Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad II MM401 Estadística I Variables Aleatorias
Unidad II MM401 Estadística I Variables Aleatorias
ESCUELA DE MATEMATICA
DEPARTAMENTO DE ESTADISTICA
ELABORADO POR Prof Mario Antúnez Murillo
Unidad II Estadística
Variables Aleatorias
Teoría y ejemplos
Variable aleatoria
Una variable aleatoria X es una función que asocia a cada elemento del espacio
muestral S de un experimento aleatorio un número real.
X:S R
Se utilizan letras mayúsculas X para designar variables aleatorias, y las
respectivas minúsculas x para designar valores concretos de las mismas.
Se clasifica en variables aleatorias discretas y continuas
Ejemplos:
El número de hijos de una familia,
La puntuación obtenida al lanzar un dado.
Variable aleatoria continua
Es aquella variable aleatoria que puede tomar un número infinito de valores no
numerables en un intervalo en particular.
Ejemplos:
Los tiempos de los vuelos comerciales entre Tegucigalpa y Roatán
La presión en libras por pulgada cuadrada (psi), en un nuevo neumático
Función de probabilidad
Es toda una función p(x) que asigna a cada valor x de la variable aleatoria X
la probabilidad asociada, se suele tabular.
p(x): R 0,1
x P(X x)
Propiedades
La probabilidad de un resultado en particular se encuentra entre 0 y 1,
inclusive.
Los resultados son eventos mutuamente excluyentes.
La lista es exhaustiva. Así, la suma de las probabilidades de los diversos
eventos es igual a 1
X p
1. 0 p(xi ) 1
n
x1 p1
0 p 1
2. p(xi ) 1 x2 p2
Deben sumar 1
i1
x3 p3
1
X p X p
1 0.36 1 0.25
2 0.41 2 0.27
3 - 0.19 3 0.32
4 0.42 4 0.21
1 1.05
La probabilidad no puede ser negativa Las probabilidades no suman 1
Espacio muestral del lanzamiento de dos monedas:
S = {CC, CE, EC, EE}
X: número de caras que salen
S = {CC, CE, EC, EE}
La función de probabilidad es
X p(x) p(x)
0 0.25
1 0.5
2 0.25
1
Función de distribución F(x)
Es toda función de probabilidad acumulativa, definida para cada número real x
como la probabilidad de que la variable aleatoria X tome un valor menor o
igual que x, se representa por F(x): R 0,1
x F(x)
X p(x)
p(x) 0 0.25
1 0.5
2 0.25
0 x0
0.25 0 x 1
F(x)
0.75 1x 2
1 x 2
F(-) 0 F() 1
i1
A la raíz cuadrada de la varianza se le llama desviación estándar o típica
Propiedades de la Varianza
𝑉(a) = 0
V( 𝑎𝑋) = 𝑎2 𝑉(𝑋)
V( a X + b) = a2 V( X)
S𝑖 𝑋, 𝑌 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠,
𝑉(X ± Y) = 𝑉 𝑋 + 𝑉 𝑌 ,
La siguiente tabla muestra la función de probabilidad para la variable
X: número de personas por día que solicitan permiso en el trabajo para un
tratamiento innecesario en el servicio de urgencias de un pequeño
hospital.
x 0 1 2 3 4 5
Para que una función sea de densidad, tiene que ser positiva, es decir,
estar siempre por encima del eje de las X, y que el área total bajo ella sea 1
0 2
0dx kx(2 - x)dx 0dx
- 0 -
4
0 k0
3
3
k
4
43 x(2 - x) 0x 2 1.5
3 x(2 - x)dx 11
f(x) P(0.5 X 1.5) 4
16
0.6875
0 caso contrario 0.5
x
0 kt(2-t) 0
Tenemos que F(x)
f(t)dt
-∞ 0 2 +∞
-
x x
0 kt(2-t) 0
si x<0 F(x) f(t)dt 0dt 0
-∞ x 0 2 +∞
- -
x 0 x
si 0<x<1 F(x) f(t)dt f(t)dt f(t)dt 0 kt(2-t) 0
- - 0
0 x -∞ 0 x 2 +∞
0dt 43 t(2 - t)dt
- 0
si x>1 14 x2 (3 - x) 0 kt(2-t) 0
x 0 2
-∞ 0 2 x +∞
F(x) f(t)dt f(t)dt f(t)dt f(t)dt
- - 0 2
0 2
0dt 43 t(2 - t)dt 0dt 1
- 0 2
0 0x 0 0x
f(x) 43 x(2 - x) 0 x 2 F(x) 14 x2 (3 - x) 0 x 2
0 x 2
1 x 2
Un vendedor de kerosene tiene un tanque de 150 galones que se llena al principio
de cada semana. Su demanda semanal tiene una frecuencia relativa que crece
constantemente desde 0 hasta 100 galones y permanece entre 100 y 150 galones. Si
Y denota la demanda semanal en cientos de galones, la frecuencia relativa de la
demanda se puede representar por:
y 0 y 1 0 y0
2
f(y) 1 1 y 1.5 y y2
0 y 1
0 en cualquier otro valor 2 2
F(y)
y - 1 1 y 1.5 1
Obtener F(y) 2 2
P(0.5<Y<1.2) 1 y 1.5
1.2 1.2 0.5
P(0.5 Y 1.2) f(y)dy f(y)dy - f(y)dy F(1.2) - F(0.5) 0.7 - 0.125 0.575
0.5 - -
b
P(a X b) f(x)dx F(b) - F(a)
-∞ 0.5 1.2 a
Valor Esperado
Si X es una variable aleatoria continua la media o valor esperado de X es
m E(X) xf(x)dx
-
Varianza
Sea una variable aleatoria X con función de densidad f(x) y media m la
varianza está dada por
2 V(X) E(X - m)2 (x - m)2 f(x)dx E(X 2 ) - m2
-
En una tarea de laboratorio, si el equipo está funcionando, la función de
densidad del resultado observado X es
2(1 - x) 0 x 1
f(x)
0 otro valor
Encuentre la varianza y la desviación estándar de X
1
1
m E(X) xf(x)dx x 2(1 - x)dx
3 1 1 1
2
-
0
1 E(X ) - m -
2 2 2
1 6 3 18
E(X2 ) x 2f(x)dx x2 2(1 - x)dx
6
- 0
Distribuciones discretas con nombre propio
n x n- x
B(n,p) p(x) p q x=0,1,2,...,n m np 2 npq
x
Se sabe que el 30% de los habitantes de una ciudad presentan
sobrepeso. Determinar la probabilidad de que una muestra
aleatoria de 4 personas:
a. Ninguna tenga sobrepeso.
b. Más de dos tengan sobrepeso.
SOLUCIÓN
Hay que definir la variable aleatoria y el éxito
Sea X el número de personas tengan sobrepeso en una muestra
Éxito: la persona tiene sobrepeso
Identificar n (tamaño de la muestra) y p probabilidad de éxito
En este caso n = 4 y p = 0.30 (proporción no porcentaje)
4
B(4,0.3) p(x) (0.3)x (0.7)4 -x x=0,1,2,3,4
x
4
Ninguna tenga sobrepeso. p(0) (0.3)0 (0.7)4 0.2401 24.01%
0
A los más dos tengan sobrepeso.
P(X 2) p(0) p(1) p(2) 0.2401 0.4116 0.2646 0.9163 91.63%
En algunas ocasiones se suelen utilizar tablas lo que aparece es
probabilidad acumulada, F(x) P(X x) en nuestro caso n=4, p=0.30, x=2
P(X 2) F(2) 0.9163
Consideremos
n=12
p=0.2
m E(X) 2 V(X)
ejemplo 1
Llegan clientes a un mostrador de salida en una tienda de departamentos de
acuerdo con una distribución de Poisson, a un promedio de siete por hora.
Durante una hora determinada, ¿cuáles son las probabilidades de que
a. lleguen exactamente cinco clientes?
b. lleguen al menos ocho clientes?,
c. lleguen entre 4 y 8 clientes inclusive?,
Sea X el número de personas que llegan al mostrador en una hora
λ promedio de personas que llegan al mostrador en una hora
7x e-7
P(X x) x=0,1,2,3... m= 2
x!
a. P(X=5)=0.12772
b. P(X≥8)=0.40129
c. P(4≤X≤8)=P(X≤8) - P(X≤3)=0.72909-0.08177=0.3278
¿Cuál es la probabilidad de que exactamente diez clientes lleguen entre las 2:00
p.m. y las 4:00 p.m.?
Sea Y el número de personas que llegan al mostrador en dos horas
λ promedio de personas que llegan al mostrador en una horas λ =14
14 y e-14 14 y e-14
P(Y y) P(Y 10) 0.06628
y! y!
Ejemplo 2
En la producción diaria Y de cierta clase de cuerda, el número de
defectos por pie tiene una distribución de Poisson con media 2. La
utilidad por pie cuando se venda la cuerda está dada por X, donde
X 50 - 2Y - Y2
Encuentre la utilidad esperada por pie
Nos piden la utilidad esperada E(X)
E(X) E(50 - 2Y - Y2 ) E(50) - 2E(Y) - E(Y2 )
1 𝑞
𝐸(𝑋) = 𝑉(𝑋) =
𝑝 𝑝2
Ejemplo 1
La probabilidad de que un estudiante para piloto apruebe el examen escrito para
obtener una licencia de piloto privado es 0.7. Encuentre la probabilidad de que el
estudiante aprobará el examen
a. en el tercer intento;
b. antes del tercer intento
Sea X, el número del intento en que aprueba el examen p=0.7
p(x) (0.7)(0.3)x -1 x 1,2,3,...
a. P(X 3) (0.7)(0.3)3-1 0.063
b. P(X 3) 0.91
Ejercicio 2
El cocinero prepara una ensalada revuelta que contiene, en promedio,
6 vegetales. Encuentre la probabilidad de que la ensalada contenga
más de 6 vegetales.
a. En un día dado
b. En cuatro de los siguientes 6 días
c. Por primera vez en agosto el día 6
a. En un día dado
Poisson, con 6 X:cantidad de vegetales que tiene la ensalada
P(X>6)=0.3937
N M N - M
x n - x
N-M p(x) x 0,1,...,n
N
M
n
M M N - M N - n
E(X) n V(X) n
n-x N N N N - 1
x
n
Ejemplo
Una compañía tiene 50 empleados en el departamento de ensamble.
Cuarenta empleados pertenecen a un sindicato, y diez no. Se eligen al azar
ocho empleados para formar un comité que hablará con la empresa sobre
los horarios de inicio de los turnos. ¿Cuál es la probabilidad de que:
a. cuatro de los empleados elegidos para formar parte del comité
pertenezcan a un sindicato?
b. La mayoría sea sindicalizada?
Sea X la cantidad de sindicalizados seleccionados
40 10
50
x 8 - x
p(x) x 0,1,...,8
10 50
40
8
a. P(X=4)=p(4)=0.03575
b. P(X>4)=P(X≥5)=0.9593
8-x
x La cantidad esperada
8 M 40
de sindicalizados E(X) n 8 6.4
N 50
seleccionados es
Variables aleatorias continuas
Entre las distribuciones de variable continua más importantes son las
siguientes:
Distribución beta
Distribución de Cauchy
Distribución de Erlang
Distribución de Gumbel
Distribución de Pareto
Distribución de Rayleigh
Distribución exponencial
Distribución F
Distribución gamma
Distribución log-normal
Distribución t de Student
Distribución χ²
Distribución de Fréchet
Distribución de Laplace
Distribución logística
Distribución normal multivariante
Distribución normal
Distribución uniforme continua
Distribución de Weibull
Distribución uniforme:
Se dice que una variable aleatoria X sigue una distribución continua
uniforme cuando su función de densidad f(x) es constante en el intervalo
[a, b].
k a x b
f(x)
0 otro valor
El área total bajo la curva es de 1.00. La mitad del área bajo la curva normal se localiza a
la derecha de este punto central, y la otra mitad, a la izquierda.
normal estándar
Para convertir cualquier distribución normal a una distribución de probabilidad
normal estándar se resta la media a cada observación y se divide esta diferencia
entre la desviación estándar. Los resultados reciben el nombre de valores Z o
valores tipificados. z2
X -m 1 -
Z f(z) e 2
2
X es el valor de cualquier observación y medición.
μ es la media de la distribución.
σ es la desviación estándar de la distribución
Escala X
Escala Z
Área acumulada bajo la curva normal
2
z0
1 -z
P(Z z0 ) 2
e 2 dz F(z0 )
-
Entero y
primer segundo decimal Consideremos z=0.48
decimal P(Z 0.84) F(0.84) 0.7995
Z 0.84
Cálculo de área en una normal estándar o tipificada
Caso 1
a
Caso 2
Caso 3
P(Z a) F(a) P(Z 1.13) F(1.13) 0.8708
P(Z a) 1 - F(a) P(Z 0.67) 1 - F(0.67) 1 - 0.7486 0.2514
66 - 70
Z -1.33 P(-1.33 Z 1.67) F(1.67) - F(-1.33)
3
Entre 66 y 75 kg 0.9525 - 0.0918
75 - 70
X 75
Z 1.67 0.8607
3
68 kg X 68 P(X 68) 0 La probabilidad en un punto es cero
Se supone que el puntaje obtenido en el examen final de un curso introductorio
de una clase es una variable aleatoria con distribución normal con media 73
puntos y desviación estándar 8 puntos.
a. ¿Cuál es la probabilidad de obtener en este examen un puntaje mayor de 80?
b. ¿Qué porcentaje de estudiantes obtuvo un puntaje entre 65 y 89?
c. ¿Cuál fue el puntaje superado sólo por el 5% de los estudiantes que hicieron
el examen?
d. Si se eligen 6 estudiantes en forma independiente ¿Cuál es la probabilidad de
que por lo menos 4 tengan una nota mayor de 80?
m 73
Sea X: peso de un estudiante X - m X - 73
8 Z
8
a. P(X 80) P(Z 0.875) 0.80921 d. En este caso es binomial con
b. P(65 X 89) P(-1 Z 2) 0.81859 n=6 y p 0.80921
Sea Y: cantidad de estudiantes
c. P(X a) P(Z z0 ) 0.05
con nota mayor a 80
De la tabla normal z0=1.645
P(Y 4) 0.91211
X - 73 X 86.16
1.645
8
La función gamma
La función gamma se define (a) x a-1e- x dx para a0 y propiedad fundamental
si n es natural (n) (n - 1)! 0
Distribución Gamma
La variable aleatoria continua X tiene una distribución gamma, con parámetros a y b,
si su función de densidad está dada por
1
f(x) x a-1e- x/b x>0 con m=ab 2 =ab2
ba (a)
La distribución gamma se suele utilizar para modelar variables aleatorias que describen
el tiempo hasta que se produce a veces determinado suceso.
Distribución exponencial
La distribución gamma especial para la que a1 se llama distribución exponencial.
1
Haciendo b
1
f(x) e- x/b e-x x 0 m
1 2 1
2
b
Existe una relación entre las distribuciones de Poisson y la exponencial. En la
Poisson tenemos cantidad de sucesos por unidad de tiempo, y en la exponencial
es el tiempo de espera entre sucesos de un proceso de Poisson
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
operación antes del fallo, en años, está dado por X. La variable aleatoria X se
modela bien mediante la distribución exponencial con tiempo medio de operación
antes del fallo β = 5.
a. ¿cuál es la probabilidad de que un componente funcionen más de 8 años?
b. Si se instalan 5 de estos componentes en diferentes sistemas, ¿cuál es la
probabilidad de que al menos dos aún funcionen al final de 8 años?
1 1
En este caso =1/5=0.2 f(x) 0.2e-0.2x x 0 m =5 2 2 25
0.2 0.2
a. P(X 8) 0.2e-0.2x dx 0.2019
8
b. P(Y 2) 0.2666
Distribución chi cuadrada
Otro caso especial muy importante de la distribución gamma se obtiene cuando
b2 y hacer a/2, donde es un entero positivo. Este resultado se llama
distribución chi cuadrada (2). La distribución tiene un solo parámetro, ,
llamado grados de libertad.
La variable aleatoria continua X tiene una distribución chi cuadrada, con
grados de libertad, si su función de densidad está dada por
1
f(x) /2 x /2-1e- x/2 x>0 m= 2 2
2 ( / 2)
Suponga que una variable aleatoria X tiene una función de densidad de probabilidad
dada por
f(x) kx 3e-x/2 x>0
a. Encuentre el valor de k que haga de f(y) una función de densidad
3 - x/2 1
Tendría que cumplirse kx e dx= kx 3e -x/2dx =1 k
- 0
96
b. ¿Tiene Y una distribución χ2? Si es así, ¿de cuantos grados de libertad?
Si ya que b 2 - 1 3 de donde 8
2
c. ¿Cuales son la media y la desviacion estandar de Y?
m= 8 4
Se sabe que el tiempo de duración, en semanas, de cierto tipo de transistor sigue
una distribución gamma con media de 10 semanas y desviación estándar de 50
semanas.
a. ¿Cuál es la probabilidad de que el transistor dure a lo más 50 semanas?
b. ¿Cuál es la probabilidad de que el transistor no sobreviva las primeras 10
semanas?
Tenemos que m ab 10 2 ab2 50
a 2 b5
X: tiempo de duración en semanas de cierto tipo de transistor
a. P(X<50)0.9995
b. P(X<10)=0.5940