Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADSTICA I
AUTOR: Patricia Castillo Garzn
NDICE
NDICE
1. Variables aleatorias
2. Clases de variables aleatorias
3. Caractersticas de las variables aleatorias discretas, su funcin de probabilidad y de
distribucin acumulada
4. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de
distribucin acumulada
5. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de
distribucin acumulada
6. Varianza de una variable aleatoria discreta y continua
Acceso rpido
GENERALIDADES
DESARROLLO
REFERENCIAS
Este material pertenece al Politcnico
Grancolombiano y a la Red Ilumno. Por ende, son
de uso exclusivo de las Instituciones adscritas a
la Red Ilumno. Prohibida su reproduccin total
o parcial.
01 02
INTRODUCCIN
Ejemplo 1
RECOMENDACIONES ACADMICAS
Para una mejor comprensin del tema, se recomienda que inicialmente haga una lectura
detallada de cada uno de los contenidos. Siga la lectura con papel, lpiz y calculadora o ayuda
del computador para que aprenda a utilizar las frmulas dadas; no le gaste tiempo a memorizar
las frmulas, trate de comprender su razonamiento, la forma como la aplica y, sobre todo, la
interpretacin que le pueda dar al resultado obtenido. Recuerde que el uso de las funciones
estadsticas que tienen las calculadoras, o que encuentra en programas como el Excel, le
reducen el tiempo que gastara haciendo clculos aritmticos.
Las variables aleatorias se clasifican en dos tipos, las discretas y las continuas.
En adelante
usaremos la letra X para indicar una variable aleatoria, ya sea discreta o
Ejemplo
2
continua.
Si consideramos el lanzamiento de 4 monedas, entonces, el nmero de veces que aparece cara
es una variable aleatoria. Determinemos la variable aleatoria, establezcamos los valores que
toma y luego averiguaremos si es discreta o continua.
El experimento aleatorio es el lanzamiento de cuatro monedas, la variable aleatoria es el
nmero de caras que resultan de lanzar las cuatro monedas. Los posibles resultados del
experimento son:
0 caras: al lanzar las monedas no cay ninguna cara.
1 cara: al lanzar las monedas cay solo una cara.
2 caras: al lanzar las monedas cayeron dos caras.
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
Ejemplo 3
Si consideramos ahora la variable aleatoria peso, en toneladas, del arroz de las cosechas en
determinada regin, esta es continua porque sus valores se encuentran en un intervalo. Por
ejemplo entre 0 y 100 toneladas:
0 X 100
Esto significa la suma de las probabilidades de que X tome valores menores o iguales a uno
dado. Tambin es posible calcular la probabilidad de que X tome valores mayores (mayores o
iguales) a un nmero dado y menores (menores o iguales) a otro. Cuando esto suceda
tendremos que la probabilidad es la siguiente:
P(a X b) P( X b) P( X a)
P(a X b) P( X b) P( X a)
P(a X b) P( X b) P( X a)
P(a X b) P( X b) P( X a)
Ejemplo 4
Consideremos el nmero de caras que resultan al lanzar 4 veces una moneda y determinemos la
variable aleatoria, establezcamos su funcin de distribucin de probabilidad y su funcin de
distribucin acumulada.
X : nmero de caras que resultan al lanzar 4 veces una moneda.
Para determinar la probabilidad de cada valor de la variable aleatoria estableceremos por medio
de las tcnicas de conteo el nmero de elementos en el espacio muestral y el nmero de casos
exitosos en que podemos obtener cara.
Como en el primer, segundo, tercer y cuarto lanzamiento tenemos 2 opciones de resultado, cara
o sello, entonces utilizaremos el principio fundamental de conteo:
POLITCNICO GRANCOLOMBIANO
Por otra parte, para determinar el nmero de casos favorables de cada valor de la variable
aleatoria utilizaremos la tcnica de conteo de la combinatoria porque en un lanzamiento existen
4 posibilidades de que los resultados sean cara y necesitamos saber cuntos contienen 0, 1, 2, 3
y 4 caras.
ESTADSTICA I
En este caso estamos obligando a que tres resultados se llenen en algn lanzamiento con un
solo elemento (cara).
4!
4!
1 2 3 4
24
1
4! 4 4 ! 4! 0 ! (1 2 3 4)(1) 24
C
4
C
1
4!
1 2 3 4 24
4
1! 4 1 ! 1 2 3
6
En este caso estamos obligando a que un resultado se llene en algn lanzamiento con un solo
elemento: cara.
6
4C
2
2! 4 2 ! 2! 2 ! (1 2)(1 2) 4
En este caso estamos obligando a que dos resultados se llenen en algn lanzamiento con un solo
elemento (cara).
4C
3
4!
4!
1 2 3 4 24
4
3! 4 3 ! 3!1! (1 2 3)(1) 6
P(0) P( X 0)
P(1) P( X 1)
4
16
P(2)
P( X 2)
6
16
P(3) P( X 3)
4
16
P(4)
P( X 4)
1
16
X x
P( X x)
0
1
2
3
4
Fuente: (elaboracin propia)
POLITCNICO GRANCOLOMBIANO
1
16
4
16
6
16
4
16
1
16
ESTADSTICA I
Con los datos de la tabla podemos determinar algunas probabilidades acumuladas y, as, con
ellas, crear una tabla de distribuciones acumuladas.
Probabilidad de que en el resultado de los lanzamientos ninguno sea cara.
P( X 0)
1
0.0625
16
Probabilidad
Probabilidad de que como mximo uno de los resultados sea cara. Esto significa que puede ser
que ningn resultado sea cara o que uno solo de los resultados sea cara.
P(0 x 1) P(0) P(1)
0 x2
0 x3
0 x4
0.3125
0.6875
0.9375
1 4
5
0.3125
16 16 16
1. Probabilidad de que, a lo ms, en los resultados haya 2 caras. Esto significa que puede
que no haya ninguna, o que salga una o dos caras.
P(0 x 2) P(0) P(1) P(2)
0 x 1
1 4 6 11
0.6875
16 16 16 16
2. Probabilidad de que mximo en los resultados salgan 3 caras. En este caso, los resultados
pueden ser 0, 1, 2 o 3 caras.
1 4 6 4 15
0.9375
16 16 16 16 16
De igual manera, nos podran pedir las probabilidades presentadas a continuacin. Observe los
signos y recuerde que significa ser menor pero no igual a; significa ser menor e igual a;
significa ser mayor pero no igual a; y significa ser mayor e igual a. Como ejercicio
interprete los enunciados y resultados:
4 6 4 14
P(1 x 4)
P(1) P(2) P(3)
0.875
16 16 16 16
P(1 x 3) P(1) P(2)
P(2 x 4) P(3)
4 6 10
0.625
16 16 16
4
0.25
16
4 6 4 14
0.875
16 16 16 16
Ejemplo 4
P(0 x 4) P(0) P(1) P(2) P(3) P(4)
1 4 6 4 1 16
1
16 16 16 16 16 16
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea menor o
igual que 3?
P( X 3)
p( X
0) p( X
1) p( X
2) p( X
3)
p (0) p (1) p (2) (3)
1 4 6 4
16 16 16 16
15
16
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
10
La probabilidad de que a lanzar una moneda 4 veces el nmero de caras sea menor o igual que 3
es de un 0,9375.
Ejemplo 5
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que
2?
P( X 2) p( X 3) p( X 4)
p (3) (4)
4 1
16 16
5
16
Es posible resolver el ejercicio utilizando el concepto de complemento. Vemoslo:
P( X 2) 1 P( X 2)
1 ( P( X
0) P ( X
1) P ( X
2))
16 16 16
11 5
16 16
As, la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2 es
0.3125 aproximadamente.
1. f ( x) 0,
2.
f ( x)dx 1
b
3. P(a X b)
f ( x)dx
a
Entonces
funcin
de densidad
de probabilidad
de aleatoria
la variable
Cabe
resaltarsta
quese
endenomina
la definicin
se indica
que los valores
de la variable
estn entre
aleatoria
continua
X.
e pero en realidad seala que debe estar en un intervalo, no necesariamente el
mencionado.
Anlogamente al caso de la variable aleatoria discreta, la funcin de distribucin acumulada de
una variable continua X es la probabilidad de que X tome un valor menor o igual a algn x
especfico. En otras palabras,
P( X x) F ( x)
f (t )dt .
Una funcin de distribucin acumulada de una variable continua satisface las siguientes
propiedades:
1. F () 0
2. F () 1
3. P(a X b) F (b) F (a)
dF ( x)
f ( x)
4.
dx
5. P( X x) P ( X x) F ( x)
Ejemplo 6
Consideremos la concentracin, en miligramos, de amoniaco en un acuario.
X : cantidad de amoniaco en miligramos en un acuario.
11
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
12
42 x(1 x)5
f ( x)
0
0 x 1
en otro caso
Cul es la probabilidad de que no ms del 25% de los accidentes automovilsticos sean fatales?
La pregunta que debemos responder es cul es el valor de P X 0.25 ?
P X 0.25
0.25
42
42 x(1 x)5 dx
0.25
x (1 x )5 dx
0.25
Ejemplo 7
Si se miden los tiempos de llegada de 100 000 clientes y se agrupan en 100 intervalos de 5
segundos cada uno, entonces la representacin grfica es la siguiente.
x 2 5 x3 10 x 4 10 x5 5 x 6 x 7
42
3
4
5
6
7 0
2
0.5551
De esta manera, concluimos que la probabilidad de que no ms del 25% de los accidentes
automovilsticos sean fatales es de 0.5551.
0,025
0,02
0,015
0,01
Antes de dar la definicin de valor esperado para variables aleatorias discretas o continuas,
observemos el siguiente ejemplo que nos ilustra el significado del valor esperado de una
variable aleatoria discreta.
0,005
0
Tiempo de llegada
Figura 1. Distribucin Normal
Fuente: (elaboracin propia)
Como la grfica tiene forma de campana entonces podemos pensar que la funcin de densidad
es de tipo normal.
Ejemplo 8 (Canavos, 2003)
La variable aleatoria que representa la proporcin de accidentes automovilsticos fatales en
Estados Unidos tiene la siguiente funcin de densidad:
13
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
14
Ganancia
Ejemplo 9
Sitio B
$0
$200 000
$400 000
$600 000
P(sacar petrleo)
0.4
P(no sacar petrleo)
0.6
Probabilidad
0.02
0.4
0.18
0.4
Ganancia
Ganancia
$40 000 000
Prdida
$6 000 000
As concluimos que es mejor perforar inicialmente el sitio A porque se espera que la ganancia
sea mayor que en el sitio B.
Comisin esperada
0 0.02 200000 0.4 400000 0.18 600000 0.4
392000
Con este resultado podemos decir que nuestro vendedor comisionista no podr obtener la
comisin de $500000 que esperaba a este nivel de venta.
Con base en lo anterior, el valor esperado de una variable aleatoria discreta se calcula de la
siguiente manera:
E ( X ) xp( x)
x
Ejemplo 10
Una empresa petrolera ha elaborado un estudio y tiene dos posibles lugares donde perforar
para encontrar petrleo. Dado que una perforacin resulta costosa por la mano de obra y la
maquinaria utilizada, la empresa debe escoger uno de los dos lugares para perforar inicialmente.
Si la posibilidad de extraer petrleo en el sitio A es del 30% y del sitio B del 40%, pero se calcula
que A producir una ganancia $60 000 000 en caso de encontrar petrleo y una prdida de
$6 000 000 en caso de no encontrar, mientras B producir una ganancia de $40 000 000 si se
halla petrleo y una prdida de $6 000 000 en caso contrario, determinemos dnde deber
perforar primero la compaa.
15
Sitio A
P(sacar petrleo)
0.3
P(no sacar petrleo)
0.7
E ( X ) xf ( x)dx
Ganancia
$60 000 000
Prdida
$6 000 000
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
16
E ( X ) xf ( x)dx
0
42 x (1 x) dx
42 x (1 x) dx
Comisin
$0
$200 000
$400 000
$600 000
Probabilidad
0.02
0.4
0.18
0.4
x3 5 x 4 10 x5 10 x 6 5 x 7 x8
42
4
5
6
7
8 0
3
0.25
Luego se espera que un 25% de accidentes en los Estados Unidos sean fatales.
Var
( X ) E ( X 2 ) E ( X )
x
x
p ( x) xp ( x)
x
Dado que E ( X ) 392 000 , solo necesitamos hallar E ( X 2 ) para encontrar la varianza.
E( X 2 )
(0) 2 (0.02) (200000) 2 (0.4) (400000) 2 (0.18) (600000)2 (0.4)
188800000000000
Var
( X ) E ( X 2 ) E ( X )
188800000000000 (392000)2
351360000000000
Esta varianza al sacar la raz nos indica qu tan alejados estn los datos de la media de ellos; por
lo tanto, tenemos que:
Var ( X )
En otras palabras, los datos o las comisiones estn a $187 445,9922 de diferencia del promedio
o de la media de las comisiones.
Var
( X ) E ( X 2 ) E ( X )
x f ( x)dx xf ( x)dx
Ejemplo 12
Consideremos el ejemplo 9 y calculemos la varianza de la variable aleatoria comisin:
17
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
18
04
REFERENCIAS
Textos
19
POLITCNICO GRANCOLOMBIANO
ESTADSTICA I
20