Академический Документы
Профессиональный Документы
Культура Документы
DE LOYOLA
DISTRIBUCIONES DISCRETAS IMPORTANTES
DISTRIBUCIÓN BINOMIAL
VARIABLE ALEATORIA
VARIABLE ALEATORIA
Una variable aleatoria es una función que asigna un número a cada
elemento en Ω.
VARIABLE ALEATORIA DISCRETA
Una variable aleatoria X, es discreta si los valores que toma la variable son
enumerativos; es decir, existe un primer valor, un segundo valor, etc.
0,14
0,12
0,10
0,08
P(X)
0,06
0,04
0,02
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X
DISTRIBUCIÓN BINOMIAL
A partir de ciertas características los siguientes experimentos aceptan un
modelo Binomial:
Lanzar una moneda veinte veces y observar el número de caras que
aparecen.
Lanzar un dado diez veces y observar el número de veces que el dado
muestra inscrito el número cinco.
Un experimento Binomial tiene las siguientes características:
Consiste de n ensayos independientes.
En cada ensayo, solo hay dos posibles resultados, a uno se le denomina
éxito y al otro fracaso.
La probabilidad p de éxito es la misma en cada ensayo.
Definición
Una variable aleatoria X sigue distribución Binomial con parámetros n y p,
y se representa por X∼Bi(n,p), si su función de probabilidad está dada por:
𝐏 𝐗 = 𝐱 = ∁𝐧𝐱 𝐩𝐱 𝟏 − 𝐩 𝐧−𝐱 , 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐧
Donde:
n = Número de ensayos
p= Probabilidad de éxito en cada ensayo
Medidas de resumen
Esperanza matemática: Varianza:
𝐄 𝐗 =𝐧𝐩 𝐕 𝐗 = 𝐧 𝐩 (𝟏 − 𝐩)
EJEMPLO 1
Se lanza una moneda 10 veces, si el interés es contar el número de caras
que aparecen en los 10 lanzamientos, calcule:
𝐏 𝐗 = 𝟑 = 𝟎. 𝟏𝟏𝟏𝟏
b) Se pide: P X ≤ 2
𝐏 𝐗 ≤ 𝟐 = 𝟎. 𝟎𝟎𝟎𝟎
c) Se pide: P X ≥ 2
P X≥2 =1−P X<2
P X ≥ 2 = 1 − [P X = 0 + P X = 1 ]
P X ≥ 2 = 1 − [∁10
0 0.50 1 − 0.5 10−0 + ∁10 0.51 1 − 0.5
1
10−1 ]
P X ≥ 2 = 1 − [0.0107]
𝐏 𝐗 ≥ 𝟐 = 𝟎. 𝟗𝟗𝟗𝟗
E X = np V X = np(1 − p)
E X = 10 × 0.5 V X = 10 × 0.5 × (1 − 0.5)
𝐄 𝑿 =𝟓 𝐕 𝑿 = 𝟐. 𝟓
EJEMPLO 2
A un restaurante llegan dos tipos de clientes, los que piden comida criolla y los
que piden pescados y mariscos. Si ocho clientes llegan al restaurante y la
probabilidad que un cliente que llega pida comida criolla es 0.70, se pide:
a) Sea la variable:
X = Número de clientes que piden comida criolla de un total de ocho.
b) Sea los parámetros:
n=8 p = 0.7 (Probabilidad de que un cliente pida comida criolla)
c) P X ≤ 2 = P X = 0 + P X = 1 + P X = 2
P X ≤ 𝟐 = C0𝟖 (0. 𝟕)0 (0. 𝟑)𝟖 +C𝟏𝟖 (0. 𝟕)𝟏 (0. 𝟑)𝟕 +C𝟐𝟖 (0. 𝟕)𝟐 (0. 𝟑)𝟔
𝐏 𝐗 ≤ 𝟐 = 𝟎. 𝟎𝟎𝟎𝟎
d) Se pide:
X < 4 𝑃(2 ≤ 𝑋 < 4)
P �𝑋 ≥ 2 =
𝑃(𝑋 ≥ 2)
P X=2 +P X=3
P X < 4�𝑋 ≥ 2 =
1− P X=0 +P X=1
8 2 (0.3)6 +C 8 (0.7)3 (0.3)5
C (0.7) 0.0567
P X < 4�𝑋 ≥ 2 =
2 3
=
1 − C08 (0.7)0 (0.3)8 +C18 (0.7)1 (0.3)7 0.9987
e) Sea la variable:
Y = Número de clientes que piden comida criolla de un total de n
n=? p = 0.70
Se sabe que:
𝐸 Y = 21 ⟹ 𝑛𝑛 = 21 ⟹ 0.70𝑛 = 21 ⟺ 𝒏 = 𝟑𝟑
UNIVERSIDAD SAN IGNACIO
DE LOYOLA
DISTRIBUCIONES CONTINUAS IMPORTANTES
DISTRIBUCIÓN NORMAL
VARIABLES ALEATORIAS CONTINUAS
Definición
Una variable aleatoria X es continua si puede tomar cualquier valor
dentro de un intervalo. La representación gráfica es una curva que es
conocida como función de densidad de probabilidad.
0.24 n= 6
0.22
0.20
0.18
0.16
f(X)
0.14
0.12 n=12
0.10
0.08 n=24
0.06
0.04
0.02
0.00
10 20 30 40
DISTRIBUCIÓN NORMAL
La distribución Normal es una de las distribuciones de probabilidad más
importante y es una de las más utilizadas en la Estadística Inferencial.
Definición
Una variable aleatoria continua X sigue una distribución normal con
parámetros µ y σ2 (X ~ N µ, σ2 ) si su función de densidad de probabilidad
está dada por:
𝟏 𝟏 𝒙−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐 𝝈 , −∞ < 𝛍 < +∞, 𝛔>𝟎
𝝈 𝟐𝟐
Donde:
µ = Media poblacional
σ = Desviación estándar poblacional
PROPIEDADES DE LA CURVA DE LA DISTRIBUCIÓN
NORMAL
σ =1
σ = 1.5 La gráfica de la distribución
Normal es simétrica con respecto
a la recta x = µ. A esta se le
conoce con el nombre de
Campana de Gauss.
σ =2
-4 -3 -2 -1 0 1 2 3 4
A continuación, se presentan algunos resultados válidos para esta curva:
El área bajo la curva que comprende entre
µ−σ yµ+σ es aproximadamente el
68.26% del área total.
El área bajo la curva que comprende entre
f(X)
µ − 2σ y µ + 2σ es aproximadamente el
95.50% del área total.
σ σ σ σ σ σ
µ X El área bajo la curva que comprende entre
68.26%
µ − 3σ y µ + 3σ es aproximadamente el
95.50%
99.99% del área total.
99.99%
DISTRIBUCIÓN NORMAL ESTÁNDAR
Definición
Una variable aleatoria continua Z sigue una distribución normal estándar si
sus parámetros son µ = 0 y σ2 = 1 ( Z~N(0, 1)), si su función de densidad de
probabilidad está dada por:
𝟏 𝟏 𝟐
𝐟 𝒛 = 𝐞−𝟐𝒛 , −∞ < 𝐳 < +∞
𝟐𝟐
TABLA DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Para calcular probabilidades de variables aleatorias continuas que siguen
una distribución Normal, se utiliza la tabla de la distribución normal estándar.
Z 0 1 2 …… 7 8 9
…
3.5 0.99977 0.99978 0.99978 …… 0.99982 0.99983 0.99983
Solución
La representación gráfica es la siguiente:
Solución
La representación gráfica es la siguiente:
Solución
La representación gráfica es la siguiente:
Teorema 1
Si la variable aleatoria continua X sigue una distribución Normal con
parámetros µ y σ2 , la variable aleatoria:
X−µ
Z=
σ
Observación
El cambio de variable anterior (X ⟶ Z) recibe el nombre de estandarización.
EJEMPLO 5
En un restaurante se sabe que el ingreso diario por la venta de comida sigue
una distribución normal con media igual a 625 nuevos soles y desviación
estándar igual a 49 nuevos soles. Para un día cualquiera:
P X ≤ 600 = P Z ≤ −0.51
𝐏 𝐗 ≤ 𝟔𝟔𝟔 = 𝟎. 𝟑𝟑𝟑𝟑𝟑
d) Se pide:
611 − 625 X − µ 639 − 625
P 611 ≤ X ≤ 639 = P ≤ ≤
49 σ 49
𝐞−𝛌 𝛌𝐱
𝐏 𝐗=𝐱 = , 𝐱 = 𝟎, 𝟏, 𝟐, …
𝐱!
Donde:
λ = Número promedio de ocurrencias de un evento
Medidas de resumen
𝜆 = 5 botellas ⟶ 4 ℎ𝑜𝑜𝑜𝑜
𝝀 = 𝟐. 𝟓 𝐛𝐛𝐛𝐛𝐛𝐛𝐛𝐛 ⟶ 2 ℎ𝑜𝑜𝑜𝑜
−2.5 2.55
b) 𝑃 𝑋 = 5 = 𝑒 × = 𝟎. 𝟎𝟎𝟎𝟎
5!
c) P X ≤ 2 = P X = 0 + P X = 1 + P X = 2
2.50 2.51 2.52
𝑃 𝑋≤2 = × 𝑒 −2.5
× + + 𝑒 −2.5
× 𝑒 −2.5
0! 1! 2!
𝑃 𝑋 ≤ 2 = 0.0821 + 0.2052 + 0.2565
𝑷 𝑿 ≤ 𝟐 = 𝟎. 𝟓𝟓𝟓𝟓
d) Se pide:
X > 2 P 2<X<5 P X=3 +P X=4
P �X < 5 = =
P X<5 P X<5