4 Variable Aleatoria

VARIABLE ALEATORIA
INTRODUCCIN AL CONCEPTO DE VARIABLE ALEATORIA

Frecuentemente, cuando realizamos un experimento aleatorio nos
interesa, ms que el resultado del experimento, una caracterstica
de inters asociada a los resultados.

Experimento 1: Lanzamiento de dos dados.
Caracterstica de inters = Suma de ambos dados

Experimento 2: Lanzar una moneda cinco veces.
Caracterstica de inters = N de veces que ha
salido cara

Estas Caractersticas de inters son variables que dependen del
resultado obtenido al efectuar el experimento aleatorio. Por tanto,
pueden entenderse como funciones que asignan a cada posible
resultado del experimento un nmero real.

Una variable aleatoria es una funcin que asigna un nmero a
cada resultado posible de un experimento aleatorio. Suele
designarse el nombre de la variable con una letra mayscula, por
ejemplo X.

Conviene tener en cuenta que a un mismo experimento aleatorio
pueden asociarse diversas variables aleatorias, dependiendo de la
observacin que realicemos.

CONCEPTO DE VARIABLE ALEATORIA
Ejemplo En el lanzamiento de dos dados
podramos considerar las siguientes variables
aleatorias:
X = Suma de las puntuaciones.
Y = Producto de las puntuaciones.
Z = N de veces que ambos dados han sacado la
misma puntuacin.
TIPOS DE VARIABLES ALEATORIAS

DISCRETAS

Variables aleatorias que
toman valores numricos
aislados y puntuales.
Llamadas de telfono que
recibimos en nuestro mvil
cada da.

Aciertos en un examen
tipo test.

Coches que atraviesan
una calle cada 5 minutos.

CONTINUAS

Variables aleatorias que
toman todos los valores
posibles dentro de un
intervalo.
Estatura de un individuo.

Temperatura de un
individuo.

Tiempo de duracin de
una bombilla.

VARIABLES ALEATORIAS DISCRETAS
Las variables discretas quedan determinadas cuando conocemos
los posibles valores que toma y la probabilidad que toma cada uno
de sus valores .

FUNCIN DE MASA DE PROBABILIDAD
La funcin de masa de probabilidad de una variable aleatoria
discreta es una funcin que asigna a cada valor posible de esta
variable aleatoria una probabilidad.

Si la variable aleatoria X toma los valores x
1
, x
2
, . . . , x
n
y conocemos
los valores p
i
= P[X = x
i
] con i= 1,,n, la funcin de masa de
probabilidad de la v.a discreta X viene dada por:

X x
1
x
2
x
3
x
n

p
i
= P[X = x
i
] p
1
p
2
p
3
p
n

FUNCIN DE MASA DE PROBABILIDAD
Para que la funcin de masa de probabilidad est bien
definida debe respetar las siguientes condiciones:

1 0 s s
i
p
1
1
=
=
n
i
i
p
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.

Variable Aleatoria: Suma de las puntuaciones de ambos dados.

X= Suma de las puntuaciones de ambos dados

Resultados posibles del experimento segn las puntuaciones
obtenidas con los dados. Cada uno de estos 36 casos son
equiprobables.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Rango de X={2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Prob. Pi
X
1/36 5/36 3/36 2/36 3/36 4/36 5/36 4/36 1/36 2/36 6/36
8 11 10 9 7 6 5 2 3 4 12
( ) ( ) | | 1 , 1
36
1
2 = = X P
( ) ( ) ( ) | | 2 , 1 , 1 , 2
36
2
3 = = X P
36
k) (Suman #
k) Prob(X = =
La funcin de masa de probabilidad de la v.a discreta


viene dada en la siguiente tabla:
EJEMPLO
FUNCIN DE DISTRIBUCIN
La funcin de distribucin de una variable aleatoria se corresponde
con el concepto de frecuencia relativa acumulada. La funcin de
distribucin, F(x), se define:
s
= s =
x x
i
i
x P x X P x F ) ( ] [ ) (
PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN
1. Siempre es montona creciente Si x
1
<x
2
entonces F

(x
1
) F

(x
2
)

2. F(x) verifica:

3. F(x)es siempre continua por la derecha.

1 (x) F lim
X
x
=
+
0 (x) F lim
X
x
=

FUNCIN DE DISTRIBUCIN Y CLCULO DE
PROBABILIDADES

La Funcin de Distribucin permite calcular la probabilidad de los
sucesos ms usuales asociados a una variable. De forma general:

1) P(X a)=F(a)

2) P(X > a)= 1-F(a)

3) P(a<Xb)= F(b)-F(a).
Esta propiedad me permite calcular fcilmente la probabilidad
de que la variable tome valores en un intervalo.
Cuidado con las desigualdades en las variables discretas.
Probabilsticamente NO es lo mismo que < y que >
EJEMPLO

La funcin de distribucin de la v.a discreta


viene dada en la siguiente tabla:
F(xi)
X
1/36 26/36 33/36 3/36 6/36 15/36 30/36 1 35/36 21/36
8 11 10 9 7 6 5 2 3 4 12
10/36
EJEMPLO
La representacin grfica de esta funcin de distribucin es:
Atencin! Grfica escalonada
MEDIA Y VARIANZA
El valor esperado, esperanza o media de una variable aleatoria
discreta se define como:

La varianza de una variable aleatoria discreta se define como:
= =
=
n
i 1
i i
p x E(X)
2 2
n
1 i
i
2
i
n
1 i
i
2
i
p x p ) (x Var(X) o = = =

= =
En estas expresiones se ha sustituido la frecuencia relativa,
que se usaba en el caso de los parmetros muestrales
correspondientes, por la probabilidad.
EJEMPLO

Variable Aleatoria: X= Suma de las puntuaciones de ambos dados
Prob. Pi
X
1/36 5/36 3/36 2/36 3/36 4/36 5/36 4/36 1/36 2/36 6/36
8 11 10 9 7 6 5 2 3 4 12
puntos 7
36
1
12 ...
36
2
3
36
1
2 p x E(X)
n
1 i
i i
= + + + = =
=
( )
2
2
2 2 2 2
83 , 5 7
36
1
12 ...
36
3
4
36
2
3
36
1
2 ) ( puntos X Var =
|
.
|
\
|
+ + + + =
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE BERNOULLI
A los experimentos aleatorios en los que slo se pueden dar
dos resultados posibles (xito - fracaso) se denominan
experimentos o pruebas de Bernoulli.

Ejemplos de pruebas de Bernoulli:

Lanzar un dado y observar si el resultado es par.
Lanzar una moneda y observar si el resultado es cruz.
Observar si una pieza fabricada por una determinada
mquina es defectuosa.
Observar si un recin nacido es varn.
Observar si un accidente de trfico tiene resultado de
muerte.

Dada una prueba de Bernoulli, la v.a X que toma el valor 1 si se
presenta xito y el valor 0 si se presenta fracaso, diremos que se
distribuye segn una distribucin de Bernoulli:
X 0 1 E(X) = p
P(X) 1-p p Var(X) = p(1-p)
p : probabilidad de obtener xito en el experimento
1-p : probabilidad de obtener fracaso en el experimento.
) ( p Be X
EJEMPLO
Si un proceso de fabricacin produce un 2% de elementos
defectuosos y llamamos xito el resultado de obtener un producto
correcto, entonces la v.a:

X= Observar si el producto es correcto

sigue una distribucin de Bernoulli, es decir,
) 98 . 0 ( = p Be X
X 0 1
P(X) 0.02 0.98
E(X) = p= 0.98
Var(X)=p(1-p)=0.980.02=0.0196
DISTRIBUCIN BINOMIAL
Si una prueba de Bernoulli, se realiza consecutivamente n veces,
de forma independiente y siempre en las mismas condiciones que
la primera vez puede interesarnos conocer el nmero total de
xitos conseguidos.

) , ( p n B X
p : probabilidad de obtener xito en cada prueba.
En una prueba de Bernoulli, la variable aleatoria:

X= N de xitos aparecidos en n pruebas.

decimos que sigue una distribucin Binomial de parmetros n y p.

k n k
p) (1 p
k
n
k) P(X
|
|
.
|
\
|
= =
E(X) = n p
Var(X)=n p(1-p)
La funcin de probabilidad de la distribucin Binomial viene dada
por:
n : nmero de veces que se realiza el experimento.
p : probabilidad de xito en cada prueba.
1-p : probabilidad de fracaso en cada prueba.
k : Nde xitos al que queremos calcular la probabilidad.

La media y la varianza de la distribucin Binomial son:
Atencin! Rango de k: 0, 1,,n
EJEMPLO
En un proceso de fabricacin industrial se producen un 12% de piezas
defectuosas.
Cul es la probabilidad de que de un lote de 20 piezas resulten
defectuosas al menos 3?
Definimos la variable : X=N de piezas defectuosas en un lote de 20
) 12 . 0 ; 20 ( B X
| | | | | | | | | | | |
( ) ( )
( ) ( )
( ) ( ) 27403 . 0
18
88 . 0
2
12 . 0
2
20
] 2 [
21153 . 0
19
88 . 0
1
12 . 0
1
20
] 1 [
07756 . 0
20
88 . 0
0
12 . 0
0
20
] 0 [
2 1 0 1 3 1 3
=
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
= =
= = + = + = = < = >
X P
X P
X P
X P X P X P X P X P 0.43688
DISTRIBUCIN GEOMTRICA

En una proceso de Bernoulli, la variable aleatoria:

X= N de prueba en la que aparece el primer xito.

decimos que sigue una distribucin Geomtrica de parmetro p.
) ( p Ge X
( ) p p k X P
k
= =
1
1 ) (
La funcin de probabilidad de la distribucin Geomtrica viene
dada por:
q = 1-p : probabilidad de fracaso en cada prueba.
k : N de intentos necesarios para conseguir el primer xito.
La media y la varianza de la distribucin Geomtrica son:
E(X) = 1/p
Var(X)=q/p
2

Atencin! Rango de k: 1, 2,
EJEMPLO
defectuosas.
Cul es la probabilidad de que sea necesario fabricar 8 piezas hasta
encontrar la primera pieza defectuosa?
Definimos la variable : Y= N de piezas que se necesitan fabricar hasta
encontrar la primera defectuosa
) 12 . 0 ( Ge Y
| | ( ) ( ) 0.049 = = = 12 . 0 88 . 0 8
7
Y P
Cul es la probabilidad de que sea necesario fabricar ms de 3 piezas hasta
encontrar la primera pieza defectuosa?
EJEMPLO
| | | |
( )( )
( ) ( ) 0929 . 0 12 . 0
2
88 . 0 ] 3 [
1056 . 0 12 . 0 88 . 0 ] 2 [
12 . 0 ] 1 [
]] 3 [ ] 2 [ ] 1 [ [ 1 3 1 3
=
=
= =
= =
= =
= = + = + = = s = >
Y P
Y P
Y P
Y P Y P Y P Y P Y P 0.6815
DISTRIBUCIN BINOMIAL NEGATIVA

En una proceso de Bernoulli, la variable aleatoria:

X= N de pruebas que son necesarias hasta obtener r xitos.

decimos que sigue una distribucin Binomial Negativa de
parmetros p y r.
) , ( p r BN X
r : nmero de xitos que se quieren conseguir.

La funcin de probabilidad de la distribucin Binomial Negativa
viene dada por:
q=1-p : probabilidad de fracaso en cada prueba.
r : nmero de xitos que se quieren conseguir.
k : nmero de intentos necesarios para conseguir r xitos.
La media y la varianza de la distribucin Binomial Negativa son:
E(X) = r/p
Var(X)= rq/p
2

P(X =k) =
k 1
r 1
p
r
1 p
( )
k r
Atencin! Rango de k: r, r+1,
EJEMPLO
defectuosas.
Cul es la probabilidad de que sea necesario fabricar entre 40 y 42 piezas
para conseguir 5 piezas defectuosas?
Definimos la variable : T=N de piezas que se necesitan fabricar hasta
encontrar la 5 defectuosa
) 12 . 0 ; 5 ( BN T
| |
( ) ( )
( ) ( )
( ) ( )
02225 . 0
37
88 . 0
5
12 . 0
4
41
] 42 [
02281 . 0
36
88 . 0
5
12 . 0
4
40
] 41 [
02333 . 0
35
88 . 0
5
12 . 0
4
39
] 40 [
] 42 [ ] 41 [ ] 40 [ 42 40
= = =
= = =
= = =
= = + = + = = s s
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
T P
T P
T P
T P T P T P T P 0.06839
DISTRIBUCIN HIPERGEOMTRICA

Un modelo o variable con distribucin Hipergeomtrica surge cuando
medimos el n de xitos obtenidos al realizar n extracciones sin
reemplazamiento de una poblacin de tamao N, donde M individuos
presentan una caracterstica determinada (xitos) y los restantes N-M
individuos no presentan dicha caracterstica (fracasos).

La distribucin Hipergeomtrica representa una variante de la
distribucin Binomial cuando no podemos suponer que las pruebas de
Bernoulli son independientes.

Si se tiene un conjunto con N elementos, M de una clase y N-M de otra,
y se extraen n de ellos sin reemplazamiento, la probabilidad de extraer
k elementos de la primera clase es:
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
k n
M N
k
M
k X P ) (
Decimos que la variable aleatoria:

X= N de elementos obtenidos de la primera clase

sigue una distribucin hipergeomtrica de parmetros N, M y n.
) , , ( n M N H X
Si llamamos p= M/N, la media y la varianza de la distribucin
Hipergeomtrica son:
) 1 (
1
) (
) (
p np
N
n N
X Var
np X E

=
=
EJEMPLO
En un lote de 50 piezas hay 10 defectuosas. Si elegimos al azar 6 piezas:
Cul es la probabilidad de que 2 sean defectuosas?
Definimos la variable : X=N de piezas defectuosas extradas
) 6 ; 10 ; 50 ( H X
0.2588 =
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
15890700
91390 45
6
50
4
40
2
10
2) P(X
EJEMPLO
Si elegimos al azar 6 piezas:
Cul es la probabilidad de que menos de 2 sean defectuosas?
| | | | | |
| |
| | 0.41408
6
50
5
40
1
10
1 X P
0.24159
6
50
6
40
0
10
0 X P
0.41408 0.24159 1 X P 0 X P 2 X P
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
= + = = + = = < 0.65567
EJEMPLO
Cul es el nmero de piezas defectuosas que se espera obtener cuando
elegimos al azar 15 piezas?
Definimos la variable : X=N de piezas defectuosas extradas
) 15 ; 10 ; 50 ( H X
3
50
10
15 ) ( = = = =
N
M
n p n X E
El n medio de piezas defectuosas que se obtendr al extraer 15 piezas ser 3.
DISTRIBUCIN DE POISSON
La distribucin de Poisson constituye una familia de distribuciones
de probabilidad que tienen un papel muy importante en la
estadstica.

Situaciones empricas que se rigen por un comportamiento de
tipo Poisson:

n de llamadas telefnicas que recibimos en una hora.
n de faltas de ortografa que se producen en un texto.
n de nacimientos en un da.
n de averas de una mquina en un ao.
Estas variables describen el nmero de veces que ocurre un suceso
raro o poco frecuente por unidad de tiempo, longitud, etc.
Si llamamos = n medio de ocurrencias del suceso raro,
entonces la variable aleatoria:

X= N de veces que ocurre un suceso raro por unidad de
tiempo, longitud, etc.

decimos que sigue una distribucin de Poisson de parmetro
.
0
) (
>
P X
La funcin de probabilidad de la distribucin de Poisson viene dada
por:
La media y la varianza de la distribucin de Poisson son:
E(X) =
Var(X)=
Atencin! Rango de k: 0, 1,
| |
! k
k
e
k X P

= =
EJEMPLO
El promedio de llamadas telefnicas atendidas en la centralita de una
cierta Facultad es de 36 llamadas por hora. Calcular la probabilidad de que
en un periodo de 5 minutos:

a) Se atiendan 5 llamadas
b) Se atiendan ms de 2 llamadas
Ojo!
Una variable Poisson queda definida por una determinada unidad de
tiempo y por el trmino medio de llegadas en la misma.
= 36 llamadas / hora
Llegadas en una hora P(36)
= 3 llamadas / 5 Minutos
Llegadas en 5 minutos P(3)
EJEMPLO
X=N de llamadas atendidas en 5 minutos
= n medio de llamadas atendidas en 5 minutos = 3
) 3 ( P X
a) Probabilidad de que se atiendan 5 llamadas
| | 0,100819 = = =
5!
3 e
5 X P
5 3
b) Probabilidad de que se atiendan ms de 2 llamadas
| | | | 0'57681 =
(
+ + = s = >

2!
3 e
1!
3 e
0!
3 e
1 2 X P 1 2 X P
2 3 1 3 0 3
VARIABLES ALEATORIAS CONTINUAS
Las variables continuas quedan determinadas cuando conocemos
cmo se distribuye la probabilidad entre los posibles valores que
tome.

Para determinar la probabilidad de cada posible intervalo de
valores utilizaremos la funcin de densidad.
FUNCIN DE DENSIDAD
La funcin de densidad f(x) de una variable aleatoria continua es
una expresin matemtica que permite determinar la probabilidad
de cada posible intervalo de valores a travs del rea que encierra
la curva entre los lmites del intervalo.
FUNCIN DE DENSIDAD
Las propiedades que debe cumplir f(x) para que pueda ser
considerada una funcin de densidad de una variable
aleatoria continua son las siguientes:
}
+

=
>
1 ) (
0 ) (
dx x f
x f
CMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?
}

= s
x
f(t)dt x) P(X
}
+
= >
x
f(t)dt x) P(X
CMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?
}
= s s
b
a
f(t)dt b) X P(a
0 f(t)dt a) X P(a a) P(X
a
a
= = s s = =
}

IMPORTANTE!
En v.a continuas la
probabilidad de un punto
aislado siempre es 0

FUNCIN DE DISTRIBUCIN
La funcin de distribucin de una variable aleatoria se
corresponde con el concepto de frecuencia relativa acumulada. La
funcin de distribucin, F(x), se define:
}

= s =
x
dx x f x X P x F ) ( ] [ ) (
Por tanto, la funcin de distribucin de una variable aleatoria
continua puede ser obtenida a partir de la funcin de densidad f(x)

Recprocamente, la funcin de densidad f(x) de una variable
aleatoria continua puede ser obtenida a partir de la funcin de
distribucin F(x).
f (x) = F'(x)
PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN
Son las mismas propiedades de la funcin de distribucin de una
variable aleatoria discreta dadas en la diapositiva 9.
FUNCIN DE DISTRIBUCIN Y CLCULO DE PROBABILIDADES

Para una variable continua, el hecho de que un valor tenga
probabilidad cero conduce a una mayor flexibilidad:

1) P(X a) = P(X < a) = F(a)

2) P(a < X b) = P (a X < b) = P (a X b) = P (a < x < b)= F(b)-F(a)

3) P (X a) = P (X > a) = 1- F(a)

EJEMPLO

Sea X = tiempo de espera a un amigo entre las 10:00h y las 10:30h,
suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.

X es una v.a continua. Rango de valores [0min.,30min.]

Funcin de densidad
s s
=
c. c.
30 x 0
si
si
0
1/30
f(x)
EJEMPLO



Funcin de Disribucin
}
= =
x
0
30
x
30
1
dt F(x)
>
s s
<
= s =
30 x si 1
30 x 0 si
30
x
0 x si 0
x) P(X F(x)
EJEMPLO



Probabilidad de esperar ms de 5 min?
30
25
) 5 ( 1 ) 5 ( = = > F X P
MEDIA Y VARIANZA
El valor esperado, esperanza o media de una variable aleatoria
continua se define como:
La varianza de una variable aleatoria continua se define como:
= =
}
+

f(x)dx x E(X)
2 2 2 2
f(x)dx x f(x)dx ) (x Var(X) o = = =
} }
+

+

EJEMPLO



minutos 15
2
x
30
1
dx
30
1
x xf(x)dx E(X)
30
0
2
30
0
= = = =
} }
+

( ) ( ) 75 15
3
x
30
1
15 dx
30
1
x Var(X)
2
30
0
3
2
30
0
2
= = =
}
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN EXPONENCIAL

En un proceso de Poisson con = n medio de sucesos
acontecidos por unidad de tiempo, la variable aleatoria:

T= Tiempo transcurrido entre dos sucesos consecutivos.

decimos que sigue una distribucin Exponencial de
parmetro .

0
) (
>
Exp T
La funcin de densidad para una Exponencial viene dada por:
x
e x F

= 1 ) (
La funcin de Distribucin para una Exponencial viene dada por:
f (x) = e
x
x > 0 > 0
La media y la varianza de la distribucin Exponencial son:
E(X) = 1/
Var(X)= 1/
2

EJEMPLO
El tiempo medio transcurrido entre la llegada de dos clientes consecutivos
al departamento de ventas de un concesionario de una determinada
marca de automviles es de 20 minutos. Calcular:
a) La probabilidad de que el tiempo transcurrido entre la llegada de dos
clientes consecutivos no supere la media hora.
T=Tiempo transcurrido (en min) entre la llegada de dos clientes
consecutivos
E(T)= tiempo medio transcurrido entre la llegada de dos clientes
consecutivos = 20 min
05 . 0
20
1
20
1
) ( = = = =
T E
) 05 . 0 ( Exp T
EJEMPLO
a) La probabilidad de que el tiempo transcurrido entre la llegada de dos
clientes consecutivos no supere la media hora.
0.77687 =

= = <
30 0.05
e 1 F(30) 30) P(T
b) La probabilidad de que el n de clientes que entren en el intervalo de
una hora sea al menos 4.
Tenemos que = 0.05 = n medio de clientes que llegan al concesionario
cada minuto. Por tanto, el n medio de clientes que llegan en una hora
ser:
3 60 0.05 = =
EJEMPLO
b) La probabilidad de que el n de clientes que entren en el intervalo de
una hora sea al menos 4.
La variable aleatoria que ahora nos interesa es:

X= N de clientes que llegan cada hora al concesionario
) 3 ( P X
0.3528 =
(
+ + + = < = >

3!
3 e
2!
3 e
1!
3 e
0!
3 e
3 3 2 3 1 3 0 3
1- 4) P(X 1- 4) P(X
DISTRIBUCIN NORMAL
Es el modelo de distribucin de probabilidad continua ms
importante. Son muchos los experimentos y fenmenos que
pueden ser modelizados por esta distribucin.

La distribucin Normal explica:

Comportamientos biolgicos.

Errores de medidas.

Medidas biolgicas: alturas, pesos, etc.

DISTRIBUCIN NORMAL
Decimos que una variable aleatoria X se distribuye segn una
Normal de media y de desviacin tpica > 0, si su funcin de
densidad es:
) , ( o N X
( )
2
2
1
2
1
x f
|
.
|
\
|
=
o
o t
x
e
Se representar por:
PROPIEDADES DE LA DISTRIBUCIN NORMAL
1) f(x) tiene un mximo absoluto en .
2) f(x) es simtrica respecto de .
3) f(x) tiene forma de campana, conocida como campana de Gauss.
4) y son parmetros.
5) La media, la moda y la mediana coinciden.

Observacin

=E(X)= trmino medio de X
= moda Mxima Densidad-
= mediana Simetra-

DISTRIBUCIN NORMAL
N(30, 10)
N(50, 10)
N(70, 10)
-20 10 40 70 100 130
0
0,01
0,02
0,03
0,04
Si cambiamos el valor medio
la curva se traslada.
N(40, 5)
N(40, 10)
N(40, 15)
-40 0 40 80 120
0
0,02
0,04
0,06
0,08
Si aumenta, mayor dispersin
y la curva se aplana, menor
concentracin alrededor de .
Si disminuye, menor
dispersin, ms concentracin
alrededor de .
CLCULO DE PROBABILIDADES CON XN(,)
Para calcular probabilidades tendremos que evaluar la funcin de
Distribucin, es decir, necesitaremos calcular:
( ) ( )
}

|
.
|
\
|
= s =
x
x
dx e x
2
2
1
X
2
1
x X P F
o
o t
F(x) no se puede obtener explcitamente, hay que obtenerla por
aproximacin mediante Mtodos numricos de integracin.
Para subsanar este inconveniente podemos:
1) Tipificar
2) Usar software estadstico

CLCULO DE PROBABILIDADES CON XN(,)

Para calcular probabilidades con la Normal, utilizaremos
unas Tablas Estadsticas, donde vienen los valores de la
Funcin de Distribucin de la N(0, 1).

Previamente, habr que tipificar la variable N(,o) que
estemos tratando, es decir, pasar a una N(0, 1)
) 1 , 0 ( ) , ( N
X
Z N X
=
o
o
DISTRIBUCIN NORMAL
EJEMPLO
Sea XN (60,5) , calcula las siguientes probabilidades:
2) P(Z 2) P(Z )
5
60 50
P(Z 50) P(X < = > =
> = >
P(X=60)
0 = = 60) P(X Probabilidad Puntual en una variable continua
P(X >50)
Tipificacin
N(0,1) es simtrica
respecto a la media
0.9772 = < = > 2) P(Z 50) P(X
DISTRIBUCIN NORMAL
EJEMPLO
Tabla Estadstica de
N(0,1)
= < < =
< <
= < < 0.4) Z 1 P( )

5
60 62
Z
5
60 55
P( 62) X P(55
P(55 < X < 62)
DISTRIBUCIN NORMAL
EJEMPLO
Tipificacin
P (a < x < b)= F(b)-F(a)
= > < = < < = 1) P(Z 0.4) P(Z 1) P(Z 0.4) P(Z
N(0,1) es simtrica
respecto a la media
0.4967 = = s < = 0.8413) - (1 - 0.6554 1)) P(Z (1 0.4) P(Z
DISTRIBUCIN NORMAL
EJEMPLO
Probabilidad del
suceso contrario
Tabla Estadstica de
N(0,1)
DISTRIBUCIN NORMAL
EJERCICIO PROPUESTO

En una determinada ciudad, la cuota por contribuyente del
impuesto municipal de vehculos de traccin mecnica sigue
una distribucin normal con media 30 y desviacin tpica
12 .

Qu porcentaje de contribuyentes paga una cuota
comprendida entre 12 y 24?

APROXIMACIONES
Aproximacin de una Binomial por una Normal
Si n es suficientemente grande y np(1-p)>5, entonces:
( ) ) 1 ( , ) , ( p np np N p n B
n

Aproximacin de una Poisson por una Normal
) , ( ) (

N P

Si es suficientemente grande, >10, entonces:
Aproximamos por
el teorema
central del lmite
APROXIMACIONES
CORRECCIONES POR CONTINUIDAD
Normal Aproximada
Binomial
Poisson
( )
( )
( )
( )
( ) k X P
k X P
k X P
k X P
k X P
=
(
s
)
> ( )
( )
( )
( )
( ) 0'5 k Y 0'5 - k P
0'5 k Y P
0'5 k Y P
0'5 k Y P
0'5 - k Y P
+ ( (
(
+ (
+ )
)
Para que la aproximacin sea ms precisa, cuando aproximo
un comportamiento discreto con uno continuo, se utiliza un
factor de correccin :
APROXIMACIONES
EJEMPLO
El porcentaje de fumadores en la poblacin de estudiantes
universitarios es del 35% en el caso de los varones y del 45% en el
caso de las mujeres.

Calcular la probabilidad de que en un Colegio Mayor masculino con
225 estudiantes halla exactamente 80 fumadores.
X=N de fumadores varones de entre 225 estudiantes
) 35 . 0 ; 225 ( B X
Como n=225 es suficientemente grande y np(1-p)=51.19 > 5,
entonces:
( ) 19 . 51 , 75 . 78 ) 35 . 0 ; 225 ( N B
APROXIMACIONES
EJEMPLO
=
< <
= < < ~ = )
7.15
78.5 80.5
Z
7.15
78.5 79.5
P( 80.5) Y P(79.5 80) P(X
= < < = < < = 0.1) P(Z - 0.24) P(Z 0.24) Z P(0.1
Tipificacin Correccin por
continuidad
0.055 = = 5398 . 0 5948 . 0
P (a < x < b)= F(b)-F(a)
Tabla Estadstica
N(0,1)
EJERCICIO PROPUESTO
APROXIMACIONES

El promedio de llamadas telefnicas atendidas en la
centralita de una cierta Facultad es de 36 llamadas por hora.
Calcular la probabilidad de que en un periodo de 3 horas:

a) Se atiendan ms de 100 llamadas telefnicas.

b) El nmero de llamadas telefnicas est comprendido
entre 80 y 100, ambos valores inclusive.

4 Variable Aleatoria

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4 Variable Aleatoria

Uploaded by

Copyright:

Available Formats

VARIABLE ALEATORIA

INTRODUCCIN AL CONCEPTO DE VARIABLE ALEATORIA

= < < 0.4) Z 1 P( )

You might also like