Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias:
Una variable aleatoria X es una función que asigna un número real a cada elemento muestral
asociado a un experimento aleatorio.
Ω = {CCCC – CCCA – CCAA – CCAC – CACC – CACA – CAAA – CAAC - ACCC – ACCA – ACAA –
ACAC – AACC – AACA – AAAA – AAAC }
La variable aleatoria a considerar podría ser por ejemplo X = cantidad de puertas abiertas.
K P(X=k)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Notemos que la suma de la columna de la derecha da 1, y así debe ser. En una distribución
de probabilidades de una variable aleatoria discreta, la suma de las probabilidades
correspondientes a todos los valores del rango es igual a 1.
Función de distribución acumulada: es una función que a cada valor del rango de la
variable aleatoria X le asigna la probabilidad de tomar a lo sumo ese valor. Es decir,
En el ejemplo:
k P(X=k) FX(k)
0 1/16 1/16
1 4/16 5/16
2 6/16 11/16
3 4/16 15/16
4 1/16 16/16
Distribución Binomial:
Supongamos ahora que la probabilidad que una puerta esté abierta es P(A)=p y otra vez, la
apertura de las 4 puertas en independiente entre sí. Calculemos P(X = a) para a: 0,…4. Los
4
casos favorables tienen a puertas abiertas y 4-a cerradas, en algún orden y hay ( ) formas
𝑎
de ordenar esa secuencia. Como sabemos que P(A) = p, y P(𝐴̅)=1-p, la probabilidad de cada
4
secuencia es pa q4−a , multiplicando por la cantidad de secuencias, 𝑃(𝑋 = 𝑎) = ( ) 𝑝𝑎 𝑞4−𝑎
𝑎
Esta situación aparece en muchos casos de estudio, por lo que fue formalizado: una variable
aleatoria X que cuenta la cantidad de "éxitos" en n repeticiones independientes de un
experimento que solo tiene dos resultaos posibles (éxito y no éxito) con probabilidad de
éxito p, donde p se mantiene constante en las n repeticiones del experimento se dice que
sigue una distribución Binomial y se representa
Dónde n y p son parámetros (datos que dependen del problemas concreto) y su rango es
X=0, 1, … , n
𝐸(𝑋) = ∑ 𝑎. 𝑃(𝑥 = 𝑎)
𝑎 ∈ 𝑅𝑎𝑛𝑔𝑜
Propiedades:
Varianza o Variancia de X
La varianza de una variable aleatoria X es una medida de dispersión que mide la variabilidad
de los valores de X respecto de la media. Se representa como Var[X]
En nuestro ejemplo:
Para calcular la varianza, calculamos la esperanza de (x-E(x))2 , es decir que a cada valor de
X le restamos E[X]=2 y lo elevamos al cuadrado. Después hacemos la misma operatoria de
calcular la esperanza, es decir multiplicar cada valor por su probabilidad y sumar todo:
Var (x) = (0-2)2. 1/16 + (1-2)2. 4/16 + (2-2)2. 6/16 + (3 -2)2. 4/16 + (4-2)2. 1/16 = 1
Por lo tanto, σ = 1 .
El caso anterior la variable aleatoria es discreta (toma valores separados entre sí y no
necesariamente hay un valor entre otros dos), veamos ahora un ejemplo de una variable
aleatoria continua (el rango es un intervalo continuo):
Podemos suponer que detenerse en cada una de las posiciones del disco son sucesos
igualmente probables. Dado que tenemos infinitas posiciones distintas, la probabilidad
buscada será 1 sobre infinito. Y esto tiende a cero. Es decir: P(X=π)=0
Si X es una variable aleatoria continua, (𝑋=a)=0 ∀𝑥. Esto no implica que el suceso X= a sea
imposible. Para tener un valor positivo de probabilidad debemos considerar un intervalo,
por lo que calculamos 𝑃(a ≤ 𝑋 ≤ 𝑏).
Distribución Normal
Veamos ahora la más popular de las distribuciones de probabilidad, conocida como Normal,
campana de Gauss, distribución de Laplace. Su función de densidad es:
La probabilidad que la variable X cumpla cierta condición corresponde al área bajo la curva.
Estos valores están tabulados o se obtienen mediante calculadoras virtuales. Llamemos F(X)
a la función acumulada:
P(x ≤ a) = F(a)
P( a ≤ x) = 1 – F(a)
https://www.uv.es/ceaces/scrips/tablas/tanormal.htm
Opción 2: Excel.
Si bien usar Excel solo para calcular probabilidades es incómodo, muchas veces se trabaja a
la largo de todo un curso con Excel para probabilidades y estadística, por lo cual se
transforma en una opción cómoda, para no cambiar de programa.
La función DISTR.NORM.N(a, media, desvío estándar, 1) nos devuelve F(a) para la media y
desvío estándar especificado. El valor 1 es un valor lógico que indica que buscamos la
función acumulada.
Opción 3: Tablas
Esa es una tabla de distribución normal (pueden buscar otra más clara en cualquier libro de
probabilidades). Como no podemos tener una tabla para cada caso particular de media y
desvío estándar, se trabaja en una en particular, con media 0 y desvío 1. En esa tabla se
puede rescatar la información de cualquier distribución normal mediante la
estandarización.
Una variable aleatoria normal puede transformarse en una normal a una estandarizada
mediante la siguiente fórmula:
Transformado una variable X, normal con media μ y desvío estándar σ en una variable Z con
media 0 y desvío estándar 1.
𝑎−𝜇
Sabemos que P(X ≤ a ) = P( Z ≤ 𝜎
)
Ejemplo: Una fábrica de producción de agua embotellada, cuenta con una máquina de
envasado automático, la cual vierte en cada botella una cierta cantidad de agua que
sigue una distribución normal con media de 500 mililitros y una varianza de 25
mililitros. ¿Qué porcentaje de las botellas se llenan con agua entre 490 y 507 mililitros?
Nos está pidiendo la probabilidad que 490 ≤ x ≤ 507, con los datos μ = 500 y σ2 = 25 (σ = 5).
En la calculadora será:
La distribución normal es la más importante por varios motivos. Primero porque aparece
frecuentemente en la realidad: muchos fenómenos que podemos medir tanto en las
ciencias exactas como las sociales de asemejan en su frecuencia a esta distribución.
Este teorema se refiere a la distribución del promedio de variables aleatorias de una misma
distribución. Este teorema será de mucha utilidad al momento de utilizar la media
aritmética de una muestra, como estimador de la media poblacional.
Teorema:
Dada una población con una distribución de probabilidad CUALQUIERA, con E(X) = μ y
Var(X) = σ2 finitas, de la que se extrae una muestra simple al azar de tamaño n, de valores
independientes X1, X2, …,Xn y se calcula el promedio o media muestral de estas
𝑛
∑ 𝑋𝑖
observaciones 𝑋̅ = 𝑖=1
𝑛
,
Consideremos la variable X: “Tiempo de entrega del paquete” con μ = 30 minutos y σ=8, que
no conocemos su distribución de probabilidad.
Por el teorema del límite central, con n = 100 sabemos 𝑋̅ sigue una distribución normal con
media 30 y varianza 82/100 = 0,64, por lo tanto desvío 0,8