Está en la página 1de 28

VARIABLES ALEATORIAS

DISTRIBUCIONES DE
PROBABILIDAD
VARIABLES ALEATORIAS

Es una función que asocia un número real a


cada punto muestral en un experimento.

A veces las variables aleatorias (v.a.) están


ya implícitas en los puntos muestrales.

REALES
Ejemplo 1
Dado el experimento: Escoger tres pacientes de un consultorio
medico donde se realizan los análisis para saber diagnosticar sobre
problemas de hemofilia
sea X la variable aleatoria: Numero de positivas
PRIMER SEGUNDA
PACIENTE PACIENTE
S EVENTOS EN ꭥ
S N SSS
S SSN
N S
SNS
N
SNN
S NSS
N S N NSN
N NNS
S
NNN
N
sea X la variable aleatoria: Numero de positivas

EVENTOS EN S x
SSS
SSN
SNS
SNN
NSS
NSN
NNS
NNN
Ejemplo 2
Dado el experimento: Lanzar dos monedas al aire

sea X el número de caras

EVENTOS EN S x
CC
CS
SC
SS
Ejemplo 3
Dado el experimento: Lanzar dos dados al aire

1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 34 4 4 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6
S 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 61 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6

x 2 3 4 5 6 7 3 4 5 6 7 8 4 5 6 7 8 95 6 7 8 9 10 6 7 8 9 10 11 7 8 9 10 11 12
Clasificación de las variables
aleatorias
 Variables aleatorias discretas
Una variable aleatoria es discreta si su recorrido es finito o infinito numerable.
Generalmente, este tipo de variables van asociadas a experimentos en los cuales
se cuenta el número de veces que se ha presentado un suceso o donde el
resultado es una puntuación concreta.

Variables aleatorias continuas


Son aquellas en las que la función de distribución es una función continua.

Generalmente, se corresponden con variables asociadas a experimentos en los cuales la variable


medida puede tomar cualquier valor en un intervalo
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Es una función que asigna a cada
suceso definido sobre
la variable la probabilidad de que
dicho suceso ocurra

Una distribución puede ser :


Discreta
continua
 Una distribución de probabilidad la podemos concebir
como una distribución teórica de frecuencia.
 Se puede representar con una grafica o un modelo
matemático

 Si la v.a es discreta la distribución se define como:


p(x) = P[X = x], para todo x Rx
y tiene las siguientes propiedades:
 • p(x) > 0 y
 • ∑p(x) = 1, xє Rx
MEDIA O VALOR ESPERADO DE UNA
VARIABLE ALEATORIA DISCRETA
 La suma es sobre todos los valores x que
están en Rx.
µ=E(x) =∑xp(x)
 La Varianza de una variable aleatoria
discreta x con función de probabilidad p(x) y
media 𝜇 se define por:
2
σ 2
= ∑(x-µ) p(x)
Distribución de probabilidad
discreta
Las mas usadas son:
 Distribución binomial
 Distribución de Poisson
 Distribución hipergeométrica
MEDIA O VALOR ESPERADO DE UNA
VARIABLE ALEATORIA CONTINUA
 La suma es sobre todos los valores x que
están en Rx.
µ=E(x) =‫𝑥׬‬f(x) dx
 La Varianza de una variable aleatoria
discreta x con función de probabilidad p(x) y
media 𝜇 se define por:
2
σ 2
= ‫ 𝑥(׬‬−µ) f(x)dx
DISTRIBUCIÓN
NORMAL
Distribución Normal

 Uno de estos modelos probabilísticos que tiene que ver con


variables continuas es la distribución Normal.

 Esta se llama así por ser la más frecuente en la naturaleza, esto es


porque muchas variables siguen esta distribución de frecuencias.
Distribución Normal

 La distribución normal básicamente dice que hay pocos valores


extremos y que la mayor frecuencia se encuentra en los valores
centrales.

 Esto además coincide con la media, la moda y la mediana.


Distribución Normal Estándar

 Es el Modelo Típico de la distribución Normal


 La Media, La Moda y la Mediana coinciden en el 0 (cero)
 Es simétrica en torno a este valor
 La distancia del valor central al punto de inflexión vale 1
 Este valor es igual a la Varianza y Desviación estándar,
Propiedades

 Si se conoce que la distribución normal estándar tiene esas


propiedades se pueden calcular las siguientes cualidades.
 La probabilidad entre -1 desviación estandar (σ) y +1 σ es de 0.68 o sea
que el 68% de los datos están en ese intervalo
 La probabilidad entre -2 σ y +2 σ es de 0.96 o sea que el 96% de los
datos están en ese intervalo
 La probabilidad entre -3 σ y +3 σ es de 0.99 o sea de 99% de los datos
están en ese intervalo
Histogram
120.0

80.0
Count

40.0

0.0
-4.0 -1.3 1.3 4.0

C1
Concepto

 Como es imposible determinar esta área de manera directa se


deberá calcular por medio del concepto de
INTEGRAL DEFINIDA

Esto es el área debajo de una porción de la curva, esto se hace


calculando la Integral entre dos valores determinados.
Para poder utilizar la tabla tenemos que transformar la variable
X que sigue una distribución N(µ, σ) en otra variable Z que siga
una distribución N(0, 1). Empleando la siguiente fórmula:
Ejemplo:
1 Hallar las siguientes probabilidades:
a) P (Z < 2)
b) P ( Z > 1.54)
c) P (1.25< Z < 2.10)
d) P (Z < -1.33)
e) P (Z>-.1.95)
f) P (-1.33 < Z < 2.15)
2 Se supone que los resultados de un examen siguen una distribución normal con media
78 y desviación típica 36. Se pide:
a). ¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga una
calificación superior a 72?

b) Que resultado alcanza el 25% de las notas más bajas.


c) Si un grupo esta conformado por 30 estudiantes cuántos alcanzaran a superar la media.
d) ) Calcular la proporción de estudiantes que tienen puntuaciones que exceden por lo
menos en cinco puntos de la puntuación que marca la frontera entre el Apto y el No-Apto
(son declarados No-Aptos el 25% de los estudiantes que obtuvieron las puntuaciones más
bajas).
3 Una empresa ha encontrado que la duración de sus llamadas
telefónicas a larga distancia, tiene aproximadamente una
distribución normal, con media de 3 minutos y desviación típica
de 3 minutos.

a)¿En qué proporción las llamadas a larga distancia tienen una


duración de más de 2 minutos, pero de menos de 3 y medio
minutos?
b)¿Qué proporción de llamadas se completan en 1 minuto o
menos?
c) Una secretaria va a hacer una llamada a larga distancia. ¿Cuál
es la probabilidad de que dure más de 5 minutos?

También podría gustarte