Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
V.a. discreta:
Si X toma valores sobre un conjunto S ⊆ R finito o infinito numerable,
decimos que X es una v.a. discreta.
V.a. continua
Si X toma valores sobre un conjunto S ⊆ R infinito no numerable (por
ejemplo, en un intervalo o en una unión de intervalos de R), decimos que
X es una v.a. continua.
Ejemplos
I X =“Resultado al tirar un dado” es una v.a. discreta con
S = {1, 2, 3, 4, 5, 6}.
I Y =“Número de coches que pasan por cierto peaje en una semana”
es una v.a. discreta con S = {0, 1, 2, . . .} = N ∪ 0.
I Z = “altura (en cms.) de un alumno elegido al azar” es una v.a.
continua con S = [0, ∞).
Variables aleatorias discretas
Función de probabilidad
Sea X una v.a. discreta con valores x ∈ S. Su función de probabilidad o
función de masa es la función que asigna a cada posible valor de X su
probabilidad: px = P{X = x} para x ∈ S.
Ejemplo
X = resultado de lanzar un dado equilibrado. La función de probabilidad
es
x 1 2 3 4 5 6
1 1 1 1 1 1
P{X = x} 6 6 6 6 6 6
X
I P{X ≤ x} = P{X = y }.
y ∈S : y ≤x
Función de distribución
La función de distribución o función de probabilidad acumulada de una
variable aleatoria X es la función F : R → [0, 1] que asigna a cada valor
x ∈ R la probabilidad:
X
F (x) = P{X ≤ x} = P{X = y }
y ∈S : y ≤x
I Para a, b ∈ R,
E [a + bX ] = a + bE [X ]
I Para cualquier función g (x),
X
E [g (X )] = g (x)P{X = x}
x∈S
V [X ] = E [(X − E [X ])2 ]
X
= (x − E [X ])2 P{X = x}
x∈S
X
= (x − E [X ])2 px
x∈S
I La raı́z cuadrada
p de la varianza es la desviación tı́pica. Se denota por
S[X ] = V [X ].
Varianza de una v.a. discreta. Propiedades
V [X ] = E X 2 − E [X ]2
I V [X ] ≥ 0
I Si a, b ∈ R, entonces
V [a + bX ] = b 2 V [X ]
x 0 1 2
1 1 1
P{X = x} 4 2 4
La esperanza es
1 1 1
E [X ] = 0 × +1× +2× =1
4 2 4
y la varianza es
3 1
V [X ] = E [X 2 ] − E [X ]2 = − 12 =
2 2
donde
1 1 1 3
E [X 2 ] = 02 × + 12 × + 22 × =
4 2 4 2
Variables aleatorias continuas
Función de distribución
La función de distribución de una v.a. continua X es F (x) = P{X ≤ x},
para x ∈ R
Propiedades
I 0 ≤ F (x) ≤ 1, para todo x ∈ R
I F (−∞) = 0.
I F (∞) = 1.
I Si x < y entonces F (x) ≤ F (y ), es decir, F (x) es no decreciente.
I Para a < b, P(a < X ≤ b) = P(a ≤ X ≤ b) = F (b) − F (a).
I F (x) es continua.
Función de densidad
Para una v.a. continua X con función de distribución F (x), la función de
densidad de X es:
dF (x)
f (x) = = F 0 (x)
dx
Propiedades
I f (x) ≥ 0 ∀x ∈ R
Rx
I F (x) = P(X ≤ x) = −∞ f (u) du
R∞
I −∞ f (x)dx = 1
Variables aleatorias continuas
Ejemplo
Una v.a. X tiene función de densidad
12x 2 (1 − x)
para 0 < x < 1
f (x) =
0 en otro caso
Entonces:
Z 0.5 Z 0.5
P{X ≤ 0.5} = f (u) du = 12u 2 (1 − u) du = 0.3125
−∞ 0
Z 0.5 Z 0.5
P{0.2 ≤ X ≤ 0.5} = f (u) du = 12u 2 (1 − u) du = 0.2853
0.2 0.2
Z x 0 si x ≤ 0
3
x4
F (x) = P{X ≤ x} = f (u) du = 12{ x3 − 4 } si 0 < x ≤ 1
−∞
1 si x > 1
Esperanza de una v.a. continua
Descripción
Partimos de un experimento aleatorio con dos posibles resultados, que
denominamos éxito y fracaso
Definimos la v.a.
1 si el resultado es un éxito
X =
0 si el resultado es un fracaso
Ejemplo:
Tiramos una moneda equilibrada, y obtenemos
1 si sale cara
X =
0 si sale cruz
Ejemplo:
Una lı́nea aérea estima que los pasajeros que compran un billete para un
vuelo tienen una probabilidad de 0.05 de no presentarse al embarque
Definimos
1 si el pasajero se presenta
Y =
0 si no lo hace
Y sigue una distribución de Bernoulli con parámetro p = 0.95
Modelo de Bernoulli
Función de probabilidad:
P{X = 0} = 1 − p P{X = 1} = p
Función de distribución:
0 si x < 0
F (x) = 1−p si 0 ≤ x < 1
1 si x ≥ 1
Propiedades:
I E [X ] = p × 1 + (1 − p) × 0 = p
I E [X 2 ] = p × 12 + (1 − p) × 02 = p
I V [X ] = E [X 2 ] − E [X ]2 = p − p 2 = p(1 − p)
p
I S[X ] = p(1 − p)
Modelo Binomial
Descripción
Una prueba de Bernoulli con parámetro p se repite n veces de manera
independiente. La v.a. número de éxitos obtenidos sigue una distribución
Binomial con parámetros n y p
Definición:
Una v.a. X sigue una distribución binomial con parámetros n y p si
n x
P{X = x} = p (1 − p)n−x
x
para x = 0, 1, . . . , n donde
n n!
=
x x!(n − x)!
Ejemplo
La lı́nea aérea del ejemplo anterior ha vendido 80 billetes para un vuelo.
La probabilidad de que un pasajero no se presente al embarque es de
0.05. Definimos X = número de pasajeros que se presentan. Entonces
(suponiendo independencia)
X ∼ B(80, 0.95)
Propiedades
I E [X ] = np
I V [X ] = np(1 − p)
p
I S[X ] = np(1 − p)
Distribución exponencial
Descripción
La distribución exponencial se emplea para modelizar el tiempo que
transcurre hasta que ocurre cierto suceso aleatorio. Es conveniente
especificar la unidad de medida del tiempo (e.g., segundos, minutos,
horas, etc.)
Definición
Se dice que una v.a. X sigue una distribución exponencial con parámetro
(tasa) λ (sucesos por unidad de tiempo) si su función de densidad es
Se escribe X ∼ Exp(λ)
Distribución exponencial: función de distribución
Propiedades:
1
I Esperanza: E [X ] =
λ
1
I Varianza: V [X ] =
λ2
1
I Desviación tı́pica: S[X ] =
λ
Ejemplo: Distribución exponencial
• Una empresa modeliza el tiempo que emplea en completar el servicio de
un cliente como una v.a. X ∼ Exp(λ) con tasa λ = 1/2 (servicios por
hora)
• ¿Cuánto tiempo se emplea, en promedio, para completar un servicio?
1
E [X ] = = 2 h.
λ
• ¿Probabilidad de que se tarde más de 2.5 h. en completar un servicio?
Descripción
La distribución normal es un modelo teórico que aproxima bien muchas
situaciones reales. La inferencia estadı́stica se fundamenta básicamente
en la distribución normal y en distribuciones que se derivan de ella.
Definición
Se dice que una v.a. X sigue una distribución normal o Gausiana con
parámetros µ y σ, y se denota por X ∼ N (µ, σ), si
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π
Propiedades
E [X ] = µ, V [X ] = σ 2
f (x) es simétrica respecto de µ
Distribución normal
Función de densidad para 3 valores distintos de µ y σ
Distribución normal
Propiedad
Si X ∼ N (µ, σ),
I P(µ − σ < X < µ + σ) ≈ 0.683
I P(µ − 2σ < X < µ + 2σ) ≈ 0.955
I P(µ − 3σ < X < µ + 3σ) ≈ 0.997
Distribución normal
Transformación lineal
Si X ∼ N (µ, σ), entonces:
Y = aX + b ∼ N (aµ + b, |a|σ)
Estandarización
Si X ∼ N (µ, σ),
X −µ
Z= ∼ N (0, 1)
σ
se llama la distribución normal estándar. Es una distribución simétrica y
centrada en 0. Además, su función de distribución está tabulada
Tablas de la N (0, 1)
Distribución normal: Ejemplo
I Pr(Z < −1.5) = Pr(Z > 1.5) = 1 − Pr(Z < 1.5) = 1 − 0.9332 =
0.0668. ¿por qué no ≤?
I Pr(−1.5 < Z < 1.5) = Pr(Z < 1.5) − Pr(Z < −1.5) =
0.9332 − 0.0668 = 0.8664.
Distribución normal: Ejemplo
X −2 4−2
Pr(X < 4) = P{ < } = Pr{Z < 0.666̇} ≈ 0.7454,
3 3
donde Z ∼ N(0, 1).
I A continuación, buscamos :
3−4 X −4 5−4
Pr(3 < X < 5) = Pr{ < < } = Pr(−1 < Z < 1)
1 1 1
= Pr(Z < 1) − Pr(Z < −1) = 0.8413 − 0.1587 = 0.6827
X −4 x −4
Pr{ < } = Pr(Z < x − 4) = 0.9
1 1
Mirando las tablas, tenemos x − 4 ≈ 1.28 que implica que un 90 % de las
paquetes tienen pérdidas de menores que x = 5.28 %.
Para un paquete p = Pr(3 < X < 5) = 0.6827. Sea Y el número de
paquetes en la muestra de 4 paquetes que tienen pérdidas de entre 3 % y
5 %. Luego Y ∼ B(4, 0.6827).
4
Pr(Y = 4) = 0.68274 (1 − 0.6827)0 = 0.2172.
4
Distribución normal: otro ejemplo
X̄ − µ
√ ∼ N (0, 1) (aproximadamente)
σ/ n
Binomial
Si X ∼ B(n, p) con n suficientemente grande (o bien n ≥ 30 y
0.1 ≤ p ≤ 0.9 o bien np ≥ 5 y n(1 − p) ≥ 5), entonces
X − np
p ∼ N (0, 1) (aproximadamente)
np(1 − p)
TLC y aproximaciones: Ejemplo
I Sea X ∼ B(100, 1/3). Bucamos el valor de Pr(X < 40), si bien el
cálculo exacto es muy largo ya que necesitamos un gran número de
operaciones.
I Utilizando el TLC tenemos que X ∼ B(100, 1/3) ≈ N{33.3, 4.714},
ya que:
1
E [X ] = 100 × = 33.3̇
3
1 2
V [X ] = 100 × × = 22.2̇
p 3 3
S[X ] = 22.2̇ = 4.714
I Por lo tanto,
X − 33.3̇ 40 − 33.3̇
Pr(X < 40) = P{ < }
4.714 4.714
≈ P{Z < 1.414} donde Z ∼ N(0, 1)
≈ 0.921.