Documentos de Académico
Documentos de Profesional
Documentos de Cultura
𝐷𝑥 = Ω 𝑅𝑥
𝑂1 𝑥1
𝑂2 𝑥2
𝑂3 𝑥3
. .
. .
. .
𝐷𝑥 = Ω = 𝑂1 , 𝑂2 , 𝑂3 , ..., 𝑂𝑘 𝑂𝑘 𝑥𝑘 𝑅𝑥 = 𝑥1 , 𝑥2 , 𝑥3 , ..., 𝑥𝑚
Experimento
Tiro una moneda al aire cuatro veces
X = {0, 1, 2, 3, 4}
Discreta Continua
𝑅𝑥 es un conjunto 𝑅𝑥 es un conjunto
enumerable no enumerable
Ejemplo 1
Cat. A → 1, 2, 3
Cat. B → 4, 5, 6, 7
7
# Ω1 = = 35
3
Conjunto de puntos muestrales posibles de Ω
𝑅𝑥
(1,2,3) 0
(1,2,4) (1,2,5) (1,2,6) (1,2,7)
(1,3,4) (1,3,5) (1,3,6) (1,3,7) 1
(1,4,5) (1,4,6) (1,4,7) (1,5,6) (1,5,7) (1,6,7)
(2,3,4) (2,3,5) (2,3,6) (2,3,7) 2
(2,4,5) (2,4,6) (2,4,7) (2,5,6) (2,5,7) (2,6,7)
3
(3,4,5) (3,4,6) (3,4,7) (3,5,6) (3,5,7) (3,6,7)
(4,5,6) (4,5,7) (4,6,7) (5,6,7)
𝑅𝑥 = 0, 1, 2, 3
Ejemplo 2 Cat. A → 1, 2, 3
Cat. B → 4, 5, 6, 7
E2: Seleccionar, con reemplazo, un contribuyente tras otro, hasta
elegir uno de la categoría A, si la elección de un contribuyente de
categoría A está en relación 3 a 7 con elección de un
contribuyente de categoría B.
Determine el rango de la variable aleatoria Y (Número de
selecciones realizadas hasta elegir un contribuyente de la
categoría A). En términos de
𝑐 𝑐 𝑐 𝑐 𝑐 𝑐
Ω2 = 𝐴, 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , … estructuras
𝑅𝑦 = 1, 2, 3, 4, …
Ejemplo 3
Ω3 = t/t>0 → 𝑅𝑥 = x/x>0
7.2 Función de
probabilidad discreta
Función de probabilidad de una variable aleatoria discreta
Sea X una variable aleatoria con rango 𝑅𝑥 , se determina por:
𝑃 𝑋 = 𝑥 = 𝑓 𝑥 = 𝑃 𝑂𝑖 ∈ ΩΤ𝑋 𝑂𝑖 = 𝑥
𝑂𝑖 ∈Ω
y cumple con las condiciones:
1) 𝑓 𝑥𝑖 ≥ 0 2) 𝑓 𝑥𝑖 = 1
𝑥𝑖 ∈𝑅𝑥
𝑅𝑥 = 0, 1, 2, 3
7
# Ω1 = = 35
3
Determine la función de probabilidad de la variable aleatoria X.
D15
4
, 𝑝𝑎𝑟𝑎 𝑥 = 0
35
18
, 𝑝𝑎𝑟𝑎 𝑥 = 1
35
𝑃 𝑋 = 𝑥 = 𝑓 𝑥 = 12
, 𝑝𝑎𝑟𝑎 𝑥 = 2
35
1
, 𝑝𝑎𝑟𝑎 𝑥 = 3
35
0, 𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜
Gráfico de la función de probabilidades
𝑓 𝑥
24/35
16/35
8/35
4/35
0 1 2 3 X
Número de contribuyentes de la categoría A
Función de probabilidad acumulativa o distribución
acumulativa discreta
Sea X una variable aleatoria discreta que se distribuye según 𝑓 𝑥 ;
luego, F es la función de probabilidad acumulativa de la variable
aleatoria X cuyo valor para cualquier “x” real, se determina por:
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑓 𝑥𝑖
𝑥𝑖 ≤𝑥
𝑥𝑖 ∈𝑅𝑥
Probabilidades de la función de la distribución acumulativa
discreta
1. 𝐹 𝑥 = 0, ∀ 𝑥 < 𝑚, donde 𝑚 = 𝑀𝑖𝑛, 𝑥 ∈ 𝑅𝑥
2. 𝐹 𝑥 = 1, ∀ 𝑥 ≥ 𝑀, donde 𝑀 = 𝑀𝑎𝑥, 𝑥 ∈ 𝑅𝑥
3. 0 ≤ 𝐹 𝑥 ≤ 1
𝐹 𝑥 =𝑃 𝑋≤𝑥 = 0, ∀𝑥 < 0
𝐹 0 =𝑃 𝑋≤0 =𝑃 𝑋 <0 +𝑃 𝑋=0 = 0 + 𝑓 0 = 0 + 4Τ35 = 4Τ35
𝐹 1 =𝑃 𝑋≤1 =𝑃 𝑋 <1 +𝑃 𝑋=1 = 𝐹 0 + 𝑓 1 = 4Τ35 + 18Τ35 = 22Τ35
𝐹 2 =𝑃 𝑋≤2 =𝑃 𝑋 <2 +𝑃 𝑋=2 = 𝐹 1 + 𝑓 2 = 22Τ35 + 12Τ35 = 34Τ35
𝐹 3 =𝑃 𝑋≤3 =𝑃 𝑋 <3 +𝑃 𝑋=3 = 𝐹 2 + 𝑓 3 = 34Τ35 + 1Τ35 = 1
0, 𝑝𝑎𝑟𝑎 𝑥 < 0
4Τ35 , 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 < 1
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥 = 22Τ35 , 𝑝𝑎𝑟𝑎 1 ≤ 𝑥 < 2
34Τ35 , 𝑝𝑎𝑟𝑎 2 ≤ 𝑥 < 3
1, 𝑝𝑎𝑟𝑎 𝑥 ≥ 3
Gráfico de la función de probabilidad acumulativa
𝐹 𝑥
1
𝑓 3 = 1Τ35
28/35 𝑓 2 = 12Τ35
21/35
14/35
𝑓 1 = 18Τ35
7/35
𝑓 0 = 4Τ35
0 1 2 3 X
Número de contribuyentes de la categoría A
7.3 Función de
probabilidad continua
Curvas de densidad
• Son aproximaciones suavizadas de las barras irregulares del
histograma
Histograma
Curva de
densidad
1. 𝒇 𝒙 ≥ 𝟎, ∀ 𝒙 ∈ 𝑹
∞
2. න 𝑓 𝑥 𝑑𝑥 = 1
−∞
3. Sea el evento 𝑨 = 𝒙/𝒂 ≤ 𝒙 ≤ 𝒃 , luego,
𝑏
𝑃 𝐴 = 𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
Evento A
Función de distribución de probabilidad acumulativa
continua (o simplemente función de distribución acumulativa)
𝐹 𝑥 =𝑃 𝑋≤𝑥 = න 𝑓 𝑤 𝑑𝑤
−∞
Distribución de los tiempos de espera
f(x) 0.8
0.7
0.6
0.5
3𝑥 2 +𝑥
0.4 f(x) =
72
0.3
0.2
0.1
f(x) = 0 f(x) = 0
0
-1 0 1 2 3 4 5
x
𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑤 𝑑𝑤
−∞
0, 𝑠𝑖 𝑥 < 0
2
𝑥
𝑥3 +
𝐹 𝑥 = 2
, 𝑠𝑖 0 ≤ 𝑥 ≤ 4
72
1, 𝑠𝑖 𝑥 > 4
Función de distribución acumulativa de probabilidades
F(x) 1.2
1.1
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1 0 1 2 3 4 5
x
Para todo 𝑎 < 𝑏 se tiene:
𝑏
= 𝐹 𝑏 − 𝐹 𝑎 = න 𝑓 𝑥 𝑑𝑥
𝑎
donde 𝐹 𝑥 es la distribución acumulativa.
7.4 Esperanza matemática
de una variable aleatoria
1. Esperanza matemática o valor esperado de una variable
aleatoria discreta
La media de una variable aleatoria X se llama el valor esperado de
X.
𝐸 𝑋 = 𝜇𝑋 = 𝑥𝑓 𝑥
𝑥∈𝑅𝑥
𝑉𝑎𝑟 𝑋 = 𝜎𝑋2 = 𝐸 𝑋 − 𝜇𝑋 2
= 𝑥 − 𝜇𝑋 2 𝑓 𝑥
𝑥∈𝑅𝑥
2
𝜎𝑋2 =𝐸 𝑋2 − 𝜇𝑋2 =𝐸 𝑋2 − 𝐸 𝑋
Ejemplo (ver diapositiva 15)
X=x 0 1 2 3 Total
P(X = x) 4/35 18/35 12/35 1/35 1
9
𝐸 𝑋 = = 1.2857
7
𝑋=𝑥 0 1 2 3 Total
𝑃(𝑋 = 𝑥) 4/35 18/35 12/35 1/35 1
𝑥 ∙ 𝑃(𝑋 = 𝑥) 0 18/35 24/35 3/35 9/7
𝑥 2 ∙ 𝑃(𝑋 = 𝑥) 0 18/35 48/35 9/35 15/7
9 2 15 15 9 2 24
𝐸 𝑋 = , 𝐸 𝑋 = , 𝑉𝑎𝑟 𝑋 = − =
7 7 7 7 49
Los valores hallados indican que si se repite un gran número de veces el
experimento aleatorio, se esperaría que el número de contribuyentes elegidos
de la categoría A tenga un comportamiento con una media de 1.2857
contribuyentes y una variancia de 0.4898 (contribuyentes)2.
3. Esperanza matemática de una variable aleatoria Y que
está en función de otra variable aleatoria discreta X
Sea X una variable aleatoria con función de probabilidad 𝑓 𝑥 , y sea
𝑌 = 𝑔 𝑋 una función real de la variable X; entonces, el valor esperado
de 𝑔 𝑋 se define como:
𝐸 𝑌 =𝐸 𝑔 𝑋 = 𝑔 𝑥 𝑓 𝑥
𝑥∈𝑅𝑥
La variancia de dicha función es
2 2
𝑉𝑎𝑟 𝑔 𝑋 = 𝜎 2𝑔 𝑋 =𝐸 𝑔 𝑋 −𝜇𝑔 𝑋 = σ𝑘𝑖=1 𝑔 𝑋 −𝜇𝑔 𝑋 𝑓 𝑥
Propiedades de los valores esperados y de variancia de una
variable aleatoria
Sea X e Y dos variables aleatorias y a y b dos constantes reales:
1) 𝐸 𝑎 = 𝑎
2) 𝐸 𝑎𝑋 = 𝑎𝐸 𝑋
3) 𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏
4) 𝐸 𝑎𝑋 + 𝑏𝑌 = 𝑎𝐸 𝑋 + 𝑏𝐸 𝑌
5) 𝑉𝑎𝑟 𝑎 = 0
6) 𝑉𝑎𝑟 𝑎𝑋 = 𝑎2 𝑉𝑎𝑟 𝑋
7) 𝑉𝑎𝑟 𝑎 + 𝑏𝑋 = 𝑏 2 𝑉𝑎𝑟 𝑋
8) Si X e Y son variables independientes:
𝑉𝑎𝑟 𝑎𝑋 + 𝑏𝑌 = 𝑎2 𝑉𝑎𝑟 𝑋 + 𝑏 2 𝑉𝑎𝑟 𝑌
Ejemplo
Si el costo (en cientos de soles) de fiscalización de los contribuyentes
de la categoría A, está determinado por 𝑌 = 2𝑋 + 3 (miles de soles).
Determine la media, la variancia y el coeficiente de variabilidad de la
distribución de Y, aplicando propiedades de valores esperados.
Interprete el CV.
39 96
𝜇𝑌 = , 𝜎𝑌2 = , 𝐶𝑉𝑌 = 25.12%
7 49
Geométrica Binomial
𝑥−1
𝑓 𝑥 =𝜋 1−𝜋 , si 𝑥 = 1, 2,3, …
𝜆𝑥 −𝜆
𝑓 𝑥 = 𝑒 , x = 0,1,2, …
Hipergeométrica Poisson 𝑥!
𝐴 𝐵
𝑓 𝑥 = 𝑥 𝑛−𝑥 , si 𝑥 = 0, 1, … , 𝑛; 𝑥 ≤ 𝐴
𝑁
𝑛
Pruebas de Bernoulli
Existen experimentos aleatorios que tienen solo dos resultados posibles,
llamados éxito (E) y fracaso (F). Un experimento de este tipo se denomina
ensayo de Bernoulli. Luego, un conjunto de (n) ensayos es llamado “proceso
de Bernoulli” si cumple con las siguientes condiciones:
7 8
Rpta: 𝑃 𝑆 = 0.4 0.6
1. Distribución de Bernoulli o binomial puntual
Una variable aleatoria discreta X tiene una distribución Bernoulli o binomial
puntual si su función de probabilidad es dada por:
𝑓 𝑥 = 𝜋𝑥 1 − 𝜋 1−𝑥
, si 𝑥 = 0, 1
=0 , de otro modo
𝜋: Probabilidad de éxito
X: Número de éxitos en un ensayo de Bernoulli
𝜇𝑋 = 𝐸 𝑋 = 𝜋
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
=𝜋 1−𝜋
66
2. Distribución binomial
Una variable aleatoria discreta X tiene una distribución binomial si su
función de probabilidad es dada por:
𝑓 𝑥 = 𝑛𝑥 𝜋 𝑥 1 − 𝜋 𝑛−𝑥 , si 𝑥 = 0, 1, … , 𝑛
=0 , de otro modo 𝑋~𝐵 𝑛, 𝜋
𝜋: Probabilidad de éxito
n: Número de pruebas de Bernoulli o tamaño de una muestra con reemplazo
X: Número de éxitos en n pruebas de Bernoulli
𝜇𝑋 = 𝐸 𝑋 = 𝑛𝜋
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
= 𝑛𝜋 1 − 𝜋
Características
1. Cuando 𝑛 = 1, la distribución recibe el nombre de Distribución de
Bernoulli o Binomial Puntual.
2. El valor mínimo de X siempre es cero, y el valor máximo de X
siempre es n.
3. Asociada al MCR con n definido (población finita) o a un
MCR/MSR de una población infinita.
4. La distribución es simétrica cuando 𝜋 = 0.5, es asimétrica positiva
cuando 𝜋 < 0.5 y asimétrica negativa cuando 𝜋 > 0.5.
5. Para valores de 𝜋 diferentes de 0.5, la distribución tiende a ser
simétrica cuando el valor de n aumenta.
68
Ejemplo
El 5% de un lote de cajas, con mangos de exportación, producido por
una empresa es defectuoso. Si elige una muestra aleatoria con
reemplazo de 10 cajas, y se define la variable X, como el número de
cajas defectuosas en la muestra.
a) Determine la probabilidad que la primera, cuarta, sétima y décima
caja seleccionada, sean defectuosos; y las otras cajas no sean
defectuosas.
b) Halle la probabilidad de que cuatro de ellas sean defectuosas.
c) ¿Cuál es el grado de variabilidad relativa de la distribución de la
variable Número de cajas defectuosas en la muestra?
7.6 Principales
distribuciones continuas
Gamma
Uniforme Exponencial
1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎 , 𝑠𝑖 −∞<𝑥 <∞
2𝜋𝜎
2 2
𝜇𝑋 = 𝐸 𝑋 = 𝜇 𝜎𝑋 = 𝑉𝑎𝑟 𝑋 = 𝜎
𝑋~𝑁 𝜇 , 𝜎 2
1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎
2𝜋𝜎
𝜎𝑋2
2. Unimodal
3. Simétrica
4. Mesocúrtica Ku ≅ 0.26
Cálculo de una probabilidad
𝑃 𝑎 < 𝑋 < 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
𝑏
1 1 𝑥−𝜇𝑋 2
−
=න 𝑒 2 𝜎𝑋 𝑑𝑥
2𝜋𝜎𝑋
𝑎
X se distribuye con valores conocidos de su media 𝜇𝑋 y
2
variancia 𝜎𝑋
𝑋 − 𝜇𝑋 Estandarización
𝑌=
𝜎𝑋 Variable estándar
Características
- Y no tiene unidad de medida Distribución
- 𝜇𝑌 = 0 estándar
- 𝜎𝑌2 = 1
X se distribuye normalmente con valores conocidos de su
2
media 𝜇𝑋 y variancia 𝜎𝑋
𝑋 − 𝜇𝑋 Estandarización
𝑍=
𝜎𝑋 z~𝑁 0,1
𝑏
1 1 𝑥−𝜇𝑋 2
~ −2 𝜎
=න 𝑒 𝑋 𝑑𝑥
2𝜋𝜎𝑋
𝑎
𝒈(𝒛) 𝑧𝑏
1 1
−2 𝑧 2
𝑃 𝑧𝑎 ≤ 𝑍 ≤ 𝑧𝑏 = න 𝑒 𝑑𝑧
2𝜋
𝑧𝑎
~
Ejemplo
Suponga que los gastos semanales en movilidad realizados por los habitantes de
un distrito tienen una distribución normal con una media de 50 soles y una
desviación estándar de 12 soles.
a) Si se selecciona al azar un habitante del distrito, halle la probabilidad de que
su gasto en movilidad sea mayor a 80 soles. 0.0062
b) Si se seleccionan al azar tres habitantes del distrito, determine la
probabilidad de que dos de ellos tengan un gasto en movilidad mayor a 80
soles. 0.00011461
c) ¿Qué porcentaje de los habitantes del distrito tienen un gasto en movilidad
que difiere de la media de su distribución en menos de una desviación
estándar? 68.26%
d) Determine e interprete el valor del Percentil 75 de la distribución de los
gastos semanales en movilidad.
𝑷𝟎.𝟕𝟓,𝒁 = 𝟎. 𝟔𝟕𝟒𝟓𝟏𝟔𝟏 𝑷𝟎.𝟕𝟓,𝑿 = 𝟓𝟖. 𝟎𝟗𝟒𝟏𝟗
Lecturas esenciales (contenido 8)