Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Definición:
Tipos:
Variable aleatoria Discreta
Variable aleatoria Continua
2
Ejemplos variable aleatoria discreta
3
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A
4
Variable aleatoria
Una variable aleatoria X es una función que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numérico real:
X :E
w X ( w)
Llamar variable a una función resulta algo confuso,
por ello hay que insistir en que es una función.
p : [0,1]
x p ( x) P( X x)
La función de probabilidad debe cumplir:
(ii ) p( x) 1
que puede tomar la variable aleatoria).
6
Función de probabilidad discreta
Valores Probabilidad
Z 0 1/4 = 0.25
1 2/4 = 0.50
Z
2 1/4 = 0.25
Z Z
7
Sea el experimento “lanzar dos dados”. Definamos el
espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
6/36
P
5/36 5/36
4/36 4/36
3/36 3/36
2/36 2/36
1/36 1/36
2 3 4 5 6 7 8 9 10 11 12 X
Observa que cumple las dos condiciones: es siempre positiva y está normalizada.
9
Función de distribución
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F : [0,1]
x F ( x) P( X x)
En nuestro ejemplo de los dos dados:
10
Función de distribución de la variable aleatoria X
F
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12 x
11
Ejemplo: Dibuja la función de probabilidad f(x) y la función de
distribución F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
1 1
6
F(x)
f(x)
0.5
0 1 6 x 0 1 6 x
13
Algunas propiedades de la función de distribución
P( x1 X x2 ) F ( x2 ) F ( x1 )
F es monótona creciente.
14
Esperanza matemática o media
de un distribución discreta
E X xi P( X xi ) xi p( xi )
i i
X P(X) X P(X)
-1 .1 -.1
0 .2 .0
1 .4 .4
2 .2 .4
3 .1 .3
1.0
15
Calcular la esperanza de la variable aleatoria X
en el ejemplo de los dos dados:
12
E ( X ) P(i) i
i 2
1 2 6 1
2 3 ... 7 ... 12 7
36 36 36 36
16
Varianza y desviación estándar o típica de una
distribución discreta
Varianza
Var ( X ) M 2 E (( X ) )
2 2
(x )
i
i
2
P( X xi )
X ( X ) ( X ) P( X )
2 2
X P(X)
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
2 ( xi ) 2 P( xi ) 1,2
i
Var( X ) 1.10
18
Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
12
Var ( X ) P(i) (i 7) 2
i 2
1 2 1
(2 7) (3 7) ... (12 7) 2 5,83
2 2
36 36 36
19
Algunas propiedades de la varianza
Var ( X ) ( xi ) p( xi )
2 2
(x 2xi ) p( xi )
2 2
i
i
x p( xi ) 2 xi p( xi )
2 2
i
i i
E ( X ) 2 E ( X ) ( E ( X ))
2 2 2 2 2
E ( X ) ( E ( X ))
2 2 2
20
Distribución de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: éxito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
éxito 1
fracaso 0
Si la probabilidad de éxito es p y la de fracaso q = 1 - p,
podemos construir una función de probabilidad:
x 1 x
P( X x ) p q x 0,1
Evidentemente:
1
P( X x) P( X 0) P( X 1) p q 1
x 0
21
Ejercicio: Calcular la esperanza y la varianza de la
distribución de Bernoulli.
1
E[ X ] x P( X x)
x 0
0 P( X 0) 1 P( X 1) p
1
Var ( X ) E[ X ] ( E[ X ]) x P( X x) p
2 2 2 2
x 0
0 P( X 0) 1 P( X 1) p
2 2 2
p p p (1 p ) pq
2
22
Distribución Binomial de
Probabilidad
23
Definición
24
Experimento Binomial (Propiedades)
El experimento consiste en una sucesión de n
intentos o ensayos idénticos.
En cada intento o ensayo son posibles dos
resultados. A uno lo llamaremos éxito y al otro
fracaso.
La probabilidad de un éxito, se representa por p y
no cambia de un intento o ensayo. Por lo tanto la
probabilidad de un fracaso se representa por (1-p),
que tampoco cambia de un intento a otro.
Los intentos o ensayos son independientes.
25
DIAGRAMA DE UN EXPERIMENTO
BINOMIAL CON OCHO INTENTOS
Intentos 1 2 3 4 5 6 7 8
Resultados S F F S S F S S
26
Distribución binomial
La distribución binomial aparece cuando estamos interesados
en el número de veces que un suceso A ocurre (éxitos) en n
intentos independientes de un experimento.
28
La distribución de probabilidad P(X = k) será:
n x n x n! n x
B(n, p) p( x) p (1 p) p (1 p)
x
x x!(n x)!
29
Ejercicio:
Supongamos que la probabilidad de encontrar una estrella
de masa m* >10 M en un cúmulo estelar joven es del 4%.
¿Cuál es la probabilidad de que en una muestra escogida al
azar, entre 10 miembros del cúmulo encontremos 3 estrellas
con m* >10 M?
n x
p(x) p ( 1 p)n x
x
p 0.04; n 10; x 3
10
p( 3 ) ( 0.04 ) ( 1-0.04 ) 0.043 0.967 0.006
3 10- 3
3
30
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.
n k nk
P(k ) p q (k 0,1,....n)
k
p = 1/6, q = 5/6, n = 4
4 1 5 4 1 5 4 1
2 2 3 4
Desviación estándar
P(X) n = 5 p = 0.5
np(1 p) .6
.4
32
Distribución de Poisson
Cuando en una distribución binomial el número de intentos (n)
es grande y la probabilidad de éxito (p) es pequeña y np (la
media de la distribución binomial) es finito y tiende a entonces
la distribución binomial converge a la distribución de Poisson:
e k
p ( x) , x 0,1,2,... 0
x!
33
Características de la distribución de Poisson
P(X) = 6
.6
.4
Nota: el máximo de la distribución .2
se encuentra en x 0 X
0 2 4 6 8 10
34
La distribución de Poisson se obtiene como aproximación de
una distribución binomial con la misma media, para ‘n grande’
(n > 30) y ‘p pequeño’ (p < 0,1). Queda caracterizada por un
único parámetro μ (que es a su vez su media y varianza).
n p =
35
Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, ¿cuál es la probabilidad de que en un lote de 100
televisores contenga más de 2 televisores defectuosos?
La distribución binomial nos daría el resultado exacto:
99 99 1 99 1
100 99 98 2
100 100 100
P( A )
c
0 100 1 100 100 2 100 100
0.9206 n x n x
p( x) p q ( x 0,1,....n)
x
37
La señal promedio recibida en un telescopio de una fuente
celeste es de 10 fotones por segundo. Calcular la probabilidad
de recibir 7 fotones en un segundo dado.