Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA
CCC 3 = x4
CCS Entonces, la variable aleatoria es:
CSC 2 = x3 X : número de caras obtenidas al
SCC lanzar una moneda 3 veces.
CSS
SCS 1 = x2
Variable aleatoria es una función que
SSC
SSS 0 = x1 asigna un valor numérico, a cada
resultado del experimento aleatorio.
Dominio de X Rango de X 𝑅𝑋 = { 0, 1, 2, 3 }
Para la variable aleatoria, “El número de caras obtenidas al lanzar una moneda
tres veces”, tenemos la siguientes probabilidades:
p(0) = 1/8 = 0.125, p(1) = 3/8 = 0.375, p(2) = 3/8 = 0375, p(3) = 1/8 = 0.125,
la suma es igual a 1
3 x
p ( x) P( X x) C x (0.5) (0.5) ; x = 0, 1, 2, 3, es una función de probabilidad:
3 x
Probabilidad de X
0.3
0.2
x 1 2 3 4
0.1
p(x) = P( X = x ) 1/10 2/10 3/10 4/10 0.0
1 2 3 4
X
10
Ejemplo: Usando los registros de una tienda de electrodomésticos de los
últimos 300 días de trabajo, el gerente de comercialización ha resumido
el número de televisores vendidos al día en la siguiente tabla, (Sea X, el
número de TV vendidos diariamente):
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9
Número de TV vendidos al día
12
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
13
FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA DE PROBABILIDADES
• La función de distribución acumulativa F(x) de una variable aleatoria
discreta, indica la probabilidad acumulada que la variable X tome un valor
menor o igual que x. Es decir:
F(x) = P ( X ≤ x ) = Σ p (x) = Σ P(X = x)
𝒑(𝒙)
PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN
1ª 0 ≤ F (x) ≤ 1
2ª F (x) es siempre monótona no decreciente:
Si x1 ≤ x2 entonces F( x1 ) ≤ F( x2 ) −∞ 0 𝒙𝟏 𝒙𝟐
𝑿
∞
3ª F ( + ∞ ) = P ( X < + ∞ ) = 1 𝐹(𝑥1 )
𝐹(𝑥2 )
F(-∞)=P(X<-∞)=0
14
• En el ejemplo del lanzamiento de una moneda 3 veces, tenemos la
distribución de probabilidad del número de caras obtenidas:
x 0 1 2 3
p(x) = P( X = x ) 0.125 0.375 0.375 0.125
• P(X ≤ a) = F(a)
• P(X ≥ a) = 1 – P(X < a)
• P(a < X ≤ b) = F(b) – F(a)
• P(a ≤ X ≤ b) = F(b) – F(a) + P(X = a)
• P(a < X < b) = P(a < X ≤ b) – P(X = b) = F(b) – F(a) – P(X = b)
• P(a ≤ X < b) = F(b) – F(a) + P(X = a) – P(X = b)
• p(xi) = P(X = xi) = F(xi) – F(xi-1)
17
MEDIDAS DE RESUMEN DE LAS DISTRIBUCIONES DE PROBABI-
LIDAD DE VARIABLE ALEATORIA DISCRETA
1. Valor esperado de una variable aleatoria discreta:
E(X ) = μx = Σ x P(X = x)
2. Varianza y desviación estándar
• Var(X ) = σx2 = E (X – E(X) ) 2 = E (X – 𝝁𝐱 ) 2
• Var(X ) = σx2 = Σ (X – 𝝁𝐱 )2 P(X = x)
• Var(X ) = σx2 = E (X 2 ) – ( E(X) ) 2 = E (X 2 ) – 𝝁𝐱 2
en donde E(X 2) = Σ x2 P(X = x)
• σx = [ Var(X ) ]½
18
• Respecto al experimento de arrojar una moneda tres veces:
• El promedio de caras que podemos esperar hallar al arrojar una
moneda tres veces es: E (X) = μx = 3/2 = 1.5
E(X ) = μx = Σ x P(X = x) = 0(0.125) + 1(0.375) + 2(0.375) + 3(0.125) = 1.5
19
• Respecto al ejemplo de los TV X : Número p(x)
vendidos: de TV
vendidos al
(frecuenc x p(x) 𝑥 2 p(x)
• La media o número esperado día
relativa)
de televisores vendidos
0 0.08 0.00 0.00
diariamente es: 1 0.21 0.21 0.21
E (X) = μx = 𝑥 ∙ 𝑝(𝑥) = 2.7 2 0.31 0.62 1.24
3 0.14 0.42 1.26
• La varianza es: 4 0.08 0.32 1.28
5 0.06 0.30 1.50
Var(X ) = 11.34 − (2.7)2 = 4.05 6 0.05 0.30 1.80
7 0.04 0.28 1.96
• La desviación estándar es: 8 0.02 0.16 1.28
9 0.01 0.09 0.81
σx= 2.01246 Total 1.00 2.70 11.34
Propiedades: Si X es una variable aleatoria y a, b constantes:
• E(b) = b
• E(bX) = b E(X)
• E(a + bX) = a + b E(X)
• Var (X) ≥ 0
• Var (b) = 0
• Var (a + bX) = b 2 Var (X)
Demostración:
Var(a + bX) = E[(𝑎 + 𝑏𝑋) − 𝐸(𝑎 + 𝑏𝑋)]2 = E[𝑎 + 𝑏𝑋 − 𝑎 − 𝑏𝐸(𝑋)]2 = E[𝑏(𝑋 − 𝐸 𝑋 )]2
22
LA FUNCIÓN DE DENSIDAD DE PROBABILIDAD
• La función de probabilidad de una variable aleatoria continua
denominada función de densidad de probabilidad, es una
función f (x) integrable que satisface las condiciones siguientes:
1ª f (x) ≥ 0 para todo valor de x definido en un intervalo
2ª f ( x)dx 1
23
• Ejemplo, sea la función de densidad: f(x)
2 2 2 1/2
x x , si 0 x3
f ( x) 3 9 P(1≤X≤2)
0 , en otro caso
• Calcular las siguientes probabilidades: 0 1 2 3 X
2 2 2 2 2 1 2 2 3 𝑥=2 𝟏𝟑
• 𝑃 1≤𝑋≤2 = 1
𝑓 𝑥 𝑑𝑥 = 1 3
𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 =
9 3 27 𝑥=1 𝟐𝟕
3/2 0 3/2 2 2
• 𝑃 −1 ≤ 𝑋 ≤ 3/2 = −1
𝑓 𝑥 𝑑𝑥 = −1
0𝑑𝑥 + 0 𝑥 − 𝑥 2 𝑑𝑥 =
3 9
1 2 2 3 𝑥=3/2 𝟏
= 𝑥− 𝑥 =
3 27 𝑥=0 𝟐
𝟐𝟎
• 𝑃 0≤𝑋≤ 2 =
𝟐𝟕
LA FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA
• La función de distribución acumulativa F( x ) de una variable aleatoria
continua X, indica la probabilidad acumulada que la variable X tome un
valor menor o igual que x. Es decir:
F ( x) P( X x) x f ( x)dx para todo valor de X
• Propiedades:
1ª 0 ≤ F (x) ≤ 1
2ª F (x) es siempre monótona no decreciente:
Si a ≤ b, entonces F( a ) ≤ F( b )
3ª F(-∞)=P(X<-∞)=0 F(+∞)=P(X<+∞)=1
d
4ª f ( x) F ( x) F´( x)
dx
25
• Ejemplo. Dada la función de densidad:
2 2 2
x x , si 0 x3
f ( x) 3 9
0 , en otro caso
0 3 2 2 2 𝑥 1 2 2 3 3
si x 3, 𝐹 𝑥 = −∞
0𝑑𝑥 + 0 3
𝑥 − 𝑥 𝑑𝑥 + 3
0𝑑𝑥 = 𝑥 − 𝑥 =1
9 3 27 0
• Resumiendo, la función de distribución de la variable aleatoria X, es:
F(x)
0, 𝑠𝑖 𝑥≤0 1
1 2 2 3
𝐹 𝑥 = 𝑥 − 𝑥 , 𝑠𝑖 0 < 𝑥 < 3
3 27
1, 𝑠𝑖 𝑥 ≥ 3
0 3 X
• Utilizando 𝐹 𝑥 podemos encontrar las probabilidades:
1 2 1 2 𝟏𝟑
• 𝑃 1≤𝑋 ≤2 =𝐹 2 −𝐹 1 = (2)2 − (2)3 − (1)2 − (1)3 =
3 27 3 27 𝟐𝟕
1 3 2 2 3 3 𝟏
• 𝑃 −1 ≤ 𝑋 ≤ 3/2 = 𝐹 3/2 − 𝐹 −1 = − −0=
3 2 27 2 𝟐
1 2 2 3 𝟕
• 𝑃 𝑋≤1 = 𝐹 1 = (1) − 1 =
3 27 𝟐𝟕
7 𝟐𝟎
• 𝑃 𝑋>1 = 1−𝐹 1 =1− =
27 𝟐𝟕
MEDIDAS DE RESUMEN DE LAS DISTRIBUCIONES DE PROBABI-
LIDAD DE VARIABLE ALEATORIA CONTINUA
1. Valor esperado de una variable aleatoria continua:
∞
E(X ) = μx = −∞
𝒙𝒇 𝒙 𝒅𝒙
∞ 𝟐
Var(X ) = σx = 2
−∞
𝒙 𝒇 𝒙 𝒅𝒙 − 𝝁𝟐𝒙
• σx = [ Var(X ) ]½
• Ejemplo. Sea X una variable aleatoria con función de densidad:
2 2 2
x x , si 0 x3
f ( x) 3 9
0 , en otro caso
encontrar el valor esperado y la varianza de X.
• Valor esperado:
∞ 3 3
2 2 2 2 2 2 3
𝐸 𝑥 = 𝜇𝑥 = 𝑥𝑓(𝑥)𝑑𝑥 = 𝑥 𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 𝑑𝑥 =
−∞ 0 3 9 0 3 9
2 3 2 4 3 2 3
2 4
9 3
= 𝑥 − 𝑥 = (3) − (3) − 0 = 6 − = = 𝟏. 𝟓
9 36 0 9 36 2 2
• Calculamos primero 𝐸(𝑋 2 ):
∞ 3 3
2 2 2 3 2 4
𝐸 𝑋2 = 2
𝑥 𝑓 𝑥 𝑑𝑥 = 𝑥 2 2
𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 𝑑𝑥 =
−∞ 0 3 9 0 3 9
1 4 2 5 3 1 4
2 5
81 486 27
= 𝑥 − 𝑥 = (3) − (3) − 0 = − = = 𝟐. 𝟕
6 45 0 6 45 6 45 10
27 3 2 18
𝑉𝑎𝑟 𝑋 = 𝜎𝑥2 = − = = 𝟎. 𝟒𝟓
10 2 40