Академический Документы
Профессиональный Документы
Культура Документы
Esquema
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
p(1 cara)=3/8.
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Masa de Probabilidad Masa de Probabilidad
Variables Aleatorias Discretas Variables Aleatorias Discretas
Función de Distribución Función de Distribución
Principales Distribuciones Principales Distribuciones
Caracterı́sticas Caracterı́sticas
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
probabilidad
xn −→ P (xn ) = P (X = xn ) 1 −→ 3/8 0.2
.. .. 0.125 0.125
. . 2 −→ 3/8
0.1
3 −→ 1/8
veficando 0.0
P (x1 ) + . . . + P (xn ) + . . . = 1 0 1 2
número de caras
3
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
función de distribución
si
1/8 0≤x<1 0.6
si 0.5000
Propiedades de la función de distribución:
F (x) = 4/8 si 1≤x<2 0.4
1. 0 ≤ F (x) ≤ 1
7/8 si 2≤x<3 0.2
0.1250
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Masa de Probabilidad Masa de Probabilidad
Variables Aleatorias Discretas Variables Aleatorias Discretas
Función de Distribución Función de Distribución
Principales Distribuciones Principales Distribuciones
Caracterı́sticas Caracterı́sticas
Solución:
MASA DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN 1.00
1. P (X) es una función de masa de probabilidad ya que verifica 0.25
1.0 0.95
0.85
0.20 0.8
0 ≤ P (X = j) ≤ 1 para j = 0, . . . , 6
0.70
0.2
0.15 0.15
P (X = 0) + . . . + P (X = 6) =
0.6
0.45
0.10 0.10
0,1 + 0,15 + 0,20 + 0,25 + 0,15 + 0,1 + 0,05 = 1
0.4
0.1
0.25
0.05
0.2
0.10
0,00 si x < 0
0,10 si 0 ≤ x < 1
0,25 si 1 ≤ x < 2
3 A partir de la función de distribución se obtienen las
probabilidades
0,45 si 2 ≤ x < 3
F (x) = P (X ≤ 3) = F (3) = 0,70
0,70 si 3 ≤ x < 4
P (X ≤ 6) = F (6) = 1,0
0,85 si 4 ≤ x < 5
P (2 ≤ X ≤ 5) = F (5) − F (1) = 0,95 − 0,25 = 0,7
0,95 si 5 ≤ x < 6
P (X > 3) = 1 − F (3) = 1 − 0,70 = 0,3
1,00 si x ≥ 6
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Masa de Probabilidad Masa de Probabilidad
Variables Aleatorias Discretas Variables Aleatorias Discretas
Función de Distribución Función de Distribución
Principales Distribuciones Principales Distribuciones
Caracterı́sticas Caracterı́sticas
y probabilidades 1 3 3 1
E[X] = 0 · + 1 · + 2 · + 3 · = 1,5 caras
P (x1 ), . . . , p(xn ), . . . 8 8 8 8
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Moda Ejercicio 3
La moda no tiene por que ser única. En caso de que haya más de 1. Determinar la media y la desviación tı́pica de X
una moda hablaremos de distribución multimodal. 2. Si el vendedor gana mensualmente 600 euros + 500 euros por
cada coche que vende, calcular la media y la desviación tı́pica
En el ejemplo hay 2 valores modales que son 1 cara y 2 caras.
de su salario mensual.
3. Representar las funciones de masa de probabilidad del número
de ventas y del salario mensual.
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Solución:
1. La media y la desviación tı́pica de X son 3 A continuación se representa las funciones de masa de
probabilidad para X e Y .
µ = 0 · 0,05 + 1 · 0,15 + 2 · 0,35 + 3 · 0,25 + 4 · 0,2 = 2,4
√
σ = σ 2 = 1,24 = 1,11 0.4 0.4
0.35 0.35
7 − 2,42 = 1,24
0.25 0.25
0.20 0.20
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Bernoulli y Binomial Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson Principales Distribuciones Poisson
Poisson Poisson
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
2. Las observaciones son independientes unas de las otras. se dice que es una v.a. de Bernoulli de parámetro p, y se denota
La observación obtenida en un momento dado no depende de
por X ∈ Ber(p)
los valores obtenidos con anterioridad.
Masa de probabilidad:
En este proceso aparacen distintas variables aleatorias:
P (X = 1) = p y P (X = 0) = 1 − p = q
Bernoulli
Binomial Caracterı́sticas:
Geométrica E(X) = p
Binomial Negativa V ar(X) = p(1 − p) = pq
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Bernoulli y Binomial Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson Principales Distribuciones Poisson
Poisson Poisson
0.22 0.22
probabilidad
0.2
0.11 0.11
0.03 0.03
0.00 0.00
probabilidad
0.2
probabilidad
n x
0.10 0.10
0.1 0.09 0.1 0.09
P (X = x) = p (1 − p)n−x , x = 0, 1, . . . , n
x 0.02
0.00 0.00 0.00 0.00 0.00 0.00
0.02
0.0 0.0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Caracterı́sticas número de éxitos número de éxitos
Ejercicio 4
Comentarios
1. Ber(p) = Bin(1, p)
Todos los dı́as se seleccionan, de manera aleatoria, 5 unidades en
un proceso de producción industrial.
2. Si X ∈ Bin(n, p) ⇒ n − X ∈ Bin(n, 1 − p)
La gerencia ha decidido detener la producción cada vez que una
X1 ∈ Ber(p)
muestra de 5 unidades tenga dos o más defectuosas.
3. .. ⇒ X1 + . . . + Xn ∈ Bin(n, p)
.
Xn ∈ Ber(p) 1. Si el porcentaje de piezas defectuosas es de p = 0,05 ¿cuál es
la probabilidad de que el proceso sea detenido?
X ∈ Bin(n1 , p) 2. ¿Cuánto vale la probabilidad anterior si p = 0,6?
4. ⇒ X + Y ∈ Bin(n1 + n2 , p)
Y ∈ Bin(n2 , p)
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
0.4
probabilidad
En las mismas condiciones de antes, la v.a. 0.3
0.2
0.0
X ∈ Geom(p)
0.8
Geom(0.25) Geom(0.75)
0.7
0.2 0.6
Masa de probabilidad
probabilidad
probabilidad
0.5
0.4
0.2
0.1
Caracterı́sticas 0.0 0.0
1−p 1−p
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
número de fracasos hasta primer éxito número de fracasos hasta primer éxito
E(X) = V ar(X) =
p p2 Figura: Masas de probabilidad de v.a. con distribución Geométrica
1
A diferencia de la binomial, la geométrica puede tomar infinitos valores.
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Bernoulli y Binomial Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson Principales Distribuciones Poisson
Poisson Poisson
Ejercicio 6 (continuación)
Caracterı́sticas:
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Ejercicio 7
Solución:
1. La v.a. X=”número de piezas correctas hasta la segunda
defectuosa” sigue una distribución X ∈ BN (2, 0,05). Por lo
tanto, la probabilidad que se solicita es
En el departamento de control de calidad de una empresa se
inspeccionan las unidades terminadas y se sabe que la proporción 2 + 18 − 1
de piezas defectuosas es del 5 %. p(X = 18) = 0,9518 · 0,052 =
18
1. ¿Cuál es la probabilidad de que a vigésima unidad 19 · 0,397 · 0,0025 = 0,0189
inspeccionada sea la segunda que se encuentra defectuosa?
2. Si la proporción de piezas defectuosas es del 10 %, entonces
2. Calcular las probabilidad anterior para una proporción de X ∈ BN (2, 0,10) y
piezas defectuosas del 10 %.
2 + 18 − 1
p(X = 18) = 0,9018 · 0,12 = 0,0285
18
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Bernoulli y Binomial Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson Principales Distribuciones Poisson
Poisson Poisson
0.3
P(2) P(10)
VÁLIDA NO VÁLIDA
0.2 0.1
probabilidad
probabilidad
0.3
Pois(2.00)
Ejercicio 8 Ejercicio 9
En un experimento de laboratorio el número medio de partı́culas El número medio de camiones que llegan cada dı́a a una cierta
radioactivas que pasan a través de un contador en un milisegundo ciudad portuaria es de 10. Las instalaciones del puerto pouden
es cuatro. ¿cuál es la probabilidad de que 6 partı́culas entren al manejar como mucho 15 camiones al dı́a. ¿Cuál es la probabilidad
contador en un milisegundo dado? de que un dı́a dado tenga que regresar algún camión?
Solución: La variable Solución: El número de camiones que llegan sigue una distribución
P ois(10). Por lo tanto, la probabilidad de que tenga que regresar
X=”número de partı́culas que pasan por el contador en un ms.” algúna camión es
sigue una distribución de Poisson de parámetro λ = 4. Por lo
P (P ois(10) > 15) = 1 − P (P ois(10) ≤ 15) =
tanto, la probabilidad de que pasen 6 partı́culas en un ms. es −10 0
e 10 e−10 101 e−10 1015
1− + + ... + =
P (P ois(4) = 6) = P (P ois(4) ≤ 6) − P (P ois(4) ≤ 5) = 0! 1! 15!
0,8893 − 0,7851 = 0,1042 1 − 0,95 = 0,05
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas
Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson
Poisson
Masa de probabilidad
P (X = xi ) = 1/n, i = 0, 1, . . . , n
P (X = i) = 1/6, i = 1, 2, . . . , 6
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas