Académique Documents
Professionnel Documents
Culture Documents
Universidad de Córdoba
4 de abril de 2018
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
Denición
Ejemplo 1:
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
Ignacio Osuna Vergara 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
Ejemplo 1:
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
Ignacio Osuna Vergara 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
Función de Probabilidad
Denición
Propiedades
X (x) ≥ 0 para
fP todo x
fX (x) = 1
x
Ignacio Osuna Vergara 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
Ejemplo
Ejemplo
1/7 si y = 0
4/7 si y = 1
fY (y ) =
2/7 si y = 2
0 En cualquier otro caso
X
Fx (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
0 ≤FX (x) ≤ 1
si x ≤ y , entonces FX (x) ≤ FY (y )
Ejemplo
Ejemplo
0 si y < 0
1/7 si 0 ≤ y < 1
fY (y ) =
4/7 si 1 ≤ y < 2
1 si y ≥ 2
Ω X P (X = x)
CCC 3 1/8
CCS 2 1/8 X P (X = x)
CSC 2 1/8 0 1/8
SSC 1 1/8
SSS 0 1/8
Ignacio Osuna Vergara 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
Ejemplo 3:
(
3
10
si x = 0
P (X = x) = 7
10
si x = 1
2
X
Var (X ) = (x − E (x)) P (X = x)
Rx
Var (X ) = E X 2 − E 2 (X )
donde
X 2
E X2 = x P (X = x)
Rx
Ignacio Osuna Vergara 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
Ejemplo
Ejemplo 1:
Y P (Y = y )
1
0
7
4
1
7
2
2
7
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
Distribución Bernoulli
Ensayo Bernoulli
Distribución Bernoulli
Denición:
q
si x = 0
f (x) = p si x = 1
En cualquier otro caso;
0
Valor Esperado
E (X ) = p
Varianza
Var (X ) = p (1 − p)
Valor Esperado
E (X ) = p
Varianza
Var (X ) = p (1 − p)
Introducción
Distribución Binomial
Experimento binomial
Independientes.
Denición:
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
E (X ) = np
Varianza
Var (X ) = np (1 − p)
Valor esperado
E (X ) = np
Varianza
Var (X ) = np (1 − p)
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
1. ¾Cuál es la probabilidad de que dos se encuentren defectuosas?
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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
1. ¾Cuál es la probabilidad de que dos se encuentren defectuosas?
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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
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
Ejemplo 1
Ejemplo 2
Ejemplo 2:
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
12 0
(1 − 0.3)12−0 = (1) 0 12
P (X = 0) = 0
0.3 0.3 0.7 = 0.0138
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
12 0
(1 − 0.3)12−0 = (1) 0 12
P (X = 0) = 0
0.3 0.3 0.7 = 0.0138
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
enfermas se recuperen?
Ejemplo 2
¾Cuál es la probabilidad de que al menos 10 de las 12 personas
enfermas se recuperen?
Introducción
Denición:
p (X = x) = p (1 − p)x−1 x = 1, 2, ...
1
E (X ) = p
Varianza
1−p
Var (X ) = p2
1
E (X ) = p
Varianza
1−p
Var (X ) = p2
Ejemplo 1
Ejemplo 1:
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 > 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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
¾Cuál es la probabilidad de que se tengan que probar exactamente
100 latas para encontrar la primera que no cumple?
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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
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
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
Ejemplo 2
Número esperado de hijos
1 1
E (X ) = p = 0.5 =2
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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 2
Número esperado de hijos
1 1
E (X ) = p = 0.5 =2
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
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Distribución de Bernoulli
Variables Aleatorias Distribución Binomial
Distribuciones de Probabilidad Discretas Distribución Geométrica
Variables aleatorias continuas Distribución Binomial Negativa
Distribuciones de probabilidad continuas Distribución Hipergeométrica
Distribución de Poisson
Introducción
Denición:
x−r
p (X = x) = x− 1
r
r −1 p (1 − p) x = r , r + 1, r + 2, ...
r
E (X ) = p
Varianza
r (1−p)
Var (X ) = p2
r
E (X ) = p
Varianza
r (1−p)
Var (X ) = p2
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
20−1 2
(1 − 0.05)20−2 = 0.0189
p (X = 20) = 1
0.05
(2)(1−0.05)
Var (X ) = 0.052
= 760
Ejemplo 1
20−1 2
(1 − 0.05)20−2 = 0.0189
p (X = 20) = 1
0.05
(2)(1−0.05)
Var (X ) = 0.052
= 760
Introducción
nK
E (X ) = N
Varianza
np(1−p)(N−n) K
Var (X ) = N−1 ; p= n
nK
E (X ) = N
Varianza
np(1−p)(N−n) K
Var (X ) = N−1 ; p= n
Ejemplo 1
Ejemplo 1:
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:
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
Distribución de Poisson
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:
Distribución de Poisson
Distribución de Poisson:
e −λ λx
P (X = x) = , x = 0, 1, 2, ...
x!
E (X ) = λ
Varianza
Var (X ) = λ
E (X ) = λ
Varianza
Var (X ) = λ
Ejemplo 1
Ejemplo:
Ejemplo 1
solución
Ejemplo 1
Ejemplo 1
¾Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e −1 1 0
=1− = 0.0000454
0!
= 1 − 0.3678794
= 0.6321206
Ignacio Osuna Vergara Distribuciones de Probabilidad discretas y continuas
Variables Aleatorias
Distribuciones de Probabilidad Discretas Variable aleatoria continua
Variables aleatorias continuas Valor Esperado y Varianza de una V.A continua
Distribuciones de probabilidad continuas
Denición
Denición
1 Tiempo,
2 Longitud,
3 Temperatura,
4 Voltaje,
5 Corriente eléctrica,
6 Humedad.
Denición
Denición
Ejemplo
(
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
si la integral existe
Denición(Varianza)
Propiedades de la varianza
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
Distribución Uniforme
Denición
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
Ejemplo
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
x − 30 x − 30
0, 9 = P(X > x) = 1−P(X ≤ x) = 1−F (x) = 1− = 1−
40 − 30 10
Ejemplo
a+b 40 + 30
E (X ) = = = 35
2 2
Distribución exponencial
Denición
(
λe −λx si x > 0
fX (x) =
0 En cualquier otro caso
Distribución exponencial
Teorema
(
0 si x ≤ 0
FX (x) = -λx
1 −e si x > 0
Valor esperado
1
E (X ) =
λ
Varianza
1
var (X ) =
λ2
Ejemplo 1
Ejemplo 1
1 1
E (T ) = = = 100
λ 0, 01
1 1
var (T ) = 2
= = 10000
λ 0, 012
Ejemplo
Ejemplo
− e −4×2 =
P(T > 2) = 1 − P(T ≤ 2) = 1 − F (2) = 1 − 1
e −8 = 0, 000335
1 1
E (T ) = = = 0, 25
λ 4
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
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
Denición
−∞ σ 2π
Denición
Ejemplo
Ejemplo 1
Ejemplo 2
Ejemplo
Ejemplo 3
Ejemplo 4
Ejemplo
Ejemplo 5
Teorema de estandarización
X −µ
Z=
σ
tiene distribución normal con media 0 y desviación estándar 1, es
decir Z es normal estándar
Ejemplo
Ejemplo
X −µ 80 − 75 90 − 75
P(80 ≤ X ≤ 90) = P ≤ ≤
10 σ 10
= P (0 , 5 ≤ Z ≤ 1 , 5 )
= 0, 2417
Ejemplo
Ejemplo