TEMA 3 Funcion de Probabilidades Discretas y Continuas
TEMA 3 Funcion de Probabilidades Discretas y Continuas
TEMA 3 Funcion de Probabilidades Discretas y Continuas
VARIABLES ALEATORIAS
OBJETIVOS
1. Explicar el concepto de variable aleatoria y utilizarlo para definir eventos.
2. Construir la distribución de probabilidad y la función de distribución acumulada de
una variable aleatoria discreta.
3. Calcular e interpretar la esperanza y la varianza de una variable aleatoria discreta.
4. Conocer y aplicar las propiedades de la esperanza y la varianza de una variable
aleatoria discreta.
5. Conocer los modelos probabilísticos más comunes de una variable aleatoria
discreta: modelo Binomial, Hipergeométrico y de Poisson.
6. Aplicar el modelo probabilístico más adecuado, según las condiciones
experimentales, a la resolución de problemas.
3.1 INTRODUCCION
En el tema anterior utililizabamos letras como A, B, C, para representar eventos
asociados a un experimento aleatorio y nos interesaba calcular, digamos P(A). Ahora
utilizaremos variables aleatorias como X, Y, Z, para describir los eventos asociados al
mismo experimento aleatorio, pero ahora el interés será calcular la probabilidad de que
la variable aleatoria , digamos X, tome algún valor particular x. Por tanto, será de
mucha utilidad práctica la construción de distribuciones de probabilidad de una variable
aleatoria X y la determinación de sus características principales.
Más adelante estudiaremos algunas distribuciones clásicas de probabilidad de variables
aleatorias discretas, que llamaremos modelos probabilísticos.
Por ahora podemos iniciar con el concepto de variable aleatoria.
VARIABLE ALEATORIA
Sea S el espacio muestral asociado a un experimento aleatorio. Una función X que signa
a cada uno de los elementos w de S un número x, se llama variable aleatoria.
S
x R
w
X (w) = x
Figura 3.1
EJEMPLO 3.1
Una empresa tiene 100 cuentas por cobrar de las cuales 30 tienen su saldo incorrecto.
Un auditor selecciona al azar y sin reposición 2 de dichas cuentas y luego registra el
número de cuentas con saldos incorrectos.
Definamos los eventos:
C: la cuenta tiene su saldo correcto
I: la cuenta tiene su saldo incorrecto.
S
C2 C1 C2
C1
2 C 1 I2
C2 I1 C 2
I1
I2 I1 I2
Figura 3.2
X
S R
C1 C2 0
C 1 I2
1
I1 C 2
I1 I2 2
Figura 3.3
Así, X ( C1 C2 ) = 0 ; X ( C1 I2 ) = 1 ; X ( I1 C2 ) = 1 ; X ( I1 I2 )
= 2
X( w ) = w
o bien de una manera más sencilla, que la variable aleatoria X represente el tiempo que
tarda el economista en revisar el documento.
Para el ejemplo 3.1, X es una variable aleatoria discreta porque su conjunto de valores
posibles es finito.
Para el ejemplo 3.2, X es una variable aleatoria continúa. Porque entre dos tiempos
posibles siempre existirá otro.
{ w S | X( w ) = x } es equivalente a X = x.
X
S
x
R
Figura 3.4
De manera análoga se definen los eventos
X x , X x , a X b , X x , X x , a X b ,
etc.
X = 1
X = 0.
P( A | B ) = P( A )
Extendiendo esta idea, definimos que las variables aleatorias discretas X ,Y son
independientes si
Para cualquier xi , yj , P( Y = yj ) | X = xi ) = P( Y = yj )
Para cualquier x, y , P( Y y ) | X x ) = P( Y y )
Esto es, la ocurrencia del evento X x no afecta en nada a la ocurrencia del evento Y
y
La condición anterior también debe cumplirse para eventos expresados de cualquier otra
forma.
Una distribución de probabilidad de una variable aleatoria X es una función que asigna
a cada valor posible xi un número f (xi ) = P ( X = x i ) llamado la probabilidad de xi
tal que:
i) f ( xi ) 0
ii) f ( xi ) = 1
xi R
0 1
Figura 3.5
EJEMPLO 3.3
Recordando que X representa el número de cuentas con saldos incorrectos en el ejemplo
3.1, construya la distribución de probabilidad de X.
Arbol de probabilidad
69/99 C2 C1 C2 0
0.4879
C1
70/100
30/99 I2 C 1 I2 1
0.2121
70/99 C2 I1 C 2 1
0.2121
30/100
I1
29/99 I2 I1 I2 2
0.0879
Figura 3.6
Como los valores posibles de X son 0, 1, 2 tendremos:
f ( 0 ) = P ( X = 0 ) = 0.4879
f ( 1 ) = P ( X = 1 ) = 0.2121 + 0.2121 = 0.4242
f ( 2 ) = P ( X = 2 ) = 0.0879
1. Una tabla
Tabla 3.1
xi f (xi )
1 0.4879
1 0.4242
2 0.0879
1.0000
gráfica
Figura 3.8
Algunas características de F ( x )
d) f ( x ) = F ( x ) - F ( x – 1 ) si x es un número natural.
EJERCICIO 3.1
Las llegadas de clientes a un almacén durante 80 días escogidos aleatoriamente se
presenta en la siguiente tabla.
Tabla 3.2
No. Llegadas No. días
0 15
1 25
2 35
3 5
80
E(X) = xi f ( xi )
E ( X ) puede considerarse como una media aritmética ponderada (donde la ponderación
de cada xi sería la probabilidad f(xi)) esto es la media que espero obtener de un gran
número de observaciones independientes de X, motivo por el cual escribiremos.
E(X) = X ( la media de X )
V (X) = E [ (X - X )2 ] = ( xi - X )2 f ( xi )
2
La varianza de X también se puede denotar como V( X ) = σ X
σX = √V( X)
EJEMPLO 3.5
Un vendedor de computadoras tiene la oportunidad de trabajar con cierto comerciante.
Supongamos que el vendedor ha evaluado las posibilidades de la venta semanal de la
manera indicada abajo.
Tabla 3.3
No. Computadoras Probabilidad
0 0.1
1 0.2
2 0.3
3 0.4
xi f( xi ) xi f( xi ) xi2 f( xi )
0 0.1 0 0
1 0.2 0.2 0.2
2 0.3 0.6 1.2
3 0.4 1.2 3.6
1.0 2.0 5.0
E ( X ) = 2 computadoras y V ( X ) = 5 - [ 2 ] 2 = 5 - 4 = 1
computadora2
σ X = √V ( X ) =√ 1 = 1 computadora
EJEMPLO 3.6
Para la distribución de probabilidad de la variable aleatoria X del ejemplo 3.3
ii) Calcule la varianza y la desviación estándar del número de cuentas con saldos
incorrectos (interprete el resultado)
xi f ( xi ) xi f ( x i ) ( xi - X )2 f ( xi ) xi2 f ( xi )
0 0.4879 0 0.1756 0
1 0.4242 0.4242 0.0679 0.4242
2 0.0879 0.1758 0.1723 0.3516
i)
μX
E(X) = = 0.6 cuentas con saldos incorrectos.
Este resultado podemos interpretarlo diciendo que a medida que el auditor vaya
seleccionando 2 cuentas de las 100 muchas veces esperamos en promedio que 0
(ninguna) ó 1 cuenta con saldo incorrecto, pero un poco más 1 que ninguna.
2
V ( X ) =σ X = 0. 4158 ⇒ σ X =0.6448
ii)
EJEMPLO 3.7
Un fabricante produce cierto artículo de tal modo que el 10% son defectuosos. Si se
produce un artículo defectuoso, el fabricante pierde C$ 10, mientras que un artículo no
defectuoso le produce una ganancia de C$ 50.
Determine la ganancia esperada por artículo. Interprete el resultado.
Supongamos que X representa la ganancia por artículo y que toma los valores – 10 si se
produce un artículo defectuoso y 50 si se produce no defectuoso.
xi f ( xi ) xi f (xi )
-10 0.10 -1
50 0.90 45
44
X = E ( X ) = C$ 44
Este resultado se interpreta así: Cuando el fabricante produzca muchos artículos espera
una ganancia promedio por artículo de C$ 44
EJERCICIO 3.2
Para la distribución de probabilidad de X del ejercicio 3.1
i) Calcule el número esperado de llegadas de clientes (interprete el resultado).
ii) Calcule la varianza y la desviación estándar del número de llegadas de clientes
(interprete el resultado).
1) E (c ) = c ; V(c) = 0
2) E ( c X ) = c E ( X ) ; V ( c X ) = c2 V ( X )
3) E (a + b X ) = a + b E ( X ) ; V ( a + b X ) = b2 V ( X )
EJEMPLO 3.8
Para el ejemplo 3.5 considere las siguiente situaciones:
1) Si el comerciante le ofrece al vendedor una comisión de C$ 500 por computador
vendido determine:
i) El ingreso semanal esperado del vendedor.
ii) Las desviación estándar del ingreso semanal. Interprete los resultados.
Entonces Y = 500X
σY = √ 5002 = C$ 500
Por tanto a medida que transcurran las semanas, el vendedor espera tener un ingreso
semanal promedio de C$ 1000 y su ingreso semanal variará la mayor parte de las veces
entre C$ 500 y C$ 1500.
2) Si el comerciante le ofrece al vendedor pagarle C$ 800 fijos por semana más C$ 400
por computador vendidor, determine:
EJEMPLO 3.9
σ M = √ 300 = C$ 17 .3205