Академический Документы
Профессиональный Документы
Культура Документы
Definicin:
Una variable aleatoria es una descripcin
numrica del resultado de un experimento
Tipos:
Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:
X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.
La variable aleatoria puede ser discreta o continua.
Veremos en este captulo el caso discreto.
p : [0,1]
x p( x) P( X x)
La funcin de probabilidad debe cumplir:
(i ) p ( x) 0 x
(ii ) p ( x) 1
x
p : [0,1]
x p ( x) P( X x)
(i ) f ( x) 0 x
(ii )
f ( x)d ( x) 1
E X k k pk
k 0
posibles valores de X
probabilidad que la
variable tome el valor k
V X k E X pk
2
k 0
Desviacin
cuadrtica promedio
E X x
x f ( x) dx
posible valor de X
El valor promedio que puede
asumir la variable
VX
Desviacin
cuadrtica promedio
x E X
f ( x) dx
Variable aleatoria
Cantidad de clientes
0, 1,2,3,4,5
Inspeccionar un embarque
de 40 chips
Cantidad de chips
defectuosos
0,1,2,.,40
Funcionamiento de un
restaurante durante un da
Cantidad de clientes
0,1,2,3.
Vender un automvil
Sexo Cliente
0 si es hombre y 1 si es
mujer
Variable aleatoria
Funcionamiento de un
banco
X>=0
Cantidad de onzas
Porcentaje de terminado
del proyecto
Ensayar un nuevo
proceso qumico
Temperatura cuando se
lleva a cabo la reaccin
deseada (min 150 F; mx
212F)
0<=x<=12.1
10
0<=x<=100
150<=x<=212
X:E
5/36
5/36
4/36
4/36
3/36
3/36
2/36
2/36
1/36
1/36
10
11
12
Funcin de distribucin
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:
F : [0,1]
x F ( x) P( X x)
En nuestro ejemplo de los dos dados:
F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
0,5
0,028
2
10 11
12
1
6
F(x)
f(x)
0.5
0 1
F () lim F ( x) lim P ( X x) P () 0
x
P ( x1 X x2 ) F ( x2 ) F ( x1 )
F es montona creciente.
F es continua por la derecha: la probabilidad de
que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la funcin de distribucin
en ese punto.
E X xi P( X xi ) xi p( xi )
i
xi
-1
0
1
2
3
P(X) Xi*p(x)
0.1
0.2
0.4
0.2
0.1
-0.1
0.0
0.4
0.4
0.3
1.0
(316
E
X
)26
(3
x.36)7
P
.362
7
1i
2ii
Var ( X ) M 2 E (( X ) )
2
(x )
i
P( X xi )
Var ( X )
Ejemplo
Xi
P(X)
-1
0
1
2
3
.1
.2
.4
.2
.1
-2
-1
0
1
2
( X ) ( X ) P( X )
2
4
1
0
1
4
2 ( xi ) 2 P ( xi ) 1,2
i
Var ( X ) 1.10
0.4
0.2
0.0
0.2
0.4
1.2
V
a316r(2X)7
(26x)37).316(27)5,83
P
12i2ii22
Var ( X ) ( xi ) p ( xi )
2
(x
p ( xi ) 2 xi p ( xi )
2 xi ) p ( xi )
2
E ( X ) 2 E ( X ) ( E ( X ))
2
E ( X ) ( E ( X ))
2
parmetros
0 p 1
n 1,2,
0 p 1
Poisson
Geomtrica
Hipergeomtrica
0
0 p 1
N , r, n
r, n N
probabilidad
Pr{ X k}
1 p si k 0
p si k 1
n k
p (1 p) n k
k
k 0,1, , n
k
k!
(1 p ) k 1 p
r
k
k 0,1,2,
k 1,2,
N r
n k
N
k 0,1, , n
n
media
varianza
p (1 p )
np
np(1 p)
tarea
tarea
tarea
tarea
Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso q = 1 - p,
podemos construir una funcin de probabilidad:
x 1 x
P( X x) p q
x 0,1
E[ X ] x P ( X x)
x 0
0 P ( X 0) 1 P ( X 1) p
1
Var ( X ) E[ X ] ( E[ X ]) x P( X x) p
2
x 0
0 P ( X 0) 1 P( X 1) p
2
p p p (1 p ) pq
2
1
E
2
F
3
F
4
E
5
E
6
F
7
E
8
E
n
n!
x
x ! n x !
Tambin es necesario conocer la probabilidad asociada a
cada uno de los resultados experimentales el cual se puede
determinar a travs de la siguiente relacin
p (1 p)
x
(n x)
30
Ejemplo 1 B(n,p)
Aplicando la formula de la distribucin Binomial
En una fbrica de cmaras el 5% sale con defectos.
Determine la probabilidad de que en una muestra de 12 se
encuentren 2 cmaras defectuosas.
Solucin :
n k nk
P[ X k ] p q , 0 k n
k
Ejemplo 2 B(n,p)
El Gerente de una gran tienda necesita determinar cual es la
probabilidad de que 2 de tres clientes que ingresan a la tienda
hagan una compra. l sabe que la probabilidad de que un cliente
compre es de 0.3
3
3!
3
2
2! 3 2 !
0.3 (1 p)
2
(3 1)
0.063
np (1 p)
5 0.1 (1 0.1) 0.67
5 0.5 (1 0.5) 1.1
P(X)
.6
.4
.2
0
0
n = 5 p = 0.1
P(X)
.6
.4
.2
0
0
n = 5 p = 0.5
X
1
X
1
5
33
Distribucin de Poisson
Francs Simen Dennis Poisson (1781-1840)
P[ X k ] e
k
, k 0,1,2,...
k!
Distribucin Poisson
Es una distribucin de probabilidad que muestra la probabilidad
de x ocurrencias de un evento en un intervalo especificado de
tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos
intervalos cualesquiera de igual longitud
La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en
cualquier otro intervalo
Distribucin Poisson
La distribucin de Poisson se expresa como:
(x = cantidad de ocurrencia)
e k
p( x)
, x 0 ,1,2 , ...
x!
P(X)
.6
.4
.2
0
0
Desviacin estndar
P(X)
.6
.4
.2
0
0
38
= 0.5
X
1
= 6
X
2
10
Ejemplos en la Empresa
La llegada de un cliente al negocio durante
una hora.
Las llamadas telefnicas que se reciben en
la central en un da.
Los defectos en manufactura de papel por
cada metro producido.
Los envases llenados fuera de los lmites
por cada 100 galones de producto
terminado.
39
p( x)
np
(np )
x!
41
Distribucin Poisson
Un director regional tiene la responsabilidad del desarrollo
de una empresa, y le preocupa la cantidad de quiebras de
empresas pequeas. Si la cantidad promedio de quiebras de
empresas pequeas por mes es de 10, cul es la
probabilidad de que quiebren exactamente 4 empresas
pequeas durante un mes?, Suponga que la probabilidad de
una quiebra es igual en dos meses cualesquiera, y que la
ocurrencia o no ocurrencia de una quiebra en cualquier
mes es independiente de las quiebras en los dems meses
42
0 100
100
100 99
1 100
0.9206
99
1 100 99
100 2 100
n x n x
p q
x
p ( x )
98
100
( x 0,1,....n)
P ( A ) e (1 1 12 ) 0.9197
c
43
x
p( x)
e
x!
( x 0,1,....)
Ejemplo 3: Poisson
Si en promedio, entran 2 coches por minuto en un garaje, cul es la
probabilidad de que durante un minuto entren 4 o ms coches?
Si asumimos que un minuto puede dividirse en muchos intervalos cortos de
tiempo independientes y que la probabilidad de que un coche entre en uno de
esos intervalos es p que para un intervalo pequeo ser tambin pequeo
podemos aproximar la distribucin a una Poisson con = np = 2.
El suceso complementario entran 3 coches o menos tiene probabilidad:
2 20
0!
21
1!
22
2!
x
p( x)
e
x!
) 0.857
23
3!
( x 0,1,....)
44
Muestra
n
Funcin de probabilidad
k N k
x n x
p( x)
N
n
k
E ( X ) np
siendo p
N
N n
V ( X ) np (1 p)
N 1
Ejemplo de Hipergeomtrica
Se debe seleccionar 2 miembros de un comit, entre 5,
para que asistan a una convencin en Santiago.
Suponga que el comit est formado por 3 mujeres y 2
hombres. Determine la probabilidad de seleccionar 2
mujeres al azar
Tenemos N=5, n=2, r=3 y x=2
Luego el clculo de la probabilidad es:
3 2
2 0
3
f (2)
0.3
10
5
2
46
47
Funcin de distribucin
Es la funcin que asocia a cada valor de una
variable, la probabilidad acumulada
de los valores inferiores o iguales.
Pinsalo como la generalizacin de las
frecuencias acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden valores de la funcin de
distribucin cercanos a cero.
A los valores extremadamente altos les corresponden valores de la funcin de
distribucin cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en forma de p-valor, significacin,
48
F ( x)
f (t ) dt Pr X x
lim F ( x) 0
lim F ( x) 1
F ( x) 1
xlim
Pr , x F ( x)
Se puede demostrar
que
Pr , x F ( x )
Pr a, b F (b ) F (a)
Pr a, b F (b) F (a )
d F ( x)
f ( x)
dx
Es una funcin de densidad, donde en los puntos, que son finitos,
en que no est definida por que no existe la derivada de F(x) se
redefinen arbitrariamente.
En general, se dir que una variable aleatoria X es continua, si ella
tiene una probabilidad generada por una funcin de densidad.
f ( x)
1
ba
0
si a x b
si x (a, b)
1
f ( x)
0
si x (0,1)
si x (0,1)
f ( x)
1
2
1 ( x )2
2 2
En particular si = 0 y 2 = 1, se tiene
que
1
f ( x)
2
1 2
x
2
1 x
x e
f ( x) ( )
0
donde
si x 0
si x 0
( ) x 1e x dx
0
Recuerde
(n) ( n 1)!
que
De manera que si = 1 obtenemos nuestra recordada densidad
exponencial de parmetro .
Modelos de probabilidad
continuos
f ( x)
1
( n / 2) 1 ( x / 2)
x
e
n/2
2 (n / 2)
0
si x 0
si x 0
1 (n 1) / 2
f ( x)
1
n (n / 2)
( n 1) / 2
con x
DISTRIBUCIONES DE PROBABILIDAD
Introduccin
Parmetro:
x>0
x>0
f(x)= 1/10 e
x/10
f(x)= 1/ e x/ , x>0
Modelo exponencial
, x>0
F(x)= 1 e x/ , x>0
f(x)
=
2 = 2
M(t)= (1 t )1
57
Funcin de distribucin:
F(x) = 1- e
F. generatriz de momentos:
Media:
E(X) =
Varianza:
Var(X) = 2
x/
x>0
t< 1/
La distribucin normal
La distribucin normal fue reconocida
por primera vez por el francs
Abraham de Moivre (1667-1754).
59
La distribucin es
campaniforme,
simtrica, centrada
en y con puntos de
inflexin en
t+ 2t2
F. generatriz de momentos:
Media:
Varianza:
E(X) =
Var(X) = 2
M(t)= e
=0
t22
2=1
M(t)= e
En la prctica:
x-
x-
Fx(x)= Pr (Xx) = Pr ( X-
)= Pr(Z
)= ( x- )
TABLAS
Pr(
P ( a X b) P
a np
np (1 p )
b np
np(1 p)
P ( a X b) P
a 0,5 np
np (1 p )
b 0,5 np
np (1 p )
P( a X b) P
a 0,5
P (a X b) P
b 0,5
Normal
N(, 2)
n20
=np
2 =np(1-p)
Binomial
B(n,p)
N>50
n/N0,1
Hipergeomtrica
H(N, k, n)
10
=
2 =
=np
np 7
Poisson
P()
Ejemplos 1
Supongamos que sabemos que el peso de los/as estudiantes
universitarios/as sigue una distribucin aproximadamente
normal, con una media de 140 libras y una desviacin
estndar de 20 libras.
Determine la probabilidad de que una persona
tenga un peso menor o igual a 150 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=150 libras, el rea de la
curva que nos interesa es la siguiente:
68
X 150 140
0.50
20
69
Ejemplo2
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso mayor o igual a 150 libras
Paso 1 Interpretar grficamente el rea de inters.
70
0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de
0.6915.
Paso 4 - Hacer la suma o resta de reas para encontrar la
probabilidad deseada.
En este ejemplo el rea de 0.6915 no representa el rea que nos
interesa sino la contraria. En este caso debemos restarle 1 a la
probabilidad encontrada.
1 - .6915 = 0.3085
71
Ejemplo 3
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras, el rea de la curva
que nos interesa es la siguiente:
72
X 115 140
Z
1.25
20
Ejemplo 4
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso entre 115 y 150 libras.
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras y b=150 libras, el
rea de la curva que nos interesa es la siguiente
74
X 115 140
1.25
20
X 150 140
0.50
20
75
76
Ejemplo 5
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes. Se asignar al que
tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema donde la calificacin de los alumnos se
comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la calificacin de los alumnos se
comporta como N(70,10).
Solucin
No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como ambas
poblaciones se comportan de modo normal, podemos tipificar y observar las puntuaciones sobre
una distribucin de referencia N(0,1)
xA A 8 6
zA
2
A
1
xB B 80 70
zB
1
B
10
Como ZA>ZB, podemos decir que el porcentaje de compaeros del mismo sistema de estudios que
ha superado en calificacin el estudiante A es mayor que el que ha superado B. Podramos pensar
en principio que A es mejor candidato para la beca.
77
Qu hemos visto?
79