Professional Documents
Culture Documents
VARIABLE ALEATORIA:
Ejemplos 2: Sea el número de llamadas telefónicas recibidas diariamente en una entidad del estado una
variable aleatoria, la cual puede tomar valores enteros entre cero y algún número grande.
Ejemplos 3: el año o modelo de los automóviles que poseen los docentes de una universidad puede ser
utilizado como variable aleatoria. Si los datos observados se presentan como una distribución de
frecuencias relativas, se obtiene una distribución de probabilidad.
Es la distribución de las probabilidades asociadas a cada uno de los valores de una variable aleatoria. La
distribución de probabilidad es una población teórica; se utiliza para representar poblaciones empíricas.
JDH Página 1
1.2.1. FUNCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA
DEFINICION: sea X :Ω → R una variable aleatoria que toma los valores se dice que es
DEFINICION: La función de distribución acumulada de una variable aleatoria, denotado por F, es una
función F : R → [ 0,1 ] definida por la regla de correspondencia:
=
Ejemplos 1: Se lanzan cuatro monedas observándose el número de caras la Variable aleatoria es el
número de caras que caen y pueden tomar valores enteros de 0, 1, 2, 3 , 4 y 5. Encuentre la función de
probabilidad de la variable aleatoria
Solución:
X 0 1 2 3 4 suma
PROPIEDADES:
i. F(x), es una
función
creciente
ii. F(x) Es una función continua por la derecha
iii. , se tiene:
JDH Página 2
iv. , se tiene:
v. , se tiene:
vi. , se tiene
Ejemplo: Se tiene tres bolas aleatoriamente seleccionadas de una urna que contiene tres bolas blancas y
5 negras. Supongamos que ganamos S/. 1 sol por cada bola blanca seleccionada y perdemos S/. 1 sol
por cada bola roja seleccionada.
a) halle la función de probabilidad de la variable aleatoria x , definida como ganancias netas en el
experimento
b) halle función acumulada y determine los valores de:
Solución:
X P(x) F(x)
-3
-2
-1
0
1
2
3
JDH Página 3
1.3. FUNCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
DEFINICION: sea X una variable aleatoria discreta con rango R x ={x 1 , x 2 , x 3 … } se llama función de
probabilidad de la variable aleatoria X, a la función P(X) definida por la regla de correspondencia:
Esta función de probabilidad también llamada función de cuantía de la variable aleatoria X satisface las
siguientes condiciones:
i. p ( x ) > 0 , ∀ x ∈ R x ={x 1 , x 2 , x 3 … }
ii.
iii.
Ejemplos: la función de probabilidad de una variable aleatoria X es dada por:
b) Calcular
JDH Página 4
1.4. FUNCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA CONTINUA O FUNCION DE
DENSIDAD DE PROBABILIDAD
DEFINICION: Sea x una variable aleatoria continua con rango R x ⊂ R la función de densidad asociada a
la variable aleatoria X, es una función f : R → ¿ que satisface las siguientes condiciones:
x
i. f ( x ) ≥0 , ∀ x ∈ R x ⊂R
❑
ii. ∫ f ( x ) dx=1
Rx
b
Observaciones:
a)
b) La función de densidad gráficamente es el área bajo la curva de y=f(x)
DEFINICION: Sea x una variable aleatoria continua con función de densidad de probabilidad . La
función de distribución acumulada de la variable aleatoria X es dado por:
Ejemplo:
Sea x una variable aleatoria continua con función de densidad dada por:
JDH Página 5
1.6. MEDIA Y VARIANZA DE UNA DISTRIBUCION DE PROBALIDAD
1. DEFINICIÓN: Sea X una variable aleatoria discreta con rango R x ={x 1 , x 2 , x 3 … } y sea
p ( x j )= p [ X =x j ] , j=1,2,3 , … . Su función de probabilidad. La media o esperanza matemática de X
denotado por μ= E [ x ] es definido por:
∞ ∞
μ= E [ x ] =∑ x j P[ X =x j ]=∑ x j p ( x j )
J =1 J=1
Observación:
i) La esperanza matemática existe siempre que la serie
∞
∑ |x j| p (x ¿¿ j)< ∞¿
J =1
∞
ii) Si ∑ |x j| p (x ¿¿ j)=∞ ¿ , diremos que la esperanza matemática no existe.
J =1
2. DEFINICIÓN: Sea X una variable aleatoria continua con función de densidad f(x). El valor
esperando o media de x es dado por:
+∞
E [ x ] =∫ xf ( x ) dx
−∞
+∞ +∞
Siempre que la integral impropia ∫ xf ( x ) dx es absolutamente convergente, esto es, ∫ |x| f ( x ) dx< ∞.
−∞ −∞
PROPIEDADES:
1. E [ x ] =E [ c ] =c , donde c constante .
2. E [ ax ± b ] =aE [ x ] ± b
3. DEFINICIÓN: Sea X una variable aleatoria con media μ= E [ x ] . La varianza de X, denotado por var
[ x ] =σ 2 es definido por:
JDH Página 6
∞
i ¿ var [ x ] =σ 2=E [ ( X −μ ) ]=∑ ( X−μ ) p(x j ), si
2 2
X es variable aleatoria discreta que toma valores
J=1
x 1 , x 2 , x 3 ,… x j …
+∞
ii ¿ var [ x ] =σ = E [ ( X−μ ) ] =∫ ( X−μ ) f (x j) dx , si
2 2 2
X es variable aleatoria continua con función de
−∞
densidad f ( x)
PROPIEDADES
1. var [ x ] =0 ↔ x=c , donde c cte .
2. var [ ax ± b ] =a2 var [ x ]
3. Para cualquier variable X var [ x ] =E [ x ] −[ E[ x] ]
2 2
4. DEFINICIÓN: Sea X una variable aleatoria. La desviación estándar de X denotado por σ esta
definido por:
σ =√ var [x ]
Ejemplos:
1. Sea X una variable aleatoria discreta con función de probabilidad.
X -2 0 1 3 4
P(x) 1/5 1/5 1/5 1/5 1/5
Determine la media y la desviación estándar
JDH Página 7
Existen variables cuyas funciones de probabilidad o densidad resultan ser modelos de mucha utilidad
para una serie de aplicaciones. Nosotros citaremos brevemente algunos de los modelos de mayor
importancia.
1. DISTRIBUCIÓN BINOMIAL.
La distribución binomial aparece cuando se dan las condiciones siguientes:
Tenemos un experimento aleatorio simple, con una situación dicotómica, es decir Éxito y Fracaso.
Repetimos este experimento simple n veces de manera independiente.
El experimento está interesado en el número de éxitos y no en el orden en los que ocurren.
X = Número de Éxitos en n experimentos independientes de Bernoulli.
Función de Probabilidad:
{
n x n−x
P X ( x )= c x p ( 1− p ) , si x=0,1,2 , … , n
o ,en otro caso
El valor esperado
μ X =np
Y varianza
2
σ x =np ( 1−p )
Notacion: X B ( n , p )
Ejemplos:
1. Una empresa inmoviliaria afrece a sus habituales clientes dos formas de pago “al contado” y “a
plazos” se sabe que el 30% de las departamentos adquiridos son con pago al contado. Si
durante el año pasado se han adquirido 8 departamentos, determinar la probabilidad de que:
a. Tres unidades o mas, se adquirieron bajo forma de pago al contado
JDH Página 8
b. Cinco unidades o menos, lo hayan adquirido bajo forma de pago a plazos.
b. El numero de respuestas afirmativas de los dos estudiantes de las dos carreras sea igual o
mayor a once.
2. DISTRIBUCIÓN DE POISSON.
La distribución de Poisson aparece en situaciones en las que se cuenta el número de apariciones
de un determinado suceso o bien en un intervalo de tiempo dado (como el número de partículas
emitidas en un segundo por un material radioactivo, o el número de pacientes que llegan a un
JDH Página 9
servicio en un intervalo de tiempo dado) o bien en un recinto físico (como el número de fallos en
un metro de alambre de hierro producido.
X = Número de eventos en [0,t]
Función de Probabilidad:
{ λ x e− λ
P X ( x )= x ! , si x=0,1,2, … , n
o , en otro caso
El valor esperado
μ X =λ
Y varianza
σ 2x =λ
Notacion: X P ( λ ) , donde λ> 0
Ejemplos:
1. Una compañía de seguros halla que el 0.004% de la poblacion fallece cada año de un cierto tipo
de accidente. ¿Cuál es la probabilidad de que la compañía tenga que pagar a más de 2 de los
10,000 asegurados contra tales accidentes en un año determinado?
2. En una ciudad selvatica se pretende introducir un nuevo producto del que es razonable esperar
que sea demandado por el 0.5% de los habitantes de dicha zona. Determinar la probabilidad de
que consultados 2 000 de estos habitantes, dicho producto sea demandado por 2 o mas
personas.
JDH Página 10
3. DISTRIBUCIÓN NORMAL
Es la distribución de probabilidad más en todo el campo de la estadística, por tres razones:
Está directamente relacionada con las propiedades matemáticas de la distribución normal
Las distribuciones en el campo de la industria, economía y la investigación describen
distribuciones aproximadamente normales.
Mediante el teorema del límite central que establece que muchas funciones de los valores
muestrales tiene distribuciones aproximadamente normales en particular las muestras
grandes.
Se dice que X tiene una distribución normal con media μ y varianza σ 2, y se denota por: X N ( μ , σ 2 ) ,
si su función de densidad, es:
1 2
( x−μ )
1 2
f X ( x )= e 2σ
√ 2 πσ
El valor esperado
μ X =μ
Y varianza
2 2
σ x =σ
NOTA: Cuando μ=0 y σ 2=1, a X se le denota por Z y se llama una variable aleatoria con
distribucion normal estándar, vale decir Z N ( 0,1 ). Toda V.a. normal X N ( μ , σ 2 ), puede convertirse
con una v.a. normal estándar ( estandarizarse) a través de la transformación.
x −μ
Z=
σ
Ejemplos:
1. Si X N ( 3,36 ). Hallar:
a. P[2<X<5]
b. P[X>0]
JDH Página 11
c. P[| X−4|>6 ]
2. Los depositos en la Caja Municipal del Cusco durante el mes de mayo último estan normalmente
distribuidos, con media de S/. 10 000 y una desviacion estándar de S/. 1 500 un deposito es
seleccionado al azar, de los depositos referentes al mes mayo, encontrar la probabilidad de que
el deposito sea:
a. S/ 10 000 o menos
JDH Página 12
d. Mayor que S/ 20 000
a. P[0≤ Z ≤ k ]=0.35543
b. P[ Z ≤ k ]= 0.17879
c. P[ Z ≤ k ]=0.99886
JDH Página 13
5. Las notas de un examen de estadistica estan normalmente distribuidas con media 73 y
desviacion estándar de 16. Si el 15 % de los alumnos mas adelantados reciben la nota A y 12 %
de los más atrasados reciben nota F. Encuentre la mínima nota para recibir A y la minima nota
para recibir F.
Cálculo de “n” por ecuación predeterminada: Cuando la fracción n / N a priori se determina que será
mayor que 0.1, un método para determinar “n” de manera aproximada es el siguiente:
Dónde:
Los valores “p” y “q” son probabilidades de una distribución binomial, cumplen que : p + q = 1 y
generalmente se acepta si éstos no son conocidos que : p = q = 0.5.
D; es un valor que se vincula al error de estimación prefijado donde:D = B 2 /4
B es el error de estimación que se debe fijar y generalmente fluctúa entre 0.01 y 0.10
p x q; es la variancia de una distribución binomial, de una pregunta dicotómica, tema que se
aborda más adelante
7.2.Muestreo sistemático
JDH Página 14
Cuando los elementos de la población están en una lista o un censo, se puede utilizar el muestreo
sistemático. Supongamos que tenemos una población de tamaño “N” y se desea una muestra de
tamaño “n” y sea “K” un valor entero más próximo a la relación “n/N”. La muestra sistemática se
toma eligiendo al azar, con números aleatorios, un elemento entre los primeros “K” elementos y se
denomina “n1”. El muestreo se realiza seleccionando los elementos “(n 1+K); (n1+ 2K), etc.” a intervalos
fijos de “K” hasta completar la muestra. Si el orden de los elementos en la lista es al azar, este
procedimiento es equivalente al muestreo aleatorio simple, aunque resulta más fácil de llevar a cabo
sin errores.
Si el orden de los elementos es tal que los más próximos tienden a ser más semejantes que los
alejados, el muestreo sistemático tiende a ser más preciso que el aleatorio simple al cubrir más
homogéneamente toda la población.
7.3.Muestreo estratificado.
Se denomina muestra estratificada aquella en que los elementos de la población se dividen en clases
o estratos. La muestra se toma asignando un número o cuota de miembros a cada estrato y
escogiendo los elementos por muestreo aleatorio simple dentro del estrato
Cuando dispongamos de información sobre la población conviene tenerla en cuenta al seleccionar la
muestra. Un ejemplo clásico son las encuestas de opinión, donde los elementos (personas) son
heterogéneas en algunas variables como: sexo, edad, profesión, etc. Interesa en estos casos que la
muestra tenga una composición análoga a la población, lo que se consigue mediante una muestra
estratificada. En concreto si existen “k” estratos de tamaño N 1 ...Nk y tales que “N = N 1 + N2 +....+
Nk” se tomará una muestra “n” que garantice una presencia adecuada de cada estrato “n i ”.
Una forma sencilla para dividir el tamaño total de la muestra “n” entre los estratos de “n i” es por el
Método de Asignación Proporcional, el cual toma en cuenta el tamaño relativo del estrato de la
población, por ejemplo si en la población hay un 55 % de mujeres y un 45 % de hombres,
mantendremos esta proporción en la muestra. En general se hará de la manera “ni = n Ni/N”.
7.4.Muestreo de conglomerados.
Existen situaciones donde ni el muestreo aleatorio simple ni el estratificado son aplicables, ya que no
disponemos de una lista con el número de elementos de la población ni en los posibles estratos. En
estos casos típicamente los elementos de la población se encuentran de manera natural agrupados
en conglomerados, cuyo número es conocido, por ejemplo la población rural se distribuye en
comunidades y los habitantes de un barrio en manzanas. Si suponemos que cada uno de estos
habitantes es parte de un conglomerado que pertenece a una población total de conglomerados
semejantes para una variable dada, podemos seleccionar algunos conglomerados al azar y dentro
de ellos analizar a todos sus elementos o una muestra aleatoria simple.
El muestreo por conglomerados y tiene la ventaja de simplificar la recogida de la información, no es
necesario visitar todos los conglomerados para recolectar una muestra. El inconveniente obvio es
que, si los conglomerados son heterogéneos entre sí, cómo se analizan solo algunos de ellos, la
muestra final puede ser no representativa de la población, algo así sucede si estudio a fondo una
comunidad en lo referente a una opinión dada y se supone que los resultados son representativos
de un conjunto de comunidades, pero si esta comunidad estudiada tiene opiniones distintas del
resto, los resultados no serán representativos de la población, por ejemplo las poblaciones con más
recursos suelen tener opiniones diferentes a las de menos recurso.
JDH Página 15
En resumen las ideas de estratificación y de conglomerados son opuestas, la estratificación funciona
tanto mejor cuanto mayor sean las diferencias entre los estratos y más homogéneas sean estos
internamente. Los conglomerados funcionan si hay poca diferencia entre ellos y son muy
heterogéneos internamente, que incluyan toda la variabilidad de la población en el conglomerado.
EJERCICIOS.
Ilustración 1.6. Dada la tabla de la distribución de probabilidad para x=2, 4, 6 y extensiones para calcular
μ yσ .
x P( x ) xP( x ) 2
x P( x )
2 1/3 2/3 4/3
4
6
Total 1 12/3 56/3
De donde:
12
μ= =4.0
3
√ ( )
2
2 56 12
=√ 2.66=1.63
2
σ= −
3 3
Mediante la distribución de todas las muestras posibles de tamaño 2 y sus medias
JDH Página 16
Muestra Medias
s x
posibles
2,2 2
2,4 3
2,6 4
4,2 3
4,4 4
4,6 5
6,2 4
6,4 5
6,6 6
La distribución de probabilidad para todas las medias de todas las muestras posibles de tamaño 2
es:
x P( x ) x P( x) 2
x P( x )
2 1/9 2/9 4/9
3 2/9
4
5
6
Total 9/9 36/9 156/9
36
μx= =4
9
JDH Página 17
σ x=
9√−
9 ( )
156 36 2 2
2
=√ 1.33=1.15
Ilustración : Suponga que quiere conocer la opinión de una comunidad donde hay 50 personas adultas,
N = 50.
a) ¿Cuál es la es tamaño de “n” mínimo a calcular?
b) ¿Cuál sería el valor de “n” con una ciudad de 50,000 habitantes?
c) Discuta que método de muestreo usaría si quiere estudiar la opinión de la gente de 12
barrios semejantes en cuanto a su nivel de vida y forma de generar sus ingresos.
LABORATORIO N°2
Nombres y Apellidos
1.- …………………..…………………………………………………………….……..………
2.- ..……………………………………………………………………………………………...
Después de realizar una encuesta a los estudiantes de la universidad se presenta los siguientes
indicadores sociales, estudiantiles, familiares
CARRERA CREDITOS CANTIDAD GASTOS
PROFESIONA EDAD MATRICULADO DE CURSOS SEMANALES
L S S/.
Historia 18 20 4 55
Arqueología 17 24 5 80
JDH Página 18
Historia 17 22 5 75
Psicología 18 20 5 60
Antropología 20 19 4 100
Historia 23 23 6 85
Arqueología 20 22 5 65
Antropología 17 26 6 70
Psicología 19 15 3 80
Antropología 22 18 4 75
Historia 23 21 4 60
Arqueología 25 23 5 55
Arqueología 24 22 4 80
Psicología 25 21 4 70
Antropología 19 17 3 65
Psicología 18 20 5 100
Historia 20 21 5 90
Psicología 19 23 5 75
Historia 21 26 5 80
JDH Página 19
JDH Página 20
JDH Página 21