Clase 5

Curso: Modelos de probabilidad Discretos y Continuos
Fundamentos de Estadı́stica - Clase 5
Johann Alexis Ospina, MSc

johann.ospina@correounivalle.edu.co
Johann A. Ospina FE - Clase 5 1 / 57

Contenido
1 Función de Distribución Acumulada

Caso discreto
Caso continuo
2 Valor Esperado y Varianza de una variable aleatoria
3 Modelos de probabilidad discretos

Distribución uniforme discreta
Distribución Binomial
Distribución Poisson
4 Modelos de probabilidad Continuos

Distribución Uniforme
Distribución Exponencial
Distribución Gamma

Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



Contenido

Caso discreto
Caso continuo



La función de distribución describe el comportamiento probabilı́stico de una
variable aleatoria X asociada a un experimento aleatorio y se representa
como F (X).

Sea X una variable aleatoria discreta asociada a un espacio probabilı́stico,
se define la función de distribución:
X
F (X) : R → [0, 1] que verifica F (X) = P [X ≤ x] = Pi
xi <x

Ejemplo: Se tiene la siguiente distribución de probabilidad:
X 0 1 2 3
P (X) 1/8 3/8 3/8 1/8
Calcule la probabilidad de obtener menos de dos caras

Solución:
F (1) = P (X ≤ 1) = P (X = 0) + P (X = 1) = 1/8 + 3/8 = 4/8

La función de distribución para una variable aleatoria discreta siembre
verifica las siguientes propiedades:
1 F (−∞) = 0 ; F (+∞) = 1
2 P (a, b) = P (a ≤ X ≤ b) = F (b) − F (a)

La función de distribución para una variable aleatoria discreta siembre
verifica las siguientes propiedades:
1 F (−∞) = 0 ; F (+∞) = 1
2 P (a, b) = P (a ≤ X ≤ b) = F (b) − F (a)

Sea X una variable aleatoria continua con función de densidad f (x), se
define la función de distribución F (X), como:
Z ∞
F (X) = P (X ≤ x) = f (x)dx
−∞

La función de distribución para una variable continua siempre verifica las
siguientes propiedades:
1 F (X) ≥ 0
Z ∞
2 f (x)dx = 1
−∞
Z b
3 P (a ≤ X ≤ b) = f (x)dx = F (b) − F (a)
a
0
4 f (x) = F (X) la función de densidad es la derivada de la función de
distribución

1 F (X) ≥ 0
Z ∞
2 f (x)dx = 1
−∞
Z b
3 P (a ≤ X ≤ b) = f (x)dx = F (b) − F (a)
a
0
distribución

1 F (X) ≥ 0
Z ∞
2 f (x)dx = 1
−∞
Z b
3 P (a ≤ X ≤ b) = f (x)dx = F (b) − F (a)
a
0
distribución

1 F (X) ≥ 0
Z ∞
2 f (x)dx = 1
−∞
Z b
3 P (a ≤ X ≤ b) = f (x)dx = F (b) − F (a)
a
0
distribución

Ejemplo: Sea X una variable aleatoria cuya función de densidad viene dada
por f (x), calcule su función de distribución:
(x
, 0≤x≤2
f (x) = 2
0, en otro caso

Solución:
+∞ x 0 x
x2
Z Z Z Z
x
F (X) = f (x)dx = f (x)dx = 0dx + dx =
−∞ −∞ −∞ 0 2 4

Contenido

Caso discreto
Caso continuo



Media o valor esperado
Valor esperado de una v.a. discreta

Sea X con función de masa p(x). La media o valor esperado de X es,
X
E(X) = x · p(x)
x
Valor esperado de una v.a. continua

Sea X con función de densidad f (x). La media o valor esperado de X es,
Z ∞
E(X) = x · f (x)
−∞

Valor esperado de una v.a. discreta

Sea X con función de masa p(x). La media o valor esperado de X es,
X
E(X) = x · p(x)
x
Valor esperado de una v.a. continua

Sea X con función de densidad f (x). La media o valor esperado de X es,
Z ∞
E(X) = x · f (x)
−∞

Ejemplo
En un juego de azar se pagarán $5 a una persona si sólo salen caras o sellos
cuando se lanzan tres monedas, y ella pagará $3 si salen una o dos caras.
¿Cuál es su ganancia esperada?

Solución: Sea Y la variable aleatoria de interés, el monto que el jugados

puede ganar y
los valores posibles de Y son $5 si ocurre el evento E1 = {CCC, SSS}
y -$3 si ocurre el evento E2 = {CCS, CSC, SCC, CSS, SCS, SSC}, si
S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}, entonces,

1 3
E(Y ) = (5) + (−3) = −1
4 4
En este juego la persona perderá, en promedio $1 por lanzamiento de las
tres monedas.

Ejemplo
Sea X la variable aleatoria que denota la vida en horas de cierto
dispositivo electrónico. La función de densidad de probabilidad es

 20000 , x > 100
f (x) = x3
0 , en cualquier otro caso

Solución:
Z ∞ Z ∞
20000 20000
E(X) = x· dx = dx = 200
100 x3 100 x2

Varianza
Varianza de una v.a. discreta

Sea X con función de masa p(x). La varianza de X es,
h i X
σ 2 = V (X) = E (X − µ)2 = (x − µ)2 · p(x)
x
Varianza de una v.a. continua

Sea X con función de densidad f (x). La varianza de X es,
h i Z ∞
2
2
σ = V (X) = E (X − µ) = (x − µ)2 · f (x)dx
−∞

Varianza
Varianza de una v.a. discreta

Sea X con función de masa p(x). La varianza de X es,
h i X
σ 2 = V (X) = E (X − µ)2 = (x − µ)2 · p(x)
x
Varianza de una v.a. continua

Sea X con función de densidad f (x). La varianza de X es,
h i Z ∞
2
2
σ = V (X) = E (X − µ) = (x − µ)2 · f (x)dx
−∞

Varianza
Otra forma de calcular la varianza es usando la definición:
V (X) = E X 2 − {E (X)}2

Donde,
X 2
E X2 = x · p(x) , para una v.a. discreta
x
Z ∞
E X2 = x2 · f (x) , para una v.a. continua

−∞

Varianza
Ejercicio
Calcular la varianza de los dos ejemplos anteriores

Contenido

Caso discreto
Caso continuo



Modelos de probabilidad discretos

Definición
Si la v.a. X toma los valores x1 , x2 , . . . , xk con idénticas probabilidades,
entonces la distribución uniforme discreta está dada por
1
p(x) = x = x1 , x2 , . . . , xk
k

Ejemplo
Cuando se lanza un dado, cada elemento del espacio muestral
S = {1, 2, 3, 4, 5, 6}

Solución: Tenemos una distribución uniforme, con

1
p(x) = x = 1, 2, 3, 4, 5, 6
6

Valor esperado y varianza de una v.a. uniforme discreta

Valor esperado
k
X
xi
i=1
E (X) =
k
Varianza
k
X
(xi − E (X))2
i=1
V (X) =
k


Valor esperado
k
X
xi
i=1
E (X) =
k
Varianza
k
X
(xi − E (X))2
i=1
V (X) =
k

Ejercicio
Calcular el valor esperado y varianza del ejemplo anterior

Un experimento a menudo consiste en pruebas repetidas, cada una con dos

posibles resultados que se pueden etiquetar como éxito o fracaso.

Si se habla de un proceso Bernoulli debe tener las siguientes propiedades:

1 El experimento consiste en n pruebas que se repiten.
2 Cada prueba produce un resultado que se puede clasificar como éxito
o fracaso.
3 La probabilidad de un éxito, que se denota con p, permanece constante
en cada prueba.
4 Las pruebas que se repiten son independientes.


o fracaso.
en cada prueba.


o fracaso.
en cada prueba.


o fracaso.
en cada prueba.

El número X de éxitos en n experimentos Bernoulli se denomina variable

aleatoria binomial. La distribución de probabilidad de esta variable aleatoria
se llama distribución binomial.

Definición
La distribución de probabilidad de la v.a. binomial X, el número de éxitos
en n pruebas independientes, es

n x
p(x) = p (1 − p)n−x x = 0, 1, 2, . . . , n
x

Valor esperado y varianza de una v.a. binomial
Valor esperado
E (X) = n · p
Varianza
V (X) = n · p · (1 − p)

Valor esperado y varianza de una v.a. binomial
Valor esperado
E (X) = n · p
Varianza
V (X) = n · p · (1 − p)

Ejemplo
La probabilidad de que un paciente se recupere de una rara enfermedad
sanguı́nea es 0.4. Si se sabe que 15 personas contraen esta enfermedad,
¿cuál es la probabilidad de que (a) sobrevivan al menos 10. (b) sobrevivan
de 3 a 8. (c) sobrevivan exactamente 5 y (d) encuentre la media y la varianza
de X?

Definición
Se dice que una variable aleatoria X tiene una distribución de Poisson con
parámetro λ (λ > 0) si la función de masa de X es,
e−λ λx
p(x) =
x!
Donde λ es una tasa por unidad de tiempo o por unidad de área.

Valor esperado y varianza de una v.a. poisson
Valor esperado
E (X) = λ
Varianza
V (X) = λ

Valor esperado y varianza de una v.a. poisson
Valor esperado
E (X) = λ
Varianza
V (X) = λ

Ejemplo
Si un editor de novelas se esfuerza por asegurar que sus libros están libres
de errores tipográficos, de modo que la probabilidad de que alguna página
contenga por lo menos un error es 0.005 y los errores son independientes
de una página a otra, ¿cuál es la probabilidad de que una de sus novelas
de 400 páginas contenga exactamente una página con errores? ¿a lo sumo
3 páginas con errores?

Contenido

Caso discreto
Caso continuo



Una de la distribuciones continuas más simples en la estadı́stica es la
distribución uniforme. Esta distribución se caracteriza por tener una densidad
plana en un intervalo cerrado por ejemplo [a, b]

La función de densidad de la v.a. uniforme continua X en el intervalo [a, b]
es
1
f (x) = , a≤x≤b
b−a

Ejemplo: Suponga que se puede reservar una sala de conferencias grande
para cierta compañı́a por no más de cuatro horas. Sin embargo, el uso de
la sala de conferencias es tal que muy a menudo tienen lugar conferencias
largas y cortas. De hecho, se puede suponer que la duración X de una
conferencia tiene una distribución uniforme en el intervalo [0, 4].
1 ¿Cuál es la función de densidad de la probabilidad?
2 ¿Cuál es la probabilidad de que cualquier conferencia dada dure al
menos tres horas?

Ejemplo: Suponga que se puede reservar una sala de conferencias grande
para cierta compañı́a por no más de cuatro horas. Sin embargo, el uso de
la sala de conferencias es tal que muy a menudo tienen lugar conferencias
largas y cortas. De hecho, se puede suponer que la duración X de una
conferencia tiene una distribución uniforme en el intervalo [0, 4].
1 ¿Cuál es la función de densidad de la probabilidad?
2 ¿Cuál es la probabilidad de que cualquier conferencia dada dure al
menos tres horas?

Solución:
1. La función de densidad apropiada para la variable aleatoria uniforme X
en esta situación es
1
f (x) = , 0 ≤ x ≤ 4
4
Z 4
1 1
2. P (X ≥ 3) = dx =
3 4 4

Media
a+b
E(X) =
2
Varianza
(b − a)2
V (X) =
12

Media
a+b
E(X) =
2
Varianza
(b − a)2
V (X) =
12

Distribución exponencial
La variable aleatoria continua X tiene una distribución exponencial, con
parámetro β, si su función de densidad esta dada por
(
1 −x/β
e , x>0
f (x) = β
0, en cualquier otro caso
donde β > 0.

Media
E(X) = β
Varianza
V (X) = β 2

Media
E(X) = β
Varianza
V (X) = β 2

Ejemplo: Suponga que un sistema contiene cierto tipo de componente cuyos
tiempo de falla en años está dado por T . La variable aleatoria T se modelo
bien mediante la distribución exponencial con tiempo medio para la falla de
5 años. Si se instalan cinco de estos componentes en diferentes sistemas,
¿cuál es la probabilidad de que un componente funcione después de 8 años?

Solución: Z ∞
1 −t/5
P (T > 8) = e dt = e−8/5 ' 0.2
8 5
Ejercicio: Calcule la media y la varianza.

La distribución gamma deriva su nombre de la función gamma, que se
estudia en muchas áreas de las matemáticas.

La función Gamma
Se define como
Z ∞
Γ(α) = xα−1 e−x dx
0
Cuando α es igual a n, donde n es un entero positivo,
Γ(n) = (n − 1)(n − 2), . . . , Γ(1)

Donde Γ(1) = 1 y Γ(n) = n!

La variable aleatoria continua X tiene una distribución gamma, con
parámetros α y β, si su función de densidad está dada por
(
α
1
xα−1 e−x/β , x > 0
f (x) = β Γ(α)
0, en cualquier otro caso
cuando α > 0 y β > 0

Función Gamma incompleta
La integral anterior se puede resolver a través del uso de la función gamma

incompleta, que resulta ser la función de distribución acumulada para la
distribución gamma. Esta función se escribe como:
Z x α−1 −y
y e
F (x; α) = dy
0 Γ(α)

Media
E(X) = αβ
Varianza
V (X) = αβ 2

Media
E(X) = αβ
Varianza
V (X) = αβ 2

Ejemplo: En un estudio biomédico con ratas se usa una investigación de
respuesta a la dosis para determinar el efecto de la dosis de un tóxico en su
tiempo de sobrevivencia. El tóxico es uno que se descarga con frecuencia en
la atmósfera desde el combustible de los aviones. Para cierta dosis del tóxico
el estudio determina que el tiempo de sobrevivencia, en semanas, tiene una
distribución gamma con α = 5 y β = 10. ¿Cuál es la probabilidad de que
una rata no sobreviva más de 60 semanas?

Solución:
60
xα−1 e−x/β
Z
1
P (X ≤ 60) = α dx
β 0 Γ(α)
X
Si hacemos y = β, X = βy, utilizando la función gamma incompleta
tenemos
6
y 4 e−y
Z
P (Y ≤ 6) = dy = F (6; 5) = 0.715
0 Γ(5)

Ejemplo: Supongase que el tiempo de reacción X, de un individuo elegido
al azar, a cierto estı́mulo tiene una distribución gamma con α = 2s. ¿cuál
es la probabilidad de tener una reacción entre 3 y 5 segundos?.

Solución:
Puesto que:
P (a ≤ X ≤ b) = F (b) − F (a)
cuando X es continua,
P (3 ≤ X ≤ 5) = F (5; 2) − F (3; 2) = 0.960 − 0.801 = 0.159

Ejercicio: Supongase que el tiempo de supervivencia X en semanas de
un ratón macho elegido al azar expuesto a 240 rads de radiación gamma
tiene una distribución gamma con α = 8 y β = 15. ¿cuál es el tiempo de
supervivencia esperado y la desviación estándar?. Calcule la probabilidad de
que un ratón sobreviva entre 60 y 120 semanas es.

Clase 5

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 5

Cargado por

Copyright:

Formatos disponibles

Curso: Modelos de probabilidad Discretos y Continuos

Fundamentos de Estadı́stica - Clase 5

Johann Alexis Ospina, MSc

Johann A. Ospina FE - Clase 5 1 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos

Johann A. Ospina FE - Clase 5 2 / 57

1 Función de Distribución Acumulada

2 Valor Esperado y Varianza de una variable aleatoria

3 Modelos de probabilidad discretos

4 Modelos de probabilidad Continuos