Anda di halaman 1dari 36

ESTADÍSTICA APLICADA

Unidad III
VARIABLES ALEATORIAS

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Definición : Sea E un experimento, y sea S un espacio muestral asociado a
E. Entonces una función X, que a cada elemento del espacio muestral, le asocia
un número real, recibe el nombre de variable aleatoria.

𝑋: 𝑆 ՜ 𝐼𝑅 Rx es el recorrido de la
variable aleatoria v.a. . Es
𝑠𝑖 ՜ 𝑋 𝑠𝑖 = 𝑥𝑖 el conjunto de todos los
valores que toma la v.a.
S X Rx
s1 Si el recorrido de la v.a.
x1
X, ( Rx), es un conjunto
s2 x2
finito o infinito
:
: X(si)=xi numerable, entonces
si : diremos que X, es una
: v.a. Discreta
:
Universidad Técnica Federico Santa María – Sede Viña del Mar
Profesor. Carlos Fajardo Duque
Definición :
Sea X una v.a.discreta. Entonces a cada valor que toma la variable (xi Rx),
le asociaremos un número p(xi) = P(X=xi), (Función de Probabilidad o
de Cuantía, probabilidad que ocurra xi) y que cumple con las siguientes
condiciones:
a) p( xi )  o i  1, 2, ....


b)  p( x )  1
i 1
i

A la coordenada (xi , p(xi)) se denomina Distribución de Probabilidad


(Gráfico de la función de probabilidad, frecuencia relativa,)

p(xi)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Esperanza : 𝐼𝐸 𝑋 Es el valor mas esperado de la variable Aleatoria,
es decir, es el promedio que s espera que suceda

𝐸 𝑋 = ෍ 𝑥𝑖 ⋅ 𝑝 𝑥𝑖
∀𝑥𝑖

Varianza:

2
2
𝑉 𝑋 = 𝐼𝐸 𝑋 2 − 𝐼𝐸 𝑋 = ෍ 𝑥𝑖2 ⋅ 𝑝 𝑥𝑖 − ෍ 𝑥𝑖 ⋅ 𝑝 𝑥𝑖
∀𝑥𝑖 ∀𝑥𝑖

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 1:
Sea el experimento E: se lanza una moneda dos veces y se registra el signo que
aparece en la cara superior.
Luego el espacio muestral S = {cc, cs, sc, ss }.
Sea la v.a. X : número de sellos que aparecen.
Recorrido de la V.A
S X Rx Rx = {0, 1, 2}

cc
X(cc) = x1=0
cs
sc
X(cs) =
X(sc) = } x =1
2
ss X(ss) = x3=2

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Luego

p(x1) = P(X = x1) = p(0) = P(X=0) = P(cc) = 1/4


p(x2)= P(X = x2) = p(1) = P(X=1) = P(cs,sc) = P(cs) + P(sc) = 1/2
p(x3) = P(X = x3) = p(2) = P(X=2) = P(ss) = 1/4

a)¿Se cumplen las condiciones para p(X)?

b)Determine la probabilidad de obtener a lo mas 1 sello:


1 1 3
𝑃 𝑋 ≤ 1 = 𝑝 𝑥1 = 0 + 𝑝 𝑥2 = 1 = 4 + 2 = 4

c) Determine la esperanza , la varianza y la desviación estandar

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 2:
Sea la variable aleatoria X: mes en que un computador tiene problemas.
Se define la función de probabilidad sobre X por :

4k x
p( x)  P( X  x)  Con x = 1,2,3,4,5,6
7
Determine:

a) el valor de k para que P(X) sea una función de probabilidad (k=1/12)


b) p( 5 ) = P( X = 5 )= (5/21)
c) P( X  2 ) = (20/21)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
a)Para que p(X) sea una función de probabilidad o de cuantía se debe cumplir
que:
4kx
i) p( xi )  o i  1, 2, ....6 p  xi    0  k  0
7
6
ii )  p( x )  1
i 1
i

p  x1   p  x2   p  x3   p  x4   p  x5   p  x6   1
4k 8k 12k 16k 20k 24k
     1
7 7 7 7 7 7
7
k 
84

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
7
4 ⋅ 84 ⋅ 5 5
b) 𝑝(5) = 𝑃(𝑋 = 5) = 7
=
21

20
c) 𝑃(𝑋 ≥ 2) = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4 + 𝑃 𝑋 = 5 + 𝑃 𝑋 = 6 = 21

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Variables Aleatorias Discretas

1.- Distribución Binomial


Sea E un experimento y sea A un suceso asociado a E. Supongamos que P(A)
= p, luego P(A) = 1 – p. Consideremos n repeticiones independientes del
experimento E. Por lo tanto el espacio muestral del experimento total, estará
ഥ.
Dado por todas las sucesiones posibles tal que ocurra A o 𝑨

Si la v.a. X se define como: Número de veces que ocurre el suceso A, diremos


que X tiene una distribución binomial con parámetros n y p, y la
denotaremos:

X ~ Bin(n , p )
Su función de probabilidad está dada por (k es el número de veces que ocurre el
evento A)
nk
p (k )  P( X  k )  C p (1  p )
k
n k

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 3:
Supongamos que en un estadio lleno, la probabilidad de , que al escoger
una persona al azar, sea mujer es del 40%. Una empresa comercial, para
promocionar un nuevo producto, toma una muestra aleatoria de tamaño
20. Determine la probabilidad que la muestra contenga:
a) exactamente 11 mujeres. b) a lo más 8 mujeres.
c) al menos 5 mujeres. d)exactamente 9 hombres.
e) Entre 6 y 12 mujeres
Datos del problema.

 Experimento. Se elige una persona al azar Por lo tanto X ~ Bin(20 ; 0,4 )


 Repeticiones del experimento: n=20
 Espacio Muestral: A: Mujer B: Hombre
S={AA…..A, A…B, B….B}
 Probabilidad de A P(A)=0,4
 Variable Aleatoria X: Número de mujeres seleccionadas
 Recorrido Rx={0,1,2,3…..,20}
Universidad Técnica Federico Santa María – Sede Viña del Mar
Profesor. Carlos Fajardo Duque
Desarrollo:
20
a) exactamente 11 mujeres P(X=11)= 0,411 ∙ 0,69 = 0,071
11
Compruebe usando tabla

𝑃 𝑋 = 11 = 𝑃 𝑋 ≤ 11 − 𝑃 𝑋 ≤ 10 = 0,9435 − 0,8725 = 0,071


b) a lo más 8 mujeres.

Directo por tabla 𝑃 𝑋 ≤ 8 = 0,5956

c) al menos 5 mujeres. 𝑷 𝑿 ≥ 𝟓 = 𝟏 − 𝑷 𝑿 ≤ 𝟒 = 𝟏 − 𝟎, 𝟎𝟓𝟏𝟎 = 𝟎, 𝟗𝟒𝟗

d) exactamente 9 hombres. 𝑷 𝑿 = 𝟏𝟏 = 𝟎, 𝟎𝟕𝟏

e) Entre 6 y 12 mujeres 𝑷 𝟔 ≤ 𝑿 ≤ 𝟏𝟐 = 𝑷 𝑿 ≤ 𝟏𝟐 − 𝑷(𝑿 ≤ 𝟓)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 4:
De una urna que contiene seis bolitas rojas y cuatro negras se extraen,
con devolución, cuatro al azar. Se define la variable aleatoria discreta X
que indica el número total de bolitas rojas sacadas:
a) Determine la esperanza y la varianza de X:
b) Determine la probabilidad de extraer a lo mas 1 negra

Desarrollo:
Como el experimento es con devolución, la probabilidad de extraer una bola
roja en cada intento es 0,6. Luego esta distribución es Binomial con n=4 y
p=0,6
X ~Bin (4; 0,6)
La función de cuantía estaría dada por
𝒏 𝟒
𝒑 𝑿𝒌 = 𝑰𝑷 𝑿 = 𝒌 = ⋅ 𝒑𝒌 ⋅ 𝟏 − 𝒑 𝒏−𝒌 = ⋅ 𝟎, 𝟔𝒌 ⋅ 𝟎, 𝟒𝟒−𝒌
𝒌 𝒌

con 𝒌 ∈ 𝟎, 𝟏, 𝟐, 𝟑, 𝟒
Universidad Técnica Federico Santa María – Sede Viña del Mar
Profesor. Carlos Fajardo Duque
𝑝 𝑋0 =𝑃 𝑋=0 = 0,0256
𝑝 𝑋1 =𝑃 𝑋=1 = 0,1536
𝑝 𝑋2 =𝑃 𝑋=2 = 0,3456
𝑝 𝑋3 =𝑃 𝑋=3 = 0,3456 corregir
𝑝 𝑋4 =𝑃 𝑋=4 = 0,1296

a)
4
E  X    xk  p  xk  
k 0

E  X   0  0, 0256  1  0,1536  2  0,3456  3  0,3456  4  0,1296


E  X   2, 4 (n  p)

Observación: Si X~Bin(n,p) entonces E(X)=n*p

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
2
 
V  X   E  X    E  X     x  p  xk     xk  p  xk   
4 4
2 2 2
k
k 0  k 0 
V  X   6, 72  2, 42  0,96  ( n  p  1  p )

Observación: Si X~Bin(n,p) entonces V(X)=n*p*(1-p)

b) Determine la probabilidad de extraer a lo mas 1 negras


P  a lo mas 1 negra   P  por lo menos 3 rojas   P  X  3  1  P  X  3
 1   P  X  0   P  X  1  P  X  2  
 1   0, 0256  0,1536  0,3456 
 0, 4752

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
X

Ejercicio Propuesto.
El gerente de un restaurante que sólo da servicio mediante reservación
sabe, por experiencia, que el 15% de las personas que reservan una mesa no
asistirán. Si el restaurante acepta 25 reservaciones pero sólo dispone de 20
mesas, ¿Cuál es la probabilidad de que a todas las personas que asistan al
restaurante se les asigne una mesa?

Sea X: Cantidad de personas que reservan mesa pero no asisten

X~Bin (25, 0,15)

Se pide 𝑃(𝑋 ≥ 5)= 0,3179

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
2. Distribución de Poissón
Esta distribución es un caso límite de la binomial. Suponemos p pequeño
y n grande , de modo que el producto np tienda a un valor  finito.
Usualmente se asocia a una Distribución de Poisson cuando se conoce un
promedio por unidad de tiempo.

Entonces diremos que X tiene una distribución de Poissón con parámetro


 ( media  y varianza  ) . Se anota: X~Pois(λ)

Su función de cuantía es

e *  k
p(k )  P( X  k )  con k  0,1, 2,3,....
k!

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 5:
El número promedio de partículas radiactivas que pasan a través de un
contador durante un milisegundo en un experimento de laboratorio es 4.

a) ¿Cuál es la probabilidad de que entren 6 partículas al contador en un


milisegundo determinado?
Se define la variable aleatoria X: número de partículas que entran al contador
en un milisegundo
En este caso es una distribución de Poissón con λ=4.
Se pide 𝑒 −4 ∙ 46
𝑝 6 = 𝐼𝑃 𝑋 = 6 = = 0,1042
6!
b) ¿Cuál es la probabilidad de que entren por lo menos 5 partículas en un
milisegundo determinado?
Usando tablas tenemos que

𝑃 𝑋 ≥ 5 = 1 − 𝑃 𝑋 ≤ 4 = 1 − 0,629 = 0,371

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 6
Supongamos que el cajero de un banco, es capaz de atender en promedio 8
personas en 20 minutos. Determina la probabilidad de que el cajero atienda
en 20 minutos:
a) exactamente 10 personas.
b) a lo más 7 personas.
c) al menos 4 personas.
d) no más de 10, ni menos de 5

X~Pois(8)
𝑒 −8 ∙810
a) 𝐼𝑃 𝑋 = 10 = = 0,09926
10!

b) 𝐼𝑃 𝑋 ≤ 7 = 0,453 usar tabla

c) 𝐼𝑃 𝑋 ≥ 4 = 1 − 𝐼𝑃 𝑋 ≤ 3 = 1 −0,042=0,958 usar tabla

d) 𝐼𝑃 5 ≤ 𝑋 ≤ 10 = 𝐼𝑃 𝑋 ≤ 10 − 𝐼𝑃 𝑋 ≤ 4 =0,816-0,1=0,716 usar tabla

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Otras Distribuciones Discretas
Estudio Personal

 Bernoulli
 Binomial Negativa
 Hipergeométrica
 Geométrica
 Uniforme Discreta

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Variables Aleatorias Continuas

Supongamos que X es una v.a. cuyo recorrido Rx, son todos los números reales.

Si definimos una función f :R


 R
y si cumple con las siguientes condiciones:

i.  f ( x)  0 x  Rx

ii.   f ( x)dx  1


Entonces diremos que X es una v.a.c. con función de densidad de


Probabilidad (f.d.p.) f(x)
Universidad Técnica Federico Santa María – Sede Viña del Mar
Profesor. Carlos Fajardo Duque
Observaciones:

1. f(x) no es una probabilidad, como en el caso discreto, donde


p(x) = P(X = x ).

2. Las siguientes probabilidades, son equivalentes:


P(a  x  b) = P(a < x < b)
Esto implica que P(X = x ) = 0 (probabilidad puntual)
b
3.
P(a  x  b)   f ( x)dx
a

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 7:
Sea X una variable aleatoria continua (vac), con función de densidad de
probabilidad f(x) (f.d.p.). Talque:
𝑘𝑥 0≤𝑥≤1
𝑓 𝑥 =ቊ
0          en otros casos

1.- Determine el valor de k


2.- Grafique la función f(x)
3.- Calcule P( x  1/2 )
4.- Calcule P(1/3  x  2/3)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
∞ 1
𝑥2 1 𝑘
a) න 𝑓 𝑥 𝑑𝑥 = න 𝑘𝑥𝑑𝑥 = 𝑘 |0 = − 0 = 1 ⇔ 𝑘 = 2
−∞ 0 2 2
2𝑥 0≤𝑥≤1
b) Graficar 𝑓 𝑥 = ቊ
0          en otros casos
1
1 2
c) 𝑃 𝑋≤ = න 𝑓 𝑥 𝑑𝑥 =
2 −∞
1 1
1
=‫׬‬0 2𝑥𝑑𝑥 = 𝑥 2 |0 = 4
2 2

2 2
1 2 3 3
d) 𝑃 ≤𝑋≤ = න 𝑓 𝑥 𝑑𝑥 = න 2𝑥𝑑𝑥
3 3 1 1
3 3
2/3 1
= 𝑥 2 |1/3 =
3

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Función de Distribución Acumulada:

Def. : Sea X una variable aleatoria, se define función de distribución


acumulada o función de distribución como:
𝑥
𝐹 𝑥 = 𝐼𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑥 𝑑𝑥
−∞

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Valor Esperado de una v.a.c (Esperanza)


𝐸 𝑥 = න 𝑥𝑓 𝑥 𝑑𝑥
−∞

Varianza de una V.a.c


V 𝑥 = ‫׬‬−∞ 𝑥 2 𝑓 𝑥 𝑑𝑥

Tarea. Estudiar propiedades de la esperanza y la varianza

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 8.
Sea X v.a.c. con función de densidad de probabilidad dada por .
x
3 0  x  1

f ( x)   x  2 3 1  x  2
0 en otros casos

Determine :
a) Función de Distribución Acumulativa F(x)
b) Esperanza de X E(x)
c) Varianza de X V(x)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
𝑥
𝑎) 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑥 𝑑𝑥
−∞
x 2 x
x x x2
Si 0  x 1 F  x    dx  
0
3 6 0
6
x
 2 1  x2 2 
x
1
Si 1 x  2 F  x      x   dx     x 
6 1 3 6  2 3 1
1  x2 2  1 2  x
2
2 1
    x       x
6  2 3  2 3  2 3 3

0 𝑠𝑖 𝑥≤0
Luego la función de 𝑥2
𝑠𝑖 0≤𝑥≤1
distribución 𝐹 𝑥 = 6
acumulada será 𝑥2 2 1
− 𝑥+ 𝑠𝑖 1≤𝑥≤2
2 3 3
1 𝑠𝑖 𝑥≥2

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque

b)  x  2
1 2
E  X    xf  x  dx   x   dx   x  x   dx 
0 

3 1 
3
1 2
1
x2
2
 2 2  x3  x3 x 2   1   8 4   1 1  13
  dx    x  x  dx                
1
0
3 3  9 0  3 3 1  9   3 3   3 3 9

 x  2
1 2
c)
V  X    x 2 f  x  dx   x 2   dx   x 2  x   dx 
 0 3 1  3
2
4 1
x
1 3
 3 2 2
2
x x 2x  4 3
  dx    x  x  dx     
1
0
3 3  12 0  4 9 1
 1   16 16   1 2  41
      
 12   4 9   4 9  18

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Distribución Normal

Se llama distribución normal, distribución de Gauss o distribución gaussiana,


a una de las distribuciones de probabilidad de variable continua que con más
frecuencia aparece aproximada en fenómenos reales.

Su función de densidad de probabilidad (fdp) esta dada por

 1 
( x   )2

f ( x)   e 2 2
  x  
 2
2

Donde μ: media de la distribución 2 : desviación estandar

X ~ N( , 2 )
Universidad Técnica Federico Santa María – Sede Viña del Mar
Profesor. Carlos Fajardo Duque
Características de la Distribución Normal
 Tiene forma de campana ( por su descubridor es también llamada campana de GAUSS)
 Es simétrica con respecto a su media ()
 Es asintótica al eje horizontal.
 A +/- 3  de la media, se encuentra prácticamente el 99.8% de su área
( +/- 3  )

-3 +3

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Estandarización de la distribución Normal

Toda distribución Normal con media μ y desviación estandar 2 se puede


representar como una Distribución normal con media 0 y desviación estándar 1

X ~ N( , 2 ) X ~ N(0 , 1 )
(X   )
Realizando el siguiente cambio de variable Z

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Uso de tabla de la Distribución Normal estandarizada

𝑎
𝐹 𝑧 = 𝐼𝑃 z ≤ 𝑎 = න 𝑓 𝑥 𝑑𝑥
−∞

Ejemplo: si X~N(36 ; 36) determine:

1
a) 𝑃 𝑋 ≤ 38 = 𝑃 𝑍 ≤ 3 = 0,6312
b) 𝑃 40 < 𝑋 ≤ 44 = 0,1621

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 9:
Supongamos que el peso de los contenedores almacenados en un recinto
portuario, tienen una distribución aproximadamente normal, con una media
 = 78.6 tn , y una varianza 2 = 156.25 tn2. Determine;
a) La probabilidad de que un contenedor seleccionado al azar, tenga un peso
no superior a 60 tn. (0,0681)
b) Que porcentaje de contenedores, tiene un peso de al menos 80 tn.
(45,62%)
c) Si el recinto cuenta con 870 contenedores, ¿cuántos tienen un peso entre
68, y 96 tn.? (626 contenedores)
d) Si se deben controlar el 33% de los contenedores más pesados, cuál es el
peso mínimo de estos contenedores. (83,88ton)
e) Si se toma una muestra aleatoria independiente de 12 contenedores, ¿cuál
es la probabilidad de que exactamente 8 tengan un peso no superior a 75
tn.? (0,0365)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Ejercicio 10:
La demanda mensual de cierto producto A tiene una distribución normal con 
= 200 y  =40 unidades, la demanda de otro producto B tiene una distribución
normal de  = 500 y  = 80.Un comerciante que vende estos productos tiene
280 unidades de A y 650 unidades de B al comienzo del mes. ¿Cuál es la
probabilidad de que al término del mes venda todos los productos? Puede
suponer independencia. (0,00069)

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque
Aproximación de la distribución Normal a la Binomial

Si X se distribuye como una binomial con parámetros n y p, donde n es grande


y p cercano a 0.5, entonces podemos decir que X se aproxima a una normal con
media np, y varianza np(1-p). Luego;

( X  np)
Z  ~ N(0 , 1 )
np(1  p)

Ejercicio 11:
Supongamos que el 42% de los trabajadores de una empresa, tienen no
más de 40 años. Se selecciona un muestra de 250 trabajadores.
Determine la probabilidad de que el número de trabajadores con no más
de 40 años, sea:
a) a lo más 120.
b) entre 100, y 150

Universidad Técnica Federico Santa María – Sede Viña del Mar


Profesor. Carlos Fajardo Duque