Академический Документы
Профессиональный Документы
Культура Документы
Ejemplo: Supongamos que un experimento consiste en lanzar 3 veces una moneda y se registra
el número de caras que aparecen. Los posibles resultados son: cero caras, una cara, dos caras,
tres caras. ¿Cuál es la distribución de probabilidad de número de caras?
De esta tabla nos podemos dar cuenta que el resultado de cero caras ocurre sólo una vez, una
cara ocurre tres veces, dos caras ocurre tres veces y tres caras ocurre sólo una vez.
Es decir cero caras se presentaron una de ocho veces, por lo tanto la probabilidad de cero caras
es 1/8, la probabilidad de una cara es 3/8, de dos caras 3/8 y de tres caras 1/8.
Variable aleatoria
En cualquier experimento aleatorio, los resultados se presentan al azar, es decir a esto se lo
denomina variable aleatoria.
Por ejemplo: El lanzar un dado es un experimento que tiene 6 resultados posibles, entonces la
variable aleatoria se relaciona con una probabilidad que indica la posibilidad de un resultado
determinado.
Si se lanzan dos monedas y se cuenta el número de caras, pueden caer cero caras, una cara o
dos caras. Como el número de caras que resulta de este experimento se debe al azar, el
número de caras que se obtienen es una variable aleatoria.
Variable Aleatoria: Es una función que a cada elemento del espacio muestral S, le asocia un
número real.
Sean:
X: Variable aleatoria (v.a.)
S: Espacio muestral
e: Cualquier elemento de S
x: Valor que puede tomar X
R: Conjunto de los números reales
Entonces:
X: S R
ex
Una variable aleatoria puede ser discreta si su rango es algún subconjunto de los números
enteros y puede ser continua si su rango es algún intervalo de los reales.
Ejemplo:
En el ejemplo anterior del lanzamiento de 3 veces de una moneda y observar el resultado.
e (Elemento de S) x( Valor de X)
SSS 0
CSS 1
SCS 1
SSC 1
CCS 2
CSC 2
SCC 2
CCC 3
Ejemplo: Se tiene una caja con 5 pilas de las cuales 3 están en buenas condiciones. Se toma al
azar 2 pilas.
a) Encuentre S.
b) Sea X=va discreta (cantidad de pilas en buen estado que se obtienen en la muestra).
Determine el número de pilas en buen estado para cada resultado posible construyendo una
tabla.
5 5!
C 2 = =10 == Cantidad de formas diferentes de obtener la muestra de 2 pilas
3!2!
cualesquiera.
a) {(a, b), (a, c), (a, d), (a, e), (b, c), (b, d), (b, e), (c, d), (c, e), (d, e)}
b) x: va discreta cantidad de pilas en buen estado
x: 0, 1, 2
e x
ab 2
ac 2
ad 1
ae 1
bc 2
bd 1
be 1
cd 1
ce 1
de 0
Cada valor de una variable aleatoria está asociado con un valor de probabilidad.
La probabilidad asociada con una variable aleatoria es una función f(x)= P(X=x) y se
denomina distribución de probabilidad de la variable aleatoria X.
Definición
f :X→ R
x → f ( x )=P( X=x)
dom f = X
rg f ⊂[0 , 1]
1) 0 ≤ f ( x )≤ 1
2) ∑ f ( x ) =1
x
Ej. Se tiene 5 pilas de las cuales 3 están en buen estado. Se toma al azar 2 pilas, Encuentre la
distribución de probabilidad de la variable aleatoria correspondiente a la cantidad de pilas
defectuosas que se obtienen en la muestra. En base a esto calcule:
5 5! 5∗4∗3!
N(S) = C2 = = = 10
3 !2! 3 !∗2∗1
S = {(a,b),(a,c),(a,d),(a,e),(b,c),(b,d),(b,e),(c,d),(c,e),(d,e)}
X = 0,1,2 X : S R
e x
ab 0
ac 0
ad 1
ae 1
bc 0
bd 1
be 1
cd 1
ce 1
de 2
P: X -> R
X f(x) = P(X = x)
X f(x)=P(X = x)
0 3
10
1 6
10
2 1
10
3 6 1 7
a) P(x=0) = = 30% b) P(x≥1) = P(x=1) + P(x=2) = + =
10 10 10 10
= 0.7 => 70%
Obtenga una fórmula matemática para la función de probabilidad del ejemplo anterior:
Casos
2!
2 3 ∗3 !
C 0∗C 2 2! 0 ! 3
f(0) = C
5
2
= 1! 2 ! = 10
10
2!
2 3 ∗3 !
C ∗C 1! 1 ! 2∗3 6
f(1) = 1
C
5
2
1
= 2!1! = 10 = 10
10
2 3 2!
C 2∗C 2 ∗1 1∗1 1
f(2) = C
5 = 1 ! 2! = 10 = 10
2 10
2 3
C x∗C2− x
P(X = x) = f(x) = C2
5
2!
2 3 ∗3 !
C ∗C 2! 0 ! 3
a) P(x=0) = f(0) = = =
0 2
C 52 1! 2 ! 10
10
2 3
C 1∗C 1
b) P(x > 1 ) = P(x=1) + P(x=2) = f(1) + f(2) = C2
5 +
2 3
C 2∗C 2 6 1 7
C
5 = 10 + 10 = 10
2
Ej. Sea X :v.a. discreta cuya distribución de probabilidad está dada por:
¿
Kx , x=1,2,3 K es constante
f(x)= 0,otro x
¿
Calcule la probabilidad P(X=2)
Recordemos:
3
1) 0 ≤ f(x) ≤ 1 ∑ f ( x ) =1 (para que f sea función de probabilidad)
x=1
f ( 1 ) + f ( 2 )+ f ( 3 )=1
∑ f ( x ) =1 K + 2 K +3 K =1
2)
x 1
K=
6
�x
� , x =1 , 2,3
�6
�0, otro x
f(x)= �
2 1
P(x=2) = f(2) = = = 0.3333 = 33.33%
6 3
Cuando la probabilidad de que la v.a. tome algún valor menor o igual que un valor dado, a otra
función se le denomina distribución acumulada y su dominio son todos los reales.
Definición:
Entonces
F ( x )=P ( X ≤ x )=∑ f ( t) => Es la distribución de Probabilidad acumulada de X
t≤ x
Propiedades de F( x )
1) dom F=R
2) rg F= [ 0,1 ]
3) F (−∞ )=0
4) F ( +∞ )=1
5) P ( X > x i )=1−P ( X ≤ x i )=1−F ( x i)
6) P ( X=x i ) =P ( X ≤ x i )−P ( X ≤ xi−1 ) =F ( x i )−F ( x i−1 )
7) P ( X ≥ x i )=P ( X=x i ) + P ( X > x i )=F ( x i ) −F ( x i−1 )+ 1−F ( x i )=1−F ( x i−1 )
8) P ( X < x i )=P ( X ≤ xi−1 ) =F ( x i−1)
Ej: Encuentre la distribución de probabilidad acumulada para el ejemplo anterior de las pilas
X f(x)
0 3
10
1 6
10
2 1
10
F ( x )=P ( X ≤ x )=∑ f ( t)
t≤ x
F ( 0 ) =P ( X ≤ 0 ) =∑ f (t) = f ( 0 )= 3
t≤0 10
Entonces:
�0, x < 0
�3
� , 0 �x �1
�10
F ( x) = �
�9 ,1 �x < 2
�10
�1, x �2
� Distribución de prob. Acumulada de la v.a.X
9 1
1) P ( x >1 )=1−P ( X ≤1 )=1−F ( 1 )=1− =
10 10
3
2) P ( X=1 ) =P ( X ≤ 1 )−P ( X ≤ 0 )=F ( 1 ) −F ( 0 ) =
5
9
3) F ( 1.5 )=P ( X ≤ 1.5 ) =
10
x f(x)
0 1/8
1 3/8
2 3/8
3 1/8
F ( x )=P ( X ≤ x )=∑ f ( t)
t≤ x
1
F ( 0 ) =P ( X ≤ 0 ) =∑ f ( t )=f ( 0 )=
t≤0 8
1 3 4
F ( 1 )=P ( X ≤ 1 )=f ( 0 )+ f ( 1 )= + =
8 8 8
1 3 3 7
F ( 2 )=P ( X ≤ 2 )=f ( 0 ) +f ( 1 ) + f ( 2 ) = + + =
8 8 8 8
1 3 3 1 8
F ( 3 ) =P ( X ≤ 3 )=f ( 0 ) + f (1 ) + f ( 2 )+ f ( 3 ) = + + + = =1
8 8 8 8 8
Entonces:
{
0 , x <0
1
, 0 ≤ x <1
8
F ( x )= 4 ,1 ≤ x<2 Distribución de probabilidad de la v.a.X
8
7
, 2 ≤ x <3
8
1, x ≥ 3
Calcular:
7 1
a) P ( x >2 ) =1−P ( X ≤2 ) =1−F ( 2 ) =1− =
8 8
1
b) P ( X=3 )=P ( X ≤ 3 ) −P ( X ≤ 2 )=F ( 3 )−F ( 2 ) =
8
1
c) P ( 0.9 )=P ( X ≤ 0.9 ) =
8
El valor esperado o media es una medida estadística que describe la tendencia central de una
variable aleatoria. Representa el valor promedio que tomaría la variable aleatoria si el
experimento se realizara un gran número de veces en condiciones similares.
Definición:
f ( x )=distribucion de probabilidad de X
μ o E ( x ) :Valor esperado de X
Entonces: μ=E ( x )=∑ xf ( x) -> medio o valor esperado de X
x
xf ( x ) =0 f ( 0 ) +1 f ( 1 ) +2 f ( 2 )=0 ( 103 )+1 ( 106 )+2( 101 )= 106 + 102 = 108 =0.8
¿
μ=E ( x )=∑ ¿
x=0
x f(x)
0 1/8
1 3/8
2 3/8
3 1/8
¿ xf ( x ) =0 f ( 0 ) +1 f ( 1 ) +2 f ( 2 ) +3 f ( 3 )=¿
3
μ=E ( x )=∑ ¿
x=0
Definición:
Ejemplo: En el ejemplo de las pilas, suponga que cada vez que sale una pila defectuosa se
pierde $5 y si sale una pila buena se gana $6. Calcule el valor esperado de la Ganancia.
G(x): Ganancia
E(G(x)): valor esperado de la ganancia
E [ G ( x ) ]=∑ G ( x ) f (x )
x
x f(x) G(x
)
0 3/1
12
0
1 6/1
1
0
2 1/1
-10
0
Ejemplo: En el juego de lanzar 3 monedas, suponga que si sale cero o un número par de caras
se gana $1 y si es impar se pierde $1. Calcule el valor esperado de la Ganancia.
x f(x) G(x
)
0 1/ +$1
8
1 3/ -$1
8
2 3/ +$1
8
3 1/ -$1
8
E [ G ( x ) ] = ∑ G ( x ) f ( x ) =( 1 )
x=0
( 18 )+ (−1) ( 38 )+( 1) ( 38 )+(−1) ( 18 )
1 3 3 1
¿ − + − =0
8 8 8 8
∴ Es un juego justo
Ejemplo: Supongamos que se decide que al salir 1 o 2 caras se pierde $3. ¿Cuánto debería
ganarse en cada uno de los otros casos para que la ganancia esperada sea de $5?
X: v. a. discreta (cantidad de caras)
x f(x) G(x
)
0 1/ a
8
1 3/ -$3
8
2 3/ -$3
8
3 1/ a
8
E [ G ( x ) ]=∑ G ( x ) f ( x )=
x=0
( a8 )−( 98 )−( 98 )+( a8 )=5
2 a 18
− =5
8 8
2 a−18=40
a−9=20
a=29
Ejemplo: Un almacén vende diariamente 1,2,3,4 artículos con igual probabilidad pero la
probabilidad de no vender ningún artículo es el doble que la de vender alguno. Por cada
artículo que vende tiene una ganancia de $20 pero mantener el local abierto le representa un
gasto de $50. ¿Es conveniente mantener el negocio?
x f(x G(x
) )
0 2P
1 P
2 P
3 P
4 P
∑ f ( x )=1
x=0
2 P+ P+ P+ P+ P=1
1
P=
6
x f(x) G(x)
0 2/ -
6 $50
1 1/ -
6 $30
2 1/ -
6 $10
3 1/ $10
6
4 1/ $30
6
G ( x ) =20 x−50
4
E [ G ( x ) ]=∑ G ( x ) f ( x )=(−50 )
x=0
( 26 )+ (−30 )( 16 )+(−10) ( 16 )+(−10) ( 16 )+10 ( 16 )+30( 16 )
−50
=−16.67 ∴ no es conveniente el negocio
3
Ejemplo: Una compañía de seguros cobra un valor anual de $1000 por asegurar un carro, y en
caso de pérdida paga $10000. Calcule el valor esperado de la ganancia de la compañía si la
probabilidad de pérdida de cada carro asegurado es 0.5%.
x f(x) G(x)
no se 0.99 $1000
pierde 5
se pierde 0.00 -
5 $9000
Sean:
X: v. a. discreta
Entonces: E [ aX +b ]=a E [ X ] + b
( aXf ( x )+ bf ( x) ) =¿ ∑ axf ( x )+ ∑ bf ( x )
x x
E [ aX +b ] =∑ ( aX +b ) f ( x ) =∑ ¿
x x
a ∑ xf ( x )+ b ∑ f (x)=a E [ x ] + b
x x
1
Ejemplo: Calcule el valor esperado para el ejemplo del almacén pero usando la nueva
fórmula.
x=0,1,2,3,4
G ( x ) =20 x−50
x f(x) G(x
)
0 1/ -50
3
1 1/ -30
6
2 1/ -10
6
3 1/ 10
6
4 1/ 30
6
E [ ax+ b ] =aE [ x ] +b
Es una medida que cuantifica el nivel de dispersión de los valores de la variable aleatoria
alrededor de la media.
Definición:
Entonces:
x f(x)
0 1/
8
1 3/
8
2 3/
8
3 1/
8
3
μ=E [ X ] =∑ xf ( x )=1.5
x=0
3
σ 2 =E [ ( X−μ ) ]=∑ ( x−1.5 ) f ( x)
2 2
x=0
2
σ =0.75
Formula alterna para calcular la varianza
V [ X ] =E [ X 2 ]−μ2
σ 2 =V [ X ] =E [ X 2 ] −μ2
3
E [ X 2 ] =∑ x2 f ( x )=0 2
x=0
( 18 )+1 ( 38 )+2 ( 38 )+3 ( 18 )= 38 + 128 + 98 = 248 =3
2 2 2
2
3 9 3
σ 2 =3− ()
2
=3− = =0.75
4 4
Propiedades de la varianza
Entonces:
V [ aX+ b ] =a2 V [ X ]
σ 2 =V [ X ] =E [ X 2 ] −μ2
a
= E[¿ ¿ 2 X 2 ]+E[2 abX ]+E [b 2 ] - ( a2 ( E [ X ])2+ 2 abE [ X ] + b2 )
¿
X
22 2 2
= [¿ ¿ 2 ]+ 2 abE [ X ] + b −a ( E [ X ] ) −2 abE [ X ] −b
a2 E ¿
X
2 2
= [¿ ¿ 2]−a ( E [ X ] )
a2 E ¿
X
2
[¿ ¿ 2]−( E [ X ] )
=
E¿
a2 ¿
= a2 V [ X ] V [ aX+ b ] =a2 V [ X ]
Haciendo uso de un diagrama de árbol, usando las literales siguientes, se obtiene el espacio
muestral como se muestra a continuación;
N: no sufre de algún desperfecto en el motor los primeros 12 meses de uso
S: sufre de algún desperfecto en el motor los primeros 12 meses de uso
N
S
N
N
S
1er auto N
S
S
N
2o auto S
3o auto S
X: v. a. que nos define el número de autos que no sufren de algún desperfecto en el motor
durante los primeros 12 meses de uso.
p(X=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(X=1)=p(NSS,SNS,SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=0.001176
p(X=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)
(0.98)=0.057624
�xf ( x)
=E(x) = x =0 = (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
=0.0+0.001176+0.115248+2.823576=2.94 3 autos que no sufren algún desperfecto en el
motor en los primeros 12 meses de uso
La interpretación de la media o valor esperado es; se espera que los 3 autos probados no
sufran de algún desperfecto en el motor en los primeros 12 meses de uso.
�( x - )
2
f ( x)
= x =0
=
2 2 2
= ( 0 - 3 )* ( 0.000008 ) ( 1 - 3 )*( 0.001176 ) ... ( 3 - 3 )*( 0.941192 ) =
Interpretación:
En este experimento se espera que los 3 autos probados no sufran de algún desperfecto en su
motor en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.
Nota:
La media y la desviación estándar se redondean a un valor entero ya que son la media y
desviación de una distribución de probabilidad discreta.