Apuntes de Probabilidad (Unidad 2)
Apuntes de Probabilidad (Unidad 2)
Apuntes de Probabilidad (Unidad 2)
Definición.- Una variable aleatoria o estocástica es una función que asocia a cada
elemento del espacio muestral Ω, un valor numérico. Es decir, es una función con valor
numérico definido en el espacio muestral Ω.
Definición.- Una variable aleatoria discreta es aquella que sólo puede asumir un conjunto
numerable de valores. Por ejemplo: 1) Número de tornillos defectuosos
2) Número de hijos de una familia
3) Número de casas con energía eléctrica.
Definición.- Una variable aleatoria continua es aquella que puede asumir un número
infinito de valores, correspondientes a los puntos sobre un intervalo en una línea recta.
Por ejemplo: 1) Estaturas de personas
2) Distancia entre autos
3) Pesos de animales
Definición.- El conjunto de pares ordenados [x, f(x)] es una función de probabilidad masa
ó función de distribución de probabilidad de la variable aleatoria discreta X, si para cada
resultado posible x, ocurre que:
1) 0 ≤ f(x) ≤ 1
2) f(x) = 1
x
3) P(X = x) = f(x) ∀ x є R
Si x no es uno de los posibles valores de la variable aleatoria X, entonces f(x) = 0.
Ejemplo:
Puesto que todos los eventos simples o puntos muestrales de Ω son igualmente
probables, tendrán la misma probabilidad de ocurrencia que es 1/8.
Entonces si asociamos los valores que toma la variable aleatoria X con estos eventos y
las correspondientes probabilidades, se tiene:
Ω X P(X=x)
AAA 3 1/8
AAS 2 1/8
ASA 2 1/8
SAA 2 1/8
SSS 0 1/8
SSA 1 1/8
SAS 1 1/8
ASS 1 1/8
Esto se puede expresar en forma de una tabla en donde se agotan todas las posibilidades
de que X tome sus valores, y la suma de éstas es igual a 1.
X 0 1 2 3 Σf(x)
f(x) = P(X = x) 1
f(x) = P(X=x) = ; x = 0, 1, 2, 3; Ω = 23
Si sustituimos cada uno de los valores de X en esta experimentación, obtendremos los
resultados de la tabla anterior. Una distribución de probabilidad también puede
representarse gráficamente para este mismo ejemplo:
Histograma de probabil-
idad
2/5
2/7
1/5
1/9
0
0 1 2 3
Histograma de probabilidad
Ejemplo:
f(1) = P(X=1) =
f(3) = P (X=3) = x x
En general, la función de probabilidad masa está dada por:
f(x) = ; x= 1, 2, 3,...
1) La función F(x) es creciente a medida que x crece. Si x1 < x2 => F(x1) ≤ F(x2).
2) F(x) = 0
3) F(x) = 1
La gráfica de F(x) es una gráfica escalonada, es donde cuando X crece, la función retiene
su valor, hasta que X tome el siguiente valor que puede tomar.
Así para el ejemplo del lanzamiento de las tres monedas, se tiene que:
0; x ≤ 0
1/8; 0 ≤ x <1
F (x) = 4/8; 1 ≤ x < 2
7/8; 2 ≤ x < 3
1; x ≥ 3
1) 0 ≤ f(x) ≤ 1, ∀ x є R
2)
3) P(a ≤ x ≤ b) =
Ejercicio:
Kx3(1 – x2); 0 ≤ x ≤ 1
f(x) =
Encontrar el valor de k, que hace que f(x) sea una función de densidad legitima.
Solución:
k=12
F’(x) = = f(x)
2)
3)
Ejercicio:
x, 0≤x≤1
f(x) 1, 1 ≤ x ≤ 1.5
0, cualquier otro caso
a) Obtener F(x)
b) Calcular P(0 ≤ X ≤ 0.5) con f(x)
c) Calcular P(0.5 ≤ X ≤ 1.2) con F(x)
Solución:
0
Para el intervalo 1 ≤ x ≤ 1.5:
0; para x < 0
F(x) = ; para 0 ≤ x ≤ 1
; para 1 ≤ x ≤ 1.5
1; para x > 1.5
0.5
0
b) P(0 ≤ X ≤ 0.5) =
c) P(0.5 ≤ X ≤ 1.2) =
Definición.- Sea X una variable aleatoria con función de distribución de probabilidad f(x).
La media o valor esperado de X es:
En una lotería realizada a beneficio de los bomberos, se venden 8000 boletos a $1.00
cada uno. El premio son $3,000.00. Si Juan compra dos boletos, ¿cuál es la ganancia
esperada?
P(X = 2998) =
E(X) = Mx = -2 ( ) + (2.998)( ) = -$1.998
f(x) = ; x≥∞
0; cualquier otro caso
∞
0
µx = E(X) =
= 200
El dispositivo durará en promedio 200 horas
Teorema.- Sea X una variable aleatoria con función de distribución de probabilidad f(x). La
media o valor esperado de la variable aleatoria g(x) está dada por:
; si x es continua
Suponga que el número de autos X que pasan, a través de una máquina lavadora entre
las 4pm y las 5pm de un viernes, tiene la siguiente distribución de probabilidad:
x 4 5 6 7 8 9
P(X=x)
= $12.62
-1
E[ 4x + 3] = = = =8
Definición.- Sea X una variable aleatoria con función de probabilidad f(x) y media µ. La
varianza de la variable aleatoria X, es:
Si los valores de x están más cerca a µ, entonces la varianza será más pequeña y
viceversa.
Teorema.- La varianza de una variable aleatoria X, está dada por:
σ2x = E(x2) - µ2
σ2x = E [(x - µ)2] = (x - µ)2f(x) = (x2 – 2xµ + µ2)f(x) = x2f(x) - 2µ x f(x) + µ2 f(x)
x 0 1 2 3 Calcular σ2x:
f(x) 0.51 0.38 0.10 0.01
Solución:
Calcule µx y σ2x:
Solución:
E(x) = µx = = 1.66
E(x2) = = 2.8
∴ σ x = E(x ) - µ = 0.744
2 2 2
Teorema.- Sea X una variable aleatoria con función de probabilidad f(x). La varianza de la
variable aleatoria g(x) está dada por:
x 0 1 2 3
f(x)
Solución:
Sea X una variable aleatoria que tiene la función de densidad de probabilidad siguiente.
Determine la varianza de la variable aleatoria g(x) = 4x +3.
; -1 < x < 2
f(x)=
0; cualquier otro caso
Solución: