c. p
i
(x
i
). Se define el momento centrado en la IE[X]
de orden n N como :
[ ] ( ) [ ] [ ] ( ) ) p(x IE - x
i
x
n
i
n
n
i
IE IE
2.6 Varianza de X (V(X)).
Definicin : Sea X una variable aleatoria discreta. Definimos la varianza de
X, que se denota con V(X) como el nmero positivo dado por:
( ) [ ] ( )
[ ]
[ ] [ ] ( )
[ ]
[ ] [ ] [ ] [ ] ( )
[ ] [ ] [ ] [ ] [ ] ( ) [ ]
( ) [ ] [ ] ( ) ( )
V
V >0
2
2 1
+
+ + +
2
2
2
2
2
2
2
2
2 2
2
2 2 1
La raz cuadrada positiva de V(X) se llama desviacin estndar de X y se
designa como
X
.
PROPIEDADES
1. IE[kX] = kIE[X] k constante.
2. IE[k] = k
k
constante.
3. IE[X+Y] = IE[X]+IE[Y] X e Y v.a.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
133
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
4. IE[aX+bY] = aIE[X]+bIE[Y] X e Y v.a. y a,b
constantes.
5. IE[XY] = IE[X]IE[Y] si X e Y son v.a. independientes.
6. V[kX] = k
2
V[X] k constante.
7. V[k] = 0
k
constante.
8. V[X+Y] = V[X]+V[Y]+2COV(X,Y) X e Y v.a.
9. V[X+Y] = V[X]+V[Y] si X e Y son v.a. independientes.
10. V[aX+bY] =a
2
V[X]+b
2
V[Y]+2abCov(X,Y) X e Y v.a. y
a,b ctes.
11. ( )
i
n
i
i i
n
i
i
X IE X IE
]
]
]
1 1
X
i
v.a. y
i
con i=1,2......n
constantes.
12. ( ) ) , ( 2
1 1
j i j
j i
i i
n
i
i i
n
i
i
X X Cov X V X V
<
+
]
]
]
****************
3.- Distribuciones Usuales (v.a.d)
Una v.a.d. X toma distintos valores definidos en su recorrido
x
. Adems, a
cada uno de estos valores tiene asociada una probabilidad p
i
, de modo que
p
i
puede escribirse como una funcin de los valores x
i
y encontrar la
expresin general que la represente. Es esta expresin (la funcin de
cuanta) la que caracteriza el tipo de distribucin que tiene la variable
aleatoria discreta X.
3.1.- Distribucin Puntual.
Se dice que la variable aleatoria discreta X se distribuye como una
distribucin puntual, si su funcin de cuanta es de la forma:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
134
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
p x
1 s i x =a
0 s i x a
i
i
i
'
<
'
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
135
a
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Grficamente :
Si X tiene una Distribucin Puntual entonces :
3.1.1.- Clculo de la Esperanza
E[X] = 1 a + 0 b = a
3.1.2.- Clculo de la Varianza
V(X) = 1 a
2
+ 0 b
2
- (a)
2
= 0
Obs. Esta es la nica distribucin que tiene varianza cero.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
136
a
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
3.1.3.- Aplicacin
La distribucin puntual se puede asociar, por ejemplo, al experimento
de lanzar una moneda con dos caras o sacar una carta de un mazo
en que todas son iguales.
3.2.- Distribucin de BERNOULLI
Es un proceso dicotmico, todo evento A tiene asociado una probabilidad
de xito p y una probabilidad de fracaso q = 1-p.
En este tipo de procesos, la v.a.d. X asociada al evento A se distribuye
como una distribucin de BERNOULLI (X BERN(p)), si su f.c. tiene la
forma :
Donde I
B
(x) se conoce como la funcin indicatriz:
( )
I x
si xB
0 si x B
B
'
1
Grficamente en este caso la funcin de cuanta se representa :
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
( )
p =p(x) = I x)=
si x
si x
e. t.o.c.
i i
x
1-x
{0,1}
i
i
i
i
i
p p
q
p 1
0
1
0
'
(
137
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Por lo tanto su Funcin de Distribucin F
x
(x) es :
F ( x ) = p
-
=
s i x
s i 0 x 1
s i x
x i
x
i
i
i
i
<
<
+
'
0 0
1 1
q
p q
Y grficamente tiene la forma :
Si X tiene una Distribucin de BERNOULLI entonces :
3.2.1.- Clculo de la Esperanza
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
138
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
3.2.2.- Clculo de la Varianza
3.2.3.- Ejemplo.
Suponga que tiene una caja que contiene fichas rojas y azules. Se sabe
que al extraer al azar una ficha la probabilidad de que esta sea roja es
del 20%.
De este ejemplo Ud. puede definir la v.a.d. X como "La ficha es roja".
Por lo tanto, los valores que puede tomar X estn dados por su recorrido
X
={0,1}; x
i
=0 si la ficha no es roja y x
i
=1 si lo es.
Adems se conoce la probabilidad de xito ( p=0.2 de que sea roja). De
modo que se puede concluir que la v.a.d. X tiene una Distribucin de
BERNOULLI X BERN(0.2) Con funcin de cuanta :
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
[ ]
X = x p + =
i i
x
i X
0 1 q p p
[ ] [ ] ( ) ( ) V(X) = X X
2
+
2
2 2
2
0 1 q p p p q
139
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
p ( x ) I x)=
8 s i x
. 2 s i x
e . t . o . c .
i
=
x
1-x
{ 0 , 1 }
i
i
i
i
i
p p 1
0 0
0 1
0
'
(
.
Obs.
Para no restringir los valores de X a {0,1}, es posible plantear una
generalizacin para la distribucin de BERNOULLI, y en consecuencia,
para valores de a y b distintos de 0 y 1 tenemos:
( )
( )
( )
( )
p ( x)
x b
a-b
x -a
b-a
I x)=
s i x a
s i x b
e . t . o . c .
i
=
i i
{a , b }
i
i
i
q p
q
p
+
|
.
'
(
0
Para que el alumno se familiarice con este tipo de distribucin, le
recomendamos la tarea de encontrar la Varianza y la Esperanza para la
funcin de cuanta general presentada.
3.3.- Distribucin Binomial.
Se efectan "n" ensayos independientes de BERNOULLI, con probabilidad
de xito "p"(siendo la IP de xito constante) y probabilidad de fracaso "q=1-
p", y nos interesa conocer la posibilidad de tener k xitos en n repeticiones
del experimento. De ah que la binomial es una generalizacin de la
distribucin Bernoulli.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
140
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Definimos X={nmero de xitos en las "n" repeticiones del experimento}.
X
= 0,1,2,..,n
Se dice que X tiene una distribucin binomial con parmetros n y p, se
denota como X BIN(n,p). Nos interesa conocer su funcin de cuanta.
Sea w=(1, 1, ..., 1, 0, 0, ..., 0) donde tenemos un nmero k de unos y n-k
de ceros, o, lo mismo decir "k" xitos y "n-k" fracasos.
Entonces:
P(1, ..., 1, 0, ..., 0)=p p ... p (1-p) ... (1-p)
=p
k
(1-p)
n-k
Cuntos reordenamientos posibles hay del tipo anterior (k unos y n-k
ceros en distintas posiciones)?
Cuntos subconjuntos de x elementos hay en un conjunto de n
elementos?
En total hay
n
k
|
.
.
|
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
141
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Obs. 1.- La Distribucin Binomial se puede asociar al experimento de
extracciones con devolucin.
2.- Se llama Binomial pues satisface
1 1 ) ( ) (
0 0
+
.
|
n n
x n x
n
x
n
x
i
i
q p q p
x
n
x p
i i
i i
Conociendo la f.c. se puede deducir la funcin de distribucin de X :
( )
F (x) =P(X x) =
n
x
1-
X
i x x
x
n - x
i
i
i
|
.
p p
Si X tiene una Distribucin Binomial entonces :
3.3.1.- Clculo de la Esperanza
( ) ( ) p p p p p n - 1
x
n
x - 1
x
n
x = E(X)
x - n x
n = x
1 = x
x - n x
n = x
o = x
.
|
.
|
3.3.2.- Clculo de la Varianza
V[X] = E[X
2
] - (E[X])
2
= np(1-p)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
142
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
3.3.3.- Funcin generatriz de momentos
n t
x n x
t
n
0 x
n
0 x
i
x n x
i
t x
x
) q p e ( q ) p e (
x
n
q p
x
n
e ) t (
i i
i i
i i i
+
.
|
.
|
3.3.4.- Ejemplos
1.- Supngase que los artculos que salen de una lnea de produccn
se clasifican como defectuosos (D) o no defectuosos (N).
Se eligen al azar tres artculos de la produccin de un da y se clasifican
de acuerdo al siguiente esquema.
Se define el espacio muestral M.
M={DDD,DDN,DND,NDD,NND,NDN,DNN,NNN}
Si la probabilidad de que un artculo sea defectuoso es del 20% y de
80% para no defectuoso. Las probabilidades son iguales para cada
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
143
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
artculo y la clasificacin de cualquier artculo es independiente de la
clasificacin de cualquier otro, entonces las IP de los elementos del
espacio muestral son:
(0.2)
3
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.2)(0.8)
2
, (0.2)(0.8)
2
, (0.2)
(0.8)
2
, (0.8)
3
Lo que realmente nos importa es el nmero de artculos defectuosos,
sin importar el orden, es decir, considerar la variable aleatoria X que
asigna a cada uno de los resultados sM el nmero de artculos
defectuosos encontrados. Por lo tanto el conjunto de valores posibles
de X es {0,1,2,3}.
Podemos obtener la distribucin de probabilidades para X,
p(xi)=IP(X=xi) como:
X= 0 ocurre NNN.
X= 1 ocurre DNN,NDN,NND.
X= 2 ocurre DDN,DND,NDD.
X= 3 ocurre DDD.
donde
P(X = 0) = (0,8)
3
P(X= 1) = 3 (0,2) (0,8)
2
P(X=2) = 3 (0,8) (0,2)
2
P(X=3) = (0,2)
3
Ntese que: 0,8
3
+3*0,8
2
*0,2+3*0,2
2
*0,8+0,2
3
= 1
2.- El gerente de un restaurante que slo da servicio mediante reservacin
sabe, por experiencia, que el 15% de las personas que reservan una mesa
no asistirn. Si el restaurante acepta 25 reservaciones pero slo dispone de
20 mesas, cul es la probabilidad de que a todas las personas que asistan
al restaurante se les asigne una mesa?
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
144
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Solucin: Sea X: Cantidad de personas que reservan mesa pero no
asisten.
Como estamos en presencia de un experimento de Bernoulli que repetimos
en forma independiente y la probabilidad de xito p=0,15 es constante
puesto que se realiza el experimento con reposicin tenemos:
X Bin (25;0,15)
La probabilidad deseada es:
P[x>5] =
[ ] 4 x P 1
****************
=
x 2 5 x
4
0 x
) 8 5 , 0 ( ) 1 5 , 0 (
x
2 5
1
.
|
= 1- 0,6821 = 0,3179
3.4.- Distribucin Hipergeomtrica
Sea X una v.a.d. Se dice que X se distribuye como una hipergeomtrica si
ocurre una situacin semejante a la que se describe a continuacin.
En una caja hay N
1
artculos del tipo A y N
2
artculos del tipo B.
Supongamos que extraemos una muestra de tamao n, una a una al azar, y
sin devolucin (n N
1
+N
2
). Nos intereza conocer la probabilidad de
obtener k elementos del tipo A en la muestra.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
145
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Sea X ={ nmero de artculos del tipo A en la muestra}. Por lo tanto su
funcin de cuanta tiene la forma :
p(x )=
N
x
N
n-x
N N
n
i
1
i
2
i
1 2
|
.
|
.
+
|
.
Donde mx{0,n-
N
2
} x
i
mn {n,N
1
}
Esto se debe al hecho de que se distingue como casos posibles a todas las
combinaciones que se puedan hacer para obtener una muestra de n
elementos de un nmero total de N
1
+N
2
. Esto es :
1 2
+
|
.
n
Y los casos favorables estn dados por el producto entre las combinaciones
de obtener x
i
xitos y n-x
i
fracasos. Esto es :
N
x
N
n-x
1
i
2
i
|
.
|
.
'
p p 1
1
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
147
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Esto es grficamente :
Es posible demostrar que satisface las dos condiciones que debe cumplir
una funcin de cuanta y que ya fueron descritas.
La primera es que la funcin de cuanta es mayor que cero para todo el
recorrido de X.
0 ) 1 ( ) p(x
1 x
i
i
>
p p
i
x
Y la segunda propiedad, es que la suma de la funcin de cuanta en el
recorrido de X sea igual a 1.
p p p q p
q
p
p
( )
( )
1
1
1
1
1 1
1
k-1 i
i=0 k=1
Observacin:
) 1 , 1 ( un para
- 1
1
a converge
1 = i
i
q
q
q
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
148
1 2 3
p * q
p * q
p
*
*
*
Xi
Pi
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Y su funcin de distribucin es por lo tanto :
F x p(x
X i i
x
i-1
i=1
x
i i
( ) )
p q
Que grficamente corresponde a :
Si X tiene una Distribucin Geomtrica entonces:
3.5.1.- Clculo de la Esperanza
[ ]
( )
X x
i
x
x
i
i
p q p
q
p
1
1
2
1
1
1
Observacin :
i converge a
1
(1- )
i-1
2
i=1
q
q
3.5.2.- La Varianza es
[ ]
[ ] ( )
V(X)= X X
2
2
2
q
p
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
149