Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias
Continuas
Discretas
1
VARIABLES ALEATORIAS
Una Variable aleatoria es una función que representa el resultado de
un experimento aleatorio:
𝑋: Ω → ℝ
Ejemplos:
• Variable que toma el valor 1 si el cliente paga la deuda y cero en el
otro caso.
• Variable que mide el tiempo que tarda un cliente en pagar su hipoteca.
• Variable que mide la variación del IPC
• Variable que mide el tiempo de espera en una ventanilla
2
Las variables pueden tomar una cantidad finita de valores
distintos (0 o 1, si o no, etc.) o una cantidad no finita que se mide
dentro de los valores de un intervalo (p. e. tiempo). Esto nos lleva
a tener dos tipos de variables:
3
Ejemplo:
4
VARIABLES ALEATORIAS DISCRETAS
𝑃 𝑋 = 𝑥𝑖 = 1
𝑖=1
Préstamos 1 2 3 4
Nº Clientes 7 13 4 6
Frec. relativa
𝒙𝒊 1 2 3 4
𝑝𝑖
Ejemplo.
Con los datos del ejemplo anterior, la probabilidad de que tuviera
tres préstamos personales:
4
𝑃 𝑋=3 = .
30
Probabilidad de que tuviera más de dos préstamos
10
𝑃 𝑋 >2 =𝑃 𝑋 =3 +𝑃 𝑋 =4 = .
30
O también,
20 10
𝑃 𝑋 >2 =1−𝑃 𝑋 ≤2 =1− 𝑃 𝑋 =1 +𝑃 𝑋 =2 = 1− = .
30 30
7
Función de Distribución
𝐹: ℝ → 0,1
𝑥 → 𝐹 𝑥 =𝑃 𝑋≤𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋 = 𝑥𝑖
𝑥𝑖 ≤𝑥
8
Ejemplo: En el ejemplo anterior, ¿Cuál es la probabilidad de que un
cliente tuviera como mucho 3 créditos?
𝒙𝒊 𝒑𝒊
0,45
1 7
0,40
30 0,35
2 13 0,30
0,25
30
0,20
3 4 0,15
30 0,10
4 6 0,05
0,00
30 1 2 3 4
9
La Función de Distribución viene dada por
stepfun(1:4, y0, f = 0)
1.0
0 𝑠𝑖 𝑥 < 1
0.8
7ൗ
30 𝑠𝑖 1 ≤ 𝑥 < 2
0.6
20ൗ
𝐹 𝑥 = 30 𝑠𝑖 2 ≤ 𝑥 < 3
f(x)
24ൗ
0.4
30 𝑠𝑖 3 ≤ 𝑥 < 4
30ൗ 𝑠𝑖 4 ≤ 𝑥
0.2
30
0.0
0 1 2 3 4 5
𝑓: 𝑋 → ℝ
𝑥 → 𝑓 𝑥
1. 𝑓 𝑥 ≥ 0 ∀ 𝑥 ∈ ℝ
+∞
2. −∞ 𝑓 𝑥 𝑑𝑥 = 1
𝑏
3. 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑥𝑑 𝑥 𝑓 𝑎
11
En las variables continuas, la probabilidad se puede ver como el área
que encierra la función de densidad en ese intervalo.
Función
de
densidad
𝑃(−1.41 ≤ 𝑋 ≤ 0.7)
12
Función de Distribución de una variable Continua
d𝐹 𝑥
𝑓 𝑥 = = 𝐹′ 𝑥
𝑑𝑥
13
Ejemplo:
Sea X, la variable aleatoria con función de densidad
2
𝑓 𝑥 = ቊ3 1 − 𝑥 si 0 < 𝑥 < 1
0 en otro caso
14
2
𝑓 𝑥 = ቊ3 1 − 𝑥 si 0 < 𝑥 < 1
0 en otro caso
Si 𝑥 < 0, entonces
Si 0 ≤ 𝑥 < 1, entonces
Si 𝑥 ≥ 1, entonces
15
En el caso de las variables continuas, la Función de distribución es
continua, no presenta ningún tipo de discontinuidad, es decir:
𝐹 𝑥− = 𝐹 𝑥 ∀𝑥
La gráfica de la función de distribución de este ejemplo sería:
16
Ejemplo:
Dadas las siguientes funciones de distribución:
a) Indicar si corresponden a variables continuas o discretas
b) Calcular la función de masa de probabilidad o de densidad en
cada caso.
0 𝑠𝑖 𝑥 < 0 0 𝑠𝑖 𝑥 < 2
3
𝐹 𝑥 = ൞𝑥 ൗ8 𝑠𝑖 0 ≤ 𝑥 < 2 𝐹1 𝑥 = ൞3ൗ8 𝑠𝑖 2 ≤ 𝑥 < 6
1 2≤𝑥 1 6≤𝑥
17
VARIABLES ALEATORIAS VARIABLES ALEATORIAS
DISCRETAS CONTINUAS
1. 0 ≤ 𝑃 𝑋 = 𝑥𝑖 ≤ 1 1. 𝑓 𝑥 ≥ 0 ∀𝑥 ∈ℝ
∀ 𝑖 = 1, … , 𝑛 +∞
2. −∞ 𝑓 𝑥 𝑑𝑥 = 1
2. σ𝑛𝑖=1 𝑃 𝑋 = 𝑥𝑖 = 1 𝑏
3. 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑥𝑑 𝑥 𝑓 𝑎
3. 𝑃 𝐴 = σ𝑥𝑖 ∈𝐴 𝑃 𝑋 = 𝑥𝑖
para cualquier suceso 𝐴.
18
CARACTERÍSTICAS DE UNA VARIABLE ALEATORIA
𝑋 CONTINUA:
∞
𝐸 𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥
−∞
MEDIA
𝑋 DISCRETA:
𝑘
𝐸 𝑋 = 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 .
𝑖=1
En general,
𝑋 CONTINUA:
∞
𝐸𝑔 𝑋 = න 𝑔 𝑥 𝑓 𝑥 𝑑𝑥
−∞
𝑋 DISCRETA:
𝑘
𝐸𝑔 𝑋 = 𝑔(𝑥𝑖 ) 𝑃 𝑋 = 𝑥𝑖
𝑖=1
19
𝒙𝒊 1 2 3 4
EJEMPLOS:
𝑝_𝑖 7ൗ 13ൗ 4ൗ 6ൗ
30 30 30 30
𝐸𝑋 =
2
𝑓 𝑥 = ቊ3 1 − 𝑥 si 0 < 𝑥 < 1
0 en otro caso
𝐸𝑋 =
20
Propiedades de la Esperanza
Estas propiedades se verifican tanto si X es discreta como continua
i. Si 𝑋 es constante igual a 𝑘, entonces 𝐸 𝑋 = 𝑘.
ii. Si 𝑎 y 𝑏 son dos números reales, entonces 𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏.
iii. Si 𝑎 ≤ 𝑋 ≤ 𝑏 entonces 𝑎 ≤ 𝐸 𝑋 ≤ 𝑏
21
MOMENTO DE ORDEN r CENTRADO EN EL ORIGEN
𝑋 CONTINUA:
∞
𝐸 𝑋𝑟 = න 𝑥 𝑟 𝑓 𝑥 𝑑𝑥
−∞
𝑋 DISCRETA:
𝑟
𝐸 𝑋 𝑟 = 𝑥𝑖𝑟 𝑃 𝑋 = 𝑥𝑖 .
𝑖=1
𝑋 CONTINUA:
∞
𝑟
𝐸 𝑋−𝜇 = න (𝑥 − 𝜇)𝑟 𝑓 𝑥 𝑑𝑥
−∞
𝑋 DISCRETA:
𝑟
𝐸 (𝑋 − 𝜇)𝑟 = 𝑥𝑖 − 𝜇 𝑟 𝑃 𝑋 = 𝑥𝑖 .
𝑖=1 22
El momento centrado en la media más importante es el momento
de orden 𝑟 = 2, más conocido como: VARIANZA
2
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇 = 𝐸 𝑋2 − 𝐸 𝑋 2
𝑋 CONTINUA:
∞ ∞
𝑉𝑎𝑟 𝑋 = න 𝑥−𝜇 2𝑓 𝑥 𝑑𝑥 = න 𝑥 2 𝑓 𝑥 𝑑𝑥 − 𝐸 𝑋 2
−∞ −∞
𝑋 DISCRETA:
𝑟 𝑘
𝑉𝑎𝑟 𝑋 = 𝑥𝑖 − 𝜇 2 𝑃 𝑋 = 𝑥𝑖 = 𝑥𝑖2 𝑃 𝑋 = 𝑥𝑖 − 𝐸𝑋 2.
𝑖=1 𝑖=1
23
DESVIACIÓN TÍPICA DE UNA VARIABLE
24
𝒙𝒊 1 2 3 4
EJEMPLO: 𝑝_𝑖 7ൗ 13ൗ 4ൗ 6ൗ
30 30 30 30
Calcular la varianza.
EJEMPLO:
2
𝑓 𝑥 = ቊ3 1 − 𝑥 𝑠𝑖 0 ≤ 𝑥 ≤ 1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular la varianza.
25
Propiedades de la Varianza:
i. Si 𝑋 es constante igual a 𝑘, entonces 𝑉𝑎𝑟 𝑋 = 0.
ii. Si 𝑎 es un número real, entonces 𝑉𝑎𝑟 𝑎𝑋 = 𝑎2 𝑉𝑎𝑟[𝑋].
iii. Si 𝑏 es un número real, entonces 𝑉𝑎𝑟 𝑋 + 𝑏 = 𝑉𝑎𝑟[𝑋].
iv. Si 𝑎 y 𝑏 es un número real, entonces 𝑉𝑎𝑟 𝑎𝑋 + 𝑏 = 𝑎2 𝑉𝑎𝑟[𝑋].
v. 𝑉 𝑋 ≥ 0.
26
MEDIANA DE UNA VARIABLE ALEATORIA
𝐹 𝑥𝑚 ≥ 0.5
0 𝑠𝑖 𝑥 < 1
7
𝑠𝑖 1 ≤ 𝑥 < 2
30
20
𝑠𝑖 2 ≤ 𝑥 < 3
𝐹 𝑥 = 30
24
𝑠𝑖 3 ≤ 𝑥 < 4
30
30
=1 𝑠𝑖 4 ≤ 𝑥
30
27
La mediana de una variable aleatoria CONTINUA es el valor tal que:
𝐹 𝑥𝑚 = 0.5
0 𝑠𝑖 𝑥 < 5
𝑥2 2
𝐹 𝑥 = − 𝑥+1 𝑠𝑖 5 ≤ 𝑥 < 10
25 5
1 𝑠𝑖 10 ≤ 𝑥
28
CUANTIL DE UNA VARIABLE ALEATORIA
El cuantil de orden 𝒑 (PERCENTIL 100𝒑) de una variable aleatoria
DISCRETA es el menor valor 𝑥𝑝 tal que:
𝐹 𝑥𝑝 ≥ 𝑝
𝐹 𝑥𝑝 = 𝑝
CASOS PARTICULARES:
MEDIANA 𝑝 = 0.5
CUARTILES: 𝑝 = 0.25, 𝑝 = 0.5 𝑦 𝑝 = 0.75
DECILES: 𝑝 = 0.1, 𝑝 = 0.2, 𝑝 = 0.3, … , 𝑝 = 0.8, 𝑝 = 0.9
EJEMPLOS:
𝒙𝒊 1 2 3 4
𝑝_𝑖 7ൗ 4ൗ 13ൗ 6ൗ
30 30 30 30
𝒙𝒊 1 2 3 4
𝑝_𝑖 7ൗ 10ൗ 3ൗ 10ൗ
30 30 30 30
Puede haber más de una moda, pero la media, mediana o los cuantiles
son únicos.
30
Para calcular la moda de una variable continua, se busca el valor donde
la función de densidad alcance su valor máximo.
31
Variables aleatorias bidimensionales
𝐹 𝑥, 𝑦 = 𝑃 𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦 = 𝑃 𝑋 ≤ 𝑥 ∩ 𝑌 ≤ 𝑦
32
Si estudiamos por separado a las variables 𝑋 e 𝑌, sus funciones de
distribución respectivas se denominan distribuciones marginales 𝐹𝑋 (𝑥)
y 𝐹𝑌 (𝑦)
𝐹 𝑥, 𝑦 = 𝐹𝑋 𝑥 ⋅ 𝐹𝑌 (𝑦)
33
Propiedades de la Media y la Varianza de dos variables aleatorias
34
Ejercicio:
Dadas las siguientes funciones de distribución calcular la media,
varianza, moda, mediana y cuantil de orden p=0.68:
0 𝑠𝑖 𝑥 < 0 0 𝑠𝑖 𝑥 < 2
𝑥3 3
𝐹1 𝑥 = 𝑠𝑖 0 ≤ 𝑥 < 2 𝐹2 𝑥 = 𝑠𝑖 2 ≤ 𝑥 < 6
8 8
1 𝑠𝑖 2 ≤ 𝑥 1 𝑠𝑖 6 ≤ 𝑥
35
PRINCIPALES VARIABLES ALEATORIAS
36
Menús de RCommander para trabajar con Variables Aleatorias:
37
PRINCIPALES VARIABLES ALEATORIAS DISCRETAS
1 si éxito
𝑋=ቊ
0 si fracaso
38
De manera que:
𝑃(𝑋 = 1) = 𝑝
𝑃(𝑋 = 0) = 1 − 𝑝
Podemos ver fácilmente:
𝐸 𝑋 = 1 ⋅ 𝑃 𝑋 = 1 + 0 ⋅ 𝑃(𝑋 = 0) = 𝑝
𝐸 𝑋2 = 12 ⋅ 𝑃 𝑋 = 1 + 02 ⋅ 𝑃(𝑋 = 0) = 𝑝
2
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2] − 𝐸 𝑋 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)
39
Ejemplos:
40
VARIABLE ALEATORIA BINOMIAL
Esta variable indica el resultado de la repetición n veces de forma
independiente del experimento de Bernoulli.
Por ejemplo: en el ejemplo anterior, si en vez de tirar la moneda una
sola vez, lo hacemos 10 veces y contamos el número de caras que han
salido.
La variable aleatoria que me dice el número de caras que han salido
sigue una distribución Binomial de parámetros 𝑛 = 10 (n indica el número
de repeticiones del experimento) y 𝑝 = 0.5 (p indica la probabilidad de
éxito de cada experimento).
La variable aleatoria Binomial sería:
𝑿 = número de éxitos en 𝒏 intentos
Así 𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊(𝒑) = 𝑩𝒊𝒏𝒐𝒎𝒊𝒂𝒍(𝒏 = 𝟏, 𝒑)
Parámetros:
𝑛 es un número entero positivo 1,2,3..
𝑝 es la probabilidad de éxito 0 ≤ 𝑝 ≤ 1
41
Ejemplo:
Suponemos que la probabilidad de venta es constante 𝑝, la variable
aleatoria que me indica el número de ventas realizadas a un grupo de 20
clientes, sigue una distribución Binomial con 𝑛 = 20 y 𝑝 siendo la
probabilidad de venta.
Dada una variable aleatoria 𝑋 que sigue una 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝), entonces,
𝑿 sólo puede tomar los valores 0, 1, 2, …, n (ya que 𝑋 cuenta el
número de éxitos en los 𝑛 experimentos), es decir, 𝐷𝑋 = 0,1,2, … , 𝑛 .
El cálculo de la función de probabilidad de una binomial es:
𝑋 ∼ 𝐵𝑖 𝑛, 𝑝
𝑛 𝑘 𝑛−𝑘
𝑃 𝑋=𝑘 = 𝑝 1−𝑝 𝑝𝑎𝑟𝑎 𝑘 = 0,1, … , 𝑛
𝑘
𝑃 𝑋=𝑘 =0 𝑝𝑎𝑟𝑎 𝑘 < 0 ó 𝑘 > 𝑛
Recordemos que
𝑛 𝑛!
=
𝑘 𝑘! 𝑛 − 𝑘 !
42
PROPIEDADES
𝑋 ∼ 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝)
𝐸 𝑋 = 𝑛𝑝
𝑉𝑎𝑟 𝑋 = 𝑛𝑝 1 − 𝑝
43
Cálculo de probabilidades de una binomial con RCommander
44
Ejemplo (Control de calidad):
Todos los días se seleccionan de manera aleatoria 15 unidades de un
proceso de manufacturación con el propósito de verificar el porcentaje
de unidades defectuosas en el proceso. Con base a la información
pasada, la probabilidad de tener una unidad defectuosa es de 0.05. La
gerencia ha decidido detener la producción cada vez que una muestra
de 15 unidades tenga 2 o más defectuosas. ¿Cuál es la probabilidad de
que, un día cualquiera, la producción se detenga?
45
Solución con RCommander:
𝑃 𝑋≥2 =𝑃 𝑋>1 =
46
VARIABLE ALEATORIA BINOMIAL NEGATIVA
47
La Función de Probabilidad de una Binomial Negativa 𝐵𝑖𝑁(𝑘, 𝑝)
𝑘+𝑟−1 𝑘 𝑟
𝑃 𝑋=𝑟 = 𝑝 1−𝑝
𝑟
𝑋 ∼ 𝐵𝑖𝑁(𝑘, 𝑝)
𝑘 1−𝑝
𝐸𝑋 =
𝑝
𝑘 1−𝑝
𝑉𝑎𝑟 𝑋 =
𝑝2
48
Ejercicio: Si estamos interesados en la variable:
49
CASO PARTICULAR: DISTRIBUCIÓN GEOMÉTRICA
𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 𝑝 = 𝐵𝑖𝑁 1, 𝑝
𝑃 𝑋 =𝑟 =𝑝 1−𝑝 𝑟
Con 𝑟 = 0,1,2, …
Ejemplo:
La probabilidad de que el lanzamiento de un cohete tenga éxito es igual
a 0.8. Supongamos que hacemos ensayos hasta que ocurren 3
lanzamientos exitosos. ¿Cuál es la probabilidad de que sean necesarios
6 intentos?
50
VARIABLE ALEATORIA DE POISSON
51
Propiedades:
𝑋 ∼ Poisson 𝜆
𝐸 𝑋 =𝜆
𝑉𝑎𝑟 𝑋 = 𝜆.
𝑋 + 𝑌 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝜆 + 𝛼
52
APROXIMACIÓN BINOMIAL-POISSON
𝑋 ∼ 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛, 𝑝
𝑛 > 30, 𝑝 ∉ [0.1,0.9]ቑ ⇒ 𝑋 ≈ 𝑌
𝑌 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝑛𝑝)
53
Ejemplo:
Un comprador de circuitos integrados ha adoptado un plan para
aceptar un envío de éstos que consiste en inspeccionar una muestra
aleatoria de 100 circuitos. Si el comprador encuentra no más de 2
circuitos defectuosos en la muestra acepta el lote, de otra forma lo
rechaza. Si se envía al comprador un lote con un 1% de circuitos
defectuosos. ¿Cuál es la probabilidad de que éste sea aceptado?
54
Solución con RCommander:
𝑃 𝑋≤2
55
PRINCIPALES VARIABLES ALEATORIAS CONTINUAS
DISTRIBUCIÓN UNIFORME.
1
𝑓 𝑥 = ቐ𝑏 − 𝑎 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
56
Siendo 𝑎 y 𝑏 dos números reales cualesquiera que verifica 𝑎 < 𝑏, la
función de distribución de una variable Uniforme en (𝑎, 𝑏) es:
0 𝑠𝑖 𝑥 < 𝑎
𝑥−𝑎
𝐹 𝑥 =൞ 𝑠𝑖 𝑎 ≤ 𝑥 < 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑏 ≤ 𝑥
𝑎+𝑏 𝑏−𝑎
𝐸𝑋 = =𝑎+
2 2
2
𝑏−𝑎
𝑉𝑎𝑟 𝑋 =
12
57
DISTRIBUCIÓN EXPONENCIAL
Es una variable aleatoria continua que está íntimamente relacionada
con la distribución de Poisson que vimos anteriormente.
La distribución de Poisson contaba el número de eventos en un
intervalo de tiempo. La distribución Exponencial mide el tiempo que
transcurre entre dos eventos de Poisson independientes.
Si una variable sigue una distribución exponencial de parámetro λ su
función de densidad viene dada por:
0 𝑠𝑖 𝑥 < 0
𝑓 𝑥 = ቊ −𝜆𝑥
𝜆e 𝑠𝑖 0 ≤ 𝑥
0 𝑠𝑖 𝑥 < 0
𝐹 𝑥 =ቊ
1 − e−𝜆𝑥 𝑠𝑖 0 ≤ 𝑥
1
𝐸𝑋 =
𝜆
1
𝑉𝑎𝑟 𝑋 = 2
𝜆
Propiedad:
Sean 𝑋1 ∼ 𝐸𝑥𝑝 𝜆1 , 𝑋2 ∼ 𝐸𝑥𝑝 𝜆2 , … , 𝑋𝑛 ∼ 𝐸𝑥𝑝 𝜆𝑛 INDEPENDIENTES,
entonces
𝑋 = 𝑀𝑖𝑛 𝑋1, 𝑋2, … , 𝑋𝑛 ∼ 𝐸𝑥𝑝 𝜆1 + 𝜆2 + ⋯ + 𝜆𝑛
59
DISTRIBUCIÓN NORMAL
60
Dada una variable aleatoria Normal, su función de densidad, más
conocida como Campana de Gauss, siempre está centrada en la media
𝜇, y la desviación estándar 𝜎 nos indica cuánta dispersión hay en la
variable, gráficamente cuanto más puntiaguda sea la densidad, menor
dispersión.
61
La función de densidad de una distribución 𝑁(𝜇, 𝜎) es simétrica en
torno a la media 𝜇, entonces la mediana SIEMPRE coincide con la
media 𝜇 y además por la forma de la función de densidad, la moda
también coincide con 𝜇 .
62
La función de densidad de una variable aleatoria Normal es
complicada y, por lo tanto, es difícil de calcular probabilidades con
ella.
1 −1
𝑥−𝜇 2
𝑓 𝑥 = 𝑒 2 ∀𝑥, 𝜇, 𝜎 2 > 0
2𝜋𝜎 2
Por esto, se trabaja con tablas para ESTIMAR estos cálculos. Dado
que cada variable normal depende de los valores 𝜇 y 𝜎², en principio se
necesitaría una tabla diferente para cada par de estos valores.
𝑋−𝜇
Proposición : Si 𝑋~𝑁(𝜇, 𝜎) entonces ∼ 𝑁(0,1)
𝜎
𝑃 𝑋 ∈ 𝑎, 𝑏 = 𝑃 𝑋 ∈ 𝑎, 𝑏 = 𝑃 𝑋 ∈ 𝑎, 𝑏 = 𝑃 𝑋 ∈ 𝑎, 𝑏
𝑃 𝑋 ∈ 𝑎, 𝑏 = 𝑃 𝑋 ≤ 𝑏 − 𝑃 𝑋 ≤ 𝑎 = 𝑃 𝑋 ≥ 𝑎 − 𝑃(𝑋 ≥ 𝑏)
64
¿Cómo buscar en la tabla?
Valores de la
variable
Probabilidades
65
EJEMPLOS: Dada una variable Z que sigue una distribución 𝑁(0,1)
(de media cero y varianza 1), ¿Cómo calculamos las probabilidades
de valores negativos?
66
¿Cómo interpolar si el valor no es exacto en la tabla?
0.0039
𝑎 − 0.5948 = ⋅ 0.003 = 0.00117 ⇒
0.01
𝑎 = 0.5948 + 0.00117 = 0.59597
Entonces, 𝑃(𝑁 0,1 < 0.243) = 0.59597
67
Solución con RCommander:
𝑃 𝑋 ≤ 0.243
68
Ejemplo. El número de ventas mensuales de un centro comercial, en
miles de unidades, es una variable aleatoria 𝑋 que sigue una
distribución normal, con media 10 y desv. típica 2 (𝑁(10,2)).
¿Cuál es la probabilidad de que en un mes elegido al azar haya menos
de 7000 ventas?
PROPIEDADES:
Sea 𝑋 ∼ 𝑁(𝜇, 𝜎) y 𝑎, 𝑏 ∈ ℝ entonces 𝑌 = 𝑎 ⋅ 𝑋 + 𝑏 ∼ 𝑁 𝑎 ⋅ 𝜇 + 𝑏, 𝑎 ⋅ 𝜎
Sean 𝑋1 ∼ 𝑁 𝜇1 , 𝜎1 , 𝑋2 ∼ 𝑁 𝜇2 , 𝜎2 , … , 𝑌𝑛 ∼ N 𝜇𝑛 , 𝜎𝑛
INDEPENDIENTES, entonces:
𝑌 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ∼ 𝑁 𝜇1 + 𝜇2 + ⋯ + 𝜇𝑛 , 𝜎12 + 𝜎22 + ⋯ + 𝜎𝑛2
69
TEOREMA CENTRAL DEL LÍMITE
70
Aproximación de una v.a. Binomial por una Normal
71
Ejemplo:
En clase de 1º de ADE hay 180 alumnos matriculados. Se ha estimado que
el 60 por ciento asisten a clase con regularidad.
Calcular la probabilidad de que elegido un día al azar, haya más de 90
alumnos.
72
Solución con RCommander:
𝑃 𝑋 > 90
73