Variable Aleatoria

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
:
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)

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

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

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

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)

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

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

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

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}
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)

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
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

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

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

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!

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

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

Otras Distribuciones Discretas
Estudio Personal
 Bernoulli
 Binomial Negativa
 Hipergeométrica
 Geométrica
 Uniforme Discreta

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)
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

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)

∞ 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

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
−∞

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

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)

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


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

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 )
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

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


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

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)

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)

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


Variable Aleatoria

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Variable Aleatoria

Diunggah oleh

Hak Cipta:

Format Tersedia

ESTADÍSTICA APLICADA

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

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

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

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

1.- Distribución Binomial

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

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

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

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

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Entonces diremos que X tiene una distribución de Poissón con parámetro

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

Si definimos una función f :R

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

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

2. Las siguientes probabilidades, son equivalentes:

Universidad Técnica Federico Santa María – Sede Viña del Mar

1.- Determine el valor de k

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

Universidad Técnica Federico Santa María – Sede Viña del Mar

Varianza de una V.a.c

Tarea. Estudiar propiedades de la esperanza y la varianza

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

Universidad Técnica Federico Santa María – Sede Viña del Mar

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

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

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

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