You are on page 1of 58

Variables aleatorias y sus

distribuciones
1. Variables aleatorias discretas
2. Media y varianza
3. La distribucin binomial
4. Distribuciones continuas
5. La distribucin normal
6. Una funcin de una variable
aleatoria
1
Caractersticas
Una variable aleatoria es una funcin con valores
numricos y definida sobre un espacio muestral
Una variable aleatoria discreta toma diversos
valores con probabilidades especificadas por su
distribucin de probabilidad
Utilidad de una v.a.: reduce el espacio de muestra
a uno ms fcil de manejar
Ejemplo: En una familia de 3 hijos, cul es la
probabilidad de que haya un varn o menos?
2
1
8
3
8
1
) 1 ( ) 0 ( ) 1 Pr( = + = + = s p p X
2
a) Variable aleatoria X= Cantidad de varones
b) Diagrama de su distribucin de probabilidad
3
Variable aleatoria general X
4
Variable aleatoria
Frecuentemente interesa conocer ms que el
resultado de un experimento aleatorio, una
funcin de dicho resultado.
Una variable aleatoria es una funcin con valores
numricos y definida sobre un espacio muestral
Si lanzamos al aire tres monedas, podemos
definir la funcin como X:
X: nmero de caras que resultan del
experimento.

5
Variable aleatoria
Hemos definido una funcin del espacio
muestral en la recta. Tales funciones X,
cuyos valores dependen del resultado de
un experimento aleatorio se llaman
variables aleatorias.
Si toma ciertos valores aislados de un
intervalo, es v.a. discreta, sino continua.
La distribucin se puede representar
como:
Tabla
Diagrama
Frmula
6
Distribucin de probabilidad de una
variable aleatoria
La distribucin de probabilidad de una
variable aleatoria X es el conjunto de sus
posibles valores numricos x
1
, x
2
,,x
n
y
las probabilidades correspondientes P
i
,
i=1,2,,n tal que:



La coleccin de pares (x
i
,p(x
i
)) es llamada
distribucin de probabilidad.

=
=
>
1
1 ) (
, 0 ) (
i
i
i
x p
i x p
7
Media y Varianza
Si el tamao de la muestra aumentara
ilimitadamente, la distribucin de
frecuencia relativa se fijara en la
distribucin de probabilidad.
A partir de la distribucin de frecuencia
relativa, se puede calcular la media y la
varianza de la muestra (Cap. 2)
Es natural que a partir de la distribucin
de probabilidad se calculen los valores
anlogos con las siguientes definiciones:
8
Definiciones
2 2 2
2
2
) (
: como simplifica Se
) ( ) (
Varianza
) (
poblacin de Media
o
o

x p x
x p x
x p x
x
x
x
9
Clculo de la media y la varianza de X= nmero de varones
10
Funcin de densidad de
probabilidad
La funcin de densidad de probabilidad de
una variable aleatoria X se denota como:


Se define de modo tal que:


representa la probabilidad de ocurrencia de X en
el intervalo:
) (x f
X
x x f
X
A ) (
(

A
+
A

2
,
2
x
x
x
x
11
Funcin de densidad de una
Variable aleatoria
Propiedades
] [ ) (
i i x
x X P x f = =
0 ) ( >
i x
x f
1 ) ( =

i
i x
x f
12
Esperanza de una variable
aleatoria
Sea X una V.A. discreta que toma los valores
x
1
,x
2
,x
n
con f.d. p(x
i
), entonces:


Si X es una V.A continua entonces:


E(X) tambin se la conoce como media de X,
o media de la poblacin y se la nota E(X)=
) ( ) (
1
i x
n
i
i
x p x X E

=
=
dx x Xf X E
x
) ( ) (
}
+

=
13
Varianza de una variable aleatoria
Sea X una variable aleatoria con funcin de
densidad f
x
(x), definimos varianza de X:


Si X es una variable discreta


Si X es una variable continua
] ) [( ] )) ( [(
2 2 2
o = = X E X E X E
) ( ) ( ) (
2
i x
X
i
x f x X Var

< <
=
dx x f X x Var
x
) ( ) ( ) (
2
}
+

=
14
Varianza de una variable aleatoria
La varianza sigma cuadrado es una medida de
dispersin de los valores de la variable aleatoria
con respecto a su centro de gravedad .
Consideremos una variable aleatoria con la
siguiente distribucin de probabilidad.





E(X)=6*0.4+7*0.4+8*0.2=6.8
Var(X)=(6-6.8)^2*0.4+(7-6.8)^2*0.4+
(8-6.8)^2*0.2=0.56
X 6 7 8
f(x) 0.4 0.4 0.2
15
16
Transformacin lineal Y de una v.a. X
17
Asimetra
3
3
1
) (
1
1
o

sesgo
: asimetra de e Coeficient
Sesgo
=

=

=
n
i
i
X x
n
18
19
que igual o menor de
valor el tener de ad probabilid la Es
: es acumulada n distribuci de
funcin la continua, a. v. una Para
x X
x d x f x X P x F
x
X X
}

' '
= s = ) ( ] [ ) (
Distribuciones
20
Funcin de distribucin acumulada
Se define como la probabilidad de que la
variable aleatoria X sea menor o igual
que algn valor particular.
F(x)=P[Xx]
Si X es una variable aleatoria discreta


Como F(x) representa una probabilidad
es claro que 0F(x)1 adems:

s
= =
x x
i X
i
x X P x F ] [ ) (
21
Funcin de distribucin acumulada
a. Limite F
x
=0
X-oo
b. Limite F
x
=1
X+oo
c. Si x
1
< x
2
entonces F
x
(x
1
) F
x
(x
2
)
La funcin acumulada para la variable
aleatoria continua X ser:


}

= s =
x
X
dh h f x X P x F ) ( ] [ ) (
22

Distribuciones de variable discreta
(Probability Density Functions)

23

Distribuciones de variable
continua

24
Procesos de Bernoulli
Hay un cierto nmero de fenmenos aleatorios
conocidos como procesos de Bernoulli.
Se denominan ensayos de Bernoulli, a aquellos
ensayos independientes que repetidos un
nmero fijo de veces tienen las siguientes
caractersticas:
1) Hay slo dos resultados posibles: xito o
fracaso
2) La probabilidad de xito es la misma en cada
ensayo. Independencia.
25
Ensayos de Bernoulli
Tirar una moneda, suponiendo que la
moneda es perfecta, cada tirada se
denomina un ensayo y tiene dos posibles
resultados: uno de ellos se considera
xito. P(E)=p y P(F)=q
Extraemos de una urna con 4 fichas rojas
y 3 azules una bolilla; anotamos su color y
la devolvemos a la urna. P(roja)=4/7 y
P(azul)=3/7
Proceso de fabricacin de artculos
electrnicos: eleccin de una muestra,
defectuoso o no defectuoso.
26
Distribucin Binomial: para v.a.
discretas
En general, para n repeticiones
independientes de un ensayo de Bernoulli,
la probabilidad de obtener v xitos est
dada por:



Coeficientes binomiales:
27
( )
x n x n
x
q p x X P

= = ) (
( )
! ) ( !
!
x n x
n
n
x

=
Distribucin Binomial
Se define la variable aleatoria :
X= nmero de xitos en las n repeticiones,
Se dice que sigue una distribucin binomial o
sigue un Modelo Binomial con parmetros n y p.
E(X)=np
Var(X)=npq
La distribucin acumulada es:
P X k
v 0
k
n
v
. p
v
. q
n v
28
Ejemplos de variables binomiales
29
Consideremos el experimento de
lanzamiento de dos dados:

1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
30

Distribuciones de variable
continua

31
a) Histograma de frecuencia relativa
b) Trazado a nueva escala en la densidad de f.r.
La suma de frec relativas es 1
Cubre un rea total igual a 1
32
Qu sucede con la densidad de
frecuencia relativa de una v.a.
continua a medida que aumenta el
tamao de la muestra?
Influyen menos las fluctuaciones de la
suerte.
Permite una definicin ms clara de las
clulas
Mientras el rea permanece fija, la densidad
de frecuencia relativa tiende a la funcin de
densidad de probabilidad.
33
Relacin entre la densidad de frecuencia relativa y
la densidad de probabilidad
34
Distribucin normal (curva de Gauss)
|
.
|

\
|

=
=
|
.
|

\
|

t
o

x
Z
e x f
x
X
2
2
1
2
1
) (
Curva campana simtrica
35
Distribucin Normal Standard
Una variable con distribucin normal
estndar (=0 =1) se nota con la letra Z.
Si:


Conversin: la variable Z se define como:


Para que tenga una distribucin Normal estndar.
) , (
2
o N X =
o

=
X
Z
36
Efectos de escala
37
Distribucin Normal
Se ve que -como
en cualquier
distribucin
continua- la
probabilidad de
que P(X=a)=0
para cualquier a.
Luego lo que se
calculan son reas
(grfico).
38
Distribucin Normal
39
40
Ejemplos
1775 . 0 0968 . 0 2743 . 0
) 3 . 1 Pr( ) 6 . 0 Pr(
) 3 . 1 6 . 0 Pr(
2743 . 0 ) 6 . 0 Pr(
= =
= > >
= s s
= >
Z Z
Z
Z
41
Ejemplo
| |
8185 . 0 0228 . 0 1587 . 0 1
1587 . 0 ) 1 Pr( ) 1 Pr(
0228 . 0 ) 2 Pr(
) 2 Pr( ) 1 Pr( 1
) 2 1 Pr(
=
= > = s
= >
= > + s
= s s
Z Z
Z
Z Z
Z
42
Distribucin Normal
Es la ms usada de las distribuciones continuas de
probabilidad, ya que es la distribucin lmite de varios
modelos, incluso discretos y ajusta muy bien a muchas
situaciones reales. Su funcin de densidad es la siguiente:






Su forma es la conocida campana de Gauss. Una vez que
se especifican la media y el desvo estndar , la curva
normal queda completamente determinada.
Si una v.a. continua X sigue una distribucin Normal con
parmetros y , lo denotamos como:

t o
o

2
) (
2
) (
2
1
|
|
.
|

\
|

=
x
e
x f
) , (
2
o N X =
43
Distribucin Normal












Las cuatro distribuciones del grfico son normales, con
distintos valores de la media y la desviacin tpica. La
verde es la "normal reducida", de media cero y desviacin
tpica uno.

44
Distribucin Geomtrica
Definimos sobre , la variable aleatoria X que
denota el nmero de repeticiones necesarias
hasta obtener el primer xito. Es claro que dicha
variable asume los valores 1,2,3,.etc. Esta
variable aleatoria as definida sigue la
distribucin:

q=1-p
Esta variable con distribucin geomtrica tiene
las siguientes propiedades:
45
Distribucin de Poisson
El modelo probabilstico de Poisson, es utilizado
a menudo para variables aleatorias distribuidas
en el tiempo o en el espacio. Por ej: Nmero de
bacterias por cm
3
de agua, nmero de
accidentes con motocicletas por mes, etc.
Para que el modelo de Poisson est presente
debe verificar lo siguiente:
1) Los sucesos que ocurren en un intervalo (de
tiempo, regin del espacio, etc) son
independientes de los que ocurren en cualquier
otro intervalo (de tiempo, regin del espacio,
etc)
2) La probabilidad de que un suceso se presente,
es proporcional a la longitud del intervalo.
3) La probabilidad de que uno o mas sucesos se
presenten en un intervalo muy pequeo es tan
pequea que puede despreciarse.
46
Distribucin de Poisson
47
Distribucin de Poisson
La funcin de densidad de probabilidad es:

(1)
E(X)= Var(X)=
La funcin de distribucin acumulada
(fda) esta dada por:

!
) (
k
e
k X P
k


= =

=
x
i
i
i
e
x F
0
!
) (

48
Proceso de Poisson
Considere eventos aleatorios tales como el arribo de
aviones a un aeropuerto, el arribo de barcos a un puerto,
el arribo de llamadas a una central, la falla de mquinas en
una fbrica, etc.
Estos eventos pueden ser descriptos por una funcin de
conteo N(t) definida para todos los t >=0.
Esta funcin de conteo representar el nmero de eventos
que ocurrirn en [0,t].
El tiempo cero es el punto en el cual la observacin
comienza, ya sea que un arribo ocurra o no en ese instante.
Si los arribos ocurren de acuerdo a un proceso de Poisson,
la probabilidad de que N(t)=n es:

(2)

!
) (
) ) ( (
n
t e
n t N P
n t


= =

49
Funcin de Densidad




Si comparamos la ecuacin (1) con (2) vemos
que N(t) tiene una distribucin de Poisson con
parmetro =t, por lo tanto su media y su
varianza son:
E[N(t)] = = t = V[N(t)]

!
) (
) ) ( (
n
t e
n t N P
n t


= =
!
) (
k
e
k X P
k


= =
50
Distribucin uniforme
Es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
Una variable aleatoria X esta uniformemente distribuida en
el intervalo (a,b) si su funcin es la siguiente:





La funcin de distribucin acumulada esta dada por:




La media y la varianza de la distribucin estn dadas por:
otro
b x a
a b
x f
s s

=
,
, 0
1
) (

>
< s

<
=
b x
b x a
a b
a x
a x
x F
, 1
,
, 0
) (
2
) (
b a
X E
+
=
12
) (
) (
2
a b
X V

=
51
Distribucin uniforme
otro
b x a
a b
x f
s s

=
,
, 0
1
) (
52
Distribucin triangular




La esperanza es:

s <


s s


=
otro
c x b
a c b c
x c
b x a
a c a b
a x
x f
, 0
) )( (
) ( 2
) )( (
) ( 2
) (
3
) (
c b a
X E
+ +
=

>
s <

s <


s
=
c x
c x b
a c b c
x c
b x a
a c a b
a x
a x
x F
1
) )( (
) (
1
) )( (
) (
, 0
) (
2
2
a
b c x
f(x)
53
Distribucin Exponencial
Esta distribucin ha sido usada para modelar
tiempos entre arribos cuando los arribos son
totalmente aleatorios (ver relacin con Poisson).
Su funcin de densidad de probabilidad esta dada
por:


La fda se define como

>
=

otro
x e
x f
x
0
0
) (

> =
<
=
}

0 1
0 0
) (
0
x e dt e
x
x F
x
t t

54
Distribucin Exponencial
55
Distribucin chi-cuadrado
Brinda un criterio de bondad del ajuste
Se usa para decidir si ciertas variables son
independientes o no
Def.: sea Z
1
, Z
2
, Z
k
k distribuciones normales
estndar. Entonces


es la distribucin chi-cuadrado con k grados de
libertad

2 2
2
2
1
2
....
k
Z Z Z + + = _
56
Distribucin para k=1,4,6,8
La distribucin no es
simtrica
Es sesgada a la
derecha
Para valores grandes
de k la distribucin
se acerca a la
distribucin normal
K=4
K=1
57
Lectura obligatoria
Cap. 4 Wonnacott - Pgs 77-100
Cap. 6 Rao Pgs 452-487
58