Académique Documents
Professionnel Documents
Culture Documents
Variables Aleatorias
Distribuciones
Funcin que asigna a cada punto del espacio muestral
un nmero real
X : O R
Ejemplo N1: O ={ falla , no falla }
X({ no falla }) = 0
X({ falla }) = 1
Variables Aleatorias
falla
no falla
O
Espacio Muestral
X({falla}) = 1
X({no falla}) = 0
0 1
+
Conjunto
Nmeros
Reales
IR
X : O Rx e
X
-1
(|-, x|) e
Familia de eventos elementales
IR
A cada s e O
le corresponde
exactamente
un valor X(s)
Variables Aleatorias
a b
El espacio R
X
es el conjunto de TODOS los posible valores de X(s).
En cierto sentido podemos considerar Rx como otro espacio muestral
El espacio muestral original induce un espacio muestra Rx asociado a
la Variable Aleatoria X
Luego un evento A en S induce un evento en el espacio muestral R
X
R
X
O
X(s) = b; s e O
X(s) = a
s
i
A
s
k
O
Variables Aleatorias
( a < x < b )
( a < x s b ]
[ a s x < b )
[ a s x s b ]
Ntese que
para cada
par de
nmeros
reales a y b
existen los
siguientes
conjuntos
a b
R
X
X(s) = b; s e O
X(s) = a
s
i
s
k
A
( x > a
( x > a
x < b ) -
x s b ] -
Variables Aleatorias
El concepto de Probabilidad de ocurrencia de
eventos en el espacio muestral O se puede aplicar a
eventos en R
X
.
R
X
X: O R
X
O
X(s) = x
1
0
f : R [0, 1]
f(x)
0 s P(X(s) = x ) = f(x) s 1
s
Funcin de Probabilidad
Variable Aleatoria
X : O R
X
-1
(|-, x|) e
Variable Aleatoria Discreta
Sea Ce (con C _ O) Soporte contable
f : C R C = { c
i
: i e I _ N }
i) f(c
i
) > 0
ii) = 1
Usando la transformacin X
eI i
i
) f(c
= =
i
i i
x X P X E x X V ) ( ) (
2
1. Distribucin Bernoulli
X : O R
P(X()=0) = 1 p
P(X()=1) = p
E |X| = 0 ( 1 - p ) + 1 * p = p
V |X| = ( 0 - p )
2
( 1 - p ) + ( 1 - p )
2
p = p ( 1 - p )
Distribuciones Discretas Especiales
Consideremos un solo experimento c
sea A un evento asociado con tal experimento.
supongamos que P(A) = p; luego P(A
c
) = 1- p
P(X = 1) = p
P(X = 0) = 1 p
f(x) = P(X =x) = p
x
(1 p)
1-x
X = 0, 1
0 < p < 1
Entonces su funcin de
cuanta es
0
0 1
p = 0,7
x
f(x)
Sea la v.a. X(A ) = 1
X(A
c
) = 0
Funcin de Distribucin v.a. Discreta
2. Distribucin Binomial
Supongamos que de una lnea de produccin se
extraen n piezas con reemplazo, las cuales
pueden ser defectuosas o no con una
probabilidad p.
X: N de piezas defectuosas en las n
extracciones
Entonces
k =0, 1, 2,......,n
k n k
p p
k
n
k X P
|
|
.
|
\
|
= = ) 1 ( ) (
Distribuciones Discretas Especiales
E |X| = np
V |X| = np (1-p)
Notacin: X ~ B( n , p )
Se utiliza en el muestreo de una poblacin
finita con reemplazo.
Tambin cuando la poblacin es muy grande,
con o sin reemplazo, ya que p se hace
relativamente constante.
x
n
Sean n repeticiones independientes del experimento
O consiste de todos los posibles secuencias { a
1
, a
2
, a
3
, .., a
n
},
donde cada a
i
puede ser un evento A o un evento A
c
.
Existen 2
n
de tales secuencias
Sea la variable aleatoria
X := nmero de veces que
ocurre el evento A
sus posibles valores son:
0, 1, 2, 3 , ....., n
f(x) = P(X = x) = p
x
(1 p)
n-x
x = 0, 1, 2,......,n
0 < p < 1
0,000
0,100
0,200
0,300
0 1 2 3 4 5 6 7 8 9
n = 16
p = 0,2
x
f(x)
Funcin de Distribucin v.a. Discreta
3. Distribucin Hipergeomtrica
Surge en poblaciones que contienen elementos
clasificables en 2 estratos ( con defectos: D ; sin
defectos: N - D ).
Consideremos un lote de tamao N. Se extrae
una muestra de tamao n sin reemplazo.
X: N de artculos defectuosos en la muestra
Distribuciones Discretas Especiales
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
k n
D N
k
D
k X P ) (
k =0,1,2,.....,min{ n , D }
Es aplicable al muestrear lotes de tamao
pequeo en relacin al tamao de la muestra
( N s 10 n ).
| |
N
D
n X E = | |
) 1 (
) )( (
2
=
N N
n N D N D
n X V
4. Distribucin de Poisson
Supongamos que tenemos una muestra de
tamao grande, para lo cual la probabilidad de
encontrar un artculo defectuoso es pequeo
p, y por lo tanto np el nmero total de
artculos defectuosos en la muestra. Sea = np.
Entonces
k =0, 1, 2,.......
!
) (
k
e
k X P
k
= =
Distribuciones Discretas Especiales
E |X| =
V |X| =
Caso lmite: X ~ B( n , p )
con n p ~ 0
{ } n
k I
n n k
n
k X P
k n k
, ,.... 2 , 1 , 0
) ( 1 ) (
|
.
|
\
|
|
.
|
\
|
|
|
.
|
\
|
= =
) (
!
) ( k I e
k
k X P
k
= =
N
0
Se define una v.a. X igual al nmero de piezas defectuosas;
luego, X = { 0, 1, 2, 3). Encontrar (x
i
, f(x
i
))
Las piezas a la salida de una lnea de produccin se clasifican
en defectuosas (D) o no defectuosas (N).
Se toma tres piezas aleatoriamente y se clasifican de acuerdo
a este esquema. El O para este experimento es:
O = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
La probabilidad que una pieza sea defectuosa es p y no
cambia. Eso implica que si la poblacin es finita, las
observaciones se hacen con reemplazo
Interesa el nmero de piezas D y no el orden en que salen.
Cronstruccin de un Modelo Probabilstico
O = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
x
f(x)
0
(1-p)
3
0
0,1
0,2
0,3
0,4
0,5
2
3(1-p)
p
2
3
p
3
1
X(NND)= 1
X(NDN)= 1
X(DNN)= 1
3(1-p)
2
p
3 P(N) P(N) P(D)
Creando un Modelo Probabilstico
x
1
0
F(x)
x
1
x
2
x
3
x
4
x
5
x
6
xn
P(X=x
5
) = f(x
5
) Funcin de Probabilidad de masa
Funcin de Frecuencia
F(x) = 0 x
< x
1
= E f( x
i
) x
1
s x < x
2
1
i = 1
= E f( x
i
) x
2
s x < x
3
2
i = 1
= E f( x
i
) x
3
s x < x
4
3
i = 1
= E f( x
i
) x
4
s x < x
5
4
i = 1
Funcin de Distribucin v.a. Discreta
Cuando el experimento c se realiza sobre un espacio muestral
O que est relacionado con escalas intevalares (tales como
mediciones de distancias, volmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)
Ya que los posibles valores de X en un intervalo, a < x < b,
son infinitos - no enumerables - no podemos hablar del
i-simo valor de X = x
i
; En tales casos se habla se Variables
Aleatorias Continuas, donde R
x
es un intervalo o un conjunto
de intervalos; entonces existe una funcin continua especial
f:
f(x) = lim
h 0
> 0
P(x < X < x + h)
h
R
R
Variables Aleatorias Continuas
f(x)
x
f(x) > 0;
Sea X una variable
aleatoria continua. La
funcin densidad de
probabilidad (pdf) es
una funcin que
satisface:
x e R
x
e , +
}
f(x) dx = 1
R
x
a b
}
=
b
a
dx x
P(A) = P(a < x < b)
) (
f
A: un evento
A: { x| a < x s b)
Variables Aleatorias Continuas
Estn definidas por una densidad de v. a. X
f : R R se dice densidad de probabilidad
Propiedades:
1. f (x) > 0
2.
}
=
-
1 )d f( x x
Distribuciones de Probabilidad Continuas
}
= s =
x
dt t x X P x F ) ( f ) ( ) (
Observaciones
1.
2.
3. F (-) = 0 ; F () = 1
4. F
x
es no decreciente
5.
6.
}
= s s
b
a
dx x b x a P ) ( f ) (
| |
}
=
R |
) ( f dx x x X E
| | | |
}
=
R
dx x f X E x X V ) ( ) (
2
a b
}
=
b
a
dx x f A ) (
f(x)
x
Si X es una variable aleatoria, la Funcin de Distribucin Acumulada
mide la probabilidad de un suceso en un intervalo de valores:
F(x) = P(X s x)
Si X es una v.a. Continua
F(x) = f(t) dt
Donde la sumatoria es
reemplazada por una
integracin para todos los
valores de t s x
}
x
-
Si X es una v.a. Continua
Si X es una v.a. Discreta
F(x) = f(x
i
)
Donde la suma es
tomada sobre todos los
ndices i que satifacen
x
i
s x
E
i - x
i
s x
Si X es una v.a. Discreta
Funcin de Distribucin Acumulada
II) Sea F : R R , F
u
Distribucin, entonces:
i) F es no decreciente
ii) F es continua por la derecha
iii) lim F(x) = 0 . lim F(x) = 1
Luego P(| - , x |) = F(x) define una Probabilidad
Adems: P( |a,b| ) = F(b) - F(a)
P( |a,b| ) = F(b) - F(a
-
)
P( |a,b| ) = F(b
-
) - F(a)
P( |a,b| ) = F(b
-
) - F(a
-
)
Construccin de Modelos de Probabilidad
a b
x f
=
1
) (
a s x s b
min mx
0,0
0,1
0,2
2 3 4 5 6 7 8 9 10 11 12
a b
f(x)
x
Sea X una variable aleatoria
continua que puede tomar
cuarquier valor entre a s x s b;
cuya pdf es:
Sea a = 3; b = 12
A: el evento { 4 < x < 7 }
Entonces:
}
=
7
4
dx
P(A) = P(4 < x < 7)
9
1
P(A) =
1
3
Variables Aleatorias Continuas
1. Distribucin Uniforme: Dada la funcin de
densidad
La funcin de Distribucin es
b x a
a b
x f < <
=
1
) (
b x
b x a
a b
a x
a x
x F
>
< <
s
=
1
0
) (
Distribuciones Continuas Especiales
Notacin: X ~ U( a , b )
| |
2
b a
X E
+
= | |
12
) (
2
a b
X V
=
2. Distribucin Normal
F(x) : No tiene expresin analtica
R x e x f
x
e =
|
.
|
\
|
, ) (
2
2
1
2
1
o
o t
Distribuciones Continuas Especiales
Notacin: X ~ N( , o
2
)
| | = X E
| |
2
o = X V
Estandarizacin
Haciendo
~ N( 0 , 1 )
se tiene que:
y F
Z
(z) se obtiene de tablas !
o
=
X
Z
R z e z f
z
z
e =
, ) (
2
2
1
2
1
t
3. Distribucin Rayleigh
0 ) (
2
2
2
2
> =
x si e
x
x f
x
X
o
o
0 1 ) (
2
2
2
> =
x e x F
x
X
o
| |
2
2t o
= X E
| |
2
)
2
2 ( o
t
= X V
Distribuciones Continuas Especiales
4. Distribucin Gamma
) (
) (
) , , (
1
x I
e x
x f
R
x
X +
I
=
o
| o
| o
| o
}
= s =
x
X
dt t f x X P x F ) , , ( ) ( ) ( | o
| | o| = X E | |
2
o| = X V
Distribuciones Continuas Especiales
Funcin Densidad de Probabilidades
5. Distribucin Chi-Cuadrado
Evaluando en Gamma
Se llega a que X ~ _
2
(n) I ( n/2 , 2 )
) (
2 )
2
(
) 2 ,
2
, (
2
2
1
2
x I
n
e x n
x f
R
n
x n
X +
I
= = =
| o
| | n X E = | | n X V 2 =
Distribuciones Continuas Especiales
6. Distribucin Beta
X ~ | ( r , s ) ssi
| |
) ( ) (
) ( ) (
) (
) , , (
,
x I x x
s r
s r
s r x f
s r
X 1 0
1 1
1
I I
+ I
=
}
=
1
0
1 1
1 dx x x s r
s r
) ( ) , ( |
}
> = I
0
1
0 n dy e y n
y n
) (
Distribuciones Continuas Especiales
) (
) ( ) (
) , (
s r
s r
s r
+ I
I I
= |
| |
s r
r
X E
+
=
| |
) ( ) ( 1
2
+ + +
=
s r s r
rs
X V
| |
) ( ) (
) ( ) (
u s r r
u r s r
X E
+ + I I
+ I + I
=
}
= s =
x
X
du s r u f x X P x F ) , , ( ) ( ) (
Funcin Densidad de Probabilidades