Funcion de Probabilidad y Distribucion-1

ING. EST.
MARCO MINCHON BENITES

Variable aleatoria
Una variable aleatoria X es una función que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numérico real:
X :E 
w  X ( w)
Llamar variable a una función resulta algo confuso,
por ello hay que insistir en que es una función.
La variable aleatoria puede ser discreta o continua.

Veremos el caso discreto.
Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
3 monedas.
espacio SSS SSC SCS CSS CCS CSC SCC CCC
muestral
Nº reales
(# de caras) 0 1 2 3 caras
Establecer una variable aleatoria

para un experimento aleatorio no
es más que una manera de asignar
X :E 
w  X ( w)
de "manera natural" números a los
eventos.
Función de probabilidad
Voy a pensar un número entero del 1 al 100.
“¿Qué numero será?”
Intentaremos representar el estado de incertidumbre

mediante una función matemática: la función de
probabilidad.
1/100
1 2 3 ........ 99 100 X
Función de probabilidad o
distribución
Una vez definida una variable aleatoria X, podemos definir
una función de probabilidad o distribución de
probabilidad asociada a X, de la siguiente forma:
p :   [0,1]
x  p( x)  P( X  x)
La función de probabilidad debe cumplir:
(i) 0  p( x)  1 x  
(ii )  p( x)  1 (Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
x
Función de probabilidad discreta
Valores Probabilidad
Z 0 1/4 = 0.25
1 2/4 = 0.50
Z
2 1/4 = 0.25
Z Z
X :E  p :   [0,1]
w  X ( w) x  p( x)  P( X  x)
Requerimientos de una distribución de
probabilidad
X P(X) X P(X) X P(X)
-1 0.1 -1 -0.1 -1 0.1

0 0.2 0 0.3 0 0.3
1 0.4 1 0.4 1 0.4
2 0.2 2 0.3 2 0.3
3 0.1 3 0.1 3 0.1
1.0 1.0 1.2
0  p ( x)  1 para todo x
 p ( x)  1
x
Observa que aun si el espacio muestral es infinito
numerable, también podemos definir una variable
aleatoria discreta y una función de probabilidad.
Ejemplo: Sea X = Número de lanzamientos de una

moneda antes de que aparezca una cara.
Entonces:
P(X = 1) = P(C) = 1/2

P(X = 2) = P(SC) = 1/2 ∙ 1/2 = 1/4
P(X = 3) = P(SSC) = 1/2 ∙ 1/2 ∙ 1/2 = 1/8
...
en general: P(X = n) = (1/2)n, n = 1, 2,…
Sea el experimento “lanzar dos dados”.
Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como:
con S = {2,3,...,12} la suma de puntos.

Una posible función de probabilidad es:
f :   [0,1]
f (2)  P(X  2 )  P( (1,1) )  1/ 36
f (3)  P(X  3 )  P( (1,2)  (2,1) )  2 / 36
f (4)  P(X  4 )  P( (1,3)  (3,1)  (2,2) )  3 / 36
...
Función de probabilidad de la variable aleatoria X
6/36
P
5/36 5/36
4/36 4/36
3/36 3/36
2/36 2/36
1/36 1/36
2 3 4 5 6 7 8 9 10 11 12 X
Observa que cumple las dos condiciones: es siempre

positiva (y menor o igual a 1) y está normalizada.
Función de distribución
(acumulada)
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F :   [0,1]
x  F ( x)  P( X  x)
En nuestro ejemplo de los dos dados:
F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
Función de distribución de la variable aleatoria X
F
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12 x
Algunos problemas de probabilidad están
relacionados con la probabilidad P(a <X  b) de
que X asuma algún valor en un intervalo (a, b].
Observa que:
P(a < X  b) = F(b) - F(a)
Para demostrarlo observa que, como los sucesos

X  a y a < X  b son mutuamente excluyentes, entonces:
F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)
En el ejemplo de los dos dados, calcula la probabilidad de

que los dos dados sumen al menos 4 pero no más de 8:
P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Algunas propiedades de la función
de distribución
F ()  lim F ( x)  lim P( X  x)  P( E )  1

x   x  
F ()  lim F ( x)  lim P( X  x)  P()  0

x   x  
P( x1  X  x2 )  F ( x2 )  F ( x1 )
Esperanza matemática o media
de una función de probabilidad discreta
  E  X    xi P( X  xi )   xi p( xi )
i i
X P(X) X P(X)
-1 0.1 -0.1
0 0.2 0.0
1 0.4 0.4
2 0.2 0.4
3 0.1 0.3
1.0
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:
12
  E ( X )   P (i )  i 
i2
1 2 6 1
 2   3  ...   7  ...   12  7
36 36 36 36
Sean a, b y c constantes. Demuestra que:
(1) E (c )  c
(2) E( P1 ( x)  P2 ( x))  E( P1 ( x))  E( P2 ( x))
(3) E (aX  b)  aE ( X )  b
(1)   Ec  1 c  c
(2) E P1 ( x)  P2 ( x)    xi P1 ( X  xi )  P2 ( X  xi )  
i
 x P ( X  x )   x P ( X  x )  E P ( x )   E P ( x ) 
i
i 1 i
i
i 2 i 1 2
Varianza y desviación estándar o típica de
una función de probabilidad discreta
Varianza
  Var ( X )  M 2  E (( X   ) ) 
2 2
 (x  )
i
i
2
P( X  xi )
  Var(X )
Desviación estándar
o típica
Ambas miden la “dispersión de los datos”. Observa que la desviación

típica lo hace con las mismas unidades que los propios datos.
Ejemplo
X  ( X   ) ( X   )  P( X )
2 2
X P(X)
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
   ( xi   ) P( xi )  1,2
2 2
  Var( X )  1.10
Calcula la varianza y desviación típica de la variable
aleatoria X en el ejemplo de los dos dados:
12
Var ( X )   P (i )  (i  7 ) 2 
i2
1 2 1
 ( 2  7 )   (3  7 )  ...   (12  7 ) 2  5,83
2 2
36 36 36
  Var( X )  5,83  2,41

Algunas propiedades de la varianza
Var ( X )     ( xi   ) p( xi ) 
2 2
 (x    2xi ) p( xi ) 
2 2
i
i
x p( xi )    2  xi p( xi ) 
2 2
i
i i
 2  E ( X 2 )  ( E ( X )) 2
E ( X )    2  E ( X )  ( E ( X ))
2 2 2 2 2

Funcion de Probabilidad y Distribucion-1

Cargado por

Copyright:

Formatos disponibles

Funcion de Probabilidad y Distribucion-1

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Funcion de Probabilidad y Distribucion-1

Cargado por

Copyright:

Formatos disponibles

ING. EST.

MARCO MINCHON BENITES

La variable aleatoria puede ser discreta o continua.

Establecer una variable aleatoria

Intentaremos representar el estado de incertidumbre

-1 0.1 -1 -0.1 -1 0.1

Ejemplo: Sea X = Número de lanzamientos de una

P(X = 1) = P(C) = 1/2

Definamos la variable aleatoria discreta X como:

con S = {2,3,...,12} la suma de puntos.

Observa que cumple las dos condiciones: es siempre

F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

Para demostrarlo observa que, como los sucesos

F(b) = P(X  b) = P(X  a) + P(a < X  b)

En el ejemplo de los dos dados, calcula la probabilidad de

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

F ()  lim F ( x)  lim P( X  x)  P( E )  1

F ()  lim F ( x)  lim P( X  x)  P()  0

Ambas miden la “dispersión de los datos”. Observa que la desviación

  Var( X )  5,83  2,41

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.