Apuntes de Probabilidad (Unidad 2)

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 13

UNIDAD 2

2.1 VARIABLE ALEATORIA Y FUNCIONES DE PROBABILIDAD

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.

Las variables aleatorias se clasifican en discretas y continuas.

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.

Las variables aleatorias discretas se definen en un espacio muestral discreto

Definición.- Si un espacio muestral Ω contiene un número finito de posibilidades o una


secuencia interminable con tantos elementos como números naturales exista, recibe el
nombre de espacio muestral discreto.

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

Las variables aleatorias continuas se definen en un espacio muestral continuo.

Definición.- Si un espacio muestral Ω contiene un número infinito de posibilidades, igual al


número de puntos en un segmento de línea recta, se llama espacio muestral continuo.

2.2 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

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:

Sea el experimento de lanzar 3 monedas, si X se define como el número de águilas


observadas al lanzar las 3 monedas, entonces la variable aleatoria X puede tomar los
siguientes valores: x= 0, 1, 2, 3. Note que el que la variable aleatoria X tome alguno de
sus valores, representa la ocurrencia de un evento, por ejemplo:
X= 1, implica observar el evento que ocurra un águila al lanzar las 3 monedas.

El espacio muestral para este experimento es:

Ω = {AAA, AAS, ASA, SAA, SSS, SSA, SAS, ASS}

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

Entonces: P(X=0) = f(0); P(X=1) = f(1); … etc.

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

La función de probabilidad masa es una expresión matemática que generaliza lo anterior:

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:

Considere el experimento de lanzar una moneda legal. Sea X= número de lanzamientos


hasta observar sol. El espacio muestral es infinito numerable: Ω = {S, AS, AAS, AAAS,…}.

La variable aleatoria X toma valores x=1, 2, 3…

f(1) = P(X=1) =

f(2) = P(X=2) = x . Nótese que es una intersección de eventos independientes.

f(3) = P (X=3) = x x
En general, la función de probabilidad masa está dada por:

f(x) = ; x= 1, 2, 3,...

Definición.- La función de distribución acumulada F(x) de una variable aleatoria discreta X,


cuya función de probabilidad masa es f(x), está dada por:

F(x) = P(X ≤ x) = f(xj); para -∞ < x <∞


F(x) se define sobre la recta real. El valor de F(x) ∀ x; deberá ser un número real en el
intervalo 0 ≤ F(x) ≤ 1, es decir, la función de distribución acumulativa no sólo se define
para los valores que tome X, sino para todos los números reales.
2.3 PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCION ACUMULADA

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:

F (0) = P(X ≤ 0) = f (0) =

F (1) = P(X ≤ 1) = f (0) + f (1) = + =

F (2) = P(X ≤ 2) = f (0) + f (1) + f (2) = + + =


F (3) = P(X ≤ 3) = f (0) + f (1) + f (2) + f (3) = 1

0; x ≤ 0
1/8; 0 ≤ x <1
F (x) = 4/8; 1 ≤ x < 2
7/8; 2 ≤ x < 3
1; x ≥ 3

La gráfica correspondiente es:


2.4 DISTRIBUCION DE PROBABILIDAD CONTINUA

Definición.- La función f(x) es una función de densidad de probabilidad para la variable


aleatoria continua X, definida en el conjunto de los reales, si:

1) 0 ≤ f(x) ≤ 1, ∀ x є R

2)

3) P(a ≤ x ≤ b) =

Ejercicio:

La humedad relativa X medida en cierto lugar, tiene una función de densidad de


probabilidad dada por:

Kx3(1 – x2); 0 ≤ x ≤ 1
f(x) =

0; cualquier otro caso

Encontrar el valor de k, que hace que f(x) sea una función de densidad legitima.

Solución:

k=12

2.5 DISTRIBUCIÓN DE PROBABILIDAD ACUMULADA CONTINUA

La función de distribución acumulada de una variable aleatoria continua X, se define al


igual que para el caso discreto; como:

F(x) = P(X < x)


Sea X una variable aleatoria continua, y sean f(x) y F(x), la función de densidad de
probabilidad y la función de distribución acumulada de X respectivamente. Puesto que
P(X=x) = 0, entonces F(x) no tendrá saltos. Por lo tanto F(x) es continua sobre toda la
recta real. Entonces:

F(x) = P(X<x) = ; -∞ < x < ∞

Por lo que para cualquier x en la que F(x) es continua, se tiene que:

F’(x) = = f(x)

Por lo tanto, la distribución de una variable aleatoria continua X, se puede representar


tanto por f(x) como por F(x), entonces:

P(a < x < b) = F(b) – F(a)

Las propiedades de F(x) para el caso continuo son:


1) F(x) es creciente

2)

3)

Ejercicio:

Un vendedor de Keroseno tiene un tanque de 150 galones que se llena al principio de


cada semana. Su demanda semanal tiene una frecuencia relativa que crece
constantemente desde 0 hasta 100 galones, y permanece constante entre 100 y 150
galones. Si X denota la demanda semanal en cientos de galones, la función de densidad
de probabilidad de x, se representa por:

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:

a) Para x < 0; F(x) = 0


Para x > 1.5; F(x) = 1
Para el intervalo 0 ≤ x ≤ 1:
2

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) =

2.6 ESPERANZA MATEMÁTICA O VALOR ESPERADO

Definición.- Sea X una variable aleatoria con función de distribución de probabilidad f(x).
La media o valor esperado de X es:

Mx = E(X) = si X es una variable aleatoria discreta

si X es una variable aleatoria continua

Ejemplo (caso discreto):

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?

Sea X = ganancia de Juan


La variable aleatoria X puede tomar 2 valores:
x = -2 (pierde $2.00) ó x = 2998 (gana)

P(X = -2) = f(-2) =

P(X = 2998) =
 E(X) = Mx = -2 ( ) + (2.998)( ) = -$1.998

Es decir, se espera que Juan pierda $1.998

Ejemplo (caso continuo):

Sea X la variable aleatoria continua que representa la vida en horas de un dispositivo


electrónico, cuya función de densidad es:

f(x) = ; x≥∞
0; cualquier otro caso

Calcule la vida esperada o promedio de este dispositivo:


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:

µg(x) = E[ g(x) ] = ; si x es discreta

; si x es continua

Ejemplo (caso discreto):

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)

Sea G(x) = 2x – 1, la variable aleatoria que representa la cantidad de dinero que el


gerente del negocio considera como ganancias. Encuentre la ganancia esperada en este
periodo de tiempo en particular.
E[ g(x) ] = E[ (2x -1) ] = g(xi) f(xi) = (2x – 1)f(x)
= [2(4) – 1] + [2(5) – 1] + [2(6) – 1] + [2(7) – 1] + [2(8) – 1] + [2(9) – 1]

= $12.62

Ejemplo (caso continuo):

Sea X una variable aleatoria con función de densidad:

f(x) = ; -1 < x < 2


0; cualquier otro caso

Encuentre el valor esperado de g(x) = 4x + 3

-1
E[ 4x + 3] = = = =8

2.7 VARIANZA σ2x

La media o valor esperado de una variable aleatoria X es de mucha importancia, sobre


todo en estadística, porque determina el lugar en donde se centra la distribución de
probabilidad, es decir, en donde los datos u observaciones se encuentran más
concentradas y también nos indican el suceso o valores de X que se presentan con mayor
probabilidad. Pero no nos indican como están distribuidos los datos, es decir, qué tan
dispersos están con referencia a la media.

La medida más importante de variabilidad o dispersión de la distribución de una variable


aleatoria X, se llama varianza.

Definición.- Sea X una variable aleatoria con función de probabilidad f(x) y media µ. La
varianza de la variable aleatoria X, es:

(x - µ)2 f(x); Si x es discreta


σ2x = E[(x - µ2)] =

(x - µ)2 f(x); Si x es continua


La raíz cuadrada positiva de la varianza se llama desviación estándar “σ”. Las cantidades
x - µ reciben el nombre de desviación de una observación ó valor de x, con respecto a la
media µ.

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

Demostración (caso discreto):

σ2x = E [(x - µ)2] = (x - µ)2f(x) = (x2 – 2xµ + µ2)f(x) = x2f(x) - 2µ x f(x) + µ2 f(x)

= x2f(x) - 2µ2 + µ2 = x2f(x) - µ2

Donde x2f(x) = E(x2)


 σ = E(x2) - µ2 = E(x2) – [E(x)]2
2
x

Demostración (caso continuo):

σ2x = E [(x - µ)2] = (x - µ)2f(x) dx = E(x2) - µ2 = x2f(x) dx - xf(x) dx

Ejercicio (caso discreto):

Sea la variable aleatoria X que representa el número de partes defectuosas de una


máquina, cuando 3 de ellas se seleccionan de una línea de producción y se prueban. La
distribución de probabilidad de X es la siguiente:

x 0 1 2 3 Calcular σ2x:
f(x) 0.51 0.38 0.10 0.01

Solución:

Calculando primero E(x) = µ:


µ = 0(0.51) + 1(0.38) + 2(0.10) + 3(0.01) = 0.61
Ahora:
E(x2) = 02(0.51) + 12(0.38) + 22(0.10) + 32(0.01) = 0.87
 σ2x = E(x2) - µ2 = 0.87 – (0.61)2 = 0.4975

La desviación estándar es = σ = 0.705


Ejercicio (caso continuo):

La demanda semanal de pepsicola en miles de litros de una cadena de tiendas, es una


variable aleatoria continua X que tiene la siguiente función de densidad de probabilidad:

2(x -1); 1<x<2


f(x)=
0; cualquier otro caso

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:

[g(x) - µg(x)]2 f(x); caso discreto


σ 2
g(x) = E{ [g(x) - µg(x)] } =
2

[g(x) - µg(x)]2 f(x) dx; caso continuo

Ejercicio (caso discreto):

Determinar la varianza de la variable aleatoria g(x) = 2x + 3, donde X es una variable


aleatoria con distribución de probabilidad dada por:

x 0 1 2 3

f(x)

Solución:

µg(x) = [g(x)] = E(2x + 3) = (2x + 3) f(x) = 3( ) + 5( ) + 7( ) + 9( ) = = 5.2

 σ2g(x) = [2x + 3 – 5.2]2 f(x) =

= (3 – 5.2)2 + (5 – 5.2)2 + (7 – 5.2)2 + (9 – 5.2)2 = 3.44


Ejercicio (caso continuo):

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:

µg(x) = (4x – 5)2 dx = 8

σ2g(x) = E[ (4x + 3 – 8)2 ] = E[ (4x – 5)2] = (4x – 5)2 dx

= (16x2 – 40x + 25) dx = = 10.2

También podría gustarte