Escolar Documentos
Profissional Documentos
Cultura Documentos
Variables Aleatorias
Distribuciones de Probabilidad
Introducción
Evento simple X
CC 0
S
CS 1
S SC
SS 2
S S
Ejemplo
Experimento aleatorio: Seleccionar al azar tres facturas
emitidas ayer y verificar si los montos facturados
fueron mayores a S/.500 (E) o no (F).
Variable aleatoria: X = Número de facturas
seleccionadas, emitidas por montos mayores a S/.500
EEE 3
FEE
Ω EFE
2
EEF
FFE
FEF
1
EFF
FFF 0
Rango de la variable aleatoria
En el ejemplo anterior:
RX = {0, 1, 2, 3}
Tipos de variables aleatorias
X f(x)
Función de probabilidades de la v.a. X
En el ejemplo anterior:
N° de caras: X 0 1 2 3
f(x) = P [X = x] 1/8 3/8 3/8 1/8
0.5
0.3
f(x)
0.2
0.125 0.125
0.1
0
0 1 2 3
Número de caras
Función de probabilidad de una variable
aleatoria discreta
i ) f ( x) P[ X x] 0 x ,
ii ) f ( x ) P[ X
xi R X
i
xi R X
xi ] 1
iii ) Si A RX P( X A) f ( x)
xA
Función de densidad de una variable
aleatoria continua
La función f(x), es función de densidad de probabilidad
de la v.a. continua X, si satisface:
es igual a uno:
f ( x ) dx 1
Si A , P[ x A] f ( x)dx
de la curva: A
Probabilidad para v.a. continuas
Para calcular probabilidades asociadas a resultados de una
variable aleatoria continua X, se usa su función de densidad f(x)
b
P[a X b] a
f ( x)dx
P[a X b]
Observaciones
• Los valores de la función de densidad NO son probabilidades:
f(x) ≠ P(X=x)
•La probabilidad de que la variable continua X asuma un valor
particular es siempre igual a cero:
P(X=a) = 0 para cualquier valor a
• Para variables aleatorias continuas:
• Se cumple que:
P[a X b] P[ X b] P[ X a]
Distribución de probabilidad
F ( x) P( X x)
Función de Distribución Acumulada
F ( a ) P( X a ) f ( x )
xa
2) Si X es una variable continua con función de
densidad de probabilidad f(x),
F (a) P( X a) f ( x) dx
xa
Propiedades:
Función de Distribución Acumulada
1)
Si x1 x2 F ( x1 ) F ( x2 )
2)
P(a X b) F (b) F (a )
Medidas Resumen de variables
aleatorias
Tendencia central:
Media, valor esperado o esperanza
Dispersión:
Varianza y desviación estándar
Media o esperanza de X: μx
La media o esperanza de una variable aleatoria X
se define como:
xP( X x) , si X es discreta
xRX
X E( X )
xf ( x) dx , si X es continua
xRx
Rx representa el conjunto de valores de X.
Varianza: 2
x
Sea X una variable aleatoria con distribución de
probabilidades f(x). La varianza de X es:
X V ( X ) E (( X X ) )
2 2
X V ( X ) E ( X ) ( E ( X ))
2 2 2
( x x ) 2 P ( X x) , si X es discreta
xRX
x
2
( x X ) f ( x) dx , si X es continua
2
xRx
Desviación Estándar: X
X X 2
Ejemplo
El número de licitaciones que gana al año una
empresa consultora, es una variable aleatoria X
con función de probabilidad:
x 0 1 2 3 4
P(X=x) 0.15 0.30 0.25 0.20 0.10
4
E( X ) x P( X
x 0
x ) 1.8
4
E( X 2 ) P( X x) 4.7
x 2
x 0
X E ( X ) 1.8
X E ( X ) ( E ( X )) 1.46
2 2 2
X X 1.2083
2
X
CVX 0.67
X
Ejercicio
La demanda semanal de un artículo que produce una
empresa es una v.a. cuyo modelo de probabilidad es:
Demanda 2,000 3,000 4,000 5,000
Probabilidad 0.3 0.4 0.2 0.1
Distribuciones de
Probabilidad Discretas
x 0 1
f(x) = P [X = x] 1-p p
Ejemplo
Inspeccionar un artículo al azar de un lote y ver si es
defectuoso. La probabilidad de que el artículo salga defectuoso
es 0.6
X~Ber(0.6), Rx={0, 1}
x
Distribución Binomial
Todo experimento aleatorio que tenga las características
abajo diremos que sigue el modelo de la distribución
Binomial:
En cada prueba del experimento sólo hay dos resultados
posibles: E (éxito) y F (fracaso)
El resultado obtenido en cada prueba es independiente
de los resultados obtenidos anteriormente.
La probabilidad p de éxito E es constante, no varía de
una prueba a otra.
El experimento consta de n ensayos independientes de
Bernoulli.
variable aleatoria Binomial
X~B(n,p)
La v. a. Binomial es una v.a. discreta definida como:
X = número de éxitos obtenidos en n ensayos
independientes de Bernoulli con probabilidad de
éxito p.
Rx= {0, 1, 2, …, n}
La función de Probabilidad de la v.a. Binomial es:
P(X=x)= Probabilidad de obtener x éxitos
n x n x n!
P( X x) p (1 p) p x (1 p) n x
x x!(n x)!
Ejemplos
2
0.375
Cálculo de probabilidades de una V.A
Binomial usando Excel
n x
p(x) p ( 1 p)n x
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 )8( 1-0.1 )92 0.1148
8
Cálculo en Excel
Media, Varianza de la v.a. Binomial
Distribución de Poisson
X~P()
Esta distribución fue descubierta por Siméon Denis Poisson
(1781–1840)
En este tipo de experimentos los éxitos buscados son
expresados por unidad de área, tiempo, pieza, etc.
La v.a. de Poisson se define como:
X = # de ocurrencias de un evento (éxitos) en un
intervalo específico de tiempo o espacio
Distribución de Poisson
X~P()
Ejemplos:
a) # de llamadas telefónicas que llegan a una central por hora, minuto,
etc.
b) # de siniestros por mes registrados en una compañía de seguros
c) # de defectos de una tela por m2
d) # de aviones que aterrizan en un aeropuerto por día, hora, minuto,
etc.
e) # de bacterias por cm2 de cultivo
f) # de llegadas de embarcaciones a un puerto por hora, día, mes, etc.
Observación:
En esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente aleatorio y cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es
independiente de otra área dada y cada producto es independiente de
otro producto dado.
Distribución de Poisson
Se dice que la v.a. discreta X tiene ley de prob. de
Poisson con parámetro o X ~ P( ) si su f.p es :
e k
f (k ) P[ X k ] , k 0, 1, 2,...., etc
k!
Donde:
• e es la base del logaritmo natural (e = 2.71828...),
• k! es el factorial de k
• (0) = número medio o esperado de eventos por unidad
de tiempo (área, producto, etc.)
• Si X~P(), entonces, μ= , σ2 =
Ejemplo
Si un banco recibe en promedio 6 cheques sin fondo por
día, ¿cuál es la probabilidad de que reciba cuatro
cheques sin fondo en un día dado?
Solución:
X = número de cheques sin fondo que llegan al banco en
un día cualquiera
Rx = {0, 1, 2, 3, …, etc.}
= 6 cheques sin fondo por día
POISSON(4,6,0)
Algunas Distribuciones de
Probabilidad Continuas Importantes
Distribuciones de
Probabilidad Continuas
Normal t
Distribución
Normal
, -∞<x<+∞
∏=3.14159; ℮=2.71828
μ: Media poblacional; σ2 : varianza
La Distribución Normal
X~N(µ, σ2)
Áreas bajo la
curva normal
15.85% 15.85%
68.3%
X
1 1
Áreas bajo la
curva normal
15.85% 15.85%
68.3%
X
1 1
2.25% 2.25%
95.5%
X
2 2
Áreas bajo la
curva normal
15.85% 15.85%
68.3%
X
1 1
2.25% 2.25%
95.5%
X
2 2
=1
=5
= 10
X
= 50
Distribuciones normales con
diferente , Igual
= 15 =25 = 40 X
Distribuciones normales con
diferente , diferente
=1
= 3
= 10
= 15 =25 = 40 X
Calculando Probabilidades
Probabilidad es el área
debajo de la curva
¡¡Usaremos Excel!!
P c X d ?
f(X)
X
c d
Probabilidades Normales en
EXCEL
Sea X~N(µ, σ2), para calcular P(X ≤ k), hacemos lo siguiente:
Insertar función.
Seleccionar función DISTR.NORM
Argumentos de la función:
X: k
Media: µ
Desv_estándar: σ
Acumulado: VERDADERO (también funciona si escribe 1)
Probabilidades Normales con
EXCEL
Distribución Normal
Usar en el Excel la función
10
DISTR.NORM(6.2,5,10,1)
6.2 X
5
Probabilidades Normal con EXCEL
x Distr.norm (a, , , 1)
14.2-10
0.84
5
P(15 ≤ X ≤ 18.4) = Distr.norm(18.4, 15, 3, 1) – Distr.norm(15, 15, 3,1)
= 0,8715 – 0.5 = 0.3715
Otra probabilidad que podemos calcular:
P(X≥8)= ???
P(X≥8)= 1-P(X<8)
=1-F(8)=1-0.6179=0.382
8 X
5
Cálculo del valor x para una
probabilidad dada
10
5
área = 0.10
área = 0.90
= 10 k X
parámetros.
b)¿Qué porcentaje de las botellas tendrán problemas de
derrame al abrirse?
c)¿Qué porcentaje de las botellas tienen un contenido que
DISTR.NORM.ESTAND(0.21)
DISTR.NORM.ESTAND(-0.21)
Encontrando los valores Z para
Probabilidades conocidas
Cual es el valor de Z
para una Probabilidad = Usar en el Excel la función
0.6217?
DISTR.NORM.ESTAND.INV
Z 0 Z 1 FINV(0.6217)= 0.31
.6217
0
Z .31
La Distribución t de Student
X~tn
Características:
La distribución t, a semejanza de la distribución normal,
tiene media cero, forma de campana y es simétrica
respecto a su media
No hay una distribución t, sino una "familia" de
distribuciones t, todas con la misma media cero, pero con
su respectiva desviación estándar diferente de acuerdo con
el tamaño de la muestra n. Existe una distribución t para
una muestra de 20, otra para una muestra de 25, y así
sucesivamente
Media y Varianza:
μ= 0 y σ2 = n , n2
n-2
La Distribución t de Student
X~tn
n ∞
Normal Estándar
Forma de
campana n=13
Simétrica
Colas mas n= 5
pesadas
Z
t
0
Valores tabulados de la
Distribución t de Student
La tabla de la distribución t contiene las
distribuciones de probabilidades para distintos
grados de libertad.
0 t(α , n)
Resumen
Variables aleatorias: discretas, continuas
Distribuciones de probabilidad
Función de distribución
Esperanza y Varianza de variables aleatorias, propiedades
Variables aleatorias discretas: Bernoulli, Binomial, Poisson
Variables aleatorias continuas: Normal, t
Descripción y cálculo de probabilidades de una distribución
Normal y Normal Estándar
Ejercicios