Professional Documents
Culture Documents
X :S R
EL valor de una variable aleatoria es un nmero
Ejemplo
Suponga que un experimento aleatorio
consiste en lanzar al aire una moneda y
observar la cara superior una vez que la
moneda cae. Denotemos por Cara y Cruz
los dos lados de la moneda.
Entonces claramente el espacio muestral es el
conjunto = {Cara, Cruz}. Defina la variable
aleatoria:
X(Cara) = 0 y X(Cruz) = 1.
Ejemplo
Consideremos el experimento aleatorio
consistente en lanzar un dardo en un tablero
circular de radio uno. El espacio muestral o
conjunto de posibles resultados del
experimento se puede escribir como sigue
S {( x, y) / x y 1}
2 2
ejemplo
Si consideramos el experimento lanzar una
moneda al aire tres veces, nuestro espacio
muestral S estar formado por los ocho
posibles resultados elementales del
experimento, es decir:
S={(s,s,s),(s,s,a),(a,s,s), (a,s,a),
(a,a,c),(s,a,s),(s,a,a), (a,a,a)}.
Cada uno de estos sucesos (equiprobables) con una
probabilidad de 1/8. Podemos definir una funcin que a cada
uno de los resultados, le asigna el nmero de soles (o guilas)
obtenidas:
S R
(s,s,s) 3
(s,s,a) 2
(a,s,s) 2
(a,s,a) 1
(a,a,s) 1
(s,a,s) 2
(s,a,a) 1
(a,a,a) 0
As pues, una variable aleatoria es una funcin
con base en el resultado de un experimento
aleatorio, y por tanto el valor de una variable
aleatoria es un fenmeno aleatorio, pero a
diferencia del experimento aleatorio original
que puede tener resultados no numricos (sol
guila en una moneda), el valor de la
variable aleatoria es un fenmeno aleatorio
cuyos resultados son siempre numricos.
Variable de tipo discreto:
Una variable aleatoria X diremos que es de tipo
discreto, o simplemente discreta, si el
conjunto de valores que toma esta variable
aleatoria (X(S)) es un conjunto contable (finito
o infinito numerable).
El lanzamiento de un dado, la combinacin
ganadora del sorteo de la melate, el nmero
de llamadas telefnica que recibe una central,
etc.
Variable aleatoria continua
Si un espacio muestral contiene un nmero
infinito de posibilidades igual al nmero de
puntos en un segmento de lnea, se llama
espacio muestral continuo.
P(X 4 )
2
Distribuciones Discretas de
Probabilidad
El conjunto de pares ordenados (x, f(x)) es una
distribucin de probabilidad de la variable
aleatoria discreta X si, para cada resultado
posible x:
1. P( X x) f ( x)
2. f(x) 0
3. f(x) 1
x
Ejemplo
Hay tres computadoras defectuosas de un conjunto
de ocho similares en una tienda. Si una escuela
hace una compra al azar de dos de estas
computadoras, cul es la distribucin de
probabilidad para el nmero de defectuosas?
Sea X una variable aleatoria cuyos valores de x son
la cantidad posible de computadoras defectuosas
que compra la escuela. Entonces x puede ser
cualquiera de los nmeros 0, 1 y 2.
3 5 3 5
10 15
f (0) P( X 0) 0 8 2 ; f (1) P( X 1) 1 8 1
28 28
2 2
3 5
3
f (2) P( X 2) 2 8 0
28
2
Si una agencia de autos vende 50% de su inventario
de cierto vehculo extranjero equipado con bolsas
de aire, encontrar una frmula para la
distribucin de probabilidad del nmero de autos
con bolsas de aire entre los siguientes cuatro
vehculos que venda la agencia.
Sea X una variable aleatoria cuyos valores de x son
la cantidad posible de los cuatro autos vendidos
que tienen bolsa de aire. Entonces x puede ser
cualquiera de los nmeros 0, 1, 2, 3 y 4.
Hay muchos problemas en donde se desea
calcular la probabilidad de que el valor
observado de una variable aleatoria X sea
menor o igual que algn nmero real x.
La distribucin acumulada o funcin de
distribucin F(x) de una variable aleatoria
discreta X con distribucin de probabilidad
f(x) es
F ( x) P( X x) f (t ) - x
tx
Ejemplo
Es til ver de forma grfica
una distribucin de probabilidad.
Los puntos (x, f(x))
se pueden graficar mediante
un grfico de barras.
El grfico permite
observar de forma fcil
qu valores de X tienen
ms probabilidad de ocurrencia.
Los puntos (x, f(x)) se pueden
graficar mediante un grfico llamado
histograma de probabilidad.
Este se utiliza para
las distribuciones de
probabilidad de v.a.
continuas, ya que el ancho
de los rectngulos representan
intervalos y esto reas.
Tambin es til ver
de forma grfica una
distribucin acumulada.
Los puntos (x, F(x))
se pueden graficar
mediante un
1 1
1 c | x | dx 2c xdx c
1 0
por lo tanto c 1
Ejercicios
Grafique y compruebe que las siguientes
funciones son de densidad.
c. lm F ( x) 0
x
E ( X ) xf ( x) 1*1 / 8 0 * 4 / 8 1*1 / 8 2 * 2 / 8
x
1/2
Ejemplo
0
2 0 2
Propiedades de la esperanza
x
Var(X) ( x E(x)) 2 f ( x)dx si X es continua
1
( x 2 / 3) 2 xdx 1 / 18
2
0
Proposicin
d. Var(X c) Var(X).
e. Var(X) E(X 2 ) E 2(X).
f. En general, Var(X Y ) Var(X) Var(Y ).
Momentos
Var(X n ) ( x E ( x)) n f ( x)
x
Var(X n ) ( x E ( x)) n f ( x)
Distribuciones de probabilidad
1 / n si x x1...x n
P( X x)
0 otro caso
Esperanza y Varianza
n
1
E ( X ) xi
n i 1
n
1
Var ( X ) ( xi E ( x)) 2
n i 1
Distribucin Bernoulli.
Un ensayo Bernoulli se define como aquel experimento
aleatorio con nicamente dos posibles resultados,
llamados genricamente xito y fracaso, con
probabilidades respectivas p y 1 p. Si se define la variable
aleatoria X como aquella funcin que lleva el resultado
xito al nmero 1 y el resultado fracaso al nmero 0,
entonces decimos que X tiene una distribucin Bernoulli
con parmetro p (0, 1), y escribimos X Ber(p)
Distribucin de Bernoulli
p (1 p)
x 1 x
si x 0,1
P( X x)
0 en otro caso
Ejemplo
n
donde es el correspond iente coeficient e
x
del binomio de Newton
Para esta distribuci n se puede demostrar que
E(X) np, y Var(X) np( 1 p).
Distribucin geomtrica.
Supongamos que tenemos ahora una sucesin infinita
de ensayos independientes Bernoulli, en cada uno de
los cuales la probabilidad de xito es p. Para cada una
de estas sucesiones definimos la variable aleatoria X
como el nmero de fracasos antes de obtener el primer
xito.
Por ejemplo,
X(FEFEFF...) 1, X(EFFEEE...) 0, X(FFFEFE...) 3.
Donde X puede tomar los valores 0, 1, 2, . . .
La probabilid ad de que X tome el valor entero x 0 es
p( 1 p)x .
distribucin geomtrica
X geo(p)
p(1 p) x para x 0,1,2,...
P( X x)
0 en otro caso
Para p 0.4 tenemos el siguiente grafico
La inspeccin sucesiva de artculos hasta encontrar
una defectuoso, posiblemente en un proceso de
control de calidad, puede modelarse usando una
distribucin geomtrica.
Para esta distribucin tenemos que:
Esperanza y varianza
1 p 1 p
E( X ) Var ( X ) 2
p p
ejercicio
Una persona participa cada semana con un boleto
en un juego de lotera en donde la probabilidad de
ganar el primer premio es
6 1
p 10
1000000
Cuntos aos en promedio debe esta persona
participar en el juego antes de obtener el primer
premio?
Distribucin Poisson.
Supongamos que deseamos observar el
nmero de ocurrencias de un cierto evento
dentro de un intervalo de tiempo dado.
Para modelar este tipo de situaciones
podemos definir la variable aleatoria X como
el nmero de ocurrencia de este evento en el
intervalo de tiempo dado.
Donde X toma valores 0, 1, 2, 3, ,
No ponemos cota superior
Distribucin Poisson
Adicionalm ente supongamos que conocemos
la tasa media de ocurrencia del evento
de inters, que denotamos por la letra (lambda).
Decimos que X tiene una distribuci n Poisson
con parmetro 0, y escribimos X ~ Poisson( )
si x 0,1,2,..
x
e
P(X x) x! otro caso
0
Despues de algunos clculos puede
comprobars e que E(X) , y Var(X) .
ejemplo
En promedio se reciben 2 peticiones de acceso a una
pgina web durante un minuto cualquiera. Utilice el
modelo Poisson para calcular la probabilidad de que
en un minuto dado:
a) nadie solicite acceso a la pgina.
b) se reciban mas de dos peticiones.
resumen
resumen
Distribuciones de variables aleatorias continuas
Distribucin uniforme continua.
Decimos que una variable aleatoria X tiene
una distribuci n uniforme continua en el
intervalo (a, b), y escribimos X~unif(a,b)
si su funcin de densidad es
1 si x (a, b)
f ( x) b a
0 en otro caso
Grafica de la funcin de densidad y de
distribucin
E(X) n/
y
Var ( X ) n / 2
Distribucin beta.
Decimos que la variable aleatoria continua X tiene
una distribucin beta con parmetros a> 0 y b > 0,
y escribimos X beta(a, b), cuando su funcin de
densidad es:
1
x (1 x) si x (0,1)
a 1 b 1
f ( x ) B ( a, b )
en otro caso
0
El termino B(a, b) se conoce como la funcin
beta y se define de la siguiente manera:
(a )(b)
B ( a, b)
( a b)
Para la distribuci n beta (a, b) se tiene que
a
E(X) ,y
a b
ab
Var(X)
(a b 1 )(a b) 2
Distribucin normal.
Decimos que la variable aleatoria continua X
tiene una distribuci n normal si su funcin de
densidad est dada por la siguiente expresin :
1 ( x ) 2 / 2 2
f(x) e
2 2
La distribuci n normal depende de los parametros
y escrbimos entonces : X ~ N( , )
La esperanza y la varianza son:
E(X) =
Var(X) =
En particular, decimos que la variable aleatoria
X tiene una distribucin normal estndar si
tiene una distribucin normal con parmetros
= 0 y = 1. En este caso la funcin de
densidad se reduce a la expresin:
x2
1
f ( x) e 2
2
Es posible transformar una variable aleatoria
normal no estndar en una estndar mediante
la siguiente operacin:
x
Z
Al hacer esto tendremos :
E(Z) 0 y Var(Z) 1
Con esto tenemos :
P(a X b) P(a X b )
a X b a b
P( ) P( Z )
La igualdad de estas probabilidades es consecuencia de la
igualdad de los eventos.
De esta forma una probabilidad que involucra a la variable X
se ha reducido a una probabilidad que involucra a Z.
Es tambin comn denotar la funcin de
distribuci n de Z como (x), es decir,
x u2
1
(x)
2
e 2
du