Академический Документы
Профессиональный Документы
Культура Документы
= =
recX
x X P 1 ) (
Grfico:
1 -
0 x1 x2 x3 xn Rec X
FUNCION DE DISTRIBUCION ACUMULADA
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. La funcin de distribucin
acumulada de la variable aleatoria X se define en una
sumatoria parcial, a travs del recorrido de X, es decir :
F
X
(x) = P(X s x ) =
=
=
x
x k
k X P
1
) (
Grfico:
F(x) 1
........
0 x1 x2 x3 xn Rec. X
La funcin de distribucin acumulada de X cumple las
siguientes propiedades:
1.- F
X
(x) > 0 x e Rec. X v.a.d.
2.- F
X
(x) es una funcin no decreciente,
es decir X
i
< X
j
entonces F
X
(x
i
) s F
X
(x
j
)
3.-
4.- P( X > x ) = 1 P( X s x )
Lim F
X
(x) = 0 y Lim F
X
(x) = 1
X - X +
ESPERANZA DE UNA VARIABLE ALEATORIA DISCRETA
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la funcin de
cuanta de X. La esperanza de X se calcula:
E ( X ) =
La esperanza significa obtener un valor promedio ponderado de
todos los valores que puede tomar el recorrido de la variable
aleatoria discreta X, con sus respectivas probabilidades
puntuales.
=
cX
x X P x
Re
) ( *
PROPIEDADES DE LA ESPERANZA DE UNA
VARIABLE ALEATORIA DISCRETA X
Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. Sea a y b dos constantes
e 9.
1.- E ( a ) = a
2.- La esperanza es un operador lineal, es decir
E ( a X ) = a E ( X )
3.- La esperanza de una funcin lineal:
E (aX+b)=a E (X) + b
4.- Sea g(X) una funcin de variable aleatoria X, tal
que
E(g(X)) =
5.- El valor esperado del valor esperado de una variable
aleatoria es el valor esperado de una variable aleatoria.
E ( E ( X ) ) = E ( X )
=
cX
x X P x g
Re
) ( * ) (
6.- Sean X1,X2,...,Xn n variable aleatorias tal que
7.- Sean X1,X2 variables aleatorias discretas
entonces
E( X1 X2 ) = E (X1)*E (X2 )
= =
=
n
i
n
i
Xi E Xi E
1 1
) ( ) (
VARIANZA DE UNA VARIABLE ALEATORIA
DISCRETA
Sea (O,P) un espacio medible de probabilidad.
Sea X una variable aleatoria discreta y sea P(X) la funcin de
cuanta de X. La varianza de X se calcula:
V ( X ) = E ( X - E ( X ))
2
=
O tambin
V ( X ) = E ( X - E ( X ))
2
= E ( X
2
) - ( E ( X ) )
2
Donde
E ( X
2
) =
La varianza significa obtener una medida de variacin de todos
los valores que puede tomar el recorrido de la variable
aleatoria discreta X, con respecto a la esperanza de la variable
aleatoria X.
e
=
c x
x X P X E x
Re
2
) ( * )) ( (
e
=
c x
x X P x
Re
2
) ( *
PROPIEDADES DE LA VARIANZA DE UNA
VARIABLE ALEATORIA DISCRETA X
Sea X una variable aleatoria discreta y sea P(X) la
funcin de cuanta de X. Sea a y b dos
constantes e 9.
1.- V ( a ) = 0
Demostracin:
V ( a ) = E ( a E (a ) )
2
= E ( a a )
2
= 0
2.- V ( a X ) = a
2
V ( X )
3.- V( aX+b ) = a
2
V(X)
4.- Sea g(X) una funcin de variable aleatoria X, tal
que
V (g(X)) = E (g(X) - E (g(X)) )
2
=
E ( g(X)
2
) - ( E ( g(X) ) )
2
Donde
E ( g(X)
2
) =
e
=
c x
x X P x g
Re
2
) ( * ) (
5.- Sean X1 e X2 variables aleatorias independientes
entonces COV (X1,X2) = 0,
y adems se cumple:
V ( X1 + X2 ) = V ( X1 ) + V ( X2 )
V ( X1 - X2 ) = V ( X1 ) + V ( X2 )
6.- Sean X1 e X2 variables aleatorias dependientes
entonces:
V ( X1 + X2 ) = V ( X1 ) + V ( X2 ) + 2 * COV ( X1,X2 )
V ( X1 - X2 ) = V ( X1 ) + V ( X2 ) - 2 * COV ( X1,X2 )
Donde COV (X1,X2) = E(X1,X2) - E(X1)*E(X2)
Donde
E(X1,X2) =
e e
= =
1 Re 1 2 Re 2
) 2 2 , 1 1 ( 2 1
cX x cX x
x X x X P x x
Ejercicio:
Sea X el nmero de casos nuevos de SIDA diagnosticados
en un importante hospital, durante un da. La distribucin
Acumulada para X es la siguiente:
Encontrar la probabilidad de que en un da cualquiera:
Por lo menos tres casos sean diagnosticados.(0.7)
Por lo menos un caso nuevo sea diagnosticado.(0.9)
Ningn caso nuevo sea diagnosticado.(0.1)
Entre dos y cuatro casos nuevos inclusive, sean
diagnosticados.(0.6)
Encontrar la funcin de cuanta para X.(f(X))
Encontrar la media de casos diagnosticados al da.(3.1)
X 0 1 2 3 4 5 6
) ( X F 0.1 0.2 0.3 0.6 0.8 0.9 1
EJEMPLO :
Supongamos que la probabilidad de
tener un hijo hombre es 0.6.
Sea X el suceso : tener un hijo varn
Si una mujer tiene 4 hijos.
Cul es la probabilidad de que tenga al menos un hijo varn?
H : xito
M : fracaso
Luego:
=P(X > 1) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)
Para P(X = 1)
HMMM, MHMM, MMHM, MMMH
P(de tener al menos un hijo varn )
Luego:
P (X = 1) = 0.6 (0,4)
3
+ 0.6 (0,4)
3
+ 0.6 (0,4)
3
+ 0.6 (0,4)
3
P (X = 1) = 4 0,6 (0,4)
3
= ( 0,6)
1
(0,4)
3
= 0,1536
Para P( X = 2)
HHMM, HMHM, HMMH, MHMH, MHHM, MMHH
)
4
1
(
Luego:
P(X = 2) = 6 (0,6)
2
+(0.4)
2
= (0,6)
2
(0,4)
2
=0,3456
Para P(X = 3)
HHHM , HHMH, HMHH, MHHH
P(X = 3) = 4 (0,6)
3
(0,4)= (0,6)
3
(0,4)
1
= 0,3456
Luego:
Para P(X = 4)
P(X = 4) = (0,6)
4
(0,4)
0
= 0,196
HHHH
)
4
2
(
)
4
3
(
)
4
4
(
Definicin :
Consideremos un experimento consistente en n
repeticiones; si definimos la variable aleatoria X como el
nmero de xitos obtenidos en estos n ensayos,
entonces:
P(X = x) = p
x
q
n-x
, x= 0, 1, ... , n
)
n
x
(
p : prob. De xito
q : prof. De fracaso
p + q = 1
y se dice que X tiene distribucin binomial de parmetros n y p y se anota X ~ b(n,p)
Adems :
1) E (X) = np
2) V (X) = n p q
EJEMPLO :
Una operacin muy riesgosa usada con
pacientes desahuciados tiene una tasa
de sobrevida del 80%.
Cul es la probabilidad de que exactamente el 80% de los 5
prximos operados sobreviva?
Sea X el suceso: el 80% de los 5 operados sobreviva
Como el 80% de 5 es 4, luego se pide calcular :
P(X = 4)
Luego: P(X = 4) = (0,8)
4
(0,2)
1
= 0,4096
)
5
4
(
Adems : p = 0,8 ; q = 0,2 , n = 5
Para aplicar el modelo binomial se deben
cumplir las siguientes condiciones:
1) El experimento debe constar de un nmero fijo
de ensayos n.
2) Los ensayos son dicotmicos (xito o fracaso).
3) Los ensayos deben ser independientes.
4) La probabilidad de xito en cada ensayo debe
ser constante.