Вы находитесь на странице: 1из 37

Variable aleatoria y

Distribuciones de
probabilidad
Variable aleatoria
Variable aleatoria

Habíamos definido como


variable como la
característica que se
desea estudiar de una Ahora definimos una
muestra o población. variable aleatoria como
una función que asocia un
número real a cada
elemento del espacio
muestral.
Variable aleatoria

Recordemos. Una función S X R


es una regla de
correspondencia que se
establece entre los
elementos de un conjunto s X(s)
sobre los elementos de
otro conjunto llamado
conjunto imagen o
recorrido de la función. Dominio Conjunto de
Imagen
Variable aleatoria

Sea S el espacio muestral S X R


asociado a un
experimento si cada punto
muestral s  S le hacemos
correponder un número s X(s)
real X(s), tal que la regla
de correspondencia define
una función, llamada
variable aleatoria. Dominio Conjunto de
Imagen
Variable aleatoria

Las variables aleatorias S X R


pueden ser discretas o
continuas (como el primer
tema del curso).
s X(s)
Vamos a usar conceptos
de temas vistos, junto con
su nueva designación.
Dominio Conjunto de
Imagen
Función de distribución
variables discretas
Variable aleatoria discreta

La variable aleatoria X S X R
es discreta si su
conjunto imagen X(S)
se le puede asignar un
valor de acuerdo a la
aparición de los s X(s)
eventos, es decir
existe un número de
valores finitos dentro
de un intervalo.
Dominio Conjunto de
Imagen
Función de distribución de variables discretas

Forma tabular
Tenemos un conjunto
X X1 X2 X3 … Xn
imagen finito X(s)=(X1,
f(X) f(X1) f(X2) f(X3) … f(Xn)
X2,X3,…,Xn), si
definimos una función Gráfico de barras
f(Xi5)
f de X(s) tal que f(Xi) =
P(X=xi), tal función .4
recibe el nombre de .
función de .3

distribución de la f(X22)
variable discreta X. f(X11)

0 ……….
X1 X2 X3 X
Función de distribución de variables discretas

Podemos definir una DISTRIBUCIÓN DE PROBABILIDAD DISCRETA, como el conjunto de


pares ordenados {(x, f(x) }, de la variable discreta X, si para cada uno de los resultados
posibles x, se cumple que:

1.
2.
3.
Función de distribución de variables discretas

Ejemplo:

Una Caja contiene 500 sobres con dinero así: 75 sobres contienen US$100, 150 contienen
US$25 y 275 sobres contienen US$10. Usted paga $US25 y puede seleccionar al azar un
sobre de la caja.

Valores que
toma la Función de
variable probabilidad o Función de
aleatoria Eventos Número de masa distribución
X asociados eventos f(Xi) F(Xi)
10 {US$10} 275 0.55 0.55
25 {US$25} 150 0.30 0.85
100 {US$100} 75 0.15 1.00
500 1
Función de distribución de variables discretas

Ejemplo:

Una Caja contiene 500 s0bres con dinero así: 75 sobres contienen US$100, 150 contienen
US$25 y 275 sobres contienen US$10. Usted paga $US25 y puede seleccionar al azar un
sobre de la caja.
Función de probabilidad o masa
0.6000 0.55
0.5000
Probabilidad

0.4000
0.3
0.3000
0.2000 0.15
0.1000
0.0000
 10  25  100
Valores que toma la variable aleatoria
Función de distribución de variables discretas
Ejemplo:

Una Caja contiene 500 s0bres con dinero así: 75 sobres contienen US$100, 150 contienen
US$25 y 275 sobres contienen US$10. Usted paga $US25 y puede seleccionar al azar un
sobre de la caja.
Función de distribución de variables discretas

Ejemplo: X :Variable aleatoria: La suma del resultado de lanzar dos dados iguales

Valores que Función de


toma la variable probabilidad o Función de
aleatoria Número de masa distribución
X Eventos asociados eventos f(Xi) F(Xi)
2 {1,1} 1 0,05 0,05
3 {1,2} 1 0,05 0,10
4 {1,3};{2,2} 2 0,10 0,19
5 {1,4};{2,3} 2 0,10 0,29
6 {1,5};{2,4};{3,3} 3 0,14 0,43
7 {1,6};{2,5};{3,4} 3 0,14 0,57
8 {2,6},{3;5};{4,4} 3 0,14 0,71
9 {3,6};{4,5} 2 0,10 0,81
10 {4,6};{5,5} 2 0,10 0,90
11 {5,6} 1 0,05 0,95
12 {6,6} 1 0,05 1,00
21 1,00
Función de distribución de variables discretas

X : La suma del resultado de lanzar dos dados iguales

Función de probabilidad o masa


0.16
0.14 0.14 0.14
0.14

0.12
0.10 0.10 0.10 0.10
Probabilidad

0.10

0.08

0.06 0.05 0.05 0.05 0.05


0.04

0.02

0.00
2 3 4 5 6 7 8 9 10 11 12
Valores de la variable aleatoria
Función de distribución de variables discretas

X : La suma del resultado de lanzar dos dados iguales


Valor esperado de para variables discretas

El valor esperado representa lo mismo que conocemos como media o valor promedio.

Se representa por la letra E[X] ó x


Valores que toma la
variable aleatoria

Función de
probabilidad o masa
Valor esperado de para variables discretas

Propiedades del valor esperado:


E[X+c] = E[X] + c

E[X+Y] = E[X] + E[Y]

E[aX] = a E[X]

Combinando estas propiedades, podemos ver


E[aX+b] = aE[X] + b

E[aX+bY] = aE[X] + bE[Y]

Donde X y Y son variables aleatorias, y a,b y c son tres


constantes cualquiera.
Varianza de una variables discretas

La raíz de la varianza representa lo mismo que conocemos como desviación típica,


que se denotara por x

Se representa por la letra V[X] ó 2x

Que es igual a: Más fácil de


calcular
Valor esperado de una variable discreta

Ejemplo:

Una Caja contiene 500 s0bres con dinero así: 75 sobres contienen US$100, 150 contienen
US$25 y 275 sobres contienen US$10. Usted paga $US25 y puede seleccionar al azar un
sobre de la caja.

Valores que
toma la Función de
variable probabilidad o
aleatoria Eventos Número de masa Valor Esperado
X asociados eventos f(Xi) E(X)=Xif(Xi)
10 {US$10} 275 0.55 5.5
25 {US$25} 150 0.33 7.5
100 {US$100} 75 0.15 15.0
500 1 28.00

Si cada uno de ustedes juegan muchas veces en promedio se ganan US$3


Valor esperado de una variable discreta

Ejemplo: X :Variable aleatoria: La suma del resultado de lanzar dos dados iguales

Valores que Función de


toma la variable probabilidad o Valor
aleatoria Número de masa Esperado
X Eventos asociados eventos f(Xi) E(X)=Xif(Xi)
2 {1,1} 1 0,05 0,1
3 {1,2} 1 0,05 0,1
4 {1,3};{2,2} 2 0,10 0,4
5 {1,4};{2,3} 2 0,10 0,5
6 {1,5};{2,4};{3,3} 3 0,14 0,9
7 {1,6};{2,5};{3,4} 3 0,14 1,0
8 {2,6},{3;5};{4,4} 3 0,14 1,1
9 {3,6};{4,5} 2 0,10 0,9
10 {4,6};{5,5} 2 0,10 1,0
11 {5,6} 1 0,05 0,5
12 {6,6} 1 0,05 0,6
21 1,00 7.0

Si cada uno de ustedes juegan muchas veces en promedio el resultado de la suma de sus
lanzamientos será de 7.
Varianza de una variable discreta

Ejemplo:

Una Caja contiene 500 s0bres con dinero así: 75 sobres contienen US$100, 150 contienen
US$25 y 275 sobres contienen US$10. Usted paga $US25 y puede seleccionar al azar un
sobre de la caja.
Valores que
toma la Función de
variable probabilidad Función de Valor
aleatoria Eventos Número de o masa distribución Esperado
X asociados eventos f(Xi) F(Xi) E[X]=ΣXif(Xi) E[X2]
10 {US$10} 275 0,55 0,55 5,50 55,00
25 {US$25} 150 0,3 0,85 7,50 187,50
100 {US$100} 75 0,15 1 15,00 1500,00
Suma 500 1 28,00 1742,50

V[X]=SXi2f(Xi)-µ2= 958,50
Desviación estándar = 30,96
Varianza de una variable discreta
Ejemplo: X :Variable aleatoria: La suma del resultado de lanzar dos dados iguales

Valores que
toma la Función de
variable probabilidad Función de Valor
aleatoria Eventos Número de o masa distribución Esperado
X asociados eventos f(Xi) F(Xi) E[X]=ΣXif(Xi) E[X2]
2 {1,1} 1 0,05 0,05 0,1 0,2
3 {1,2} 1 0,05 0,10 0,1 0,4
4 {1,3};{2,2} 2 0,10 0,19 0,4 1,5
5 {1,4};{2,3} 2 0,10 0,29 0,5 2,4
6 {1,5};{2,4};{3,3} 3 0,14 0,43 0,9 5,1
7 {1,6};{2,5};{3,4} 3 0,14 0,57 1,0 7,0
8 {2,6},{3;5};{4,4} 3 0,14 0,71 1,1 9,1
9 {3,6};{4,5} 2 0,10 0,81 0,9 7,7
10 {4,6};{5,5} 2 0,10 0,90 1,0 9,5
11 {5,6} 1 0,05 0,95 0,5 5,8
12 {6,6} 1 0,05 1,00 0,6 6,9
21 1,00 7,0 55,7

V[X]=SXi2f(Xi)-µ2=
Desviación estandar =
Función de distribución
variables continuas

Función de distribución continuas


Variable aleatoria continua

La variable aleatoria S X R
X es continua si su
conjunto imagen
X(S) es también
continuo, es decir s X(s)
puede tomar todos
lo infinitos valores
interiores a un
intervalo. Dominio Conjunto de
Imagen
Función de densidad de variables continuas

La función f(x), es una función de densidad para la variable aleatoria continua X, si se cumple:
Función de densidad de variables continuas

La función f(x), es una función de densidad para la variable aleatoria continua X, si se cumple:
Función de densidad de variables continuas
X: Variable Aleatoria Continua, Ejemplo

El tiempo de funcionamiento de un transistor hasta su primera falla (en cientos de


horas) es una variable X con función de densidad:

Corroborar:

; encontrar la probabilidad que la vida útil de transistor este


entre 400 y 500 horas.
Función de densidad de variables continuas
X: Variable Aleatoria Continua, Ejemplo

El tiempo de funcionamiento de un transistor hasta su primera falla (en cientos de


horas) es una variable X con función de densidad:

Encontrar

;encontrar la probabilidad que la vida útil de transistor


este por debajo de 500 horas.

y encontrar la probabilidad que la vida útil de


transistor este por encima de 500 horas.
Función de densidad de variables continuas
X: Variable Aleatoria Continua, Ejemplo

El tiempo de funcionamiento de un transistor hasta su primera falla (en cientos de


horas) es una variable X con función de densidad:

Encontrar: La vida útil del transistor sea exactamente igual a las 5000 horas.

Esta probabilidad siempre es cero por ser X una Variable Aleatoria Continua y la
probabilidad es el área bajo la función de densidad.

Recordar. El área bajo un punto es cero.


Función de distribución de variables continuas
¿Para qué sirve la función de distribución?

Para calcular la probabilidad de los menores o iguales a un valor


específico, de un intervalo, o de los mayores de un valor específico.

•P(Xa) = F(a)

•P(a<X<b)= F(b) – F(a)

•P(X>a)=1-P(Xa) = 1 – F(a)
Función de distribución de variables continuas
¿Para qué sirve la función de distribución?

Para relacionarlo con la idea de percentil, cuartil, etc.

Ejemplo: P(XP75)=F(P75)=75%
Función de distribución de variables continuas
X: Variable Aleatoria Continua, Ejemplo

El tiempo de funcionamiento de un transistor hasta su primera falla (en cientos de


horas) es una variable X con función de densidad:

Encontrar la función de Distribución para la Variable X:


Función de distribución de variables continuas
X: Variable Aleatoria Continua, Ejemplo

Función de Distribución para la Variable X:

10.000
=1−

a. ¿Cuál es la probabilidad de que la vida útil del transistor este por debajo de las
500 horas?

b. ¿Cuál es la probabilidad de que la vida útil del transistor este entre 400 y 500
horas?

c. Si la vida útil de los transistor es mayor de 500 horas, ¿Cuál es la probabilidad de


que la vida útil del transistor dure menos de 700 horas?
Valor esperado y varianza de una variable
aleatoria continua
X: Variable Aleatoria Continua, Ejemplo

Valor esperado:

Varianza:

= = −

= = −
Ejercicio en clase
1. El tiempo en minutos que un bus del MIO se retrasa es una variable aleatoria X con
función de densidad:

= 25 − ; −5< <5
a. Calcule el valor de k (Pista. Compruebe que f(x) es una función de densidad)
b. Encuentre la función de distribución.
c. Calcule la probabilidad que el bus no se demore.
d. Calcule la probabilidad que el bus se demore más de 3 minutos.
e. Calcule la media y la varianza del tiempo en minutos que el bus se retrasa.

2. En un taller de servicio automotriz especializado en afinaciones se sabe que 45% de


todas las afinaciones se realizan en automóviles de cuatro cilindros, 40% en automóviles de
seis cilindros y 15% en automóviles de ocho cilindros. Sea X el número de cilindros en el
siguiente carro que va a ser afinado.
a. ¿Cuál es la función masa de probabilidad de X?
b. Trace tanto una gráfica lineal como un histograma de probabilidad de la función masa
de probabilidad del inciso a).
c. ¿Cuál es la probabilidad de que el siguiente carro afinado sea de por lo menos seis
cilindros? ¿Más de seis cilindros?
Valor esperado y varianza de una variable
aleatoria continua
Trabajo en clase:

Un factor importante en el combustible sólido para proyectiles es la distribución del


tamaño de las partículas. Cuando las partículas son demasiado grandes se presentan
problemas importantes. A partir de datos de producción históricos se determinó que
la distribución del tamaño (en micras) de las partículas se caracteriza por:

, > 1,
=
0,
a. Calcule el valor de k (Pista. Compruebe que f(x) es una función de densidad)
b. Encuentre la función de distribución.
c. ¿Cuál es la probabilidad de que una partícula tomada al azar del combustible
fabricado sea mayor que 4 micras?
d. ¿Cuál es la probabilidad de que una partícula tomada al azar del combustible
fabricado este entre 4 y 20 micras?
e. Calcule la media y la varianza del tamaño en micras de las partículas.