Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
I. Definición
Llamamos variable aleatoria a una función que asigna a cada elemento del espacio muestral un Vector perteneciente a un
Espacio Vectorial
simbólicamente: x~f(x) en a≤X≤b y se lee “la variable aleatoria continua en X tiene distribución f(x) en el intervalo [a,b]”
podemos calcular la probabilidad de ocurrencia de los valores de una variable aleatoria continua teniendo en cuenta:
Dados dos valores de la variable continua X, x1<x2 pertenecientes a [a,b] la probabilidad de encontrar un valor de
variable entre ellos se da por la superficie que encierra entre dichos puntos.
𝑥
P(x1<X<x2)= ∫𝑥 2 𝑓(𝑥)𝑑𝑥
1
La probabilidad de que la variable X tome un valor individual x3 es nula. En un pto no hay superficie
𝑥
P(X=x3)= ∫𝑥 3 𝑓(𝑥)𝑑𝑥 = 0
3
B. FUNCION DE DISTRIBUCION
Modelo matemático o función no decreciente que asigna a cada valor de la variable aleatoria un valor de probabilidad
acumulada desde el límite inferior del recorrido hasta ese valor.
Sea X: variable continua en [a,b]⊆R y f(x): función de densidad de probabilidad de la variable X
𝑥
Entonces la función de distribución es: P(X≤x)=F(X=x)= ∫𝑎 𝑓(𝑥)𝑑𝑥
Conociendo la ecuación de la función de distribución no se necesita realizar la integración cada vez que se quiera calcular
la probabilidad de encontrar un valor de variable dentro de un intervalo. Este valor se puede encontrar haciendo la
diferencia entre el valor de la función de distribución (lim superior) y el valor de la función de distribución (lim inferior)
Sea: X:variable continua definida en [a,b]⊆R, F(X=x) función de distribución de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de variable menor o igual a x1 es: P(X≤x1)=F(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=F(X=x2)-F(X=x1)
La probabilidad de encontrar un valor de variable mayor o igual a x2: P(X≥x2)=F(X=b)-F(X=x2) → 1-F(X=x2)
C. FUNCION DE DISTRIBUCION COMPLEMENTARIA
G(x) modelo matemático o función no creciente que asigna a c/ valor de la variable aleatoria un valor de probabilidad
acumulada desde un valor de la variable hasta el límite superior del recorrido
Sea X: variable continua definida en [a,b]⊆R y f(x): función de densidad de probabilidad de la variable X. entonces, la
𝑏
función de distribución complementaria es: P(X≥x)=G(X=x)= ∫𝑥 𝑓(𝑥)𝑑𝑥
Sea: X:variable continua definida en [a,b]⊆R, G(X=x) función de distribución de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de la variable mayor o igual a x1 es: P(X≥x1)=G(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=G(X=x1)-G(X=x2)
La probabilidad de encontrar un valor de variable menor o igual a x2: P(X≤x2)=G(X=a)-G(X=x2) → 1-G(X=x2)
D. RELACION ENTRE LAS FUNCIONES DE DISTRIBUCION
La suma entre el valor de la función de distribución correspondiente a un valor de la variable y el valor de la función de
distribución complementaria correspondiente a dicho valor de la variable es igual a uno.
E. PERCENTILES DE VARIABLES ALEATORIAS CONTINUAS
Percentil de orden k (O<k<100 / k€R) de una variable aleatoria continua al valor de la variable xk, donde se acumule, una
probabilidad igual a k/100.
Es posible obtener una función de proporciones lo percentiles (o fractiles) buscando la inversa de la función de
distribución. Esta función recibe el nombre de Función percentilar.
3) Momentos teóricos. Valor esperado o esperanza matemática de una función de la variable
Una función de probabilidad o una función de densidad de probabilidad, por ser Modelos Matemáticos, son Modelos
Teóricos. Con estas funciones se puede predecir el comportamiento probabilístico de las variables aleatorias. Permiten
calcular valores teóricos relacionados con dichas variables. Valores que se esperan, en promedio, si el experimento
aleatorio se desarrolla bajo las mismas condiciones.
MTX=E[g(X)]
Momento o esperanza matemática de una función generada con una variable aleatoria discreta: suma del producto
de cada valor numérico de la función por el correspondiente valor de probabilidad puntual, a través del recorrido
de la variable
X:Variable aleatoria discreta
p(X): función de probabilidad
g(X): función real generada por la variable aleatoria discreta
E[g(X)]: esperanza matemática de la función g(X)
Entonces: E[g(X)] = ∑∞ 𝑖=1 g(𝑥𝑖 ) · p(𝑥𝑖 )
Esperanza matemática de una función generada con una variable aleatoria continua, integral a través del recorrido
de la variable, del producto de la función dada por la función de densidad de probabilidad de la variable
X:Variable aleatoria continua en [a,b]
f(X): función de densidad de probabilidad de X
g(X): función real generada por la variable aleatoria continua
E[g(X)]: esperanza matemática de la función
𝑏
Entonces: E[g(x)] = ∫𝑎 g(x) · f(x)dX
4) Momentos particulares.
4.1. Momentos absolutos (μk) → esperanza matemática de la potencia K-esima de la variable aleatoria. La variable
aleatoria está medida desde el origen natural (0)
El momento absoluto de orden 1 es el promedio o media aritmética esperada de la variable aleatoria. La interpretación
del promedio esperado o media aritmética esperada es el valor que se espera obtener, en promedio, si el experimento es
repetido bajo las mismas condiciones, una cantidad muy grande de veces
a) Cálculo de los momentos absolutos de las variables discretas
X: variable aleatoria discreta; p(x): probabilidad; k: orden del momento
La esperanza es: 𝐸[𝑔(𝑥)] = ∑∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 ) si g(x)=Xk → μk=E(x)= ∑∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 )
8) Variable estandarizada → Se llama variable estandarizada de una variable aleatoria, discreta o continua, a la
variable que se genera haciendo el cociente entre, la diferencia entre la variable original y su esperanza matemática, y la
𝑋−𝜇
raíz cuadrada positiva de la varianza 𝑍 =
𝜎
Toda variable aleatoria estandarizada, tiene esperanza igual a cero y varianza igual a uno, cualquiera sea la naturaleza de
la variable original que se está estandarizando.
Aplicaciones de la variable estandarizada: transformar los valores de la variable expresados en unidades de la magnitud
original, a valores en unidades de desvio estándar. Indica a cuántos desvíos estándares y qué posición se encuentra el
valor observado de variable respecto a su media
CAPÍTULO 6: Leyes de probabilidad específicas
I. Variables aleatorias discretas.
Experimento aleatorio dicotómico: Aquel experimento aleatorio cuyo espacio muestral tiene solo dos resultados
posibles mutuamente excluyentes.
Permutaciones: Dado un conjunto formado por n elementos, se llama permutación de n a cualquier arreglo ordenado
de los n elementos. La cantidad de permutaciones que se pueden formar ordenando los n elementos de distinta
manera se calcula con un número llamado factorial de n. (n!) →Pn=n!
Espacio continuo: Es un recinto de infinitos puntos donde en cualquiera de ellos es posible encontrar un elemento.
Son las magnitudes (longitud; superficie; tiempo)
1. Distribución de Bernoulli
proporciona valores de probabilidad a una variable aleatoria discreta que denota la presencia o ausencia de un
determinado atributo. Si el atributo no se presenta, se asigna a la variable el valor cero; si el atributo se presenta se asigna
a la variable el valor uno.
La cantidad de elementos con un determinado atributo que se presenta en una observación de un experimento aleatorio
dicotómico es una variable aleatoria discreta, r, cuya función de probabilidad es llamada distribución de Bernoulli.
Cumple condición de cierre ∑𝑙𝑟=0 𝑝(𝑟) = 1
La esperanza matemática de “r” es E(r)=∑𝑙𝑟=0 𝑟 · 𝑝𝑟 (1 − 𝑝)(1−𝑟) = 𝑝
La varianza: V(r)=∑𝑙𝑟=0(𝑟 − 𝑝)2 · 𝑝𝑟 · (1 − 𝑝)𝑟 = 𝑝(1 − 𝑝)
2. Repetición de un experimento aleatorio dicotómico: Cada vez que el experimento aleatorio dicotómico se repite,
los elementos que tengan el atributo que se está considerando pueden presentarse o no, es aleatorio, entonces, en
las n repeticiones del experimento, habrá algunos elementos que tengan el atributo, o puede ser que ninguno
tenga el atributo, o todos tengan el atributo.
3. Distribución hipergeométrica
[Conozco el universo y tamaño, conozco el total del atributo.]
Dicotómicas
Universo finito
Sin reposición
Observaciones dependientes
Parámetros matemáticos: n (muestra), N(universo) R(elem con el atributo)
Parámetros estadísticos:
E(x)=n·(R/N)
𝑁−𝑛 R N-R N-n
Var(x)=n·p·q( 𝑛−1 ) = n N N N-1
Parámetros estadísticos:
E(x)=λ
Var(x)=λ
S(x)=√𝜆
𝑆(𝑥)
CV(x)=𝐸(𝑥)