Captulo 4

Variables Aleatorias
(Distribuciones)
Funcin que asigna a cada punto del espacio muestral
un nmero real
X :S
Ejemplo : S ={ falla , no falla }

X({ no falla }) = 0
X({ falla }) = 1


Variables Aleatorias

falla
no falla
S
Espacio Muestral
X({falla}) = 1
X({no falla}) = 0
0 1


+
Conjunto
Nmeros
Reales
A cada s e S le
corresponde
exactamente
un valor X(s)
Variables Aleatorias
a b
El espacio R
X
es el conjunto de TODOS los posible valores de X(s).
En cierto sentido podemos considerar Rx como otro espacio muestral
El espacio muestral original S induce un espacio muestra Rx asociado a
la Variable Aleatoria X
Luego un evento A en S induce un evento en el espacio muestral R
X
R
X
S
X(s) = b; s e S
X(s) = a
s
i
A
s
k
Variables Aleatorias
El concepto de Probabilidad de ocurrencia de
eventos en el espacio muestral S se puede aplicar a
eventos en R
X
.
R
X
X: S R
X
X(s) = x
1






0
f : [0, 1]
f(x)
0 s P(X(s) = x ) = f(x) s 1
s
Funcin de Probabilidad o
Densidad de una V. A.

Sea X una variable aleatoria.

Si el nmero de posibles valores de X (esto es su R
X
).
- Es finito (contable) o.
- Es contablemente infinito (denumerable).
Entonces llamamos a X una variable aleatoria discreta.

Esto es, los posibles valores de X pueden ser listados.
X
1
, x
2
, x
3
, ...., x
n
, .....

- En el caso contable la lista es finita.
- En el caso denumerable la lista es infinita contable
Variable Aleatoria Discreta
7
Ejemplo:
X: n. de caras en el lanzamiento de dos monedas
{ }
2 X ) , (
1 X ) , ( , ) , (
0 ) , (
) , ( , ) , ( , ) , ( , ) , ( S
=
=
=
=
K K
C K K C
X C C
K K C K K C C C
X es una V.A. discreta y finita
8
Funcin de probabilidad para V.A.
discretas (densidad)
Propiedades:
Ejemplo 1:
X: n. de caras en el lanzamiento de dos monedas

=
>
1 ) ( . 2
0 ) ( . 1
xi f
x f
X
P(x)
0
1/4
12
1/21/4
X
0
1/4
12
1/2
f(X)
9
Ejemplo 2:
Nmero de carros que pasan por una carretera
(V.A. discreta e infinita)

Ejemplo 3:
X: tiempo hasta la falla de un componente
electrnico
(V.A. continua)
10
Funcin densidad de Probabilidad
(V. A. Continua)
Definicin: Si X es una V. A. continua,
entonces f(x) cumple la siguiente propiedad:


x
x x X x P
x f
x
A
A + s s
=
A
) (
lim ) (
0
11
Funcin Densidad de Probabilidad (V.A. Continua)
f(x) satisface:
Ejemplo:
}

=
>
-
1 ) ( . 2
0 ) ( . 1
dx x f
x f

x
-
e
1
f(x) =
f(x)
x
(Distribucin Exponencial)
{ }
}
= s s
b
a
dx x f b X a P ) ( . 3
12
Funcin de distribucin acumulativa
V.A. continua:
x
F(x)
t
f(t)
}

= s =
x
dt t f x X P ) ( ) ( F(x)
13
V.A. discreta:

s
= s =
x
k
k
f x X P ) ( ) ( F(x)
14
Principales Parmetros de la Distribucin de
una Variable Aleatoria
Percentil xp:
p
xp F xp X P
= = s
) ( ) (
x
p
P
p
15
Parmetros de Posicin
1. Mediana: Percentil X
50
0.50 0.50
X 0.50
16
2. Media (esperanza matemtica):
Indica la tendencia central de los valores de X
| |
| |
Continua X ) (
Discreta X ) (

}



= =
= =
dx x f x X E
x f

xi X E
i


17
3. Moda:
Valor de X para el cual f(x) es un mximo relativo
Mo1 Mo2
18
Parmetros de Dispersin

1. Variancia
Mide la dispersin alrededor de la media
( ) | |
( )
dx x f x
x x
X E
i
i
i
) ( ) (
) (
VAR[X]
2
2
2
2
}

+



=
= =


o
f

19
2. Desviacin estndar
Es la raz cuadrada de la variancia
3. Rango:
Es la diferencia entre el mayor y el menor valor de la V.A.
(a veces no existe)
2
o o=
MIN MAX
X X R =
20
Distribucin Hipergeomtrica
Se utiliza para el muestreo de aceptacin
por lotes.
Supngase que un lote de tamao N tiene M
productos defectuosos (M N) y se
inspecciona una muestra de tamao n sin
reposicin.
X es la variable aleatoria que consiste en el
nmero de tems defectuosos encontrados
en la muestra
21
Distribucin Hipergeomtrica
(Propiedades)
( ) 0,1, 2,..., min( , )
M N M
x n x
p x x n m
N
n

| || |
| |

\ .\ .
= =
| |
|
\ .
donde proporcin de defectuosos
n M M
np p
N N

= = =
La media y la varianza de la distribucin son:

2
donde 1
1
N n
npq q p
N
o

| |
= =
|

\ .
22
Distribucin Hipergeomtrica
(Cont.)

Recuerde que:







)! ( !
!
b a b
a
b
a

=
|
|
.
|

\
|
23
Uso de MINITAB para las
distribuciones

24
Uso de MINITAB para las
distribuciones (cont.)

25
Procesos de Bernoulli
1. Cada experimento tiene dos resultados
posibles.
2. La probabilidad de cada resultado
permanece constante respecto al nmero
de intentos (tiempo).
3. Los intentos son estadsticamente
independientes, es decir el resultado de un
experimento no afecta a los siguientes.
26
Ejemplos de procesos de Bernoulli
1. Lanzamiento de una moneda.
2. Proceso de produccin en el cual se busca los
tems no conformes (aproximadamente de
Bernoulli).
3. Muestreo aleatorio sobre una poblacin infinita
de una variable nominal o dicotmica o
poblacin finita con reposicin.
27
Distribucin de Bernoulli
En un proceso de Bernoulli, el resultado de
cualquier experimento sigue una distribucin de
Bernoulli


0 con probabilidad 1 (fracaso)
1con probabilidad (xito)
q p
X
p
=

28
Propiedades de la distribucin
de Bernoulli
Media:
= p

Varianza:

2
=pq


Desviacin Estandar:
=pq

29
Distribucin Binomial
Aplicacin:
Realizar n intentos de observar un evento, y contar el
nmero k de ocurrencias (es decir tomar una muestra de
tamao n de una distribucin de Bernoulli y contar el
nmero de xitos)
Por tanto, la distribucin Binomial es la suma de n variables
de Bernoulli independientes
Condiciones:
Solamente dos resultados posibles: o el evento ocurre, o no
Los intentos son independientes
La probabilidad p de observar el evento es constante en cada
intento (n < 0.10N, o reposicin)
30
Las variaciones de n y p, en fenmenos como el descrito
anteriormente, definen una familia de distribuciones de
probabilidad binomial con:
Media: = np
Varianza:
2
= npq
) 1
(
)! ( !
!
) (
p p
k n k
k n k
n
k X P

= =
Minitab: Calc >> Probability Distri. >> Binomial
En caso de duda en ventanas de Minitab, use Help
31
5 4 3 2 1 0
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
X
P
(
x
)
Binomial: n=5, p=0,05
0 5 10
0,0
0,1
0,2
0,3
0,4
0,5
0,6
X
P
(
x
)
Binomial: n=10, p=0,05
0 1 2 3 4 5
0,0
0,1
0,2
0,3
X
P
(
x
)
Binomial: n=5, p=0,50
0 1 2 3 4 5 6 7 8 9 10
0,00
0,05
0,10
0,15
0,20
0,25
X
P
(
x
)
Binomial: n=10, p=0,50
32
1 2 3 4 5
0,0
0,1
0,2
0,3
0,4
X
P
(
x
)
Binomial: n=20, p=0,05
0 10 20
0,0
0,1
0,2
X
P
(
x
)
Binomial: n=20, p=0,50
33
Aproximacin de la Hipergeomtrica
a la Binomial
Cuando se puede aproximar

la Hipergeomtrica a la Binomial
1 . 0 <
N
n
34
Procesos de Poisson
Aplicaciones:
1. Colas en un banco
2. Sistemas de Produccin
3. Sistemas telefnicos
4. Internet
1995 Corel Corp.
Gracias por esperar.
Hola, ... est usted ah?
35
Procesos de Poisson
Propiedades:
1. La tasa de ocurrencia de los eventos es constante en el
tiempo.
2. La probabilidad de que exactamente un evento ocurra en
una unidad de tiempo es constante y muy pequea
(siempre que la unidad de tiempo sea pequea).
3. La probabilidad de dos o ms eventos simultneos es
nula.
4. La ocurrencia de un evento no depende de lo que ocurri
previamente (propiedad de la falta de memoria)
36
Distribucin exponencial
Representa el tiempo entre ocurrencias de
eventos en un proceso de Poisson.
Tambin puede representar el tiempo hasta la
falla de un componente.
>0 es la tasa de ocurrencia de los eventos o la
tasa de falla del componente
37
Propiedades de la distribucin
exponencial
Densidad:


Media:


Varianza:
0 ) ( > =

x e x f
x

1
=
2
2
1

o =
38
Propiedades de la distribucin
exponencial
0 1 ) ( > =

x e x F
x
Distribucin Acumulativa:
x
F
(
x
)
Distribucin Exponencial Acumulativa
Minitab: Calc >> Probability Distri. >> Exponential
39
Distribuicin de Poisson
Aplicacin:
En un proceso de Poisson, el nmero de eventos que
ocurren por unidad de tiempo
"Realizar n tentativas de observar un evento, y contar el
nmero k de ocurrencias"
Observar el nmero k de ocurrencias en un intervalo
dado de tiempo, rea, volumen, etc.
Condiciones:
Las mismas que la binomial, adems de:
"Muchas oportunidades de ocurrencia, para una baja
probabilidad en cada tentativa"
40
Las variaciones de , en fenmenos como el descrito anteriormente, definen
una famlia de distribuiciones de Poisson con:
Media =
Varianza =
Minitab: Calc >> Probability Distri. >> Poisson
!
) (
x
e
x p
x

=
41
4 3 2 1 0
0,6
0,5
0,4
0,3
0,2
0,1
0,0
X
P
(
X
)
Poisson, u=0,5
6 5 4 3 2 1 0
0,4
0,3
0,2
0,1
0,0
X
P
(
X
)
Poisson, u=1,0



42
7 6 5 4 3 2 1 0
0,3
0,2
0,1
0,0
X
P
(
X
)
Poisson, u=2,0
9 8 7 6 5 4 3 2 1 0
0,2
0,1
0,0
X
P
(
X
)
Poisson, u=4,0
20 10 0
0,15
0,10
0,05
0,00
X
P
(
X
)
Poisson, u=8,0
30 20 10 0
0,10
0,05
0,00
X
P
(
X
)
Poisson, u=16,0
43
Teorema del Lmite Central
La suma de n variables aleatorias
independientes se aproxima a la distribucin
normal cuando n tiende a infinito.
Cuando las variables aleatorias son
normales, n puede ser 2.
Cuando son continuas, en general con
n 30 se tiene una buena aproximacin.
Cuando son discretas, nominales o
atributos, es necesario que n 100.



44
Distribucin normal
Aplicacin:
Estudio de varios fenmenos naturales, en los cuales las
variaciones son causadas por el efecto aditivo de muchas y
pequeas causas (aplicando el anterior teorema)
Es la distribucin lmite de varias distribuciones, que es muy
utilizada en la inferencia estadstica y en el control estadstico de
procesos
Funcin densidad de probabilidad:
e
X
t f
o

t o
2
)
2
(
2
1
2
1
) (

=
Minitab: Calc >> Probability Distri. >> Normal
45
Las variaciones de y o , en fenmenos como
el descrito anteriormente, definen una familia de
distribuciones de probabilidad con:
Media =
Desviacin estndar = o
46
7 5 7 0 6 5 6 0 5 5 5 0 4 5 4 0 3 5 3 0 2 5
0 , 2
0 , 1
0 , 0
X
P
(
X
)

Distribuciones normales : 2 , 4 , 8 ( u = 5 0 )
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 1 1 0
0 , 0 0
0 , 0 1
0 , 0 2
0 , 0 3
0 , 0 4
0 , 0 5
0 , 0 6
0 , 0 7
0 , 0 8
0 , 0 9
0 , 1 0
x
f
(
x
)

, u = 3 0 , 5 0 , 7 0 ( s = 5 )
Normales
47
El rea abajo de la "funcin densidad"
representa la probabilidad
Aplicaciones tpicas:
x0
) (
0
x x Ps
48
x0
) (
0
x x P>
x0
) (
1 0
x x x Ps s
x1
49
Porcentual de los valores abarcados por
intervalos +/-no al rededor de la media :
+1o +1o +2o +3o +4o +5o +6o -6o -5o -4o -3o -2o -1o
68.26%
95.46%
99.73%
99.9937%
99.999943%
99.9999998%
50
Distribucin normal estndar
Es la que tiene media 0 y varianza 1.

Se conoce como N(0,1) y se denota por z.

Es muy usada cuando no se dispone de un
programa estadstico mediante un
procedimiento conocido como
estandarizacin.
51
Grfico de la distribucin normal
estndar

3 2 1 0 -1 -2 -3
Area
Z
52
Estandarizacin
Consiste en convertir una observacin x* de una
variable normalmente distribuida con media y
desviacin estndar en observacin z* de una
distribucin normal estndar mediante la siguiente
frmula:





donde z* representa la distancia hasta la media en
desviaciones estndar s.

o

=
*
*
x
z
53
Estandarizacin (cont.)
Si X es V. A. Normal con media y desviacin
estndar .
Para calcular las probabilidades se usan las frmulas
siguientes:


{ }
0
0
1.
x
P X x P Z

o

s = s
`
)
{ }
0
0
2.
x
P X x P Z

o

> = >
`
)
{ }
1 2
1 2
3.
x x
P x X x P Z

o o


s s = s s
`
)
54
Aproximacin de las distribuciones
Hipergeomtrica
Binomial
Normal
1 . 0 s
N
n
p<0.1 o q<0.1 y n grande
np>10 y 0.1p0.9
15
Poisson