VARIABLE ALEATORIA DISCRETA: Es una variable que toma

un numero finito n un infinito contable de valores, es decir

nmeros enteros positivos incluyendo el 0.

DISTRIBUCIN DE PROBABILIDAD DISCRETA: Sea X una

variable aleatoria discreta y suponga que los valores posibles que
puede tomar estn dados por x1, x2, x3,, xk ordenado en orden
de 100 de magnitud supngase tambin que los valores se
asumen con probabilidades dadas por:

P(X=xk) = f (xk)

K= 1, 2, 3,,

Es conveniente introducir la funcin de probabilidad conocida

tambin como la distribucin de probabilidad definida como la
siguiente forma:

P (X=x) = f(x)

En general f(x) es una funcin de probabilidad si se cumple con

lo siguiente:

1) F(x1)0

2) f(Xi) = 1

Una grfica de f(x) se llama grafica de probabilidad. Hallar la

funcin de probabilidad correspondiente a la variable aleatoria x
del ejemplo anterior.

X= que salga sol

f (0) = P (x=0)=

f (0) = P (x=1)= 1/2

f (0) = P (x=2)=

DISTRIBUCION BINOMIAL (de Bernoulli)

Un experimento de Bernoulli puede resultar en un xito con una

probabilidad (p) y un fracaso con una probabilidad.
 q=1-

Entonces la distribucin de probabilidad de la variable aleatoria

binomial x para el nmero de xitos en n experimentos es:

b(x;n,)=(nx)xqn-x

NC

La media y la varianza de la distribucin binominal estn dadas

por:

M= n

2=n q

Con frecuencia el inters se centra en problemas donde es

necesario encontrar:

(x<r)

(a x b)

Para esto se dispone de las sumas binomiales...

B(r;n,)= rx=0 b(x;n,)

Ejemplo: De acuerdo con un estudio pblico por un grupo de

socilogos de la Universidad Nacional Autnoma de Mxico
aproximadamente el % 60 de los adictos al Valium en el estado
de Mxico lo tomaron por primera vez debido a problemas
psicolgicos; encuentre la probabilidad de que los siguientes 8
adictos entrevistados:

a) Exactamente 3 hallan comenzado a usarlo por problemas

psicolgicos

b) Al menos 5 de ellos comenzaron a tomarlo por problemas

que no fueron psicolgicos

n=8 x=3 =0.60 q=0.40

b (3;8,0.6)=8C3(0.6)3(0.4)8-3
b (3;8,0.6)=0.123

p x >5=1- (x<5)

1-(8/0)C

1-
C0(0.40)0*8+8C1(0.4)1*(0.6)6+8C3(0.4)3*(0.6)5+8C4(04)4*(0.6)4
=0.167+0.0895+0.2090+0.2786+0.2322=0.82631-0.8263=0.1737

nCx^x q^(n-x)

p(x=3)=_(i=0)^3 b (x;8,0.6)-_(i=0)^2 b (x;8,0.6)

r=3 r=2

0.1737 0.0498

P(x=3) = 0.1239

DISTRIBUCION MULTINOMIAL

En teora de probabilidad, la distribucin multinomial es una

generalizacin de la Distribucin Binomial. En una distribucin
multinomial, el anlogo a la distribucin de Bernoulli es la
distribucin categrica, donde cada suceso concluye en
nicamente un resultado de un nmero finito K de los posibles,
con probabilidades

tal que...

(Pi0 para i entre 1 y K y k i=1 Pi=1); y con n sucesos

independientes.

Entonces sea la variable aleatoria, que indica el nmero de veces

que se ha dado el resultado i sobre los n sucesos. El vector
x=(x1,...,xk) sigue una distribucin multinomial con parmetros n
y p, donde p=(p1,..., pk).

La Funcin de probabilidad de la distribucin multinomial es

como sigue:

f(x1, ..., xk; n, p1, pk)= Pr(x1=x1 y ... y Xk= xk)

 [ (n!)/(x1!...xk!) ] * (P1 x1... Pk xk ) cuando k i=1 xi=n
=

0 en otras casos

Para enteros no negativos x1, ..., xk.

PROPIEDADES

ESPERANZA MATEMTICA

Una definicin fcil de entender es la relacin entre el premio

obtenido y la probabilidad de acertar en para una variable
aleatoria discreta y f(x) es el valor esperado de su distribucin
de probabilidad en x el valor esperado de x es:

(x)=_(i=1)^n xif(xi)

ALGUNOS TEOOREMAS SOBRE ESPERANZA

MATEMATICA

TEOREMA 1: si C es cualquier constante entonces se tiene lo

siguiente:

(cx)=c(x)

TEOREMA 2: si X y Y son variables aleatorias entonces la

esperanza es:

(x+y)=(x)+(y)

TEOREMA 3: si X y Y son variables aleatorias independientes

entonces

(xy)=(x)(y)

VARIANZA: una cantidad de gran importancia en probabilidad y

estadstica y se define como el valor esperado de:

DESVIACION ESTANDAR: se define como la raz cuadrada de la

varianza del valor esperado.
 R=(var(x) )=((x-M)^2 )

Si x es una variable aleatoria discreta con funcin de probabilidad

f(x) entonces la varianza es:

=[(x-M)^2 ]=_(i=1)^n(xi-M)^2f(xi)

ALGUNOS TEOREMAS SOBRE VARIANZA

TEOREMA 1:

^2=[(x-M)^2 ]=(x)^2-M^2

TEOREMA 2: si C es una constante entonces se obtiene

lo siguiente

var(x)=C^2 var (x)

TEOREMA 3: si X y Y son variables aleatorias independientes

entonces se obtiene lo siguiente

var(x+y)=var (x)+var (y)

(x+y)^2=x^2+ y^2

var (x+y)=var(x)-var (y)

(x+y) ^2=x^2- y^2

DISTRIBUCION GEOMTRICA

En teora de probabilidad y estadstica, la distribucin

geomtrica es cualquiera de las dos distribuciones de
probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de

Bernoulli necesaria para obtener un xito, contenido en el
conjunto { 1, 2, 3,...} o
la distribucin de probabilidad del nmero Y = X 1 de fallos
antes del primer xito, contenido en el conjunto { 0, 1, 2, 3,...
}.

Sus propiedades:
Si la probabilidad de xito en cada ensayo es p, entonces la
probabilidad de que x ensayos sean necesarios para obtener un
xito es

P(X=X)=(1-p)x-1p

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que

haya x fallos antes del primer xito es

P(X=X)=(1-p)xp

para x = 0, 1, 2, 3,....

En ambos casos, la secuencia de probabilidades es una

progresin geomtrica. El valor esperado de una variable
aleatoria X distribuida geomtricamente es:

E(X) =1/p

y dado que Y=X-1

E(Y) =(1/p)/p

en ambos casos. la varianza es

var(Y) = var(X) = (1/p)/p2

Las funciones generatrices de probabilidad de X y la de Y son,

respectivamente.

Figura 4.1.1 Funciones Generatrices de Probabilidad

Como su anloga continua, la distribucin exponencial, la

distribucin geomtrica carece de memoria. Esto significa que si
intentamos repetir el experimento hasta el primer xito, entonces,
dado que el primer xito todava no ha ocurrido, la distribucin de
probabilidad condicional del nmero de ensayos adicionales no
depende de cuantos fallos se hayan observado. El dado o la
moneda que uno lanza no tiene "memoria" de estos fallos. La
 distribucin geomtrica es de hecho la nica distribucin discreta
sin memoria.

La distribucin geomtrica del nmero y de fallos antes del primer

xito es infinitamente divisible, esto es, para cualquier entero
positivo n, existen variables aleatorias
independientes Y 1,..., Yn distribuidas idnticamente la suma de
las cuales tiene la misma distribucin que tiene Y. Estas no sern
geomtricamente distribuidas a menos que n = 1.

DISTRIBUCION BINOMIAL NEGATIVA

En estadstica la distribucin binomial negativa es una

distribucin de probabilidad discreta que incluye a
la distribucin de Pascal.

El nmero de experimentos de Bernoulli de

parmetro independientes realizados hasta la consecucin
del k-simo xito es una variable aleatoria que tiene una
distribucin binomial negativa con parmetros k y .

La distribucin geomtrica es el caso concreto de la binomial

negativa cuando k = 1.

PROPIEDADES

Su funcin de Probabilidad es

Figura 4.1.2 Frmula Binomial

para enteros x mayores o iguales que k, donde

Figura 4.1.3 Frmula Binomial Enteros mayores o iguales que k

Su media es:

= k(1-)/
Si se piensa en el nmero de fracasos nicamente y

= k/

Si se cuentan tambin los k-1 xitos su varianza es

2=(k(1-))/2

en ambos casos.

Ejemplo: Si la probabilidad de que un nio expuesto a una

enfermedad contagiosa la contraiga es 0,40, Cul es la
probabilidad de que el dcimo nio expuesto a la enfermedad sea
el tercero en contraerla? En este caso, X es el nmero de nios
expuestos la enfermedad y

x=10, k=1, =0.40

La solucin es:

b*(10;1,0.4)= (103--11)0.43(1-0.4)10-3=(92)0.43(0.6)7=0.0645

En un proceso de manufactura se sabe que un promedio de 1 en

cada 10 productos es defectuoso, Cul es la probabilidad que el
quinto (5) artculo examinado sea el primero (1) en estar
defectuoso?. La solucin es: X= artculos defectuosos P= 1/10 =
0,1 q= 1- 0,1 = 0,9 x= 5 ensayos K= 1 b*(5;1,0.1)=(5-1\1-
1)(0.1)^1*(0.9)^5-1= b*(5;1,0.1)= 6.6% de probabilidad que el
quinto elemento extrado sea el primero en estar defectuoso.