Академический Документы
Профессиональный Документы
Культура Документы
1. Variables aleatorias
5. Distribución de Bernoulli
6. Distribución binomial
7. Distribución hipergeométrica
8. Distribución de Poisson
10.Distribución normal
1
1. Variables aleatorias
Concepto: Una variable aleatoria es una variable que toma valores numéri-
cos determinados por el resultado de un experimento aleatorio. Es la corres-
pondencia que asocia cada elemento del espacio muestral con un número
real.
X: Ω → R
que asocia a cada suceso elemental un número real.
2
1.1 Propiedades
3
1.2 Variables aleatorias discretas y continuas
Discretas
variables
aleatorias
Continuas
Una variable aleatoria que tome unos valores puntuales con probabilidad da-
da, y el resto de los valores los tome dentro de uno o varios intervalos, se di-
rá que es una variable aleatoria mixta.
4
1.3 Caracterización de las variables aleatorias
La variable aleatoria es una abstracción numérica que se hace de los resulta-
dos de un experimento aleatorio, y puesto que cada suceso tiene una deter-
minada probabilidad de ocurrencia, se traslada dicha probabilidad al valor co-
rrespondiente de la variable aleatoria.
f. de masa
Función de
probabilidad f. de densidad
Caracterización de
variables aleatorias
Función de
distribución
5
1.4 Función de distribución de una variable aleatoria
Propiedades:
1. 0 ≤ F(x) ≤ 1.
2. F es no decreciente (x1 < x2 ⇒ F(x1) ≤ F(x2)).
3. F (+ ∞ ) = 1 (lim F (x ) = 1).
x →∞
4. F (− ∞ ) = 0 (lim F (x ) = 0) .
( )
x → −∞
6
2. Distribuciones de probabilidad de variables aleatorias
discretas
Una variable aleatoria discreta es aquella que sólo puede tomar valores den-
tro de un conjunto finito o infinito numerable.
Definición: Sea X una variable aleatoria discreta que toma los valores xi con
probabilidades pi = P(X = xi), con ∑i pi = 1. Se denomina función de masa
de probabilidad o función de probabilidad de la variable X a la función que
asigna a cada xi su probabilidad pi.
7
2.2 Propiedades que deben satisfacer las funciones de probabili-
dad de variables aleatorias discretas
SeaX una variable aleatoria discreta que tiene una función de probabilidad
P(x). En este caso,
1. 0 ≤ P(x) ≤ 1 para cualquier valor x.
F(x) = P(X ≤ x)
La función F(x) es escalonada, no decreciente, con saltos de discontinuidad
en los puntos xi. El valor del salto en xi coincide con la probabilidad, pi, de
dicho valor.
8
2.4 Relación entre la función de probabilidad y la función de pro-
babilidad acumulada
SeaX una variable aleatoria discreta que tiene una función de probabilidad
P(x). En este caso,
F ( x0 ) = ∑ P ( x )
x ≤ x0
donde la notación implica que el sumatorio abarca todos los valores posibles
de x que son menores o iguales a x0.
9
3. Distribuciones de probabilidad de variables aleatorias
continuas
Una variable aleatoria continua es aquella que toma valores en uno o varios
intervalos de la recta real.
Concepto
Como puede verse en el gráfico siguiente, al hacer las clases más y más fi-
nas, el histograma de frecuencias se aproxima a cierta curva. De este modo
surge el concepto de función de densidad como la función límite a la cual se
aproxima el histograma.
10
0.00 0.02 0.04 0.06 0.08
10
15
20
25
30
35
11
Para hallar la probabilidad de que una variable aleatoria X esté comprendida
en un intervalo específico, se calcula la diferencia entre la probabilidad acu-
mulada en el extremo superior del intervalo y la probabilidad acumulada en el
extremo inferior del intervalo.
a b x 12
La probabilidad de que la variable aleatoria tome un valor concreto es igual a
cero:
dF (x )
F (x ) = P ( X ≤ x ) = ∫−∞ f (t )dt → f (x ) =
x
dx
13
3.3 Propiedades de la función de densidad y de la función de dis-
tribución
∫ f (x )dx = F (+ ∞ ) = 1
∞
−∞
14
En el caso de las variables aleatorias continuas, da lo mismo escribir “me-
nor que” o “menor o igual que”, ya que la probabilidad de que X sea exac-
tamente igual a a o a b es 0.
La probabilidad de que una variable aleatoria continua se encuentre entre
dos valores cualesquiera puede expresarse por medio de su función de
distribución acumulada. Por consiguiente, esta función contiene toda la in-
formación sobre la estructura de probabilidad de la variable aleatoria.
P ( X = x0 ) = ∫x00 f (t )dt = 0
x
Para ciertas variables continuas de uso frecuente, los valores de F(x) se en-
cuentran tabulados, lo cual facilita el cálculo de probabilidades.
15
4. Propiedades de las variables aleatorias
Para tener una medida del punto central de una distribución de probabilidad,
se introduce el concepto de esperanza de una variable aleatoria. El valor es-
perado es la medida correspondiente del punto central de una variable alea-
toria.
16
4.2 Valor esperado de una variable aleatoria discreta
Supuesto que ∑ x·P (x ) < ∞, el valor esperado, E(X), de una variable alea-
xx
x
toria discreta X se define de la forma siguiente:
E ( X ) = µ = ∑ x·P (x )
x
donde la notación indica que el sumatorio abarca a todos los valores posibles
de x.
1. E(a·X + b) = a·E(X) + b.
3. SiX es una variable aleatoria discreta que toma valores xi con probabili-
dad pi, la media de la variable transformada Y = g(X) es
E (Y ) = E (g ( X )) = ∑ g (x )·P (x )
x
18
4.5 Varianza de una variable aleatoria
[ 2
]
σ 2 = E ( X − µ ) = ∑ ( X − µ ) ·P (x )
x
2
1. Var(a·X + b) = a2·Var(X).
2. [ 2
]
σ 2 = E ( X − µ ) = E (X 2 ) − µ 2 . 19
4.7 Tipificación de una variable aleatoria
Para transformar una variable X con media µ y desviación típica σ en otra ti-
pificada, basta con aplicar la transformación lineal:
X −µ
Y =
σ
20
4.8 Independencia de variables aleatorias
Dos variables aleatorias definidas en un mismo espacio de probabilidad, se di-
cen independientes si para cualquier B1, B2 ∈ B, donde cualquier B1 y B2
son sus campos de definición, se cumple:
P (( X ∈ B1 ) I (Y ∈ B2 )) = P ( X ∈ B1 )·P (Y ∈ B2 )
P (( X ≤ x ) I (Y ≤ y )) = P ( X ≤ x )·P (Y ≤ y )
21
5. Distribución de Bernoulli
Definición: Una prueba de Bernoulli es un experimento aleatorio cuyos po-
sibles resultados son agrupados en dos conjuntos excluyentes llamados “éxi-
to” (E) y “fracaso” (F), con P(E) = P y P(F) = 1 − P.
Esta división de éxito y fracaso puede ser algo que viene impuesto de manera
natural o una división artificial que interesa realizar.
1 si se obtiene éxito.
X =
0 si se obtiene fracaso.
P(X = 0) = 1 − P
P(X = 1) = P
O bien:
[ 2
]
σ 2 = E ( X − µ ) = ∑ (x − µ ) ·P (x ) =
x
2
= (0 − P ) ·(1 − P ) + (1 − P ) ·P = P·(1 − P )
2 2
23
6. Distribución Binomial
Concepto
Una importante generalización de la distribución de Bernoulli es el caso en el
que se realiza varias veces un experimento aleatorio con dos resultados posi-
bles y las repeticiones son independientes. En este caso, se puede hallar las
probabilidades utilizando las distribución binomial.
x
n!
·P x ·(1 − P )
n− x
= para x = 0,1,2, K , n
x!·(n − x )!
El hecho de que una variable aleatoria X tenga distribución binomial con n
pruebas y probabilidad de éxito P se representa: X∼B(n;P).
i =1 i =1 25
6.2 Media y varianza de una variable aleatoria Binomial
y varianza
[ 2
]
σ 2 = E ( X − µ ) = ∑ (x − µ ) ·P (x ) = n·P·(1 − P )
x
2
27
7.2 Distribución hipergeométrica
D N − D
·
x n−x
P (X = x ) = para max{0, n − (N − D )} ≤ x ≤ min{n, D}
N
n
Por combinatoria:
D!
·
(N − D )!
C xD·C nN−−xD x!·(D − x )! (n − x )!·(N − D − n + x )!
P (X = x ) = =
C nN N!
n!·(N − n)! 28
Por componentes:
x!·(D − x )!
x
C nN−−xD =
(N − D )!
(n − x )!·(N − D − n + x )!
Observaciones:
1. Normalmente, los valores que puede tomar la variable aleatoria con distri-
bución hipergeométrica son x = 0,1,…,n. Pero esto no es cierto si el
número de éxitos (o el número de fracasos) es menor que el número n de
observaciones.
Esperanza matemática
n·D
E (X ) =
N
Varianza
N − n D·(N − D )
Var ( X ) = n· ·
N −1 N2
30
8. Distribución de Poisson
Se utiliza la distribución de Poisson para hallar la probabilidad de variables
aleatorias que se caracterizan por ser el número de ocurrencias o de éxitos
de un suceso en un intervalo continuo dado.
n x e −λ ·λx
P (x ) = lim ·P ·(1 − P ) =
n− x
para x = 0,1,2, K
P →0
n →∞ x x!
n·P → λ
donde:
32
8.3 La media y la varianza de la distribución de probabilidad de
Poisson
La media será igual a:
µ = E (X ) = λ
Y la varianza:
[
σ 2 = E (X − µ ) = λ
2
]
La suma de las variables aleatorias de Poisson también es una variable alea-
toria de Poisson. Por lo tanto, la suma de K variables aleatorias de Poisson,
cada una de media λ, es una variable aleatoria de Poisson de media K·λ.
33
8.4 Aproximación de Poisson de la distribución binomial
La distribución de Poisson puede utilizarse como aproximación de las probabi-
lidades binomiales cuando el número de pruebas, n, es grande y al mismo
tiempo la probabilidad, P, es pequeña (generalmente, tal que n ≥ 30 y
P ≤ 0,1)
e − n·P ·(n·P )
x
P (x ) = para x = 0,1,2, K
x!
34
9. La distribución uniforme continua
Cualquier variable aleatoria uniforme X definida en el rango entre a y b tiene
la siguiente función de densidad de probabilidad:
1
si a≤x≤b
f (x ) = b − a
0 en caso contrario
f(x)
1
b−a
a b x
Esta función de densidad de probabilidad puede utilizarse para hallar la pro-
babilidad de que la variable aleatoria se encuentre dentro de un intervalo es-
pecífico. 35
La función de distribución correspondiente será:
0 si x < a
x − a
F (x ) = si a ≤ x ≤ b
b − a
1 si b < x
σ2 = E [( X − µ ) ] =
2 (b − a )2
12
36
10.La distribución normal
Razones por las que se utiliza frecuentemente:
1. La distribución normal es una aproximación muy buena de las distribucio-
nes de probabilidad de una amplia variedad de variables aleatorias.
2. Las distribuciones de las medias muestrales siguen una distribución nor-
mal, si el tamaño de muestra es grande.
3. El cálculo de probabilidades es directo.
2·π ·σ 2
Donde µ y σ 2 son números tales que −∞ < µ < ∞ y 0 < σ 2 < ∞ y don-
de e y π son constantes físicas, e = 2,71828 y π = 3,14159.
37
La distribución normal representa una gran familia de distribuciones, cada
una con una especificación única de los parámetros µ y σ 2.
X ~ N (µ , σ 2 )
38
La distribución normal tiene algunas características importantes:
1. Es simétrica.
µ x0 x
41
1 ( X − µ )2
1 − ·
F (x ) =
x 2 σ2
·∫−∞ e dx −∞< x <∞
σ · 2π
42
10.4 Probabilidades de intervalos de v. a. normales
SeaX una variable aleatoria normal que tiene una la función de distribución
F(x) y sea a y b dos valores posibles de X, siendo a < b. Entonces,
P(a < X < b) = F(b) – F(a)
La probabilidad es el área situada debajo de la correspondiente función de
densidad entre a y b.
f(x)
a µ b x 43
Es posible hallar cualquier probabilidad a partir de la función de distribución
de probabilidad acumulada.
F (z ) = P (Z ≤ z )
F (− z ) = P (Z ≤ − z )
se utiliza el complementario de la probabilidad. De la simetría se puede dedu-
cir que
F (− z ) = 1 − P (Z ≤ z ) = 1 − F (z )
45
10.6 Calcular probabilidades de variables aleatorias distribuidas
normalmente
Z∼ N(0,1)
Se deduce que si a y b son dos números tales que a < b, entonces,
a − µ b − µ
P (a < X < b ) = P <Z< =
σ σ
b − µ a − µ
= F − F
σ σ
Donde Z es la variable aleatoria normal estándar y F representa su función
de distribución.
46
10.7 La distribución normal como aproximación de la distribución
binomial
La distribución normal es una buena aproximación de la distribución binomial
cuando n ≥ 30 y 0,1 < P < 0,9.
47