Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Material Imprimible Unidad 2 PDF
Material Imprimible Unidad 2 PDF
Material Imprimible Unidad 2 PDF
UNIDAD II
PROBABILIDAD
p. 1
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
UNIDAD II: PROBABILIDAD
PRESENTACIÓN
Concepto de experimento aleatorio. Probabilidad. Modelos Aleatorios. Distribuciones de Probabilidad más
comunes. Función de Distribución. Varianza y Esperanza.
OBJETIVOS
QUE LOS PARTICIPANTES LOGREN:
Reconocer un experimento aleatorio.
TEMARIO
1. Experimento aleatorio
2. Probabilidad
3. Distribución de probabilidad
4. Variable Aleatoria
p. 2
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
BIBLIOGRAFÍA RECOMENDADA
OBLIGATORIA
Richard Levin; David S Rubin. Estadística para Administración y Economía. 7ma Edición. 2004.
Pearson Educación.
COMPLEMENTARIA
Robert D. Mason; Douglas A. Lind. Estadística para Administración y Economía, 8ª edición.
Madrid, Alfaomega grupo editor,1999
David Levine y Mark L. Berenson. Estadística básica en administración: conceptos y
aplicaciones. Pearson,1992
Ronald M. Weiers. Introducción a la estadística par negocios, 5ta edición, México. CENGAGE
learning, 2008.
p. 3
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
1. EXPERIMENTO ALEATORIO
El hecho que uno no pueda predecir cuál es el resultado que se obtendrá en particular se debe a
que existen causas que quien realiza el experimento no puede controlar.
Espacio muestral (S): Es el conjunto de todos los resultados posibles del experimento aleatorio.
𝑆 = {1, 2, 3, 4 ,5 ,6}
p. 4
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Suceso o evento: Se llama suceso o evento a cualquier subconjunto del espacio muestral S.
Se denotan con letra mayúscula de imprenta. Así para el experimento de lanzar un dado, que vimos
en el ejemplo 1, podemos definir los siguientes sucesos, que claramente son un subconjunto del
espacio muestral S.
Podemos dar una clasificación especial de los sucesos en función que posteriormente, podamos
medir las chances de ocurrencia de cada uno de ellos:
Suceso seguro: es aquel que siempre ocurre. Es decir, el espacio muestral S completo.
Sugerencia: para mayor información sobre experimento aleatorio, leer capítulo 4 apartados 4.1. y 4.2 de la
bibliografía obligatoria
p. 5
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
2. PROBABILIDAD
¿Qué tienen en común todas estas frases? Todas están expresadas en función de las “chances” de
que el suceso ocurra efectivamente.
Cuando queremos evaluar las chances de que un suceso ocurra, necesitamos una cantidad que
exprese numéricamente las posibilidades a favor o en contra.
Es por esta razón que se define a la probabilidad como la medida del grado de incertidumbre en
lo que respecta a la ocurrencia o no de un suceso asociado a un experimento aleatorio.
Esta definición también llamada de Laplace, es la más elemental de las definiciones de probabilidad
que trataremos en este curso.
Sea un experimento aleatorio cuyos resultados posibles son mutuamente excluyentes, igualmente
probables y exhaustivos. Si el experimento tiene n resultados posibles y A es un suceso que tiene m
resultados favorables a él, se llama probabilidad de A al número definido como:
p. 6
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Ejemplo 2.1:
Habíamos visto que en este caso el espacio muestral S, asociado al experimento, es:
𝟑 𝟏
𝑷(𝑨) = =
𝟔 𝟐
Ejemplo 2.2:
𝑺 = {1𝑦1, … ,1𝑦6, 2𝑦1, … , 2𝑦6,3𝑦1, . . , 3𝑦6, 4𝑦1, … , 4𝑦6, 5𝑦1 … .5𝑦6, 6𝑦1, … .6𝑦6 }
𝑨 = { 2𝑦2, 2𝑦4 ,2𝑦6 … … 6𝑦2, … .6𝑦6} A tiene 9 resultados favorables, entonces la probabilidad de
que ocurra A se calcula como:
𝟗 𝟏
𝑷(𝑨) = =
𝟑𝟔 𝟒
Nota: observar que la cantidad de resultados posibles puede calcular sin tener que enumerar todos
los casos. Por ejemplo, para este ejemplo sabemos que por cada resultado de la primera tirada
p. 7
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
tenemos 6 resultados posibles para el segundo (todos los casos). Para los casos favorables sabemos
que son 3x3=9 (ya que son 3 los números pares)
Ahora veremos otro ejemplo, que nos servirá para incorporar la noción de número factorial y
combinatorio (que más adelante utilizaremos en un tipo de distribución en particular)
Ejemplo 2.3:
Supongamos que tenemos una caja con 4 bolas. Las bolas están numeradas como 1,2,3 y 4. La bolas
1,2 y 3 son de color rojo y la bola 4 es verde. Lo que nos interesa en este caso es calcular la
probabilidad de extraer la bola verde en 4to lugar. Vamos a calcular S y A.
Calculo de S y de A:
R1 R2 R3 V4
R1 R3 R2 V4
R2 R3 R1 V4
R3 R2 R1 V4
R2 R1 R3 V4
R3 R1 R2 V4
V4 R1 R2 R3
V4 R1 R3 R2
V4 R2 R3 R1
V4 R3 R2 R1
V4 R2 R1 R3
V4 R3 R1 R2
p. 8
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
R1 V4 R2 R3
R1 V4 R3 R2
R2 V4 R3 R1
R3 V4 R2 R1
R2 V4 R1 R3
R3 V4 R1 R2
R2 R3 V4 R1
R3 R2 V4 R1
R3 R1 V4 R2
R2 R1 V4 R3
R1 R3 V4 R2
R1 R2 V4 R3
Pero también lo podemos pensar así: para la primera extracción tenemos 4 candidatos (Roja 1, 2 y
3 y verde 4), para la segunda nos quedan solamente 3 candidatos, para la 3era extracción 2
candidatos y para la última extracción un solo candidato. La cantidad de combinaciones posibles se
calcula como 4x3x2x1=24 que es el factorial de 4 y se simboliza como 4!. Las 24 combinaciones
puede observarse en los cuadro indicados arriba.
Como se observa en dichos cuadros combinatorios, la cantidad de casos favorables en los cuales la
bola verde sale en 4to lugar es de 6, por lo tanto la probabilidad que se de esa condición es como
ya dijimos la suma de los casos favorables dividido la cantidad de casos posibles, es decir,
𝟔 𝟏
𝑷(𝑨) = =
𝟐𝟒 𝟒
Nota: 6 son los casos en los cuales salió en 4to lugar la bola numero 4 color verde
Ahora supongamos que ya no me importa que número de bola salga primero. Solamente los colores.
p. 9
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
𝑺 = {𝑅𝑅𝑅𝑉, 𝑉𝑅𝑅𝑅, 𝑅𝑉𝑅𝑅, 𝑅𝑅𝑉𝑅 }
R R V R
R V R R
R R R V
V R R R
Se puede pensar como el caso anterior (24 combinaciones posibles), pero en las cuales no nos
importa el orden en el cual salen las bolas rojas. O sea este caso
R1 V4 R2 R3
R1 V4 R3 R2
R2 V4 R3 R1
R3 V4 R2 R1
R2 V4 R1 R3
R3 V4 R1 R2
Es equivalente a ….
R V R R
4 4! 4∗3∗2∗1
Para el cálculo de los casos posibles se toma el número combinatorio ( ) = 3!1! = 3∗2∗1∗1 = 4. Esto
3
se lee “el número combinatorio de escoger 3 bolas de 4 en total”. Como “funciona” ?. Toma todos
los casos posibles importando que secuencia de bolas extraemos (en factorial de 4!), pero luego
descuenta todos los casos en los cuales la secuencia es la misma (RVRR) aunque tenga ordenes de
bolas diferentes ( y eso es el factorial de 3!). Luego también descuenta todas las variantes de la bola
verde, aunque en este caso no es importante porque hay una sola bola, sí sería importante si
tuviésemos 2 bolas verdes !
Finalmente P(A) = 1 / 4.
p. 10
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Hasta aquí puede parecer que los ejemplos que vemos no tienen mucha conexión con casos
prácticos de la realidad. Es cierto, pero es la forma más sencilla de introducir los nuevos conceptos.
Más adelante veremos donde se utilizan.
Ahora veremos un último ejemplo para ver el cálculo con reposición y sin reposición
Ejemplo 2.4:
Sigamos con el ejemplo de la caja con 4 bolas, de las cuales 3 son rojas y una verde. Ahora queremos
calcular la probabilidad del suceso A=”la primera bola extraída es verde”. Muy sencillamente, con
el mismo razonamiento que en el ejemplo 2.3…
1
𝑃(𝐴) =
4
Ahora supongamos tener un nuevo suceso. A=”la segunda bola extraída es verde”. Ahí dependerá
de la naturaleza del ensayo.
Con reposición: una vez extraída la bola, se observa el color extraído y se toma nota y luego
se devuelve a la caja, con la posibilidad de volver a ser elegida:
1
𝑃(𝐴) =
4
Es importante ver la diferencia que hay de valores ¡!!...ahora supongamos que hay 999 bolas
rojas y 1 bola verde.
p. 11
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Con reposición: una vez extraída la bola vuelve a la caja:
1
𝑃(𝐴) = 1000,
Este último resultado es importante retener para temas que vamos a ver más adelante.
Ejemplo 2.5: La siguiente tabla muestra la distribución de deportes de un club y sus socios:
Básquet 40 30 70
Voley 70 50 120
Fubsal 60 0 60
Aquí el universo de casos posibles, S, son los socios del club: 250 socios. El suceso A =” que juegue
120
al vóley” está compuesto por 120 casos. Por lo tanto la probabilidad es 𝑃(𝐴) = 250 = 0,48
p. 12
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Aquí el universo de casos posibles, S, son los socios del club: 250 socios. El suceso B =” que
juegue al básquet y sea hombre” está compuesto por 40 casos. Por lo tanto la probabilidad es
40
𝑃(𝐴) = 250 = 0,16
PROBABILIDAD AXIOMÁTICA
La definición anterior no puede aplicarse en todos los casos posibles de experimentos aleatorios.
Por ejemplo si el experimento no tiene una cantidad finita de resultados posibles o si los resultados
posibles no son igualmente probables no podemos aplicarla. Para abarcar todas estas posibilidades
y muchas otras, necesitamos formular una definición de probabilidad que no dependa de estas
circunstancias.
Para ello debemos definir a la probabilidad como una función de la siguiente, manera:
p. 13
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
En matemáticas, un axioma es un resultado que se acepta sin que necesite demostración. En este
caso, decimos que ésta es la definición axiomática de la probabilidad porque definimos la
probabilidad como una función que cumple estos tres axiomas.
Independientes
Que los sucesos sean independientes se debe a que la aparición de un suceso no depende del otro
y viceversa.
p. 14
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Ejemplo 2.7:
Calcular la probabilidad de obtener 3 caras cuando se lanza una moneda 3 veces seguidas.
En este caso se trata de sucesos independientes, ya que si sale cara en el primer lanzamiento esto
no condiciona el resultado de un segundo lanzamiento, lo mismo para cada uno de los siguientes
lanzamientos.
(que se escribe P( B / A) y se lee “Parobabilidad que se de el evento B dado que se dio previamente
el evento A) en este caso es
𝑃(𝐵⁄𝐴) = 𝑃(𝐵)
Dependientes
𝑃(𝐵𝐴)
𝑃(𝐵⁄𝐴) =
𝑃(𝐴)
p. 15
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Ejemplo 2.8: una mini-empresa de remises dispone de 3 modelos de autos:
1 Ford fiesta 2015. Tiene una disponibilidad del 98 % ( o sea 2 % del tiempo produce fallas
inesperadas )
1 Fiat Siena 2015. Tiene una disponibilidad del 95 % ( o sea 5 % del tiempo produce fallas
inesperadas )
1 Renault Logan 2015. Tiene una disponibilidad del 97 % ( o sea 3 % del tiempo produce fallas
inesperadas)
Supongamos que tomamos un auto de la agencia, que probabilidad hay de que falle?
De acuerdo a la composición de la flota, el % de que tome un auto y falle (sin escoger la marca) es
de 3,333 %
Sugerencia: para mayor información sobre definiciones de probabilidad, leer capítulo 4 apartados 4.3, 4.4, 4.5 y 4.6
de la bibliografía obligatoria.
p. 16
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
3. DISTRIBUCIONES DE PROBABILIDAD
Vimos que un experimento es considerado aleatorio cuando a cada uno de sus resultados posibles
se le puede asignar una probabilidad. El conjunto de esas probabilidades recibe el nombre de Ley
de probabilidad de dicha variable, también llamada función de frecuencia o función de densidad de
probabilidad.
Las funciones de frecuencias son conjuntos de reglas o expresiones matemáticas que permiten
asignar una probabilidad a cada uno de los posibles resultados que puede tomar una variable
aleatoria, o sea, describen el comportamiento de la probabilidad de cada uno de los resultados
posibles de la variable aleatoria.
En ambos casos para que la función sea considerada función de probabilidad, deberá cumplir con
dos condiciones:
Según sean sus características o las condiciones previas, será la función de probabilidad, es decir el
comportamiento de la probabilidad de cada uno de los resultados de la variable estudiada a lo largo
de su campo de variabilidad.
Para entender mejor este concepto veamos que es una variable aleatoria.
Sugerencia: para mayor información sobre distribuciones de probabilidad, leer capítulo 5 apartado 5.1 de la
bibliografía obligatoria.
p. 17
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
4. VARIABLE ALEATORIA
Sea S un espacio muestral asociado con un experimento aleatorio. Una variable aleatoria X es una
función que asocia a cada elemento w ∈ S un número real X(w)=x, es decir
X:S→ℜ
Como se observa, en general representaremos a las v.a. con letras mayúsculas: X, Y, Z, etc. y sus
valores con letras minúsculas, es decir X(w)=x significa que x es el número real asociado al resultado
w ∈S a través de X.
Ejemplo 4.1:
Supongamos que tiramos 3 veces una moneda al aire. Podemos calcular la tabla que relación la
cantidad de caras con la probabilidad.
Si definimos la variable aleatoria X = “cantidad de caras cuando lanzamos una moneda 3 veces”,
podemos a partir de la tabla anterior construir la siguiente tabla
p. 18
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
X=
"cantidad Probabilidad
de caras"
3 0,125
2 0,375
1 0,375
0 0,125
Aclaración IMPORTANTE. Las probabilidades puestas arriba son teóricas, y por eso hablamos de
tabla de distribución de Probabilidades. NO son datos experimentales. En caso de tomar datos
experimentales hablamos de Tabla de Distribución de Frecuencias.
Una v.a. se dice discreta si toma un número finito o infinito numerable de valores. En el caso
mencionado X = “cantidad de caras al arrojar 3 veces una moneda” X puede ser 0,1,2 o 3, pero no >
3 o 3,5…por decir.
La función de probabilidad puntual o de masa de la v.a. discreta X, se define para todo x como:
En lenguaje matemático. En lenguaje coloquial, para cada valor x de X se asocia una probabilidad,
que cumple con las siguientes propiedades
p. 19
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
a) Todos los valores son mayores que cero
b) La suma es igual a 1
La función de probabilidad puntual de una v.a. X nos dice cómo se distribuye la probabilidad total
entre los distintos valores de X, y se determina a partir de la probabilidad de los sucesos asociados
a cada valor de X.
Ejemplo 4.2: Tomemos un caso un poco más sencillo para los cálculos. Hallar la función de
probabilidad puntual de la v.a. X : “número de caras al arrojar dos veces una moneda”.
Nuestra variable aleatoria puede tomar tres valores {0,1,2}, es decir, tomará el valor cero si no
aparece ninguna cara en los dos lanzamientos. Tomará el valor 1, si llegara a aparecer una cara en
alguno de los lanzamientos y tomará el valor 2 si aparecieran caras en ambos lanzamientos.
Para hallar la función de probabilidad puntual debemos calcular la probabilidad en cada punto.
1 1 1
𝑝(0) = 𝑃(𝑋 = 0) = 𝑃({𝐶𝑒𝑐𝑎, 𝐶𝑒𝑐𝑎}) = . =
2 2 4
1 1 1 1 2 1
𝑝(1) = 𝑃(𝑋 = 1) = 𝑃({𝐶𝑎𝑟𝑎, 𝐶𝑒𝑐𝑎} ∪ {𝐶𝑒𝑐𝑎, 𝐶𝑎𝑟𝑎}) = . + . = =
2 2 2 2 4 2
1 1 1
𝑝(2) = 𝑃(𝑋 = 2) = 𝑃({𝐶𝑎𝑟𝑎, 𝐶𝑎𝑟𝑎}) = . =
2 2 4
X 0 1 2
P(x) 𝟏 𝟏 𝟏
𝟒 𝟐 𝟒
Podemos ver que cumple las propiedades de una función de probabilidad puntual, es decir
a) ∀𝑝(𝑥) ≥ 0 ∀ 𝑥 (en lenguaje coloquial que son todas las probabilidades mayores que
cero)
1 1 1
b) ∑𝑥∈𝑅𝑥 𝑝(𝑥) = 4 + 2 + 4 = 1 (la suma de todas las probabilidades es igual a uno)
p. 20
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Función de Distribución Acumulada de una variable aleatoria Discreta.
La función de distribución acumulada de una v.a. discreta X con función de probabilidad puntual
p(x) se define para todo 𝑥 ∈ 𝑅 como :
En lenguaje coloquial F (x) es la probabilidad de que la v.a. X tome valores menores o iguales que x.
Ejemplo 4.3: Volviendo al ejemplo anterior en donde X : “número de caras al arrojar dos veces una
moneda”.
X 0 1 2
P(x) 𝟏 𝟏 𝟏
𝟒 𝟐 𝟒
Resumiendo la información:
p. 21
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Observamos que es una función escalera no decreciente que toma valores entre 0 y 1
Gráficamente..
Sugerencia: para mayor información sobre distribuciones de probabilidad y variables aleatorias, leer capítulo 5
apartado 5.2 de la bibliografía obligatoria.
Antes de introducirnos en esta temática, es importante mencionar que el encuadre teórico general
de una variable aleatoria continua exige conocimientos de Análisis Matemático. Es por ello que lo
mencionaremos en el material para vuestro conocimiento, pero escapan al alcance de este curso.
Una v.a. X es continua si existe una función f :ℜ → ℜ + = [0,∞) llamada función de densidad de la
𝑏
En particular, si A = [ a, b] , entonces 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥 y
𝑃(𝑋 = 𝑎) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑎) = 0 ∀𝑎 ∈ ℜ
Para que una función f (x) sea una función de densidad, debe satisfacer dos propiedades
p. 22
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Observar que f (x) no es una probabilidad, de hecho puede ser mayor que 1. Es simplemente el valor
de una función en un punto.
Ejemplo 4.4: La fracción de tiempo X, que un robot industrial está en operación durante una semana
de 40 horas es una variable aleatoria cuya función de densidad de probabilidad es:
2x para 0 ≤ x ≤ 1
𝑓(𝑥) = {
0 coc
Podemos ver que efectivamente f(x) es una función de densidad ya que:
∞ 1
𝑥2 1
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 2𝑥 𝑑𝑥 = 2 / 0= 1
2
−∞ 0
1
𝑥2 1
𝑃(𝑋 ≥ 0.5) = ∫ 2𝑥 𝑑𝑥 = 2 /0.5 = 1 − (0.5)2 = 0.75
2
0.5
La función de distribución acumulada de una v.a. continua X con función de densidad f (x) se define
para todo x ∈ ℜ, como:
𝑥 𝑥
p. 23
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
𝑥 𝑥
𝑡2 𝑥
𝑠𝑖 0 ≤ 𝑥 ≤ 1 , 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡 = ∫ 2𝑡 𝑑𝑡 = 2. /0 = 𝑥 2
2
−∞ 0
Resumiendo la información:
0 𝑠𝑖 𝑥 < 0
𝑥2 𝑠𝑖 0 ≤ 𝑥 ≤ 1
𝐹(𝑥) =
1 𝑠𝑖 𝑥 > 1
p. 24
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
5. ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA
∑ 𝑓𝑖 . 𝑥 𝑓
𝑋̅ = , 𝑒𝑛 𝑒𝑙 𝑙𝑖𝑚𝑖𝑡𝑒 𝑝 = , 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜
𝑁 𝑁
𝐸(𝑋) = ∑𝑥∈𝑅(𝑥) 𝑥. 𝑝(𝑥) (en lenguaje coloquial es la suma de multiplicar TODOS los valores posibles
de la variable aleatoria por su probabilidad de obtención)
Ejemplo 5.1: Calculemos la esperanza de la variable X: “número de caras al arrojar dos veces una
moneda”.
X 0 1 2
P(x) 𝟏 𝟏 𝟏
𝟒 𝟐 𝟒
1 1 1
𝐸(𝑋) = ∑𝑥∈𝑅(𝑥) 𝑥. 𝑝(𝑥) = 0. 4 + 1. 2 + 2. 4 = 1
O sea que cuando arrojamos una moneda 2 veces es esperable obtener una cara (si el experimento
lo repetimos infinitas veces)
La esperanza matemática surge con los juegos de azar, como la cantidad de eventos positivos que
se supone ocurrirán al realizar un experimento un determinado número de veces.
p. 25
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Antes de introducirnos en esta temática, es importante mencionar que el encuadre teórico general
de la Esperanza de variable aleatoria continua exige conocimientos de Análisis Matemático. Es por
ello que los mencionaremos en el material para vuestro conocimiento, pero escapan al alcance de
este curso.
Sea X una v.a. continua con función de densidad f (x), la esperanza o valor esperado de X se define
como:
∞
𝐸(𝑋) = ∫−∞ 𝑥. 𝑓(𝑥) 𝑑𝑥 siempre que la integral converja.
Ejemplo 5.2: Calculemos la esperanza de nuestra variable aleatoria X que mide la fracción de
tiempo, que un robot industrial está en operación durante una semana de 40 horas, cuya función
de densidad de probabilidad es:
2x para 0 ≤ x ≤ 1
𝑓(𝑥) = {
0 coc
Aplicando la definición, la esperanza de X será:
∞ 1 1 2𝑥 3 1 2
𝐸(𝑋) = ∫−∞ 𝑥. 𝑓(𝑥) 𝑑𝑥 = ∫0 𝑥. 2𝑥 𝑑𝑥 = ∫0 2𝑥 2 𝑑𝑥 = /0 = 3
3
En este caso podemos decir que se espera que en promedio el robot industrial esté en
funcionamiento durante una semana de 40 hs, 2/3 del tiempo.
Sea X una v.a. discreta con función de probabilidad puntual p(x) y E(X) finita, la varianza de X, que
se denotará V(X) o 𝜎 2 se define como:
p. 26
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
𝜎 2 = 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
p. 27
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
6. DISTRIBUCIONES ESPECIALES
En este apartado estudiaremos variables aleatorias que por sus características especiales merecen
un estudio más detallado.
Distribución Binomial
Notación: X ~ Bi (n,p).
𝑛
𝑝(𝑥) = {( ) 𝑝 𝑥 . (1 − 𝑝)𝑛−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2 … … … 𝑛 0 < 𝑝 < 1 𝑛 ∈ 𝑍0+
𝑥
p. 28
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Donde:
𝑝 =Probabilidad de éxito
Ejemplo 6.1.: Si tiramos una moneda al azar 5 veces, vamos a ver que la variable aleatoria X =
“cantidad de caras que se obtienen” sigue una distribución Binomial…
p. 29
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
5
De donde viene en ( )? Es que en realidad si tuvieran identidad las caras, tendríamos
2
C1C2SSS, C2C1SSS, etc (cara de una moneda y de otra moneda), pero como interesa sino la
cantidad de caras se toma el numero combinatorio.
Se sigue mismo razonamiento para X=3, X=4 y X=5
Es fácil intuir de donde proviene la formula general entonces….
Ahora veamos cuánto vale la esperanza (recordar que en este caso particular p = 1-p = 0,5
5 5 5 5
𝐸(𝑋) = 0 ∗ ( ) 𝑝5 + 1 ∗ ( ) 𝑝4 (1 − 𝑝)1 + 2 ∗ ( ) 𝑝3 (1 − 𝑝)2 + 3 ∗ ( ) 𝑝2 (1 − 𝑝)3 + 4 ∗
0 1 2 3
5 5
( ) 𝑝1 (1 − 𝑝)4 + 5 ∗ ( ) (1 − 𝑝)5 = 𝑝5 (0 ∗ 1 + 1 ∗ 5 + 2 ∗ 10 + 3 ∗ 10 + 4 ∗ 5 + 5 ∗ 1) =
4 5
(0,5)5 ∗ 80 =2.5, que es n*p=5*0,5
Ejemplo 6.2.: En un proceso de fabricación de tornillos se sabe que el 2% son defectuosos. Los
empaquetamos en cajas de 50 tornillos. Calculamos la probabilidad de que en una caja el número
de tornillos defectuosos sea:
a) Ninguno.
b) Más de dos.
p. 30
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Aclaración: es importante mencionar que si bien cuando sacamos un tornillo no lo reponemos,
dado que la cantidad de tornillos es muyyyyyyy grande respecto a la muestra sacada, esto no
afecta la proporción de defectuosos de la misma.
P(X=0)= (50
0
)(0.02)0 . (0.98)50 = 0.3641
Punto c) Por término medio, habrá E(X) = 50 · 0,02 = 1 tornillo defectuoso en cada caja.
Sugerencia: para mayor información sobre distribución Binomial, leer capítulo 5 apartado 5.4 de la bibliografía
obligatoria.
Distribución Poisson
Esta distribución tan importante está presente en muchos fenómenos prácticos tales como:
Supongamos que se observa el número de veces que sucede un fenómeno en una unidad de
tiempo (por ejemplo la cantidad de autos que llegan a una cabina de peaje en la hora pico)
observaremos que:
p. 31
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
El número de vehículos que llegan por hora pico puede estimarse a partir de datos de
trafico disponibles.
Si dividimos la hora pico en intervalos de tiempo muy pequeños, por ejemplo un segundo,
encontraremos que:
o La probabilidad de que exactamente un vehículo llegue a una cabina es muy
pequeña y constante en cada intervalo de un segundo.
o La probabilidad de que exactamente dos vehículos lleguen a una cabina es aún más
pequeña que le podemos asignar el valor de cero.
o El número de vehículos que llegan en un segundo es dado es independiente del
momento en que tomamos ese segundo dentro de la hora pico
o El número de llegadas en cualquier intervalo de un segundo no depende del
número de llegadas en cualquier otro intervalo de un segundo.
En base a estas condiciones vamos a definir una variable aleatoria Poisson a la función que
tiene la siguiente función de probabilidad:
𝑒 −λ . λx
𝑝(𝑥) = 𝑝𝑎𝑟𝑎 𝑥: 0,1,2 … ∞
𝑥!
Se denota 𝑋~𝑃𝑜 (λ), que significa la variable X se distribuye Poisson con parámetro Lambda.
Características importantes:
p. 32
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Ejemplo 6.3: Los mensajes que llegan a una computadora utilizada como servidor lo hacen de
acuerdo con una distribución de Poisson con una tasa promedio de 0.1 mensajes por minuto.
Aquí estamos en presencia de un Variable del tipo Poison con λ= 0.1 mensajes por minuto
𝑒 −6 60
𝑝(𝑥 = 0) = = 0,00248
0!
𝑒 −6 61
𝑝(𝑥 = 1) = = 0,0148
1!
𝑒 −6 62
𝑝(𝑥 = 2) = = 0,0446
2!
Por lo tanto la probabilidad de que lleguen por lo menos dos mensajes en una hora es de 0.062.
Sugerencia: para mayor información sobre distribuciones de Binomial y Poisson, leer capítulo 5 apartado 5.5 de la
bibliografía obligatoria.
p. 33
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Variables Aleatorias Continuas Especiales:
Distribución Normal
Esta es una de las distribuciones más importantes dentro de la estadística. Su importancia radica no
sólo en que frecuentemente en la práctica se hallan variables que tienen esta distribución (por
ejemplo, los errores de medición, peso de las personas, coeficiente intelectual…etc) sino porque,
bajo ciertas condiciones, suele ser una buena aproximación a la distribución de otras variables
aleatorias.
1 1 𝑥−𝜇 2
. 𝑒 −2( )
𝑓(𝑥) = 𝜎
√2𝜋𝜎
Se denota 𝑋~𝑁(𝜇, 𝜎 2 )
Características importantes
El gráfico de la función de densidad normal tiene forma de campana con eje de simetría en
x = μ y puntos de inflexión en x = μ + σ y x = μ - σ.
Es simétrica respecto a la media µ= E(x)
Crece hasta la media µ y decrece a partir de ella.
El eje de abscisas es una asíntota de la curva.
El área bajo la curva es igual a 1.
Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y
otra igual a 0.5 a la derecha.
La probabilidad equivale al área encerrada bajo la curva.
p. 34
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
p. 35
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Ejemplo 6.4:
Supongamos que el peso de una persona en determinado lugar tiene distribución Normal, con
media = 70 kg y desvío estándar = 10 kg para los varones. Calculemos la probabilidad de que una
persona pese entre 50 y 60 kg.
P (X < 60 kg)
P (X < 50 kg)
P (50 < X < 60 ) = P (60 < X) – P (50 < X) = Área debajo de la curva para 60 < X – Área debajo de la
curva para 50 < X.
+DISTR.NORM.N(X,media, desv_estandar;acumulado)
Donde
p. 36
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Acumulado: si ponemos 1 calcula la probabilidad para que x<X (x es 50 o 60 en nuestro caso). Si
podemos cero calcula la densidad de probabilidad.
En el pasado, lo que había eran tablas que mostraban el área bajo la curva para la distribución
normal estandarizada, que tiene media = cero y desvío estándar = 1.
Dijimos que muchas variables en la vida real tienen distribuciones que pueden ser consideradas
normales, pero al tener muchas distribuciones con distintas medias, necesitaríamos infinitas
tablas para calcular probabilidades, este problema se soluciona trasformando los valores
empíricos a puntajes z, lo que se conoce como el proceso de estandarización, con lo cual
transformamos una variable normal a una variable normal estándar.
Se dice que Z tiene distribución normal standard si sus parámetros son μ = 0 y σ 2 = 1, es decir
1
1 (𝑥)2
𝑓(𝑥) = . 𝑒 −2
√2𝜋
p. 37
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Proceso de estandarización:
𝑋−𝜇
Si X ~ N (𝜇, 𝜎 2 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑍 = ~𝑁(0,1)
𝜎
Ejemplo 6.5: Queremos estudiar el ingreso anual en una determinada ciudad en la cual se sabe que
el ingreso medio anual es de $5000 dólares y la desviación estándar de $1500 dólares. Suponiendo
que la distribución de los ingresos esta normalmente distribuida, podemos convertir el puntaje
crudo de esta distribución por ejemplo $7000, en un puntaje estándar de la siguiente manera:
𝑋 − 𝜇 7000 − 5000
𝑍= = = 1.33
𝜎 1500
Así un ingreso anual de $ 7000 dólares está a 1.33 desviaciones estándar por arriba del ingreso
anual medio de $5000.
La curva normal puede usarse conjuntamente con los puntajes z y la Tabla A (en el anexo), para
determinar la probabilidad de obtener cualquier puntaje crudo en una distribución.
Ya calculamos que un ingreso de 7000 estaba a 1.33 desvío estándar de la media de 5000,
determinemos ahora cual es la probabilidad de elegir una persona al azar de esta ciudad cuyo
ingreso sea superior a 7000.
p. 38
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
7000 − 5000
𝑃(𝑋 > 7000) = 𝑃 (𝑍 ≤ ) = 𝑃(𝑍 > 1.33)
1500
Las tablas de distribución acumulada de la variable Z que figuran en el anexo acumulan probabilidad
a izquierda, es decir el área bajo la curva a la izquierda de un determinado puntaje z.
Por esta razón para calcular probabilidades a derecha del puntaje Z debemos calcularla por el
complemento es decir: 𝑃(𝑍 > 1.33) = 1 − 𝑃(𝑍 < 1.33) = 1 − 0.9082 = 0.0918
Esto quiere decir que solo hay un 9% de chances que un apersona gane más de 7000 dólares.
La tabla indica el área a la izquierda de la curva (o sea P (z<Z) donde z es un valor determinado como
1,33 y Z es la variable aleatoria). En los renglones buscamos 1,3 y por columna el último decimal
(0,03), la suma de ambos valores 1,3 + 0,03 da el valor de z de 1,33. Entrando en la tabla con ambos
valores obtenemos el área encerrada debajo de la curva a izquierda, en este caso el valor es 0,90824
p. 39
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning
Sugerencia: para mayor información sobre la Distribución Normal, leer capítulo 5 apartado 5.6 de la bibliografía
obligatoria.
p. 40
Centro de e-Learning SCEU UTN - BA.
Medrano 951 2do piso (1179) // Tel. +54 11 4867 7589 / Fax +54 11 4032 0148
www.sceu.frba.utn.edu.ar/e-learning