02 Variables Aleatorias y Distribuciones de Probabilidad

Variables aleatorias
Y
Distribuciones de Probabilidades
Enzo Aldo Bravo Burgos

Variables aleatorias
Y
Distribuciones de Probabilidades
DISTRIBUCIONES DE PROBABILIDADES
Variables aleatorias: Definición
X : (, P )  IR
  X ( )  x
Discretas Continuas
Recorrido de X es Recorrido de X es
finito o infinito infinito
numerable
EJEMPLOS:
• X: Numero de huevos que pone una gallina al día.
• X: Cantidad de leche que produce una vaca en un
día.
• X: Ventas diarias de una empresa.
• X: Nº de clientes que llegan diariamente a Plaza
Vea.
• X: Nº de automóviles que llegan a una Estación de
Servicio.
• X: Nº de llamadas telefónicas que recibe una
secretaria.
• X: Edad de las personas.
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso
productivo.
• X: Etc.
Tipos de Variables Aleatorias:
Variable Aleatoria Discreta:

Cuando la variable aleatoria
toma valores discretos
(números anteros) se dice que
es una v.a.d.
Variable Aleatoria Continua.

Cuando la variable aleatoria
toma valores de la recta real
(número reales) se dice que la
variable es una v.a.c. .
Ejercicio:
Un lote de artículos contiene artículos Bueno (B) y defectuoso (D). Se extrae sucesivamente
2 artículos. Definimos como v.a. X : número de artículos defetuosos obtenidos.
Definir el experimento:
Rx = { 0 , 1 , 2 }
E:
Definir el espacio muestral
Ω={BB, BD, DB, DD}
Definir la variable aleatoria. X: v.a. X : Número de artículos
defectuosos obtenidos.
El recorrido de X. Rx= { } Número DISCRETOS
X(BB) = 0
X(BD) = 1
X(DB) = 1
X(DD) = 2
Ejercicio:
Sea X una variable aleatoria que representa el peso en gramos de un espárrago. El
peso es una variable aleatoria continua, pues su espacio muestral (los valores que
pueden tomar) son todos los puntos de un intervalo de la recta real.
Identificar el recorrido de la variable definida anteriormente:
X = {……………………………. … }
Número infinito
Distribuciones de probabilidades
p(x) = P[X=x]  X discreta  Función de probabilidad

X
f(x)  X continua  Función de densidad
x1
… X discreta X continua
xk  
0  p( x)  1 f ( x)  0
 p(x)  1  f ( x)dx  1
Distribución Acumulada
Caso discreto:
X P[X=x] = p(x)
x1 p1
x2 p2
x3 p3
… …
xk pk
Caso discreto:
X P[X=x] = p(x) F(x)=P[X  x]

x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
Caso discreto: Caso continuo:
X P[X=x] = p(x) F(x)=P[X  x] x

F ( x)  P( X  x)   f ( y )dy
y  
x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
Medidas de resumen de una v.a.

Tendencia central
E ( X )     x p ( x) X discreta
Media x
Valor esperado
Esperanza matemática E ( X )   
 xf ( x)dx
x
X continua
Propiedades:
E[ a ]  a
E[aX  b]  aE[ X ]  b

Tendencia central
Mediana x0.5 : P( X  x0.5 )  0.5  P( X  x0.5 )  0.5
xmod : p  ( xmod ) X discreta

Moda
xmod : f  ( xmod ) X continua

Posición
Extremos Cuartiles Quintiles Deciles
Percentil    x : P( X  x )  

Dispersión
Rango Max ( X )  min ( X )
Varianza Var ( X )   2  E ( X 2 )  E 2 ( X )
Propiedades:
Var (k )  0
Var ( X  k )  Var ( X )
Var(aX  b)  a 2Var ( X )
Desviación estándar d .e.( X )    Var( X )
Proceso de estandarización
X v.a.
E( X )   d .e.( X )  
X 
X Z 

E (Z )  0 d .e.( Z )  1
Variables aleatorias: Parámetros
PARÁMETRO:
Rasgo, característica, propiedad fija o constante de una población.
Las medidas de resumen de una variable aleatoria son parámetros.
Los parámetros determinan la distribución de probabilidades.

Variables aleatorias: Resumen
• Definición-Contexto-Problema
Discretas • Valores
• Parámetros
Continuas • Función de probabilidad

Función de densidad
• Medidas de resumen
• Distribución Acumulada
MODELOS DE DISTRIBUCIONES
DISCRETAS
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES
Distribución Bernoulli
Experimento de base:
Todo experimento aleatorio que tenga sólo dos resultados posibles,
mutuamente excluyentes, que pueden denominarse Éxito y Fracaso.
P[Éxito] = p P[Fracaso] = 1 – p = q
Variable aleatoria – Definición:

Número de Éxitos observados en un ensayo.
Usos – aplicaciones:
Muy poco. Electrónica, proceso binarios en general.
Variable aleatoria – Valores:
0y1
Parámetros:
p: Probabilidad de éxito
Notación:
X  Ber(p)
Función de distribución de probabilidades:
X P(X = x) = p(x)
0 1–p p(x) = px(1–p)1-x ; x = 0,1
1 p
Función de distribución acumulativa:
X P(X = x) = p(x) F(x) = P(X  x)

0 1–p 1–p
1 p (1 – p) + p = 1
Propiedades:
X  Ber(p)
E( X )  p Var ( X )  p(1  p)
Distribución binomial
Realización de n ensayos Bernoulli, todos independientes, y cada
uno con probabilidad de Éxito p.

Número de Éxitos observados en n ensayos Bernoulli, todos
independientes, y cada uno con probabilidad de Éxito p.
Control de calidad, tratamientos de encuestas …
Valores de la variable:
0, 1, 2, …, n
Parámetros:
n: Número de ensayos
p: Probabilidad de éxito
Notación:
X  bin(n , p)
 n x
p( x)    p (1  p) n  x ; x  0,1,2, , n
 x
k
F (k )  P( X  k )   p ( x)
x 0
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
Propiedades:
X  bin(n , p)
E ( X )  np Var ( X )  np(1  p)
Ejercicio:
Función de probabilidad
En el almacén de la empresa TEXACO, hay
12 artículos eléctricos de los cuales 3 son  n x
defectuosos. Si se extrae una muestra
P(X  x)  b(x; n, p)   p (1  p)n x
aleatoria de 5 a partir del grupo.  x
Solución:
¿Cuál es la probabilidad de que:
 5
a. P(X  0)  b(0;5,0.25)   0.250 (0.75)5
 0
 Ninguno sea defectuoso. = 0.237
 Exactamente 1 sea defectuoso.  5
b. P(X  1)  b(1;5,0.25)   0.25 (0.75)
1 4
 Menos de 2 sean defectuosos. 1

= 0.396
c. P(X  2)  P(X  1)  P(X  0)  P(X  1)

= 0.633
Distribución de Poisson
Observación de la ocurrencia de eventos en un espacio (intervalo)
determinado (fijo).

Número de eventos que ocurren de manera aleatoria e independiente,
a una tasa constante , en un espacio o intervalo determinado.
Fenómenos de espera, fenómenos de transporte …
0, 1, 2, …
Parámetros:
: Tasa promedio de ocurrencia de los eventos
Notación:
X  P()

e  x
p ( x)  ; x  0,1,2,
x!
k
F (k )  P( X  k )   p ( x)
x 0
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
Propiedades:
X  P ()
E( X )   Var ( X )  
Teorema. Sea X una variable con distribución binomial de

parámetros n y p. Si existe una constante  tal que p =  / n,
entonces:
x e  
lim p ( x; n, p )  ; x  0,1, 
n  x!
p 0
Ejercicio:
Función de probabilidad
Si como promedio una central telefónica
recibe 0.05 llamadas por segundo, ¿Cuál e λ λ x
es la probabilidad de que en un PX  x/λ  
determinado minuto: x!
Solución:
a. Reciban exactamente dos Se tiene que λ = 0.05 llamadas por segundo
Entonces: λ = 0.05(60) = 3 llamadas por minuto.
llamadas telefónicas.
e3 32
b. Reciban no más de dos a. PX  2/3   0.224
llamadas telefónicas. 2!
b. PX  2/3  P(X  0)  P(X  1)  P(X  2)
e3 30 e3 31 e3 32
    0.497  0.149  0.224  0.423
0! 1! 2!
MODELOS DE DISTRIBUCIONES
CONTINUAS
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES
Distribución Uniforme
Seleccionar aleatoriamente un número en un intervalo real (a,b), y
registrar su valor.

Número real seleccionado aleatoriamente en un intervalo (a,b).
Generación de números aleatorios, informática, …
x  ( a, b)
Parámetros:
a, b
Notación:
X ~ U ( a, b)
Función de densidad:
1
f ( x)  I ( a ,b ) ( x ) ; x  ( a , b )
ba
k xa
F (k )  P( X  k )   f ( x)dx 
xa ba
Propiedades:
X  U(a , b)
ab a  ab  b
2 2
E( X )  Var ( X ) 
2 3
Distribución Normal
La variable:
Muchas variables continuas relativas a mediciones:
Físicas: Longitud, altitud, temperaturas, velocidad de…

Biológicas: Talla, peso, ritmo cardiaco, presión arterial,
Psicológicas: Inteligencia, habilidades, destrezas, etc.
¡CUIDADO! MUCHO no significa TODO

Los valores de la variable:
Depende del problema en estudio.

Teóricamente, cualquier valor real.
Los parámetros:
Dos parámetros. Se simbolizan por:
 y 
Corresponden a la media y desviación estándar
X ~ N ( , )
Función de densidad y gráfico:

1  1 2
f ( x |  , )  exp  (x  ) 
2   2 ² 
   x  ;    ;   0


Campana de Gauss
Función de distribución acumulada:

x 1  1 
F ( x | , )   exp  ( y   ) 2 dy

2   2 ² 
P( X  x)
La normal estándar:
X 
X ~ N ( , )  Z  ~ N (0,1)


PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR
Distribución Normal Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
Probabilidades acumuladas: 0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo a una ley normal, se desea saber:
a) Cuántos sujetos hay por debajo de 80 años.

b) Cuántos sujetos hay por encima de 65 años.
c) A partir de qué edad se sitúa el 10% más viejo.
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo con la curva normal, se desea saber:
Solución parte a):

Sea X: Edad de las personas estudiadas
Se tiene: X ~ N (   72 años;   8.6 años )
Se pide: P ( X  80)
Un ejemplo:
X ~ N (   72 años;   8.6 años )
¿ P ( X  80) ?
Opciones de la
Hoja de Cálculo de
OpenOffice
Un ejemplo:
X ~ N (   72 años;   8.6 años )
Pero:
 X  72 80  72 
P ( X  80)  P  
 8.6 8.6 
8
 P( Z  )
8.6
 P ( Z  0.93)
Distribución Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR
Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
 X  72 80  72 
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
P( X  80)  P 
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
 0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
 
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
8.6 8.6 0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
8 1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
 P( Z  ) 1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
8.6 1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
 P( Z  0.93) 1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
P( X  80)  0.8238  82.38%

2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
82.38% de 489 son 403 personas 3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Aproximación de De Moivre Laplace

Teorema. Sea X una variable con distribución binomial de parámetros
n y p. Entonces, si n tiende a infinito:
X  np
Y ~ N (0,1)
np(1  p)
Nota: La aproximación ya es buena para n>30, y mejor mientras p

sea cercano a 0.5.
Aproximación de De Moivre Laplace
n=30, p=0.4 n=80, p=0.7 n=200, p=0.5

EJERCICIO:
La Empresa AJE está produciendo su producto Agua Cielo litro y medio
en envase de PET. El contenido promedio envasado por unidad es de
1500 mililitros con una desviación estándar de 50 mililitros. Según
resoluciones de Indecopi, si el producto elaborado no alcanza los 1450
mililitros la empresa será penalizada. Según el Inspector de Calidad
las botellas tampoco deben de superar los 1550 mililitros dado a que
puede ocasionar pérdida de líquido al encapsular. Si se envasan
200000 botellas en forma diaria y se selecciona al azar a una unidad
cualquiera.¿Cuál es la probabilidad de que:
a. La empresa sea penalizada?
b. Se pierda contenido?
c. No exista problemas con Indecopi ni al encapsular?
d. Determinar cuantas botellas se derramarán si cada envase
tiene una capacidad de 1575 mililitros?
e. Si control de calidad debe separar a todas las unidades
envasadas con menos de 1450 o más de 1550 mililitros,
probablemente, ¿Cuántas botellas serán separadas?
SOLUCION
Distribución exponencial Exp ()
En un proceso de Poisson donde se
repite sucesivamente un
experimento a intervalos de tiempo
iguales, el tiempo que transcurre
entre la ocurrencia de dos "sucesos
raros" consecutivos sigue un modelo
probabilístico exponencial. Por
ejemplo, el tiempo que transcurre
entre que sufrimos dos veces una
herida importante (o una coz de
burro, recuerda...)
 x
f ( x)  e para x  0,   0
2.0
1.8 
1.6
  
 f ( x)dx   e  x
1.4
 dx
1.2  0

 x  
1.0
0.8  e 1
0.6 0
0.4
0.2
0.0
0 1 2 3 4 5 6 7 8
 1
Vida media    xe dx   x
0 
x

t t x x
e dt   e 0
 1 e
0
1  e x , x  0
F ( x)  
 0, x0
Relación entre la distribución de Poisson y la
exponencial
Entre las distribuciones de Poisson y Exponencial existen

importantes relaciones.
 Distribución de Poisson: Sea Y una P( ) que representa el número
de llegadas en un intervalo de tiempo fijo. Recuerda que  es la
esperanza de esta distribución.
 Distribución exponencial: En este mismo problema consideramos
ahora el tiempo que transcurre entre dos llegadas. Sea X la v.a
que representa dicho tiempo. Se puede demostrar que entonces
X se distrubuye como una Exponencial().
Propiedad de ‘falta de memoria’ de la distribución
exponencial
 Se dice que la distribución exponencial no tiene

memoria. Esto es
P ( X  s  t | X  t )  P ( X  s ).
para todo s, t  0.
 Interpretación: Supongamos que queremos
determinar la probabilidad de que llegue un cliente
en la próxima media hora. Esta propiedad nos dice
que nos da igual conocer cuando llegó el último
cliente o calcular directamente cuál es la prob. De
que llegue en los prox. 30 min SIN tener en cuenta el
pasado.
Distribución de Erlang Er(n,  )
 n
n 1 x
f ( x)  x e ; n,   0 x  0
(n)
  n
 (t )  E[eitX ]   eitx f ( x)dx   eitx x n 1e x dx 
   ( n)
n 1
 n
  n
  u  1
 ( n)   ( n) 
n 1  (  it ) x u
x e dx    e du 
0 0
   it    it
    
n n n
1  1

n 1 u
u e du   ( n)   
(n) (  it ) n 0 (n) (  it ) n
   it 
DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL EL PROBLEMA?
EL DESCONOCIMIENTO
DE LOS PARÁMETROS
DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL LA SOLUCIÓN?
ESTÁ EN EL MUESTREO
Sugerencias Bibliográficas
1. Daniel W.: Estadística con aplicaciones a las ciencias sociales y a

la educación. McGraw-Hill. Mexico, 1997.
2. Canavos G.: Probabilidad y Estadística. Aplicaciones y métodos. Mc
Graw Hill. México, 1995.
“La inteligencia es una palabra que
todos tenemos, descúbrela.”
GRACIAS POR ESCUCHARME

02 Variables Aleatorias y Distribuciones de Probabilidad

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

02 Variables Aleatorias y Distribuciones de Probabilidad

Enviado por

Direitos autorais:

Formatos disponíveis

Variables aleatorias

Enzo Aldo Bravo Burgos

Variables aleatorias: Definición

Variable Aleatoria Discreta:

Variable Aleatoria Continua.

Identificar el recorrido de la variable definida anteriormente:

p(x) = P[X=x]  X discreta  Función de probabilidad

X P[X=x] = p(x) F(x)=P[X  x]

Caso discreto: Caso continuo:

X P[X=x] = p(x) F(x)=P[X  x] x

Medidas de resumen de una v.a.

Medidas de resumen de una v.a.

Mediana x0.5 : P( X  x0.5 )  0.5  P( X  x0.5 )  0.5

xmod : p  ( xmod ) X discreta

Medidas de resumen de una v.a.

Extremos Cuartiles Quintiles Deciles

Medidas de resumen de una v.a.

Variables aleatorias: Parámetros

Rasgo, característica, propiedad fija o constante de una población.

Las medidas de resumen de una variable aleatoria son parámetros.

Los parámetros determinan la distribución de probabilidades.

Variables aleatorias: Resumen

Continuas • Función de probabilidad

Variable aleatoria – Definición:

Variable aleatoria – Valores:

Función de distribución acumulativa:

X P(X = x) = p(x) F(x) = P(X  x)

Variable aleatoria – Definición:

 Menos de 2 sean defectuosos. 1

c. P(X  2)  P(X  1)  P(X  0)  P(X  1)

Variable aleatoria – Definición:

Teorema. Sea X una variable con distribución binomial de

Variable aleatoria – Definición:

Función de distribución acumulativa:

Muchas variables continuas relativas a mediciones:

Físicas: Longitud, altitud, temperaturas, velocidad de…

¡CUIDADO! MUCHO no significa TODO

Los valores de la variable:

Depende del problema en estudio.

Dos parámetros. Se simbolizan por:

Función de densidad y gráfico:

Función de distribución acumulada:

a) Cuántos sujetos hay por debajo de 80 años.

Solución parte a):

Se tiene: X ~ N (   72 años;   8.6 años )

Distribución Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR

Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z

P( X  80)  0.8238  82.38%

Aproximación de De Moivre Laplace

Nota: La aproximación ya es buena para n>30, y mejor mientras p

Aproximación de De Moivre Laplace

n=30, p=0.4 n=80, p=0.7 n=200, p=0.5

Entre las distribuciones de Poisson y Exponencial existen

 Se dice que la distribución exponencial no tiene

1. Daniel W.: Estadística con aplicaciones a las ciencias sociales y a

GRACIAS POR ESCUCHARME

Você também pode gostar