Documentos de Académico
Documentos de Profesional
Documentos de Cultura
distribuciones
1. Variables aleatorias discretas
2. Media y varianza
3. La distribución binomial
4. Distribuciones continuas
5. La distribución normal
6. Una función de una variable
aleatoria
Características
Una variable aleatoria es una función con valores
numéricos y definida sobre un espacio muestral
Una variable aleatoria discreta toma diversos
valores con probabilidades especificadas por su
distribución de probabilidad
Utilidad de una v.a.: reduce el espacio de muestra
a uno más fácil de manejar
Ejemplo: En una familia de 3 hijos, cuál es la
probabilidad de que haya un varón o menos?
1 3 1
Pr( X 1) p (0) p(1)
8 8 2
a) Variable aleatoria X= “Cantidad de varones”
b) Diagrama de su distribución de probabilidad
Variable aleatoria general X
Variable aleatoria
Frecuentemente interesa conocer más que el
resultado de un experimento aleatorio, una
función de dicho resultado.
Una variable aleatoria es una función con valores
numéricos y definida sobre un espacio muestral
Si lanzamos al aire tres monedas, podemos
definir la función como X:
X: número de caras que resultan del
experimento.
Variable aleatoria
Hemos definido una función del espacio muestral
en la recta. Tales funciones X, cuyos valores
dependen del resultado de un experimento
aleatorio se llaman variables aleatorias.
Si toma ciertos valores aislados de un intervalo,
es v.a. discreta, sino continua.
La distribución se puede representar como:
– Tabla
– Diagrama
– Fórmula
Distribución de probabilidad de una
variable aleatoria
La distribución de probabilidad de una variable
aleatoria X es el conjunto de sus posibles
valores numéricos x1, x2,…,xn y las
probabilidades correspondientes Pi, i=1,2,…,n
tal que:
p ( xi ) 0, i
p( x ) 1
i
La colección de pares (xi,p(xi)) es llamada
i 1
distribución de probabilidad.
Media y Varianza
Si el tamaño de la muestra aumentara
ilimitadamente, la distribución de
frecuencia relativa se fijaría en la
distribución de probabilidad.
A partir de la distribución de frecuencia
relativa, se puede calcular la media y la
varianza de la muestra (Cap. 2)
Es natural que a partir de la distribución
de probabilidad se calculen los valores
análogos con las siguientes definiciones:
Definiciones
Media de población
x x
p( x)
Varianza
(x )
2
2
p( x)
x
Se simplifica como :
2 x 2
x
p ( x ) 2
Cálculo de la media y la varianza de X= número de varones
Función de densidad de
probabilidad
La función de densidad de probabilidad de
una variable aleatoria X se denota como:
f X (x)
f X ( x)x
representa la probabilidad de ocurrencia de X en
el intervalo:
x x
x , x
2 2
Función de densidad de una
Variable aleatoria
f x ( xi ) P[ X xi ]
Propiedades
f x ( xi ) 0
f
i
x ( xi ) 1
Esperanza de una variable
aleatoria
Sea X una V.A. continua que toma los
valores x1,x2,…xn con f.d. fx(xi), entonces:
n
E ( X ) xi f x ( xi )
i 1
Si X es una V.A continua entonces:
E ( X ) Xf x ( x)dx
2 E[( X E ( X )) 2 ] E[( X ) 2 ]
X 6 7 8
f(x) 0.4 0.4 0.2
E(X)=6*0.4+7*0.4+8*0.2=6.8
Var(X)=(6-6.8)^2*0.4+(7-6.8)^2*0.4+
(8-6.8)^2*0.2=0.56
Transformación lineal Y de una v.a. X
Asimetría
3
1 n
Sesgo
n 1 i 1
( xi X )
Coeficient e de asimetría :
sesgo
3
Distribuciones
FX ( x) P[ X xi ]
xi x
Como F(x) representa una probabilidad
es claro que 0≤F(x)≤1 además:
Función de distribución acumulada
a. Limite Fx=0
X→-oo
b. Limite Fx=1
X→+oo
c. Si x1 < x2 entonces Fx(x1) ≤ Fx(x2)
x
La función acumulada para la variable
aleatoriaX continua X será:
F ( x) P[ X x] f (h)dh
Distribuciones de variable discreta
(Probability Density Functions)
Distribuciones de variable
continua
Procesos de Bernoulli
Hay un cierto número de fenómenos aleatorios
conocidos como procesos de Bernoulli.
Se denominan ensayos de Bernoulli, a aquellos
ensayos independientes que repetidos un
número fijo de veces tienen las siguientes
características:
1) Hay sólo dos resultados posibles: éxito o
fracaso
2) La probabilidad de éxito es la misma en cada
ensayo. Independencia.
Ensayos de Bernoulli
Tirar una moneda, suponiendo que la
moneda es perfecta, cada tirada se
denomina un ensayo y tiene dos posibles
resultados: uno de ellos se considera
éxito. P(E)=p y P(F)=q
Extraemos de una urna con 4 fichas rojas
y 3 azules una bolilla; anotamos su color y
la devolvemos a la urna. P(roja)=4/7 y
P(azul)=3/7
Proceso de fabricación de artículos
electrónicos: elección de una muestra,
defectuoso o no defectuoso.
Distribución Binomial: para v.a.
discretas
En general, para n repeticiones
independientes de un ensayo de Bernoulli,
la probabilidad de obtener v éxitos está
dada por:
P X v n . pv.qn v
v
Coeficientes binomiales:
Distribución Binomial
Se define la variable aleatoria :
X= “número de éxitos en las n repeticiones”,
Se dice que sigue una distribución binomial o
sigue un Modelo Binomial con parámetros n y p.
E(X)=np
Var(X)=npq
k
P X k n . p v . qn v
v 0 v
Ejemplos de variables binomiales
Consideremos el experimento de
lanzamiento de dos dados:
1 2 3 4 5 6
2
1 x
1
2
f X ( x) e
2
x
Z
X N ( , 2 )
X
Z
Pr( 1 Z 2)
1 Pr( Z 1) Pr( Z 2)
Pr( Z 2) 0.0228
Pr( Z 1) Pr( Z 1) 0.1587
1 0.1587 0.0228 0.8185
Distribución Normal
Es la más usada de las distribuciones continuas de
probabilidad, ya que es la distribución límite de varios
modelos, incluso discretos y ajusta muy bien a muchas
situaciones reales. Su función de densidad es la siguiente:
2
1 ( x )
2
e
f ( x)
2
q=1-p
Esta variable con distribución geométrica tiene
las siguientes propiedades:
Distribución de Poisson
El modelo probabilístico de Poisson, es utilizado a
menudo para variables aleatorias distribuidas en el
tiempo o en el espacio. Por ej: Número de bacterias
por cm3 de agua, número de accidentes con
motocicletas por mes, etc.
Para que el modelo de Poisson esté presente debe
verificar lo siguiente:
1) Los sucesos que ocurren en un intervalo (de tiempo,
región del espacio, etc) son independientes de los
que ocurren en cualquier otro intervalo (de tiempo,
región del espacio, etc)
2) La probabilidad de que un suceso se presente, es
proporcional a la longitud del intervalo.
3) La probabilidad de que uno o mas sucesos se
presenten en un intervalo muy pequeño es tan
pequeña que puede despreciarse.
Distribución de Poisson
Distribución de Poisson
La función de densidad de probabilidad es:
e k
P( X k )
k! (1)
E(X)=λ Var(X)= λ
La función de distribución acumulada
(fda) esta dada por:
x
e i
F ( x)
i 0 i!
Proceso de Poisson
Considere eventos aleatorios tales como el arribo de
aviones a un aeropuerto, el arribo de barcos a un puerto,
el arribo de llamadas a una central, la falla de máquinas en
una fábrica, etc.
Estos eventos pueden ser descriptos por una función de
conteo N(t) definida para todos los t >=0.
Esta función de conteo representará el número de eventos
que ocurrirán en [0,t].
El tiempo cero es el punto en el cual la observación
comienza, ya sea que un arribo ocurra o no en ese
instante.
Si los arribos ocurren de acuerdo a un proceso de Poisson,
la probabilidad de que N(t)=n es:
e t ( t ) n (2)
P( N (t ) n)
n!
Función de Densidad
e k t
e ( t ) n
P( X k ) P( N (t ) n)
k! n!
ab (b a ) 2
E( X ) V (X )
2 12
Distribución uniforme
1 ,a x b
f ( x) b a
0, otro
Distribución triangular
2( x a ) f(x )
(b a )(c a ) a xb
2(c x)
f ( x) bxc
(c b)(c a )
0, otro
a b c x
La esperanza es:
0, xa
abc ( x a) 2
E( X ) a xb
3 (b a )(c a)
F ( x) 2
1 ( c x )
bxc
(c b)(c a)
1 xc
Distribución Exponencial
Esta distribución ha sido usada para modelar
tiempos entre arribos cuando los arribos son
totalmente aleatorios (ver relación con Poisson).
Su función de densidad de probabilidad esta dada
por: e x x 0
f ( x)
0 otro
0 x0
x
F ( x) e t dt 1 e t
0
x0
Distribución Exponencial
Distribución chi-cuadrado
Brinda un criterio de “bondad del ajuste”
Se usa para decidir si ciertas variables son
independientes o no
Def.: sea Z1, Z2, …Zk k distribuciones normales
estándar. Entonces
2 2 2 2
Z Z ....Z
1 2 k