Repaso Probabilidad
Repaso Probabilidad & Estadística
Agenda
• • • • • • • • • Valor Esperado de una Variable Aleatoria. Varianza de una Variable Aleatoria. Distribución Bernoulli. Distribución Geométrica. Distribución Geométrica. Distribución Binomial. Distribución Binomial Negativa. Proceso Poisson. P P i Distribución Exponencial Distribución NormalValor Esperado de una Variable Aleatoria
Ejemplo 1: VA X definida por número de hijos en una familia americana ¿Cuál es el número de hijos esperado?
R( X ) 0, 1, 2, 3
0 g x (.) 1 2 3 5 15 9 1 30 30 30 30
E(X ) 0*
5 15 9 1 1* 2* 3* 30 30 30 30
36 1 .2 30 E ( X ) 1 .2 hijos
Valor Esperado de una Variable Aleatoria
Ejemplo 2: VA X definida por el resultado que se obtiene al lanzar un Ejemplo 2: VA X definida por el resultado que se obtiene al lanzar un dado. R(X) = {1,2,3, 4, 5, 6} R(X) = {1 2 3 4 5 6} E(X) = (1+2+3+4+5+6)/6 = 21/6 = 3.5 => E(X) = 3.5
Definición
Caso discreto Sea X una V.A. discreta con rango R(X). El valor esperado de la V.A. X se define por:
E( X )
xi R ( x )
x g
i
X
( xi ).
Caso continuo Sea X una V.A. continua con rango R(X)Sea X una V A continua con rango R(X) El valor esperado de la V.A. X se define por:
E( X )
R( X )
x f
X
( x)dx
De las definiciones anteriores se infiere que E(K) = K
Valor Esperado Ejemplo Caso Valor Esperado – Ejemplo Caso Continuo
Para la VA X con fdp
f X ( x)
x , 0 x 2, 2
1,2 1
x 1 2 E(X) x dx x dx 2 20 0
2
2
0,8 0,6 0,4
1 x 2 3
3 2 0
8 4 6 3
0,2 0 0 0,5 1 1,5 2 2,5
6
Definición
Sea X una V.A. discreta o continua. La varianza y la desviación estándar de la V.A. X se definen por: 2 2 VAR X E X E X x
x var X
De acuerdo con la definición, la varianza la podemos calcular a través de la d l d f ó l l d l l é d l expresión: Var(X) = Var(X) = g ( x ) * ( x )
2 i 1 X i i x n
para X V.A. discreta y para X V A discreta y para X V.A. continua.
Var(X) = f X ( x) * ( x x ) dx
2 R( X )
La varianza de X también se puede expresar como: Var(X) = E(X2) – [E(X)]2
Distribución de Bernoulli Distribución de Bernoulli
Se dice que un EA es un experimento aleatoriode Bernoulli si su espacio muestral asociado consta únicamente de dos elementos, es decir, Ω = { E, F } • Xb es la VA asociada al EA de Bernoulli, y está definida por: Xb(E) = 1 y Xb(F) = 0 • Rango (Xb) = {0, 1} • P(Xb = 1) = p y P (Xb = 0) = 1 – p Por tanto, su FP es: gX(x) = px (1 – p)1‐x, para x = 0, 1. y que su media y su varianza están dadas respectivamente por: dadas, respectivamente, E(X) =p y Var(X) = p (1‐p)
8
Distribución Geométrica Distribución Geométrica
Si se realizan sucesivamente experimentos independientes de Bernoulli de p parámetro p, a la VARIABLE ALEATORIA XG: “número de ensayos hasta obtener p y el primer ÉXITO” se le conoce como una VA con DISTRIBUCIÓN GEOMÉTRICA de parámetro p.
g X (n) (1 p ) n 1 p
En una sesión anterior ya se demostró que: ‐ R(X) ={1 2 3 …,n, …, } {1, 2, 3, ‐ E(X) = 1/p ‐Var(X) = (1‐p)/p2
9
Distribución Binomial Distribución Binomial
Ejemplo Introductorio La j L tarjeta d crédito VIVAGRATIS conoce que el 30% d sus clientes quedan con de édi l de li d sobrecupo en los cortes mensuales. Si se elige una muestra aleatoria (MA) de 10 clientes de dicha tarjeta: a. ¿Cuál es la probabilidad de que exactamente cuatro tengansobrecupo? b. ¿Cuántos clientes esperaría usted que tengan sobrecupo? c. ¿Cuál es la probabilidad de que ocho o más de ellos tengan sobrecupo? Sea p = 0.3 la probabilidad de ÉXITO, i.e., que el cliente quede con sobrecupo. X: la VA asociada al número de ÉXITOS en los n = 10 ensayos. R(X) = {0,1,2, …, n}
10
Distribución Binomial
Nos preguntan P(X = 4); observemos que:
E F F E F ... 1...
Regístrate para leer el documento completo.