SlideShare une entreprise Scribd logo
1  sur  7
Télécharger pour lire hors ligne
UNIVERSIDAD NACIONAL EXPERIMENTAL
                  “FRANCISCO DE MIRANDA”
                DPTO. DE FÍSICA Y MATEMÁTICA
                   CÁTEDRA: ESTADÍSTICA

                TEMA Nº 3. VARIABLES ALEATORIAS

Una Variable es cualquier característica que puede tomar distintos valores. Por
ejemplo: Temperatura, Presión, Coeficiente Intelectual, Peso, Estatura, etc.

En esta unidad se tratará el término de Variables Aleatorias; se dice que una
Variable es “Aleatoria” porque involucra la probabilidad de los resultados del
espacio muestral, y dicha variable es una función definida sobre el Espacio
Muestral, de manera que transforma todos los posibles resultados del espacio
muestral en cantidades numéricas.

En términos más precisos,

VARIABLE ALEATORIA: Es una función que asigna un número real a cada
resultado del Espacio Muestral de un Experimento Aleatorio.


                                                                                   R
                                  S




Por ejemplo, se sacan dos pelotas en sucesión, sin reemplazo, de una urna
que contiene 4 pelotas rojas y 3 negras. La Variable aleatoria X esta definida
como: Número de pelotas rojas.

El Espacio muestral de este experimento será: S = {RR, RN, NR, NN}

Puesto que el elemento RR contiene 2 pelotas rojas, se le asigna una valor
numérico de 2. Los elementos RN y NR contienen 1 pelota roja, entonces se le
asigna un valor de 1 y a NN se le asigna un valor de 0. Los resultados posibles
y los valores de la Variable aleatoria X, donde X es el número de pelotas rojas,
son:


                                   S       X
                                  RR       2
NN       0
                                   RN       1
                                   NR       1


Con frecuencia se utilizará la abreviatura VA, en lugar de Variable aleatoria.
Las VA suelen representarse con letras Mayúsculas X, Y, Z, etc. del alfabeto y
con letras Minúsculas x, y, z, etc. se representa cierto valor particular de la VA
correspondiente. El conjunto de los posibles valores de la VA X se denomina
rango de X.


CLASIFICACIÓN:

   1. VARIABLE ALEATORIA DISCRETA: Es aquella variable que puede
      tomar un número de valores finito o infinito contable, y éstos pueden
      arreglarse en una secuencia que corresponde con los enteros positivos.
      Generalmente las VA discretas representan datos que se cuentan, tales
      como: número de artículos defectuosos de una muestra de k artículos,
      número de accidentes por año en una vía rápida. En el ejemplo anterior
      de las bolas rojas y negras, dado que los valores posibles de X eran 0, 1
      y 2, se dice que X es una VA discreta.

   2. VARIABLE ALEATORIA CONTINUA: Es aquella cuyo conjunto de
      valores abarca todo un intervalo de valores en la recta numérica.
      Generalmente la VA continuas representan datos medidos, tales como:
      alturas, pesos, temperaturas, distancias o periodos de vida.

Tanto las variables aleatorias Discretas como Continuas pueden asumir cada
uno de sus valores con una cierta probabilidad.


DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES ALEATORIAS
DISCRETAS:

Para las VA Discretas la expresión que representa algún fenómeno
fundamental se conoce como Función de Distribución de Probabilidad.

Distribución de Probabilidad o Función de Probabilidad: Se refiere a la
colección de valores de la VA junto con la probabilidad asociada a cada uno de
estos valores.

La Distribución de probabilidad de una VA Discreta debe cumplir:

   i)     fx(X) 0,       X
   ii)        fx (X) 1
           x



   iii)   P(X = x) = fx(X)
Ej: Para el ejercicio de la urna que contenía pelotas rojas y negras, determine
la Distribución de probabilidad de X.

Los resultados del espacio muestral y los valores de X son:

                                            S         X
                                            RR         2
                                            NN         0
                                            RN         1
                                            NR         1

Cada uno de los resultados de S tiene la misma probabilidad de ocurrencia,
esto quiere decir que:

                            S                   RR    RN     NR    NN
                       Probabilidad             1/4   1/4    1/4   1/4


La probabilidad de que X (número de pelotas rojas) sea 0 es = P(X = 0) = 1/4

La probabilidad de que X (número de pelotas rojas) sea 1 es = P(X = 1) = 1/4 +
1/4 = 1/2

La probabilidad de que X (número de pelotas rojas) sea 2 es = P(X = 2) = 1/4.

Entonces, la Distribución de Probabilidad de X será:


                                   X             0    1     2
                                Fx(X)        1/4      1/2   1/4


FUNCIÓN DE DISTRIBUCIÓN ACUMULADA:

Hay muchos problemas en los cuales se desea calcular la probabilidad de que
el valor observado de una VA X sea menor que ( ) o igual a algún número real
x. Si se escribe Fx(X) = P(X x)     número real x, se define que F(X) es la
distribución acumulada de la VA X. De tal manera, debe cumplirse:

   i)     Fx(X) = P(X x)=          f(xi )
                            xi x
   ii)    0 Fx(X) 1
   iii)   Si x y entonces, F x(X)       Fy(Y)
Para el ejercicio anterior la Distribución Acumulada de X (Número de pelotas
rojas) es:

          F(0) = P(X 0) = 1/4
          F(1) = P(X 1) = P(X=0) + P(X=1) = 1/4 + 1/2 = 3/4
          F(2) = P(X 2) = P(X=0) + P(X=1) + P(X=2) = 1/4 + 1/2 + 1/4 = 1



                                              0     si       x<0
                                              1/4            0     x <1
                                     Fx(X)=
                                              3/4            1     x <2
                                              1              x 2




DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES ALEATORIAS
CONTINUAS:

Una VA Continua tiene una probabilidad cero de asumir cualquiera de sus
valores exactamente. Consecuentemente, su distribución no puede darse en
forma tabular como en el caso de las VA Discretas. A pesar de ello, sí puede
tener una fórmula. Dicha fórmula, necesariamente, debe ser una función de los
valores numéricos de la Variable continua X y como tal, será expresada por la
notación funcional f(x).

Al tratar con Variables continuas, f(x) por lo general se llama función de
densidad de probabilidad, o simplemente, función de densidad de X.

La función f(x) es una función de densidad de probabilidad para la VA
Continua X, definida en el conjunto de los números reales si:

   i)      f(x)   0   X         R

   ii)       f(x)dx 1
                            b

   iii)    P(a < x < b) =       f(x)dx
                            a


Ej: Supóngase que la variable aleatoria que representa la proporción de
accidentes automovilísticos en cierta ciudad presenta la siguiente función de
densidad:

                                                              x2   si     0<x     1
                                                    fx(X)=
                                                              0           para cualquier otro valor
¿Cuál es la probabilidad de que no más del 25% de los accidentes sean
fatales? En otras palabras, ¿cuál es P(X 0,25)?
                                                                   1/4                  1/4
                                                                          2        x3              1
                                  P(X 0,25) = F(0,25) =                  x dx
                                                                    0
                                                                                   3    0
                                                                                                  192


DISTRIBUCIÓN ACUMULADA:

La distribución acumulada F(X) de una VA Continua X con una función de
densidad f(x) es:

                                    x
                 F(X) = P(X x) =        f(t)dt    para             x



Para el ejercicio anterior encontraremos F(X) para 0 < x                 1

                                   x                  x
                                        2        t3       X3
                           F(X)         t dt
                                   0
                                                 3    0
                                                          3

Por lo tanto,

                                                               0              si    x         0
                                                               X3
                                                 Fx(X)=        3                   0< x <1

                                                               1                        x     1



ESPERANZA MATEMÁTICA (VALOR ESPERADO) Y VARIANZA DE UNA
VARIABLE ALEATORIA:

La media (o valor esperado) de una variable aleatoria no es más que el valor
promedio de dicha variable después de un número grande de experimentos. Se
hará referencia a este valor promedio como la media de la VA X o la media de
la distribución de probabilidad de X, y se expresa como x. También es
común expresarla como E(X).

La media o valor esperado de una VA Discreta puede obtenerse al multiplicar
cada uno de los valores x1, x2,…, xn de la VA X por sus correspondientes
probabilidades f(x1), f(x2),…, f(xn) y entonces, se suman todos los productos. En
el caso de VA Continuas, la definición de valor esperado es esencialmente la
misma, con la diferencia de que las sumas se sustituyen por integrales.
μx    E(X)          x f(x)                        Si X es Discreta
                                                             x



                                            μx     E(X)      x f(x) dx                         Si X es Continua



Ej: Encuentre la Media o Valor esperado de la siguiente variable aleatoria
discreta X, cuya Distribución de Probabilidad se presenta a continuación:


                    X             0          1             2                         3
                   f(x)          1/8        1/4           3/8                       1/4


             μx   E(X)         x f(x) = 0x1/8 + 1x1/4 + 2x3/8 + 3x1/4 = 1,75
                           x




Ej: Para la siguiente VA Continua cuya Función de densidad aparece a
continuación, encuentre su media.



                                                                         3x 2
                                                    fx(X)=                8                        0< x <2

                                                                         0                         en otro caso

                                       2              2                              2
                                        3x2         3 3                  31 4              3
        μx    E(X)        x f(x) dx = x     dx         x dx                x                 1,5
                                     0
                                         8          80                   84 0              2



VARIANZA DE UNA VARIABLE ALEATORIA:

El término de varianza con el que se trabajará para las VA mantendrá el mismo
significado que se vio en el tema nº1 en cuanto a las Medidas de Dispersión.
La Varianza de una VA representa el grado de Variabilidad o Dispersión que
posee la Distribución de Probabilidad de dicha Variable Aleatoria y se
representa por Var(X) o σ 2 .
                          x



Sea X una VA con distribución de probabilidad f(x) y media                           x.   La varianza de X
esta dad por:


                                                                     2                         2
                                              σ2
                                               x     E X μ                           X μ f(x)                 Si X es discreta
                                                                                x



                                                                 2                         2
                                             σ2
                                              x     E X μ                           X μ f(x)dx                Si X es continua
Teorema: La varianza de una VA X también está dada por:                               σ2
                                                                                       x   E(x 2 ) μ2
                                                                                                    x




Ej: Para los ejercicios anteriores determine la Varianza de la VA X.

En el caso Discreto:

         3
                       2                    2                     2                        2                 2
σ2
 x             x 1,75 f(x)         0 1,75       18       1 1,75       14        2 1,75         38   3 1,75       14
         x 0


                                                15
                                          σ2
                                           x             0,9375
                                                16


En el caso Continuo:

               2                      2                                    2
                           2                         2   3 2           3                       9 2
     σ   2
         x         X 1,5 f(x)dx           X 1,5            x dx           x 4 3x3                x dx
               0                      0
                                                         8             80                      4

                                                             2
                                   3 5      9 4          9 3          3
                           σ   2
                               x      x        x           x                   0,15
                                   40       32           32 0         20

Contenu connexe

Tendances

Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidadArturo Najeriux
 
Variable aleatoria un lu
Variable aleatoria un luVariable aleatoria un lu
Variable aleatoria un luLily Ayala
 
Cuadros comparativos de distribucion poisson y distribucion binomial
Cuadros comparativos de distribucion poisson y distribucion binomialCuadros comparativos de distribucion poisson y distribucion binomial
Cuadros comparativos de distribucion poisson y distribucion binomialPao Aldaco
 
Teorema de bayes probabilidad condicional y probabilidad total
Teorema de bayes probabilidad condicional y probabilidad totalTeorema de bayes probabilidad condicional y probabilidad total
Teorema de bayes probabilidad condicional y probabilidad totalElizabeth Ledezma
 
Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015omarbsc
 
Distribución de bernoulli ejercicios
Distribución de bernoulli ejerciciosDistribución de bernoulli ejercicios
Distribución de bernoulli ejerciciosAurora Sanchez Caro
 
La distribución de probabilidad normal
La distribución de probabilidad normalLa distribución de probabilidad normal
La distribución de probabilidad normalUANL
 
distribuciones-discretas-2017.ppt
distribuciones-discretas-2017.pptdistribuciones-discretas-2017.ppt
distribuciones-discretas-2017.pptBaquedanoMarbaro
 
distribucion-de-probabilidades
distribucion-de-probabilidadesdistribucion-de-probabilidades
distribucion-de-probabilidadesROSAURA GARCIA
 
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
 
Propiedades mco
Propiedades mcoPropiedades mco
Propiedades mcojecuy
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidaddeiviuts
 

Tendances (20)

Clase 8_Probabilidad2.pdf
Clase 8_Probabilidad2.pdfClase 8_Probabilidad2.pdf
Clase 8_Probabilidad2.pdf
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 
Variables aleatorias y continuas
Variables aleatorias y continuasVariables aleatorias y continuas
Variables aleatorias y continuas
 
Variable aleatoria un lu
Variable aleatoria un luVariable aleatoria un lu
Variable aleatoria un lu
 
Probabilidades .......
Probabilidades .......Probabilidades .......
Probabilidades .......
 
Cuadros comparativos de distribucion poisson y distribucion binomial
Cuadros comparativos de distribucion poisson y distribucion binomialCuadros comparativos de distribucion poisson y distribucion binomial
Cuadros comparativos de distribucion poisson y distribucion binomial
 
Teorema de bayes probabilidad condicional y probabilidad total
Teorema de bayes probabilidad condicional y probabilidad totalTeorema de bayes probabilidad condicional y probabilidad total
Teorema de bayes probabilidad condicional y probabilidad total
 
Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015
 
Distribuciones de muestreo
Distribuciones de muestreoDistribuciones de muestreo
Distribuciones de muestreo
 
Distribución de bernoulli ejercicios
Distribución de bernoulli ejerciciosDistribución de bernoulli ejercicios
Distribución de bernoulli ejercicios
 
La distribución de probabilidad normal
La distribución de probabilidad normalLa distribución de probabilidad normal
La distribución de probabilidad normal
 
distribuciones-discretas-2017.ppt
distribuciones-discretas-2017.pptdistribuciones-discretas-2017.ppt
distribuciones-discretas-2017.ppt
 
variables aleatorias discretas y continuas
variables aleatorias discretas y continuasvariables aleatorias discretas y continuas
variables aleatorias discretas y continuas
 
distribucion-de-probabilidades
distribucion-de-probabilidadesdistribucion-de-probabilidades
distribucion-de-probabilidades
 
Teorema de bayes
Teorema de bayesTeorema de bayes
Teorema de bayes
 
INTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZAINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA
 
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.Cinco ejemplos de aplicación de las distribuciones de probabilidad.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.
 
Propiedades mco
Propiedades mcoPropiedades mco
Propiedades mco
 
Ejercicios estadistica inferencial
Ejercicios estadistica inferencialEjercicios estadistica inferencial
Ejercicios estadistica inferencial
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 

En vedette

Función de Masa de Probabilidad mediante experimento
Función de Masa de Probabilidad mediante experimentoFunción de Masa de Probabilidad mediante experimento
Función de Masa de Probabilidad mediante experimentoyaritza_ing
 
Función de Masa de Probabilidad mediante Fórmula
Función de Masa de Probabilidad mediante FórmulaFunción de Masa de Probabilidad mediante Fórmula
Función de Masa de Probabilidad mediante Fórmulayaritza_ing
 

En vedette (6)

Variable aleatoria
Variable aleatoriaVariable aleatoria
Variable aleatoria
 
Función de Masa de Probabilidad mediante experimento
Función de Masa de Probabilidad mediante experimentoFunción de Masa de Probabilidad mediante experimento
Función de Masa de Probabilidad mediante experimento
 
Función de Masa de Probabilidad mediante Fórmula
Función de Masa de Probabilidad mediante FórmulaFunción de Masa de Probabilidad mediante Fórmula
Función de Masa de Probabilidad mediante Fórmula
 
Taller 3
Taller 3Taller 3
Taller 3
 
Magnitudes físicas fundamentales
Magnitudes físicas fundamentalesMagnitudes físicas fundamentales
Magnitudes físicas fundamentales
 
Ejemplos del teorema de Bayes
Ejemplos del teorema de BayesEjemplos del teorema de Bayes
Ejemplos del teorema de Bayes
 

Similaire à Variables Aleatorias

L ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretasL ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretasleo_8a
 
Tr bases 3
Tr bases 3Tr bases 3
Tr bases 304921
 
Probabilidades ii 2021 a semana 2 clase 2
Probabilidades ii 2021 a semana 2 clase 2Probabilidades ii 2021 a semana 2 clase 2
Probabilidades ii 2021 a semana 2 clase 2aaroncuriaupamedina
 
Probabilidades ii 2021 a semana 2
Probabilidades ii 2021 a semana 2Probabilidades ii 2021 a semana 2
Probabilidades ii 2021 a semana 2aaroncuriaupamedina
 
Probabilidades ii 2021 a semana 3
Probabilidades ii 2021 a semana 3Probabilidades ii 2021 a semana 3
Probabilidades ii 2021 a semana 3aaroncuriaupamedina
 
Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)Daniel Gómez
 
Tema 6. variables aleatorias y distribuciones de probabilidad
Tema 6. variables aleatorias y distribuciones de probabilidadTema 6. variables aleatorias y distribuciones de probabilidad
Tema 6. variables aleatorias y distribuciones de probabilidadAna Lopez
 
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdfCarlos Araya Morata
 
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.ppt
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.pptVARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.ppt
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.pptJuanJosGarcaAlvarado2
 
S02-1_Lecture_Econometrics1_Turco.pdf
S02-1_Lecture_Econometrics1_Turco.pdfS02-1_Lecture_Econometrics1_Turco.pdf
S02-1_Lecture_Econometrics1_Turco.pdfJonnellJean
 

Similaire à Variables Aleatorias (20)

Tema2
Tema2Tema2
Tema2
 
Clase 9 Variables aleatorias.pdf
Clase 9 Variables aleatorias.pdfClase 9 Variables aleatorias.pdf
Clase 9 Variables aleatorias.pdf
 
PROBABILIDAD IV
PROBABILIDAD IVPROBABILIDAD IV
PROBABILIDAD IV
 
L ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretasL ochoa-distribuciones-probabilidad-discretas
L ochoa-distribuciones-probabilidad-discretas
 
Tr bases 3
Tr bases 3Tr bases 3
Tr bases 3
 
Probabilidades ii 2021 a semana 2 clase 2
Probabilidades ii 2021 a semana 2 clase 2Probabilidades ii 2021 a semana 2 clase 2
Probabilidades ii 2021 a semana 2 clase 2
 
Probabilidades ii 2021 a semana 2
Probabilidades ii 2021 a semana 2Probabilidades ii 2021 a semana 2
Probabilidades ii 2021 a semana 2
 
Probabilidades ii 2021 a semana 3
Probabilidades ii 2021 a semana 3Probabilidades ii 2021 a semana 3
Probabilidades ii 2021 a semana 3
 
Estadistica 2
Estadistica 2Estadistica 2
Estadistica 2
 
Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)Distribución Probabilidad (Variable Aleatoria Discreta)
Distribución Probabilidad (Variable Aleatoria Discreta)
 
Tema 6. variables aleatorias y distribuciones de probabilidad
Tema 6. variables aleatorias y distribuciones de probabilidadTema 6. variables aleatorias y distribuciones de probabilidad
Tema 6. variables aleatorias y distribuciones de probabilidad
 
02.6 varianza
02.6   varianza02.6   varianza
02.6 varianza
 
02.6 varianza
02.6   varianza02.6   varianza
02.6 varianza
 
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf
2° Distribución de Prob-Variable Aleatoria y Probabilidades-2.pdf
 
Variables aleatorias discretas
Variables aleatorias discretasVariables aleatorias discretas
Variables aleatorias discretas
 
Distribuciones continuas
Distribuciones continuasDistribuciones continuas
Distribuciones continuas
 
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.ppt
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.pptVARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.ppt
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES.ppt
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
4 varible aleatoriadiscreta (1)
4 varible aleatoriadiscreta (1)4 varible aleatoriadiscreta (1)
4 varible aleatoriadiscreta (1)
 
S02-1_Lecture_Econometrics1_Turco.pdf
S02-1_Lecture_Econometrics1_Turco.pdfS02-1_Lecture_Econometrics1_Turco.pdf
S02-1_Lecture_Econometrics1_Turco.pdf
 

Plus de Universidad Nacional Experimental "Francisco de Miranda"

Plus de Universidad Nacional Experimental "Francisco de Miranda" (19)

Paradigmas
ParadigmasParadigmas
Paradigmas
 
Etica de la Ciencia
Etica de la CienciaEtica de la Ciencia
Etica de la Ciencia
 
Articulo de Miguel Martinez
Articulo de Miguel MartinezArticulo de Miguel Martinez
Articulo de Miguel Martinez
 
Que quiere decir pensar
Que quiere decir pensarQue quiere decir pensar
Que quiere decir pensar
 
Karl Popper
Karl PopperKarl Popper
Karl Popper
 
Guia Regresion
Guia RegresionGuia Regresion
Guia Regresion
 
Prueba De Hip Ejercicios
Prueba De Hip EjerciciosPrueba De Hip Ejercicios
Prueba De Hip Ejercicios
 
Estimacion Ejercicios
Estimacion EjerciciosEstimacion Ejercicios
Estimacion Ejercicios
 
Distribuciones Probabilisticas
Distribuciones ProbabilisticasDistribuciones Probabilisticas
Distribuciones Probabilisticas
 
Variables Aleatorias Ejercicios
Variables Aleatorias EjerciciosVariables Aleatorias Ejercicios
Variables Aleatorias Ejercicios
 
Probabilidad Ejercicios
Probabilidad EjerciciosProbabilidad Ejercicios
Probabilidad Ejercicios
 
Descriptiva Ejercicios
Descriptiva EjerciciosDescriptiva Ejercicios
Descriptiva Ejercicios
 
Regresion y Correlacion
Regresion y CorrelacionRegresion y Correlacion
Regresion y Correlacion
 
Distribuciones De Probabilidad
Distribuciones De ProbabilidadDistribuciones De Probabilidad
Distribuciones De Probabilidad
 
Prueba de Hipotesis
Prueba de HipotesisPrueba de Hipotesis
Prueba de Hipotesis
 
Estimacion
EstimacionEstimacion
Estimacion
 
Muestreo
MuestreoMuestreo
Muestreo
 
Probabilidad
ProbabilidadProbabilidad
Probabilidad
 
Estadistica Descriptiva
Estadistica DescriptivaEstadistica Descriptiva
Estadistica Descriptiva
 

Dernier

Desarrollo Web Moderno con Svelte 2024.pdf
Desarrollo Web Moderno con Svelte 2024.pdfDesarrollo Web Moderno con Svelte 2024.pdf
Desarrollo Web Moderno con Svelte 2024.pdfJulian Lamprea
 
Presentación guía sencilla en Microsoft Excel.pptx
Presentación guía sencilla en Microsoft Excel.pptxPresentación guía sencilla en Microsoft Excel.pptx
Presentación guía sencilla en Microsoft Excel.pptxLolaBunny11
 
Trabajo Mas Completo De Excel en clase tecnología
Trabajo Mas Completo De Excel en clase tecnologíaTrabajo Mas Completo De Excel en clase tecnología
Trabajo Mas Completo De Excel en clase tecnologíassuserf18419
 
EPA-pdf resultado da prova presencial Uninove
EPA-pdf resultado da prova presencial UninoveEPA-pdf resultado da prova presencial Uninove
EPA-pdf resultado da prova presencial UninoveFagnerLisboa3
 
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...silviayucra2
 
Global Azure Lima 2024 - Integración de Datos con Microsoft Fabric
Global Azure Lima 2024 - Integración de Datos con Microsoft FabricGlobal Azure Lima 2024 - Integración de Datos con Microsoft Fabric
Global Azure Lima 2024 - Integración de Datos con Microsoft FabricKeyla Dolores Méndez
 
Proyecto integrador. Las TIC en la sociedad S4.pptx
Proyecto integrador. Las TIC en la sociedad S4.pptxProyecto integrador. Las TIC en la sociedad S4.pptx
Proyecto integrador. Las TIC en la sociedad S4.pptx241521559
 
International Women's Day Sucre 2024 (IWD)
International Women's Day Sucre 2024 (IWD)International Women's Day Sucre 2024 (IWD)
International Women's Day Sucre 2024 (IWD)GDGSucre
 
pruebas unitarias unitarias en java con JUNIT
pruebas unitarias unitarias en java con JUNITpruebas unitarias unitarias en java con JUNIT
pruebas unitarias unitarias en java con JUNITMaricarmen Sánchez Ruiz
 
guía de registro de slideshare por Brayan Joseph
guía de registro de slideshare por Brayan Josephguía de registro de slideshare por Brayan Joseph
guía de registro de slideshare por Brayan JosephBRAYANJOSEPHPEREZGOM
 

Dernier (10)

Desarrollo Web Moderno con Svelte 2024.pdf
Desarrollo Web Moderno con Svelte 2024.pdfDesarrollo Web Moderno con Svelte 2024.pdf
Desarrollo Web Moderno con Svelte 2024.pdf
 
Presentación guía sencilla en Microsoft Excel.pptx
Presentación guía sencilla en Microsoft Excel.pptxPresentación guía sencilla en Microsoft Excel.pptx
Presentación guía sencilla en Microsoft Excel.pptx
 
Trabajo Mas Completo De Excel en clase tecnología
Trabajo Mas Completo De Excel en clase tecnologíaTrabajo Mas Completo De Excel en clase tecnología
Trabajo Mas Completo De Excel en clase tecnología
 
EPA-pdf resultado da prova presencial Uninove
EPA-pdf resultado da prova presencial UninoveEPA-pdf resultado da prova presencial Uninove
EPA-pdf resultado da prova presencial Uninove
 
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
 
Global Azure Lima 2024 - Integración de Datos con Microsoft Fabric
Global Azure Lima 2024 - Integración de Datos con Microsoft FabricGlobal Azure Lima 2024 - Integración de Datos con Microsoft Fabric
Global Azure Lima 2024 - Integración de Datos con Microsoft Fabric
 
Proyecto integrador. Las TIC en la sociedad S4.pptx
Proyecto integrador. Las TIC en la sociedad S4.pptxProyecto integrador. Las TIC en la sociedad S4.pptx
Proyecto integrador. Las TIC en la sociedad S4.pptx
 
International Women's Day Sucre 2024 (IWD)
International Women's Day Sucre 2024 (IWD)International Women's Day Sucre 2024 (IWD)
International Women's Day Sucre 2024 (IWD)
 
pruebas unitarias unitarias en java con JUNIT
pruebas unitarias unitarias en java con JUNITpruebas unitarias unitarias en java con JUNIT
pruebas unitarias unitarias en java con JUNIT
 
guía de registro de slideshare por Brayan Joseph
guía de registro de slideshare por Brayan Josephguía de registro de slideshare por Brayan Joseph
guía de registro de slideshare por Brayan Joseph
 

Variables Aleatorias

  • 1. UNIVERSIDAD NACIONAL EXPERIMENTAL “FRANCISCO DE MIRANDA” DPTO. DE FÍSICA Y MATEMÁTICA CÁTEDRA: ESTADÍSTICA TEMA Nº 3. VARIABLES ALEATORIAS Una Variable es cualquier característica que puede tomar distintos valores. Por ejemplo: Temperatura, Presión, Coeficiente Intelectual, Peso, Estatura, etc. En esta unidad se tratará el término de Variables Aleatorias; se dice que una Variable es “Aleatoria” porque involucra la probabilidad de los resultados del espacio muestral, y dicha variable es una función definida sobre el Espacio Muestral, de manera que transforma todos los posibles resultados del espacio muestral en cantidades numéricas. En términos más precisos, VARIABLE ALEATORIA: Es una función que asigna un número real a cada resultado del Espacio Muestral de un Experimento Aleatorio. R S Por ejemplo, se sacan dos pelotas en sucesión, sin reemplazo, de una urna que contiene 4 pelotas rojas y 3 negras. La Variable aleatoria X esta definida como: Número de pelotas rojas. El Espacio muestral de este experimento será: S = {RR, RN, NR, NN} Puesto que el elemento RR contiene 2 pelotas rojas, se le asigna una valor numérico de 2. Los elementos RN y NR contienen 1 pelota roja, entonces se le asigna un valor de 1 y a NN se le asigna un valor de 0. Los resultados posibles y los valores de la Variable aleatoria X, donde X es el número de pelotas rojas, son: S X RR 2
  • 2. NN 0 RN 1 NR 1 Con frecuencia se utilizará la abreviatura VA, en lugar de Variable aleatoria. Las VA suelen representarse con letras Mayúsculas X, Y, Z, etc. del alfabeto y con letras Minúsculas x, y, z, etc. se representa cierto valor particular de la VA correspondiente. El conjunto de los posibles valores de la VA X se denomina rango de X. CLASIFICACIÓN: 1. VARIABLE ALEATORIA DISCRETA: Es aquella variable que puede tomar un número de valores finito o infinito contable, y éstos pueden arreglarse en una secuencia que corresponde con los enteros positivos. Generalmente las VA discretas representan datos que se cuentan, tales como: número de artículos defectuosos de una muestra de k artículos, número de accidentes por año en una vía rápida. En el ejemplo anterior de las bolas rojas y negras, dado que los valores posibles de X eran 0, 1 y 2, se dice que X es una VA discreta. 2. VARIABLE ALEATORIA CONTINUA: Es aquella cuyo conjunto de valores abarca todo un intervalo de valores en la recta numérica. Generalmente la VA continuas representan datos medidos, tales como: alturas, pesos, temperaturas, distancias o periodos de vida. Tanto las variables aleatorias Discretas como Continuas pueden asumir cada uno de sus valores con una cierta probabilidad. DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES ALEATORIAS DISCRETAS: Para las VA Discretas la expresión que representa algún fenómeno fundamental se conoce como Función de Distribución de Probabilidad. Distribución de Probabilidad o Función de Probabilidad: Se refiere a la colección de valores de la VA junto con la probabilidad asociada a cada uno de estos valores. La Distribución de probabilidad de una VA Discreta debe cumplir: i) fx(X) 0, X ii) fx (X) 1 x iii) P(X = x) = fx(X)
  • 3. Ej: Para el ejercicio de la urna que contenía pelotas rojas y negras, determine la Distribución de probabilidad de X. Los resultados del espacio muestral y los valores de X son: S X RR 2 NN 0 RN 1 NR 1 Cada uno de los resultados de S tiene la misma probabilidad de ocurrencia, esto quiere decir que: S RR RN NR NN Probabilidad 1/4 1/4 1/4 1/4 La probabilidad de que X (número de pelotas rojas) sea 0 es = P(X = 0) = 1/4 La probabilidad de que X (número de pelotas rojas) sea 1 es = P(X = 1) = 1/4 + 1/4 = 1/2 La probabilidad de que X (número de pelotas rojas) sea 2 es = P(X = 2) = 1/4. Entonces, la Distribución de Probabilidad de X será: X 0 1 2 Fx(X) 1/4 1/2 1/4 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA: Hay muchos problemas en los cuales se desea calcular la probabilidad de que el valor observado de una VA X sea menor que ( ) o igual a algún número real x. Si se escribe Fx(X) = P(X x) número real x, se define que F(X) es la distribución acumulada de la VA X. De tal manera, debe cumplirse: i) Fx(X) = P(X x)= f(xi ) xi x ii) 0 Fx(X) 1 iii) Si x y entonces, F x(X) Fy(Y)
  • 4. Para el ejercicio anterior la Distribución Acumulada de X (Número de pelotas rojas) es: F(0) = P(X 0) = 1/4 F(1) = P(X 1) = P(X=0) + P(X=1) = 1/4 + 1/2 = 3/4 F(2) = P(X 2) = P(X=0) + P(X=1) + P(X=2) = 1/4 + 1/2 + 1/4 = 1 0 si x<0 1/4 0 x <1 Fx(X)= 3/4 1 x <2 1 x 2 DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES ALEATORIAS CONTINUAS: Una VA Continua tiene una probabilidad cero de asumir cualquiera de sus valores exactamente. Consecuentemente, su distribución no puede darse en forma tabular como en el caso de las VA Discretas. A pesar de ello, sí puede tener una fórmula. Dicha fórmula, necesariamente, debe ser una función de los valores numéricos de la Variable continua X y como tal, será expresada por la notación funcional f(x). Al tratar con Variables continuas, f(x) por lo general se llama función de densidad de probabilidad, o simplemente, función de densidad de X. La función f(x) es una función de densidad de probabilidad para la VA Continua X, definida en el conjunto de los números reales si: i) f(x) 0 X R ii) f(x)dx 1 b iii) P(a < x < b) = f(x)dx a Ej: Supóngase que la variable aleatoria que representa la proporción de accidentes automovilísticos en cierta ciudad presenta la siguiente función de densidad: x2 si 0<x 1 fx(X)= 0 para cualquier otro valor
  • 5. ¿Cuál es la probabilidad de que no más del 25% de los accidentes sean fatales? En otras palabras, ¿cuál es P(X 0,25)? 1/4 1/4 2 x3 1 P(X 0,25) = F(0,25) = x dx 0 3 0 192 DISTRIBUCIÓN ACUMULADA: La distribución acumulada F(X) de una VA Continua X con una función de densidad f(x) es: x F(X) = P(X x) = f(t)dt para x Para el ejercicio anterior encontraremos F(X) para 0 < x 1 x x 2 t3 X3 F(X) t dt 0 3 0 3 Por lo tanto, 0 si x 0 X3 Fx(X)= 3 0< x <1 1 x 1 ESPERANZA MATEMÁTICA (VALOR ESPERADO) Y VARIANZA DE UNA VARIABLE ALEATORIA: La media (o valor esperado) de una variable aleatoria no es más que el valor promedio de dicha variable después de un número grande de experimentos. Se hará referencia a este valor promedio como la media de la VA X o la media de la distribución de probabilidad de X, y se expresa como x. También es común expresarla como E(X). La media o valor esperado de una VA Discreta puede obtenerse al multiplicar cada uno de los valores x1, x2,…, xn de la VA X por sus correspondientes probabilidades f(x1), f(x2),…, f(xn) y entonces, se suman todos los productos. En el caso de VA Continuas, la definición de valor esperado es esencialmente la misma, con la diferencia de que las sumas se sustituyen por integrales.
  • 6. μx E(X) x f(x) Si X es Discreta x μx E(X) x f(x) dx Si X es Continua Ej: Encuentre la Media o Valor esperado de la siguiente variable aleatoria discreta X, cuya Distribución de Probabilidad se presenta a continuación: X 0 1 2 3 f(x) 1/8 1/4 3/8 1/4 μx E(X) x f(x) = 0x1/8 + 1x1/4 + 2x3/8 + 3x1/4 = 1,75 x Ej: Para la siguiente VA Continua cuya Función de densidad aparece a continuación, encuentre su media. 3x 2 fx(X)= 8 0< x <2 0 en otro caso 2 2 2 3x2 3 3 31 4 3 μx E(X) x f(x) dx = x dx x dx x 1,5 0 8 80 84 0 2 VARIANZA DE UNA VARIABLE ALEATORIA: El término de varianza con el que se trabajará para las VA mantendrá el mismo significado que se vio en el tema nº1 en cuanto a las Medidas de Dispersión. La Varianza de una VA representa el grado de Variabilidad o Dispersión que posee la Distribución de Probabilidad de dicha Variable Aleatoria y se representa por Var(X) o σ 2 . x Sea X una VA con distribución de probabilidad f(x) y media x. La varianza de X esta dad por: 2 2 σ2 x E X μ X μ f(x) Si X es discreta x 2 2 σ2 x E X μ X μ f(x)dx Si X es continua
  • 7. Teorema: La varianza de una VA X también está dada por: σ2 x E(x 2 ) μ2 x Ej: Para los ejercicios anteriores determine la Varianza de la VA X. En el caso Discreto: 3 2 2 2 2 2 σ2 x x 1,75 f(x) 0 1,75 18 1 1,75 14 2 1,75 38 3 1,75 14 x 0 15 σ2 x 0,9375 16 En el caso Continuo: 2 2 2 2 2 3 2 3 9 2 σ 2 x X 1,5 f(x)dx X 1,5 x dx x 4 3x3 x dx 0 0 8 80 4 2 3 5 9 4 9 3 3 σ 2 x x x x 0,15 40 32 32 0 20