Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables Aleatorias y Distribuciones de Probabilidad PDF
Variables Aleatorias y Distribuciones de Probabilidad PDF
DISTRIBUCIONES DE PROBABILIDAD
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES DE
PROBABILIDAD
Variables aleatorias
Ø Una variable aleatoria (discreta o continua) varia o cambia, en función del experimento
que se este realizando.
Valores posibles de la
Experimento Variable aleatoria X
variable aleatoria
Cantidad de personas
Encuestar a 50 personas x = 0,1,2,3,4,…50
encuestadas
Inspeccionar un Cantidad de frascos
x = 0,1,2,….40
embarque de 40 frascos defectuosos
Visita a una planta de
Cantidad de visitantes x = 0,1,2,3…….
producción
EJEMPLOS DE VARIABLE ALEATORIA CONTINUA
Valores posibles de la
Experimento Variable aleatoria X
variable aleatoria
Llenar una lata de bebida
Cantidad de onzas 0 < x < 12.1
(máx = 12.1 onzas)
Proyecto para construir un Porcentaje de avance del
0 < x < 100
laboratorio proyecto
Temperatura cuando se lleva a
Ensayar un nuevo proceso cabo la reacción deseada 50 < x < 112
químico
(min 50ºC; máx 112ºC)
DISTRIBUCIONES DE PROBABILIDAD
Ø Es importante distinguir entre variables aleatorias discretas y continuas, porque se usan
técnicas diferentes para describir sus distribuciones. Nos concentramos en variables
aleatorias discretas.
Ø REGLAS: 1) 0>=p<=1 y 2) ∑p = 1
Ø Ejemplo 1.- Lance al aire dos monedas imparciales y sea x igual al número observado de
caras. Encuentre la distribución de probabilidad para x.
E1 ¼ o 0.25 2 2 ¼ o 0.25
E3 ¼ o 0.25 1 0 ¼ o 0.25
Representación gráfica
x <- c(0, 1, 2)
f <- c(0.25, 0.5, 0.25)
plot(x, f, xlab="X", ylab="Prob.", + main="Lanzamiento
de una moneda dos veces FPM", + type="h",
xlim=range(0,1,2,3,4), ylim=c(0,1))
Ø Ejemplo 3.- Represente gráficamente la distribución de probabilidad acumulada de la
variable aleatoria ‘x’ tomando en cuenta el ejemplo 1 y 2.
Representación gráfica
Ø Sea ‘x’ una variable aleatoria discreta con distribución de probabilidad ‘p(x)’. La media ‘µ’
o valor esperado de x ‘Ex’ está dada como:
µ = E(x) = ∑ x * p(x)
Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2, 3}
Extraemos las probabilidades: P(x=0) = 1/8 o 0.125, P(x=1) = 3/8 o 0.375, P(x=2) = 3/8 o 0.375, P(x=3) = 1/8 o 0.125
x 0 1 2 3
Ø Sea x una variable aleatoria discreta con distribución de probabilidad p(x) y media µ. La
varianza de x es
!2 = E[(x - µ)2] = ∑ (x - µ)2 * p(x)
Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2, 3}
Extraemos las probabilidades: P(x=0) = 1/8 o 0.125, P(x=1) = 3/8 o 0.375, P(x=2) = 3/8 o 0.375, P(x=3) = 1/8 o 0.125
x 0 1 2 3
µ = E(x) = 1.5
p(x) 1/8 o 0.125 3/8 o 0.375 3/8 o 0.375 1/8 o 0.125
!2 = ∑ (x - µ)2 * p(x) = (0 – 1.5) * 0.125 + (1 – 1.5) * 0.375 + (2 – 1.5) * 0.375 + (3 – 1.5) * 0.125
!2 = ∑ (x - µ)2 * p(x) = 0.1875 + 0.1875 + 0.1875 + 0.1875
!2 = ∑ (x - µ)2 * p(x) = 0.75
MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
DESVIACIÓN ESTÁNDAR PARA UNA VARIABLE ALEATORIA DISCRETA
x 0 1 2 3 µ = E(x) = 1.5
p(x) 1/8 o 0.125 3/8 o 0.375 3/8 o 0.375 1/8 o 0.125 !2 = ∑ (x - µ)2 * p(x) = 0.75
! =√ !2 = √ 0.75 ! =√ !2 = 0.87
! =√ !2 = 0.87
MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
MEDIA PARA UNA VARIABLE ALEATORIA DISCRETA EN RSTUDIO
> x<-c(0,1,2,3)
> p_x<- c(1/8, 3/8, 3/8, 1/8)
> u_Ex<-sum(x * p_x) #calcular el valor esperado
> u_Ex
[1] 1.5
2. Cada intento resulta en uno de dos resultados. Por falta de un mejor nombre, el resultado
uno se llama éxito, S, y el otro se llama fracaso, F.
Muchos experimentos prácticos resultan en datos similares a que salgan cara o sello al tirar la
moneda.
Ejemplos:
Ø Un sociólogo está interesado en la proporción de maestros de escuelas primarias que sean
hombres.
Ø Una comerciante en bebidas tradicionales está interesada en la proporción de quienes
toman horchata y que prefieren la marca de ella.
Ø Un genetista está interesado en la proporción de la población que posee un gen vinculado a
la enfermedad de Alzheimer.
LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 5.- Encuentre P(x = 2) para una variable aleatoria binomial con n = 10 y p = .1.
Solución: P(x(k) = 2) es la probabilidad de observar 2 éxitos y 8 fracasos en una secuencia de 10
intentos. Se podrían observar 2 éxitos primero, seguidos de 8 fracasos consecutivos:
Espacio muestral sería = E E F F F F F F F F
= 10! .12*.910-2
La variable aleatoria x, el número de éxitos en n 2!(10-2)!
intentos, tiene una distribución de probabilidad con
este centro y dispersión: = 10*9*8*7*6*5*4*3*2*1
2*1(8*7*6*5*4*3*2*1) .01*.43046721
Media: µ = np = 90
Varianza: !2 = npq .01*.43046721
2
Desviación estándar: ! = √ npq
= 0.1937
µ = n*p = 10 * 0.1 = 1
# Usando R
!2 = npq = 10 * 0.1 * 0.9 = 0.9 dbinom(x=2, size=10, prob=0.1)
! = √ npq = √ 10 * 0.1 * 0.9 = 0.949 [1] 0.1937102
LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 6.- ¿Cuál es la probabilidad de obtener 2 aciertos en 5 preguntas objetivas,
considerando que el encuestado responde al azar?
Solución: P(x(k) = 2) es la probabilidad de observar 2 aciertos y 3 errores en una secuencia de 5
preguntas. Se podrían observar 2 aciertos primero, seguidos de 3 errores consecutivos:
Espacio muestral sería = A A E E E
= 5! .52*.55-2
2!(5-2)!
= 5*4*3*2*1 .25*.125 # Usando R
2*1(3*2*1) dbinom(x=2, size=5, prob=0.5)
= 20 [1] 0.3125
*0.03125
2
= 0.3125
LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 7.- Tenemos un lote de frascos con plántulas in vitro, donde el frasco puede estar
contaminado o no. Asumamos que la probabilidad de contaminación de un frasco en cultivo
in vitro es del 8% (dependiendo de la especie y las condiciones de laboratorio).
¿Cuál es la probabilidad que en un lote de 20, no existan más de 5 frascos contaminados?
Solución: Probabilidad de contaminación p=.08 por lo tanto la probabilidad de no contaminación va a
ser q = 1-p = 1-.08 = .92 . Tenemos también un tamaño (intentos o size=20) de 20 frascos. Y me pide
la probabilidad de encontrar hasta 5 frascos contaminados: P(x<=5)
= 20! .080*.9220-0 Valores (x(k) = contaminados): 0, 1, 2, 3, 4, 5, 6, 7, 8, 9….....20
0!(20-0)!
# Usando R
= 20*19*18*17…..*1 dbinom(x=c(0,1,2,3,4,5), size=20, prob=0.08)
1*0.1886933
1(20*19*17*17…..*1) [1] 0.18869333 0.32816231 0.27109061 0.14143858
0.05227078 0.01454491
= 20
1
*0.01640811 sum(dbinom(x=c(0,1,2,3,4,5), size=20, prob=0.08))
x=0= 0.1886933 x=3= 0.1414386 [1] 0.9962005
x=1= 0.3281622 x=4= 0.05227078 pbinom(q=5, size=20, prob=0.08)
x=2= 0.2710906 x=5= 0.01454491 [1] 0.9962005
LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 7.- Un investigador nota que los niños recién nacidos en cierta ciudad, presentan
deficiencia respiratoria DR en 3 de 20 nacimientos. La tasa de incidencia es del 5%. ¿Cuál es
la probabilidad de observar al menos 3 recién nacidos con deficiencia respiratoria?
Solución: Probabilidad de DR p=.05. Tenemos también un tamaño (intentos o size=20) de 20
nacimientos. Y me pide la probabilidad de observar mínimo 3 pacientes con DR: P(x>=3)
Valores (x(k) = pacientes con DR): 0, 1, 2, 3, 4, 5, 6, 7, 8, 9….....20
# Usando R
sum(dbinom(x=c(3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20), size=20, prob=0.05))
[1] 0.07548367
Solución: El ejercicio pide generar 20 valores o resultados de una pregunta objetiva. Una pregunta
objetiva tiene dos posibles valores: si/no, verdadero/falzo, 1/0. Por lo tanto tiene una probabilidad de
p=0.5.
Sea µ el número promedio de veces que ocurre un evento en cierto tiempo o espacio. La
probabilidad de k sucesos de este evento es
Media = µ (lambda λ )
Desviación estándar = ! = √ µ
LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD
Ejercicio 9.- El número promedio de accidentes de tránsito en cierto cruce de carretera es dos
por semana. Suponga que el número de accidentes sigue una distribución de Poisson con λ =
2.
a) ¿Cuál es la probabilidad de que no haya accidentes en este cruce durante 1 semana?
Solución.- El promedio de accidentes por semana es λ = 2. El inciso me pide calcular la probabilidad
de que no exista ningún accidente P(x=0)
## usando RStudio
P(x=0) = 20*e-2 dpois(x=0,lambda=2)
0! [1] 0.1353353
P(x=0) = 1*0.1353353
1
P(x=0) = 0.1353353
LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD
Ejercicio 9.- El número promedio de accidentes de tránsito en cierto cruce de carretera es dos
por semana. Suponga que el número de accidentes sigue una distribución de Poisson con λ =
2.
b) ¿Cuál es la probabilidad de que a lo sumo haya tres accidentes en esta sección de carretera
durante un periodo de 2 semanas?
Solución.- El promedio de accidentes por semana es λ = 2. El inciso me pide calcular la probabilidad
de que existan hasta máximo 3 accidentes P(x<=3). Si el promedio de accidentes por semana es de λ =
2; en este caso, el promedio de accidentes en dos semanas sería = λ = 2*2 = 4. X:0,1,2,3,4,5…...
## usando Rstudio
sum(dpois(x=c(0,1,2,3),lambda=4))
P(x=0) = 40*e-4 [1] 0.4334701
0!
P(x=0) = 1* 0.01831564 ppois(q=3,lambda=4)
P(x=1) = 0.07326256 [1] 0.4334701
1
P(x=2) = 0.1465251
P(x=0) = 0.01831564 P(x=3) = 0.1953668
LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD
Ejercicio 10.- El número de enfermos que solicitan atención de urgencia en un hospital
durante un periodo de 24 horas tiene una media de λ = 43 pacientes. Se sabe que el servicio
colapsará si el número de enfermos excede de 50. Hallar la probabilidad de colapso.
Solución.- Se trata de una distribución P(43). La probabilidad es: P(x>50)
## usando Rstudio P(x<=50)
ppois(q=50,lambda=43) Pasados los 50 enfermos la probabilidad
[1] 0.8723318 1-P(x<=50) = P(x>50) de colapso es de 0.127682
1-ppois(q=50,lambda=43)
ppois(q=50,lambda=43, lower.tail=FALSE)
[1] 0.1276682
[1] 0.1276682