Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Numero de Posibilidades: 24 = 16
1
Caracterı́sticas de una distribución de
probabilidad
- La probabilidad de un resultado en particular se encuentra entre 0 y 1.
- Los resultados mutuamente excluyentes.
- La lista es exhaustiva (la suma de las probabilidades es 1).
Variables aleatorias
Es una cantidad que resulta de un experimento que por azar puede adoptar
diferentes valores.
- Variable aleatoria discreta que adopta claramente separados. Ejemplo: Da-
dos
Variable aleatoria discreta discreta: Es discreta si se puede asumir cuando
mucho un numero finito o un numero infinito de valores posibles.
Una variable aleatoria es una función que asocia un numero real con cada
elemento del espacio muestral
Ejemplo:
C25
f0 = C28
5
f0 = 14 ≈ 0,3571
3 5 5 3
f1 = 8 * 7 + 8 * 8
15
f1 = 28 ≈ 0,5357
C23
f2 = C28
3
f2 = 28 ≈ 0,1071
2
Si una agencia automotriz vende 50 % de su inventario de un cierto vehı́culo
extranjero equipado con bolsas de aire, encuentre una fórmula para la distribu-
ción de probabilidades del número de automóvilez con bolsa de aire entre los
siguientes 4 vehı́culos que venda la agencia.
C04 1
f0 = 16 = 16
C14 1
f1 = 16 = 4
C24 3
f2 = 16 = 8
C34 1
f3 = 16 = 16
C44 1
f0 = 16 = 16
1 1 3 1 1
P
fX = 16 + 4 + 8 + 16 + 16 =1
4
CX
fX = 16
Construir la función de probabilidad para lanzar una moneda hasta que se ob-
tenga cara
3
fn = 2−n
a(1−r n )
S= 1−r
a(1 − rn )
lı́m
n→∞ 1−r
1
2 (1− rn )
lı́m
n→∞ 1 − 21
1
2 (1 − rn )
lı́m 1
n→∞
2
lı́m (1 − rn )
n→∞
S=1
1)
4
X f(X) F(X)
20 20
0 56 56
30 50
1 56 56
6 56
2 56 56
P
µ= XfX
20
µ = 0 * ( 56 ) + 1 * ( 30 6
56 ) + 2 * ( 56 )
3
µ= 4
2)
X f(X) F(X)
1 1
0 16 16
4 5
1 16 16
6 11
2 16 16
4 15
3 16 16
1 16
4 16 16
µ=2
3)
X f(X)) F(X)
1 1
1 2 2
1 3
2 4 4
1 7
3 8 8
1 15
4 16 16
1 31
5 32 32
1 63
6 64 64
5
15
µ= 8
a = Dato inicial
b = Dato final
(b−a+1)2 −1
σ2 = 12
a+b
µ= 2 = 3,5
(b−a+1)2 −1 35
σ2 = 12 = 12
6
Distribución de probabilidad binomial
- El resultado de cada prueba de un experimento se clasifica en una de dos
categorı́as mutuamente excluyentes: éxito o fracaso.
- La variable aleatoria permite contar el número de éxitos de una cantidad
fija de pruebas.
- La probabilidad de éxito y fracaso es la misma para la prueba.
- Las pruebas son independientes, lo cual significa que el resultado de una
prueba no influye en el resultado de la otra prueba.
µ = E[x] = n*p
(x − µ)2
P
E[x2 ] =
DON DE :
p: Es la probabilidad de éxito en cada prueba
1-p: Es la probabilidad de fracaso
n: Número de pruebas
Ejemplos:
7
¿Cuál es la probabilidad de que ningún de los vuelos llegue tarde hoy? ¿Cuál
es la probabilidad de que exactamente uno de los vuelos llegue tarde hoy?
1)
5
P0 = ∗ 0, 20 ∗ (1 − 0, 2)5−0
0
P0 = 0, 3277
2)
5
P1 = ∗ 0, 21 ∗ (1 − 0, 2)5−1
1
P1 = 0, 4096
PX≤2 = 0,9421
n
Px = ∗ px ∗ (1 − p)n−x
x
17
10
P7 = ∗ ∗ (1 − p)10−7
7 4
P7 = 0, 0031
8
X P(X)
0 0,0563
1 0,1877
2 0,2816
3 0,2503
4 0,1460
5 0,0584
6 0,0162
7 0,0031
8 0,00039
9 0,000029
10 0,00000095
Tabla de frecuencias acumuladas
σ 2 = 10*(0,25)*(0,75) = 1,875
9
posibilidad de que 1 vehı́culo lo requiera?. Calcule para 2 vehı́culos. Calcular la
media y la varianza.
1) X = 0
12
P0 = ∗ 0, 10 ∗ (0, 9)12
0
P0 = 0,2824
2) X = 1
12
P1 = ∗ 0, 11 ∗ (0, 9)11
1
P1 = 0,2824
3) X = 2
12
P2 = ∗ 0, 12 ∗ (0, 9)10
2
P2 = 0,2301
4) Media y varianza:
µ = n*p = 12 * 0,1 = 1,2
PX≥7 = P7 + P8 + P9 + P10
10 10
PX≥7 = ∗ 0, 17 ∗ (0, 9)10−7 + ∗ 0, 18 ∗ (0, 9)10−8 +
7 8
10 9 10−9 10
∗ 0, 1 ∗ (0, 9) + ∗ 0, 11 0 ∗ (0, 9)10−10
9 10
PX≥7 = 0,7759
10
La variable aleatoria X es el número de ensayos necesarios para lograr r
éxitos.
Definición
Se afirma que una variable aleatoria X tiene una distribución binomial ne-
gativa, con parámetros ”p r”, si su densidad f dado por la siguiente fórmula.
2
X −1
fX = ∗ pX ∗ (1 − p)X−r
r−1
r
µ = E[X] = p
r∗q r(1−p)
σ 2 = V ar(X) = E[X 2 ] = p = p
Ejemplos:
X −1
fX = ∗ pX ∗ (1 − p)X−r
r− 1
19
f20 = ∗ 0, 92 0 ∗ (0, 1)17
2
f20 = 2, 079 ∗ 10−16
Esperanza Matemática
sea X una variable aleatoria discreta con densidad f . Sea H(X) una variable
aleatoria.
P El valor esperado de H(X)
P, que se denota por E(Hx ) , está dado por
H(X) ∗fX ∀X, siempre y cuando |HX |∗fX sea finita. La suma abarca todos
los valores de X que ocurra con probabilidad distinta de cero.
La media serı́a: P
µ = E[X] = x ∗ fx
E[X 2 ] = P x2 ∗ fx
P
E[X 3 ] = x3 ∗ f
P k x
E[X k ] = x ∗ fx
11
1) E(c) = c
2) E(cX) = cE(X)
3) E(X+Y ) = E(X) + E(y)
Ejemplo:
E(4X − 2Y + 6)
4E(X) − 2E(Y ) + E(6)
28 + 10 + 6
44
V ar(X) = σ 2 = E[(x−µ)2 ]
= E[X 2 ] + (E[X] )2
Desviación estándar
Sea X una variable aleatoria con varianza σ 2 . La desviación estándar de X.
denotada por σ está dada por:
p √
σ= V ar(X) = σ2
12
Reglas de la varianza
Sea X e Y variables aleatorias y c cualquier número real, entonces:
1) V ar(c) = 0
2) V ar(cX) = c2 V ar(X)
3) X, Y (variables aleatorias independientes) = V ar(X+Y ) = V ar(X) +
V ar(Y )
13