V.a, D.discretas y Continuas

Variables Aleatorias
Distribuciones de Probabilidad Discretas

Variables aleatorias continuas
Distribuciones de probabilidad continuas
Distribuciones de probabilidad discretas y continuas

Notas de clase
Ignacio Osuna Vergara
Universidad de Córdoba
4 de abril de 2018
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Distribuciones de Probabilidad Discretas
Variables aleatorias continuas
Contenido
1 Variables Aleatorias
Introducción
Función de Probabilidad
Función de distribución Acumulada de una V.A discreta
Valor Esperado y Varianza de una V.A Discreta
2 Distribuciones de Probabilidad Discretas
Distribución de Bernoulli
Distribución Binomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución Hipergeométrica
Distribución de Poisson
3 Variables aleatorias continuas
Variable aleatoria continua
Valor Esperado y Varianza de una
Ignacio Osuna Vergara
V.A continua
Distribuciones de Probabilidad discretas y continuas
Variables Aleatorias Introducción
Distribuciones de Probabilidad Discretas Función de Probabilidad
Variables aleatorias continuas Función de distribución Acumulada de una V.A discreta
Distribuciones de probabilidad continuas Valor Esperado y Varianza de una V.A Discreta
Introducción
Introducción
Una variable estadística es una característica (Cualitativa o

cuantitativa) que se mide u observa en una población. Si la
población es aleatoria y la característica es aleatoria la variable
estadística es denominada variable aleatoria; recordemos que las
variables cuantitativas se clasican en discretas y continuas.
Denición
Se denomina variable aleatoria (V.A), a una variable estadística

cuantitativa denida en un espacio muestral Ω

Variable Aleatoria (V .A)

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y )
Y P (Y = y )
RR 2 2/7
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y )
Y P (Y = y )
RR 2 2/7
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Función de Probabilidad
Denición
La función del conjunto de números reales en el intervalo

[0, 1]recibe el nombre de función de probabilidad; denida mediante
(
P (X = x) si x pertenece al rango de X
fx (x) =
0 en otro caso
Propiedades
La función de probabilidad, fX de una variable aleatoria X satisface

las siguientes propiedades
X (x) ≥ 0 para
fP todo x
fX (x) = 1
x
Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:

1/7 si y = 0



4/7 si y = 1
fY (y ) =
2/7 si y = 2



0 En cualquier otro caso

Función de distribución Acumulada de una V.A discreta

Denición
La función de distribución acumulada de una variable aleatoria

discreta X, denotada por Fx (x)se dene como
X
Fx (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
La función de probabilidad, FX de una variable aleatoria X satisface

las siguientes propiedades
0 ≤FX (x) ≤ 1
si x ≤ y , entonces FX (x) ≤ FY (y )

Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:



0 si y < 0

1/7 si 0 ≤ y < 1
fY (y ) =



4/7 si 1 ≤ y < 2

1 si y ≥ 2


Ejemplo 2:
Se lanza una moneda corriente tres veces consecutivas. Se dene la

variable aleatoria:
X: Número de caras obtenidas.
Ω X P (X = x)
CCC 3 1/8
CCS 2 1/8 X P (X = x)
CSC 2 1/8 0 1/8
CSS 1 1/8 1 3/8
SCC 2 1/8 2 3/8
SCS 1 1/8 3 1/8
SSC 1 1/8
SSS 0 1/8
Ejemplo 3:
De un lote de diez artículo se selecciona uno de manera aleatoria,

de los cuales tres son defectuosos.
Se dene la variable aleatoria:
(
0 si es defectuoso
X =
1 si no es defectuoso
(
3
10
si x = 0
P (X = x) = 7
10
si x = 1

Valor Esperado y Varianza de una V.A
Valor Esperado Para Una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

P (X ). La media o valor esperado de X es:
X
E (X ) = xP (X = x)
Rx

Valor Esperado y Varianza de una V.A

Varianza de una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

P (X ). La varianza de X está dada por:
2
X
Var (X ) = (x − E (x)) P (X = x)
Rx
Nota: La varianza puede ser denida como:
Var (X ) = E X 2 − E 2 (X )

donde
X 2
E X2 = x P (X = x)
Rx
Ejemplo
Ejemplo 1:
Calcular el valor esperado y la varianza de la variable aleatoria Y del

ejercicio 1:
Del ejercicio planteado se tiene que:
Y P (Y = y )
1
0
7
4
1
7
2
2
7
Por consiguiente el valor esperado de Y está dado por:

X
1 4 2 8

E (Y ) = yP (Y = y ) = (0) 7
+ (1) 7
+ ( 2) 7
= 7
Rx

Ejemplo
Ejemplo 1:
La varianza:
X
E Y2 = y 2 P (Y = y ) = 2 1 2 4 2 2 12

0
7
+ 1
7
+ 2
7
= 7
Ry
Var (Y ) = E Y 2 − E 2 (Y )

2
12 8
= −
7 7
12 64
= −
7 49
20
=
49

Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución Bernoulli
Ensayo Bernoulli
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo

dos resultados posibles, denominados éxito y fracaso. La
probabilidad de éxito se denota por p y la de fracaso es denotada
por 1 − p.
1 Lanzar una moneda y registrar si sale sello (éxito) o cara (fracaso)

2 Examinar una rata de laboratorio después de someterla a cierta
dieta y registrar si desarrolló cáncer (éxito) o no (fracaso).
3 Un cliente decide comprar (éxito) o no (fracaso) un producto
después de la intervención de un vendedor.
4 Se elige una persona al azar del censo electoral y se le pregunta si
votará (éxito) por cierto candidato o no (fracaso).
Distribución Bernoulli
Denición:
La variable aleatoria X denida como:

(
0 si q = 1 − p = P (X = 0)
X =
1 si p = P (X = 1)
Para una V.A de Bernoulli su función de probabilidad es:

q
 si x = 0
f (x) = p si x = 1

En cualquier otro caso;

0

Valor esperado y Varianza de una V.A Bernoulli
Valor Esperado
Si X es una variable aleatoria con distribución Bernoulli de

parámetros p entonces:
E (X ) = p
Varianza

Var (X ) = p (1 − p)

Valor esperado y Varianza de una V.A Bernoulli
Valor Esperado

E (X ) = p
Varianza

Var (X ) = p (1 − p)

Introducción
La distribución Binomial es una distribución discreta muy importante

que surge en muchas aplicaciones bioestadísticas.
Esta distribución aparece en forma natural al realizar repeticiones

independientes de un experimento que tenga respuestas binarias, ge-
neralmente clasicadas como éxito o fracaso. Por ejemplo, esa
respuesta puede ser el habito de fumar (sí/no), sin un paciente hos-
pitalizado desarrollo o no una infección, o si un artículo de un lote
es o no defectuoso.

Distribución Binomial
Experimento binomial
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de éxito, p, permanece constante.
Recibe el nombre de experimento binomial.
1 Lanzar tres monedas y contar el número de sellos (éxitos).

2 Examinar 20 ratas de laboratorio después de someterlas a
cierta dieta y registrar cuántas desarrollaron cáncer (éxitos).
3 Después de la intervención de un vendedor a 10 clientes,
registrar cuántos deciden comprar (éxitos) un producto.

Función de Probabilidad de una V.A Binomial
Denición:
La variable aleatoria X denida como el número de éxitos obtenidos

en los n ensayos tiene una distribución binomial con parámetros p y
n, con función de probabilidad dada por:
n
p x (1 − p)n−x , x = 0, 1, 2, ..., n

P (X = x) = x
n
n!
Donde
x =
(n − x)!x!

Valor esperado y varianza de una V.A Binomial
Valor esperado
Si X tiene distribución binomial de parámetros p y n entonces:
E (X ) = np
Varianza
Var (X ) = np (1 − p)

Valor esperado y varianza de una V.A Binomial
Valor esperado
E (X ) = np
Varianza
Var (X ) = np (1 − p)

Ejemplo 1
Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en una

línea de ensamblaje es de 0.05. Si un conjunto de 10 unidades terminadas
constituyen ensayos independientes:
1. ¾Cuál es la probabilidad de que dos se encuentren defectuosas?
2. ¾De que a lo sumo dos se encuentren defectuosas?
3. ¾Cual es la probabilidad de que por lo menos una se encuentre
defectuosa?
4. Calcule el valor esperado y la varianza
Solución
X : Número de unidades defectuosas de las 10 terminadas.

Luego n = 10, p = 0.05
10−x
P (X = x) = 10x 0.05 (1 − 0.05)
x
, x = 0, 1, 2, ..., 10
Ejemplo 1
Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en una

línea de ensamblaje es de 0.05. Si un conjunto de 10 unidades terminadas
constituyen ensayos independientes:
defectuosa?
4. Calcule el valor esperado y la varianza
Solución
X : Número de unidades defectuosas de las 10 terminadas.

Luego n = 10, p = 0.05
10−x
P (X = x) = 10x 0.05 (1 − 0.05)
x
, x = 0, 1, 2, ..., 10
Ejemplo 1
10 2 10−2
P (X = 2) = 2 0.05 (1 − 0.05) = (45) 0.052 0.958 = 0.0746

P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
10 10

10−0
= 0
0.05 (1 − 0.05) + 0.051 (1 − 0.05)10−1
0 1
10

+ 0.052 (1 − 0.05)10−2
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Ejemplo 1
10 2 10−2
P (X = 2) = 2 0.05 (1 − 0.05) = (45) 0.052 0.958 = 0.0746

P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
10 10

10−0
= 0
0.05 (1 − 0.05) + 0.051 (1 − 0.05)10−1
0 1
10

+ 0.052 (1 − 0.05)10−2
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Ejemplo 1

defectuosa?
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
10

=1− 0.050 (1 − 0.05)10−0
0
= 1 − 0.5987369
= 0.4013

Ejemplo 1
Valor esperado y varianza
E (X ) = np =(10) (0.05) = 0.5
Var (X ) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Ejemplo 1
E (X ) = np =(10) (0.05) = 0.5
Var (X ) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Ejemplo 2
Ejemplo 2:
La experiencia ha demostrado que el 30 % de todas las personas

afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 12 personas
con la enfermedad en cuestión y se les administró la vacuna. Supóngase
que la vacuna es completamente inecaz.
1 ¾Cuál es la probabilidad de que ninguna de las 12 personas
afectadas se recuperen?
2 ¾Cuál es la probabilidad de que todas las personas seleccionadas se
recuperen?
3 ¾Cuál es la probabilidad de que al menos 10 de las 12 personas
enfermas se recuperen?
4 Calcular el valor esperado y la varianza.
Ejemplo 2
Solución
Denamos:
X: Número de personas que se recuperan de las 12 seleccionadas.
Luego n = 12, p = 0.3
12 x − 0.3)12−x , x = 0, 1, 2, ..., 12

P (X = x) = x 0.3 (1

Ejemplo 2
¾Cuál es la probabilidad de que ninguna de las 12 personas

12 0
(1 − 0.3)12−0 = (1) 0 12

P (X = 0) = 0
0.3 0.3 0.7 = 0.0138
¾Cuál es la probabilidad de que todas las personas seleccionadas se

recuperen?
12 12
(1 − 0.3)12−12 = (1) 12 0

P (X = 12) = 12
0.3 0.3 0.7 =
5.31441 × 10
−7

Ejemplo 2
¾Cuál es la probabilidad de que ninguna de las 12 personas

12 0
(1 − 0.3)12−0 = (1) 0 12

P (X = 0) = 0
0.3 0.3 0.7 = 0.0138
¾Cuál es la probabilidad de que todas las personas seleccionadas se

recuperen?
12 12
(1 − 0.3)12−12 = (1) 12 0

P (X = 12) = 12
0.3 0.3 0.7 =
5.31441 × 10
−7

Ejemplo 2
¾Cuál es la probabilidad de que al menos 10 de las 12 personas
P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1.909645 × 10−4 + 1.488035 × 10−5 + 5.314410 × 10−7
= 0.0002063763
E (X ) = np =(12) (0.3) = 3.6
Var (X ) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Ejemplo 2
¾Cuál es la probabilidad de que al menos 10 de las 12 personas
P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1.909645 × 10−4 + 1.488035 × 10−5 + 5.314410 × 10−7
= 0.0002063763
E (X ) = np =(12) (0.3) = 3.6
Var (X ) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Introducción
Suponga que se efectúa repetidamente un experimento, que las

repeticiones son independientes y que se está interesado en la
ocurrencia o no de un suceso al que se reere como éxito. la
distribución geométrica permite calcular la probabilidad de que
tenga que realizarce un número k de repeticiones hasta obtener un
éxito por primer vez.
La diferencia de la distribucióna binomial es que el número de repe-

ticiones no esta predeterminado.

Función de Probabilidad de una V.A Geométrica
Denición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
Si X: es el número de ensayos necesarios hasta obtener el

primer exito.
Entonces X tiene una distribución geometrica con parámetro p,
p (X = x) = p (1 − p)x−1 x = 1, 2, ...

Valor esperado y varianza de una V.A Geométrica

Valor esperado
Si X es una variable aleatoria con distribución Geométrica con

parámetro p entonces:
1
E (X ) = p
Varianza

1−p
Var (X ) = p2

Valor esperado y varianza de una V.A Geométrica

Valor esperado

1
E (X ) = p
Varianza

1−p
Var (X ) = p2

Ejemplo 1
Ejemplo 1:
Cada 10 minutos se verica el volumen de llenado de las latas que

salen de una máquina llenadora automática. La evaluación continúa
hasta que se encuentre una lata que no cumpla con las
especicaciones. Si la probabilidad de que una lata no cumpla las
especicaciones es del 5 % (proporción de latas que no cumplen)
1 ¾Cuál es la probabilidad de que se tengan que probar

exactamente 100 latas para encontrar la primera que no
cumple?
2 ¾Cual es la probabilidad de que se tenga que probar más de 3

latas para encontrar la primera que no cumple las
especicaciones?

Ejemplo 1
Solución
Denamos:
X: Número de pruebas que es necesario realizar hasta encontrar la
primera que no cumple las especicaciones.
Luego p = 0.05
P (X = x) = 0.05 (1 − 0.05)x−1 , x = 1, 2, ...

Ejemplo 1
¾Cuál es la probabilidad de que se tengan que probar exactamente
100 latas para encontrar la primera que no cumple?
P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116
¾Cual es la probabilidad de que se tenga que probar más de 3 latas

para encontrar la primera que no cumple las especicaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Ejemplo 1
¾Cuál es la probabilidad de que se tengan que probar exactamente
100 latas para encontrar la primera que no cumple?
P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116
¾Cual es la probabilidad de que se tenga que probar más de 3 latas

para encontrar la primera que no cumple las especicaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Ejemplo 1

1 1
E (X ) = p = 0.05
= 20
1−p 1−0.05
Var (X ) = p2
= 0.052
= 380

Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2
= 0.5
P (X = x) = 0.5 (1 − 0.5)x−1 , x = 1, 2, ...

Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2
= 0.5
P (X = x) = 0.5 (1 − 0.5)x−1 , x = 1, 2, ...

Ejemplo 2
Número esperado de hijos
1 1
E (X ) = p = 0.5 =2
La probabilidad de que la pareja acabe teniendo tres hijos o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Ejemplo 2
Número esperado de hijos
1 1
E (X ) = p = 0.5 =2
La probabilidad de que la pareja acabe teniendo tres hijos o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Introducción
Una generalización de la distribución geométrica aparece si se supone

que un experimento se continúa hasta que un determinado suceso
ocurra por, r − ésima vez. La V.A que porpociona la probabilidad
de que se produzcan k fracasos antes de optener el r − ésimo éxito
sigue una distribución binomial negativa.
La distribución geométrica es un caso particular cuando r =1

Función de probabilidad de una V.A Binomial Negativa
Denición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
X es el número de ensayos realizados hasta que se obtienen r

éxitos
Entonces X tiene una distribución Binomial Negativa con

parámetros r
p (r = 1, 2, ...)
y
x−r
p (X = x) = x− 1
r
r −1 p (1 − p) x = r , r + 1, r + 2, ...

Valor esperado y varianza de una V.A Binomial Negativa

Valor esperado
Si X es una variable aleatoria con distribución Binomial Negativa

de parámetros r y p entonces:
r
E (X ) = p
Varianza

r (1−p)
Var (X ) = p2

Valor esperado y varianza de una V.A Binomial Negativa

Valor esperado

r
E (X ) = p
Varianza

r (1−p)
Var (X ) = p2

Ejemplo 1
Ejemplo 1:
En un departamento de control de calidad se inspeccionan las unidades

terminadas que provienen de una linea de ensamble. Se piensa que la
proporción de unidades defectuosas es del 5 %.
1 ¾Cuál es la probabilidad de que sea necesario inspeccionar 20 unidades
hasta encontrar 2 defectuosas?
2 ¾Cuál es el valor esperado y la varianza del número de inspecciones que es
necesario hacer hasta encontrar dos defectuosas?
Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos defectuosas.

Luego r = 2 y p = 0.05
1 2 x−2
p (X = x) = x− 1 0.05 (1 − 0.05) x = 2, 3, 4, ...

Ejemplo 1
Ejemplo 1:
En un departamento de control de calidad se inspeccionan las unidades

terminadas que provienen de una linea de ensamble. Se piensa que la
proporción de unidades defectuosas es del 5 %.
1 ¾Cuál es la probabilidad de que sea necesario inspeccionar 20 unidades
hasta encontrar 2 defectuosas?
2 ¾Cuál es el valor esperado y la varianza del número de inspecciones que es
necesario hacer hasta encontrar dos defectuosas?
Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos defectuosas.

Luego r = 2 y p = 0.05
1 2 x−2
p (X = x) = x− 1 0.05 (1 − 0.05) x = 2, 3, 4, ...

Ejemplo 1
¾Cuál es la probabilidad de que sea necesario inspeccionar 20

unidades hasta encontrar 2 defectuosas?
20−1 2
(1 − 0.05)20−2 = 0.0189

p (X = 20) = 1
0.05
¾Cuál es el valor esperado y la varianza del número de inspecciones

que es necesario hacer hasta encontrar dos defectuosas?
r 2
E (X ) = p = 0.05
= 40
(2)(1−0.05)
Var (X ) = 0.052
= 760

Ejemplo 1
¾Cuál es la probabilidad de que sea necesario inspeccionar 20

unidades hasta encontrar 2 defectuosas?
20−1 2
(1 − 0.05)20−2 = 0.0189

p (X = 20) = 1
0.05
¾Cuál es el valor esperado y la varianza del número de inspecciones

que es necesario hacer hasta encontrar dos defectuosas?
r 2
E (X ) = p = 0.05
= 40
(2)(1−0.05)
Var (X ) = 0.052
= 760

Introducción
La distribución hipergeométrica suele aparecer en procesos muestra-

les sin reemplazo, en los que se investiga la presencia o ausencia de
cierta característica. Por ejemplo en un procedimiento de control
de calidad en una empresa farmacéutica, durante el cual se extraen
muestras de las cápsulas fábricadas y se someten a análisis para
determinar su composición. Durante las pruebas las cápsulas son
destruidas. En esta situacíon la variable cuenta el número de
cápsulas que no cumplen los criterios de calidad establecidos.
Esta distribución es equivalente a una binomial, pero cuando el mues-

treo se hace sin reemplazo

Función de probabilidad de una V.A Hipergeométrica

Denición:
Las suposiciones que dan lugar a una distribución hipergeométrica son:

La población o conjunto por muestrear consiste en N individuos, objetos
o elementos y cada individuo se caracteriza como éxito o fracaso, y hay K
éxitos en la población
K (K ≤ N) elementos con el atributo A, se consideran éxitos.
N − K sin el atributo (Ac ) Se toma una muestra de tamaño n, (n ≤ N) al
azar (sin remplazo).
Sea X el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica con parámetros N , n y K ,
con función de probabilidad
(Kx )(N−K
n−x )
P (X = x) = x = 0, 1, ...min {K , n}
(Nn )
Valor esperado y varianza de una V.A Hipergeométrica

Valor esperado
Si X es una variable aleatoria con distribución hiergeométrica de

parámetrosN , n yK , entonces:
nK
E (X ) = N
Varianza

np(1−p)(N−n) K
Var (X ) = N−1 ; p= n

Valor esperado y varianza de una V.A Hipergeométrica

Valor esperado

nK
E (X ) = N
Varianza

np(1−p)(N−n) K
Var (X ) = N−1 ; p= n

Ejemplo 1
Ejemplo 1:
Un lote de piezas contiene 100 de un proveedor local de tuberías, y

200 de un proveedor de otro estado. Si se eligen cuatro piezas al
azar y sin remplazo ¾cuál es la probabilidad de que todas provengan
del proveedor local?
Solución
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4.
100 − 300 100 100 200
( )( −
4
) ( )( )
4 4
p (X = 4) = =
300 = 0, 0119 4
300
0
( ) 4
( ) 4

Ejemplo 1
Ejemplo 1:
Un lote de piezas contiene 100 de un proveedor local de tuberías, y

200 de un proveedor de otro estado. Si se eligen cuatro piezas al
azar y sin remplazo ¾cuál es la probabilidad de que todas provengan
del proveedor local?
Solución
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4.
100 − 300 100 100 200
( )( −
4
) ( )( )
4 4
p (X = 4) = =
300 = 0, 0119 4
300
0
( ) 4
( ) 4

Introducción
La distribución de Poisson surge cuando un evento o suceso ocurre

aleatoriamente en el espacio o el tiempo. por ejemplo, el número de
pacientes que llegan a un consultorio en un lapso dado, el número de
llamadas que recibe un servicio de atención a urgencias durante una
hora, el número de glóbulos blancos en un milímetro cúbico de sangre.
En general, es una distribución muy utilizada en diverzas áreas mé-

dicas y, en particular en epidemiología.

Distribución de Poisson:
1 Modelo probabilístico adecuado para evaluar la probabilidad de
ocurrencia de un evento en intervalos de tiempo, longitud, supercie
o volumen.
2 Por ejemplo:
Número de accidentes por semana en un tramo de carretera.

Número de baches en cada 100 kilómetros lineales de carretera.
Número de solicitudes de atención de urgencia en una clínica en un
día.
La variable aleatoria de interés, X es el número de veces que un evento
ocurre por unidad de tiempo, longitud, supercie, volumen, etc.

Distribución de Poisson:
Si X es la variable aleatoria que cuenta el número de veces que un

evento ocurre en un intervalo (o unidad de tiempo, longitud,
supercie, volumen, etc), y si se tiene que los eventos son
independientes y el número promedio por intervalo es λ, se dice que
X tiene una distribución de Poisson y la función de probabilidad de
X es:
e −λ λx
P (X = x) = , x = 0, 1, 2, ...
x!

Valor esperado y varianza de una V.A Poisson

Valor esperado
Si X es una variable aleatoria con distribución Poisson de

parámetro λ entonces::
E (X ) = λ
Varianza

Var (X ) = λ

Valor esperado y varianza de una V.A Poisson

Valor esperado

E (X ) = λ
Varianza

Var (X ) = λ

Ejemplo 1
Ejemplo:
El número de baches en una sección de carretera

interdepartamental puede modelarse con una distribución de
Poisson con media de dos baches por milla.
1 ¾Cuál es la probabilidad de que halla que reparar 3 baches en

un tramo de una milla?
2 ¾Cuál es la probabilidad de que no halla baches que reparrar en

un tramo de cinco millas?
3 ¾Cual es la probabilidad que sea necesario reparar al menos un

bache en un tramo de media milla?

Ejemplo 1
solución
¾Cuál es la probabilidad de que halla que reparar 3 baches en un

tramo de una milla?
Se tiene que λ=2
e −2 23
P (X = 3) = 3!
= 0.180447

Ejemplo 1
¾Cuál es la probabilidad de que no halla baches que reparrar en un

tramo de cinco millas?
Se tiene queλ =2 para un intervalo de una milla, implica que para

un intervalo de 5 millas λ = 10
e −10 100
P (X = 0) = 0!
= 0.0000454

Ejemplo 1
¾Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Se tiene queλ =2 para un intervalo de una milla, implica que para

un intervalo de media millas λ=1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e −1 1 0
=1− = 0.0000454
0!
= 1 − 0.3678794
= 0.6321206
Distribuciones de Probabilidad Discretas Variable aleatoria continua
Variables aleatorias continuas Valor Esperado y Varianza de una V.A continua
Denición
Denición
Una variable aleatoria continua es aquella cuyo rango contiene un

intervalo de números reales.
1 Tiempo,
2 Longitud,
3 Temperatura,
4 Voltaje,
5 Corriente eléctrica,
6 Humedad.

¾Cómo se calculan probabilidades con V.A continuas?
Con una variable aleatoria continua no es posible construir una

tabla con todos los posibles valores de la variable y sus
probabilidades, puesto que este número es innito.
Se postula un modelo o función que caracterice la distribución

de las probabilidades,
función de densidad de X, y se simboliza por fX (x).

¾Cómo se determina la probabilidad en una V.A continua?
La función de densidad se dene de modo que área total bajo

la curva sea igual a 1 y por tanto el área sobre un intervalo
dado (a, b) será igual a la probabilidad que X se encuentre en
tal intervalo
De acuerdo con lo anterior en las variables aleatorias continuas

las probabilidades están asociadas con áreas debajo de la curva
de densidad.

¾Cómo se determina la probabilidad en una V.A continua?

Propiedades de la función de densidad de una V.A continua
Denición
Sea X una variable aleatoria continua, y x un número perteneciente

al rango de posibilidades de X. La función de densidad de X,
denotada por fX (x), es una función que tiene las siguientes
propiedades
fX (x) ≥ 0 para todo x

R +∞
−∞ fX (x)dx = 1
Rb
P(a ≤ X ≤ b) = a fX (x)dx
donde a y b son dos posibles valores de la variable aleatoria X con
a < b.

Función de distribución de una V.A continua

Denición

Propiedades de la función de densidad de una V.A continua
Denición
Si se conoce la función de distribución de una variable aleatoria

continua es muy fácil calcular la probabilidad que la variable esté en
un intervalo (a; b), de la siguiente forma
P(a < X < b) = F (b) − F (a)

Ejemplo
Suponga que la variable aleatoria X tiene una función de densidad

dada por:
(
3
8
x2 Si 0 ≤ x ≤ 2
fX (x) =
0 en cualquier otro punto
a) Calcular P (1 ≤ x ≤ 2 )
2
x3 x3 3
− 13
Z
3 3 2 7
P (1 ≤ x ≤ 2) = x 2 dx = |21 = |21 = = = 0, 875
1 8 8 3 8 8 8

Ejemplo
b) Calcular F (1, 5)
1,5
Z
FX (1, 5) = fX (x)dx
−∞
0 1,5
Z Z
3
= 0dx + x 2 dx
−∞ 0 8
x3
= 0 + |10,5
8
3
1, 5 − 03
=
8
= 0, 421875

Valor Esperado y Varianza de una V.A continua

Denición(Media, promedio o valor esperado)
Si X es una variable aleatoria continua con función de densidad fX (x) su valor

esperado o media, que se simboliza por µX o E (X ), se dene como:
Z +∞
µX = E (X ) = x fX (x)dx
−∞
si la integral existe
Propiedades de valor esperado
Para una constante c y variables aleatorias continuas X y Y con la misma

función de densidad de probabilidad, se verica que:
E (c) = 0
E (cX ) = cE (X )
E (X + Y ) = E (X ) + E (Y )
Denición(Varianza)
Sea X es una variable aleatoria continua con función de densidad fX (x) y

valor esperado µX , entonces su varianza, que se simboliza por σX2 ó
Var (X ), se dene como:
Z +∞
2 2
σX = var (x) = (x − µX ) fX (x)dx
−∞
valores grandes de σX2 implican una dispersión grande de la

distribución de X alrededor de la media. Inversamente, valores
pequeños implican una alta concentración de la distribución
alrededor de la media

Propiedades de la varianza
Para constantes c y d y variable aleatorias continuas X y Y con la

misma función de densidad de probabilidad, se verica que
var (X ) = E (X 2 ) − [E (X )]2
var (cX + d) = c 2 var (X )
Si X y Y son independientes ,
var (cX + dY ) = c 2 var (X ) + d 2 var (Y )

Ejemplo
Suponga que la variable aleatoria X tiene una función de densidad dada por:
(
3
8
x2 Si 0 ≤ x ≤ 2
fX (x) =
0 en cualquier otro punto
a) Calcular E (X )
+∞
3
Z
E (X ) = xfX (x)dx =
−∞ 2
b) Calcular var (X )
+∞
3
Z
var (X ) = x− fX (x)dx
−∞ 2
= E (X 2 ) − [E (X )]2

Variables Aleatorias Distribución Uniforme
Distribuciones de Probabilidad Discretas Distribución exponencial
Variables aleatorias continuas Distribución normal
Distribuciones de probabilidad continuas Distribución normal estándar
Distribución Uniforme
Denición
Una variable aleatoria continua X tiene distribución uniforme en el

intervalo (a, b), si su función de densidad de probabilidad tiene la forma
(
1
si a ≤ x ≤ b
fX (x) = b−a
0 En cualquier otro caso
Una variable aleatoria X con distribución uniforme se caracteriza

porque la probabilidad de que la variable tome un valor en un
intervalo de su rango de variación es la misma para cualquier otro
intervalo con la misma longitud.

Función de distribución Uniforme

si x ≤ a, es claro que =0
Rx
f (u)du
−∞ X
si a < x < b entonces
x x
1
Z Z
x −a
F (X ) = fX (u)du = du =
a a b−a b−a
si x ≥ b entonces, se tiene que
x b
1 x
Z Z Z
b−a
F (X ) = fX (u)du = du + 0du = +0=1+0=1
a a b−a b b−a
por lo tanto la función de distribución de una variable uniforme en el intervalo
(a, b) es:
0

 x ≤a
x−a
FX (x) = si a < x < b
 b−a
1 si x ≥ b


Valor Esperado y Varianza de una V.A uniforme
Valor esperado
La media y la varianza de una variable aleatoria con distribución

uniforme en el intervalo (a, b) son:
a+b (b − a)2
E (X ) = , var (x) =
2 12

Ejemplo
La función de densidad de probabilidad del tiempo necesario para

terminar una operación de ensamblado es fX (x) = 0, 1 para
30 < x < 40 segundos
Calcule la proporción de ensambles que requieren más de 35

segundos para concluir la operación.
¾Obtener un tiempo x tal que el 90 % de los tiempos de

ensamble excede a x?
Calcule la media y la varianza del tiempo de ensamblado.
Sea X la variable aleatoria que mide el tiempo de ensamblado, por

la forma de la función de densidad es claro que X tiene distribución
uniforme en el intervalo (30, 40)

Ejemplo
Calcule la proporción de ensambles que requieren más de 35
segundos para concluir la operación.
35 − 30 5
P(X > 35) = 1−P(X ≤ 35) = 1−F (35) = 1− = 1− = 0, 5
40 − 30 10
¾Obtener un tiempo x tal que el 90 % de los tiempos de

ensamble excede a x?
x − 30 x − 30
0, 9 = P(X > x) = 1−P(X ≤ x) = 1−F (x) = 1− = 1−
40 − 30 10
por tanto x − 30 = 1 de donde x = 31 así el 90 % de los tiempos

de ensamble exeden los 31 segundos.
Ejemplo
Calcule la media y la varianza del tiempo de ensamblado
a+b 40 + 30
E (X ) = = = 35
2 2
(b − a)2 (40 − 30)2 100

var (X ) = = = = 8, 333
12 12 12

Distribución exponencial
La distribución exponencial es una distribución continua bastante

utilizada en problemas de ingeniería, por ejemplo para describir la
duración de los componentes electrónicos.
Denición
Se dice que una variable aleatoria tiene distribución exponencial con

parámetro λ> 0, si su función de densidad es de la forma
(
λe −λx si x > 0
fX (x) =
0 En cualquier otro caso

Distribución exponencial
Teorema
La función de distribución para una variable aleatoria exponencial

de parámetro λ es,
(
0 si x ≤ 0
FX (x) = -λx
1 −e si x > 0

Valor esperado y varianza de una V.A exponencial
El valor esperado y la varianza de una variable aleatoria exponencial

es:
Valor esperado
1
E (X ) =
λ
Varianza
1
var (X ) =
λ2

Ejemplo 1
La duración (en horas) T de un componente electrónico es una

variable aleatoria con distribución exponencial de parámetro
λ = 0, 01
Calcule la probabilidad de que el componente funcione por
mas de 200 horas.
¾Cuál es la duración esperada, en horas, de un componente?
¾Cuál es la varianza de la duración del componente.

Ejemplo 1
P(T > 200) = 1 − P(T ≤ 200) = 1 − F (200) =

1− 1 − e −0,01×200 = e −2 = 0, 13533
La duración esperada es:
1 1
E (T ) = = = 100
λ 0, 01
La varianza de la duración es:
1 1
var (T ) = 2
= = 10000
λ 0, 012

Ejemplo
La carga de tráco es una consideración importante en el diseño de

sistemas de calzadas. Los vehículos arriban a cierto punto de la
calzada, de acuerdo con una distribución de Poisson, a una taza de
4 por minuto.
Determine la probabilidad de que el tiempo que separa el

arribo de dos vehículos sea al menos dos minutos.
Determine el tiempo medio de arribo.
Determine la varianza de los tiempos de arribo.

Ejemplo
− e −4×2 =

P(T > 2) = 1 − P(T ≤ 2) = 1 − F (2) = 1 − 1
e −8 = 0, 000335
La duración esperada es:
1 1
E (T ) = = = 0, 25
λ 4
La varianza de la duración es:
1 1
var (T ) = 2
= = 0, 0625
λ 42

Distribución normal
Distribución continua de gran importancia, no solo por sus
aplicaciones en diferentes campos de la ciencia, sino por el papel
que ha desempeñado en el desarrollo de gran parte de la teoría
estadística.
Denición
Si la variable aleatoria X tiene función de densidad
1 (x−µ)2
fX (x) = √ e − 2σ 2 , Para − ∞ < x < ∞
σ 2π
donde µ y σ2 son números tales que, −∞ < µ < ∞ y 0 < σ 2 < ∞,
e y π son las constantes e = 2, 71828... y π = 3, 14, 159...,
entonces se dice que X sigue una distribución normal

Propiedades de la distribución normal
Supongamos que una variable aleatoria X tiene distribución normal

con parámetros µ y σ . Se cumplen las siguientes propiedades.
La media de la variable aleatoria es µ es decir E (X ) = µ

2
La varianza de la variable aleatoria es σ . Es decir var (X ) = σ 2
La forma de la función de densidad es una curva en forma de
campana centrada en la media µ,.
La distribución es simétrica alrededor de µ.
La distancia horizontal entre µ y el punto de inexión de la
curva sobre el eje de las X es una desviación estándar (σ)

Funcion de distribución de una V.A normal

.
Denición
SiX tiene distribución normal con media µ y varianza σ 2 , es decir

X ∼ N(µ, σ 2 ). Entonces la función de distribución acumulada es
FX (x0 ) es:
Z x 0 2
1 (t−µ)
Φ(x0 ) = FX (x0 ) = P(X ≤ x0 ) = √ e − σ dt, 2 2
−∞ σ 2π

La distribución normal estándar
Denición
Una variable aleatoria X con distribución normal de media µ=0 y

2
varianza σ =1 recibe el nombre de normal estándar y se denota
con Z.
Uso de la tabla de probabilidades
La tabla siguiente, dá las probabilidades para una distribución

normal estándar. Los valores de z se dan con un decimal en la
columna y hasta dos decimales en la la.

Tabla de probabilidades para una normal estándar

Ejemplo
Ejemplo 1
Encontrar la probabilidad de que una variable aleatoria normal estándar

Z sea menor que un valor positivo. Encontrar P(Z ≤ 1, 17).
P(Z ≤ 1, 17) = 0, 879
Ejemplo 2
Encontrar la probabilidad que Z sea mayor que un valor positivo.

Encontrar P(Z ≥ 1, 34).
P(Z ≥ 1, 34) = 1 − P((Z ≤ 1, 34) = 1 − 0, 90988 = 0, 09012

Ejemplo
Ejemplo 3
Encontrar la probabilidad que la variable aleatoria Z tome un valor en un

intervalo de la forma (z1 , z2 ) donde z1 y z2 son positivos. Encontrar
P(0, 42 ≤ Z ≤ 1, 61).
P(0, 42 ≤ Z ≤ 1, 61) = Φ(1, 61) − Φ(0, 42) = 0, 9463 − 0, 6627 = 0, 2835
Ejemplo 4
Encontrar la probabilidad de que un valor aleatorio de Z caiga en un

intervalo a la izquierda del origen, esto es, P(z1 ≤ Z ≤ z2 ) donde z1 < 0
, z2 ≤ 0. Encontrar P(−1, 64 ≤ Z ≤ −1).
P(−1, 64 ≤ Z ≤ −1) = Φ(−1) − Φ(−1, 64) = 0, 1586 − 0, 0505 = 0, 1082

Ejemplo
Ejemplo 5
Encontrar el valor de z1 tal que P(Z ≤ z1 ) = 0, 975
Buscamos en el cuerpo de la tabla la probabilidad 0, 975.

La encontramos en la linea correspondiente a 1, 9 y en la columna
0, 06 así que z1 = 1, 96, y por tanto P(Z ≤ z 1) = 0 : 975 cuando
z1 = 1, 96.

Caso general: distribución con media µ y varianza σ 2
Teorema de estandarización
Si X es una variable aleatoria normal con media µ y desviación

estándar σe ntonces la variable aleatoria Z, obtenida mediante la
transformación
X −µ
Z=
σ
tiene distribución normal con media 0 y desviación estándar 1, es
decir Z es normal estándar

Ejemplo
Ejemplo
si X ∼ N(75, 100). Hallar P(80 ≤ X ≤ 90)
En este caso σ 2 = 100 (σ = 10) y µ = 75

X −µ 80 − 75 90 − 75
P(80 ≤ X ≤ 90) = P ≤ ≤
10 σ 10
= P (0 , 5 ≤ Z ≤ 1 , 5 )
= 0, 2417

Ejemplo
Ejemplo
La resistencia a la comprensión de una serie de muestras de

cemento puede modelarse con una distribución normal con media
kg kg
6000 y una desviación estándar de 100
cm2 cm2
¾Cuál es la probabilidad de que la resistencia de una muestra
kg
sea menor que 6250 ?
cm2
¾Cuál es la probabilidad de que la resistencia de una muestra
kg
se encuentre 5800 y 5900 ?
cm2
¾Cuál es el valor de resistencia que excede el 95 % de las
muestras?

V.a, D.discretas y Continuas

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

V.a, D.discretas y Continuas

Transféré par

Droits d'auteur :

Formats disponibles

Variables Aleatorias

Distribuciones de Probabilidad Discretas

Distribuciones de probabilidad discretas y continuas

Ignacio Osuna Vergara

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Una variable estadística es una característica (Cualitativa o

Se denomina variable aleatoria (V.A), a una variable estadística

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Variable Aleatoria (V .A)

Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

Variable Aleatoria (V .A)

Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

La función del conjunto de números reales en el intervalo

La función de probabilidad, fX de una variable aleatoria X satisface

continuando con el ejemplo 1 función de probabilidad es:

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Función de distribución Acumulada de una V.A discreta

La función de distribución acumulada de una variable aleatoria

La función de probabilidad, FX de una variable aleatoria X satisface

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

continuando con el ejemplo 1 función de probabilidad es:

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Variable Aleatoria (V .A)

Se lanza una moneda corriente tres veces consecutivas. Se dene la

CSS 1 1/8 1 3/8

SCC 2 1/8 2 3/8

SCS 1 1/8 3 1/8

Variable Aleatoria (V .A)

De un lote de diez artículo se selecciona uno de manera aleatoria,

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Valor Esperado y Varianza de una V.A

Valor Esperado Para Una V.A Discreta:

Sea X una variable aleatoria discreta con función de probabilidad

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Valor Esperado y Varianza de una V.A

Sea X una variable aleatoria discreta con función de probabilidad

Nota: La varianza puede ser denida como:

Calcular el valor esperado y la varianza de la variable aleatoria Y del

Por consiguiente el valor esperado de Y está dado por:

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Un ensayo de Bernoulli es un experimento aleatorio que tiene solo

1 Lanzar una moneda y registrar si sale sello (éxito) o cara (fracaso)

La variable aleatoria X denida como:

Para una V.A de Bernoulli su función de probabilidad es:

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Valor esperado y Varianza de una V.A Bernoulli

Si X es una variable aleatoria con distribución Bernoulli de

Si X es una variable aleatoria con distribución Bernoulli de

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Valor esperado y Varianza de una V.A Bernoulli

Si X es una variable aleatoria con distribución Bernoulli de

Si X es una variable aleatoria con distribución Bernoulli de

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

La distribución Binomial es una distribución discreta muy importante

Esta distribución aparece en forma natural al realizar repeticiones

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Un experimento que consiste de:

n experimentos tipo Bernoulli.

La probabilidad de éxito, p, permanece constante.

Recibe el nombre de experimento binomial.

1 Lanzar tres monedas y contar el número de sellos (éxitos).

Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas

Función de Probabilidad de una V.A Binomial

Se lanza una moneda corriente tres veces consecutivas. Se dene la

Nota: La varianza puede ser denida como:

La variable aleatoria X denida como:

La variable aleatoria X denida como el número de éxitos obtenidos

Cada 10 minutos se verica el volumen de llenado de las latas que