Resolución de Guía Teórica – Variables Aleatorias

Preguntas:
1. ¿Cuál es la diferencia entre variable aleatoria continua y discreta?
2. La variable de tipo poisson es una variable continua. Verdadero o Falso.
3. ¿Cuál es la diferencia entre la función de probabilidad y la función acumulante?
4. ¿Qué son los parámetros de una distribución o Variable Aleatoria?
5. ¿Como se puede interpretar la Esperanza Matematica? Por ejemplo en el caso
del tiro de un dado, que nos dice la esperanza matemática.
6. ¿Cuál es un ejemplo típico de una variable Binomial? ¿Cómo se la identifica?
7. ¿Cómo se interpretan los parametros de la Distribución Binomial?
8. ¿Qué relación hay entre una Bernoulli y Binomial? (Escriba la relación
matemática que las relaciona)
9. ¿Cuál es el ejemplo típico de la variable Hipergeometrica?
10. ¿Como se Interpreta el parámetro de la distribución Poisson?
11. ¿Cuál es la diferencia entre la variable Binomial y Poisson?
12. ¿Cuál es el ejemplo típico de distribución poisson?
13. ¿Cual es el ejemplo típico de la variable geometrica?
14. En la distribución binomial no se asume un orden exacto de “éxitos” si no que
se tienen en cuenta todos los posibles ordenamientos. Verdadero o Falso.
15. En general identificamos a Z como una variable con qué distribución.
16. ¿Una suma de variables normales qué distribución tiene?

Respuestas:

1)Estos dos tipos de variables aleatorias presentan dos claras diferencias:

La primera se da en el espacio muestral, en el caso de la variable continua el
espacio muestral es finito o infinito numerable pero en el caso de la variable
discreta, se presenta un espacio muestral infinito no numerable.
La segunda la notamos en los respectivos eventos, la variable discreta mide
eventos reales y tangibles, a diferencia de la variable continua, la cual mide
magnitudes.
2) Falso. La variable de tipo Poisson es una variable discreta
3) La diferencia entre la Función de Probabilidad y la Función Acumulada es que
la Función Probabilidad le asigna a cada valor posible que asuma la variable un
valor de probabilidad entre 0 y 1, además de que debe cumplir con dos
condiciones, de forma simultánea, para ser considerada función de probabilidad

I. Condición de cierre: Asociado a que los valores que asume la variable

aleatoria son excluyentes y forman un sistema exhaustivo.
II. Condición de no negatividad: Asociada a que la imagen de esta función
sea positiva. Es decir se excluye la posibilidad del conjunto vacío.
Mientras que la Función Acumulada indica la probabilidad acumulada desde el
mínimo valor que asume la variable hasta un valor específico.
4) Los parámetros de una Variable Aleatoria representa una o mas cantidades que
reciben el nombre de parámetros de la distribución, donde un este puede tomar
cualquier valor de un conjunto dado y definir una familia de distribuciones de
probabilidad, que tendrán la misma función genérica de probabilidad o función de
densidad de probabilidad.
5) La Esperanza Matemática se puede interpretar como el valor que se espera
obtener si se repite el experimento una gran cantidad de veces. En el caso de un
tiro de un dado la Esperanza Matemática de este experimento seria el promedio
que obtendríamos si repitiéramos el experimento infinitas veces, es un valor
teórico, no un valor real.
6) Se identifica a una Variable Binomial porque esta distribución cuantifica la
ocurrencia de un determinado atributo en la repetición de un experimento una
cierta cantidad de veces en condiciones de independencia. Por ejemplo: Si de 5
mujeres de Argentina sabiendo que la probabilidad de que sufra violencia de
género es de 0.30 ¿cual es la probabilidad de encontrar 3 mujeres que sufran
violencia de genero?

X: Cantidad de mujeres que sufren violencia de genero

Donde:

n= 5; x =3; p= 0.30

P [X=3] = 0.13230

7) Los parámetros de distribución Binomial se interpretan como

P: Probabilidad de éxito cada vez que el experimento se lleva a cabo

N: Ensayos independientes entre sí

8) La relación que existe entre una Variable Bernoulli y una Variable binomial es
que en la Distribución Bernoulli los posibles valores que puede asumir son dos,
S={0;1}, mientras que en la Distribución Binomial el interés de esta Variable radica
en la generalización de la repetición de “n” ensayos del mismo experimento.

La relación matemática se llama “convolución” y consiste en determinar una nueva

distribución de probabilidad mediante la suma de dos Variables Bernoulli
independientes.

9) Un ejemplo típico de una Variable Hipergeométrica es parecido al de una

Binomial con la diferencia de que las observaciones no son independientes entre
sí. Por ejemplo: De una población de 30 mujeres hay 20 que sufren violencia de
género y 10 restantes que no, si se toma una muestra de 5 ¿ Cual es la
probabilidad de que una de ellas sufra violencia de género?
Donde,

N= 30 ; R = 20 ; R- N = 10 ; n = 5; x= 3

P [X= 3] = 0.335998

10) El parámetro de la distribución de Poisson, llamado lambda, se interpreta

como el parámetro que representa el promedio de ocurrencia en el límite o
espacio temporal considerado. En vagas palabras, es el promedio de ocurrencia
del evento.
11)La diferencia central entre la variable Poisson y la Binomial, es que ésta última
cuantifica la ocurrencia de un determinado atributo que se repite una cierta
cantidad de veces en condiciones de independencia, a diferencia de la primera, la
cual también cuantifica la ocurrencia de un determinado evento pero lo cuantifica
dentro de un espacio temporal dado.
12) Un ejemplo típico de distribución de Poisson podría ser, llevado al día de hoy,
poder cuantificar la cantidad de personas infectadas de dengue en un determinado
tiempo. Ejemplificando: En Argentina, en promedio, se infectan de dengue 7
personas por semana. Y el problema nos solicita calcular la probabilidad de que
haya 24 personas en 3 semanas.
Nuestro parámetro temporal  λ = 21.
P [X= 24] = 0.6613.
Aclaracion: los datos utilizados en el ejercicio sin inventados, a fin de poder explicar y
ejemplificar la respectiva distribución.

13) Un ejemplo típico para la distribución geométrica podría ser indentificado en

cuanto a una maquina de coser. Ejemplificando: nuestro experimento aleatorio
consistiría en observar una maquina de coser en funcionamiento hasta encontrar
un error en alguna prenda. Suponiendo una probabilidad de encontrar un error
constante igual a 0.10. ¿Cuál es la probabilidad de que en la segunda prenda
haya un error?
Identificamos a X: como la cantidad de prendas correctas hasta encontrar un error.
Tenemos en cuenta nuestra probabilidad constante de 0.10
P [X= 1] = P(Éxito) * P (Fracaso) = 0.10 * 0.90 = 0.09.
14)Verdadero. En la distribución Binomial se tiene en cuenta el numero
combinatorio el cual antecede en la multiplicación a los respectivos fracasos y
éxitos, teniendo en cuenta todos los posibles ordenamientos.
15) Identificamos a Z como una variable dentro de la distribución normal, en la
cual debemos realizar una sustitución de variable que se determina “variable
estandarizada” o “variable tipificada”. Esta estandarización es una transformación
de la variable X, donde a cada valor le restamos la media y lo dividimos por el
desvío estándar.
16) Una suma de variables normales da como resultado otra distribución normal.