Tema2 - Variables Aleatorias Discretas

Variables Aleatorias Discretas Variables Aleatorias Discretas
Principales Distribuciones Principales Distribuciones
Esquema
Tema 2. Variables Aleatorias Discretas

Métodos Estadı́sticos de la Ingenierı́a Variables Aleatorias Discretas
Curso 2007-2008 Masa de Probabilidad
Función de Distribución
Caracterı́sticas
Javier Roca Pardiñas.
Dpto. Estadı́stica e I.O.
Principales Distribuciones
UVIGO.
Bernoulli y Binomial
Universidad de Vigo Geométrica y Binomial Negativa
Poisson
12 de marzo de 2008 Uniforme Discreta
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

Función de Distribución Función de Distribución
Caracterı́sticas Caracterı́sticas
Introducción Los posibles resultados de este experimento no son valores

numéricos. Sin embargo, para calcular probabilidades, es más
El Cálculo de Probabilidades permite asociar en un experimento
cómodo asociar a cada uno de ellos el número de caras obtenidas.
aleatorio a cada suceso un número en el intervalo [0,1] que
determina la verosimilitud de dicho suceso.
suceso no de caras
Ejemplo W1={ccc} 3
En el experimento consistente el lanzar 3 monedas, para observar W2={cc+} 2
el número de caras (c) y cruces(+), los posibles resultados son W3={c+c} 2
W4={c++} 1
W1={ ccc } W2={ cc+ } W3={ c+c } W4={ c++ } W5={+cc} 2
W5={ +cc } W6={ +c+ } W7={ ++c } W8={ +++ } W6={+c+} 1
Para calcular, por ejemplo, la probabilidad de obtener una cara, los W7={++c} 1
sucesos elementales asociados son W4, W6 y W7, obteniéndose W8={+++} 0
p(1 cara)=3/8.
Definición de Variable Aleatoria Ejemplo

En el ejemplo anterior, se puede definir la v.a
De este modo, aparece el concepto de variable aleatoria como X= ”número de caras”
una función que asigna a cada suceso elemental del experimento
un número. del siguiente modo:
X: Ω −→ R
En un experimento aleatorio con espacio muestral Ω, una variable W1 −→ 3
aleatoria (v.a.) es cualquier función W2 −→ 2
W3 −→ 2
X: Ω −→ R
W5 −→ 2
w −→ X(w)
W4 −→ 3
que a cada suceso elemental ω le asocia un número X(w) W5 −→ 3
W6 −→ 3
W8 −→ 0

Ejemplos de variables aleatorias Tipos de Variables Aleatorias

Según los valores que tome la variable, ésta puede ser clasificada
en discreta o continua del siguiente modo:
Ejemplos de variables aleatorias son:
1. Discreta: Este tipo de variables sólo puede tomar valores en
Número de caras en 6 lanzamientos de una moneda un conjunto finito o infinito numerable (por ejemplo, en los
Número de personas que pasan por la caja de un números naturales N).
supermercado en una hora Suma de los resultados obtenidos al lanzar un dado.
Cotización de una acción en bolsa No de hijos de una familia.
No de peticiones a un servidor de internet ...
Tiempo que transcurre hasta que un trabajador encuentra
empleo
2. Continua: puede tomar infinitos valores en la recta real R).
tiempo de ejecución de un programa...
Altura y peso de un individuo
Precio de un determinado producto.
Porcentage de oxı́geno en una reacción quı́mica, ...
Función de Masa de Probabilidad Ejemplo

Laa función de masa de probabilidad de v.a. discreta X que A continuación se presenta la función masa de probabilidad de la
toma valores en x1 , x2 , . . . , xn , . . . se define como v.a.
X=”número de caras en el lanzamiento de 3 monedas”

P: R −→ [0,1]
x1 −→ P (x1 ) = P (X = x1 ) 0.4 0.375 0.375
x2 −→ P (x2 ) = P (X = x2 )
.. .. P: R −→ [0,1] 0.3
. . 0 −→ 1/8
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

Función de distribución Ejemplo

La función de distribución de una variable aleatoria es una
función que asigna a cada valor x de la recta real la probabilidad
La función de distribución para él número de caras en 3 tiradas de
de que la variable aleatoria sea menor o igual que dicho valor.
una moneda es
F: R −→ [0,1]
1.0
x −→ F (x) = P (X ≤ x) 0.8750
 0.8
0 x<0
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
2. F es no decreciente: x1 > x2 ⇒ F (x1 ) ≥ F (x2 ). 1 si x≥3 0.0

-2 -1 0 1 2 3 4 5
número de caras
3. lı́mx→∞ F (x) = 1
4. lı́mx→−∞ F (x) = 0
En el caso de las v.a. discretas la función de distribución F tiene

forma de escalera con discontinuidades en los puntos xi y saltos de
Ejercicio 1
magnitud P (xi ).
La demanda de un cierto producto viene dada por la siguiente tabla
Si los valores de la v.a. están ordenados
X 0 1 2 3 4 5 6
x1 ≤ x2 ≤ . . . ≤ xn ≤ . . . P(X) 0.1 0.15 0.20 0.25 0.15 0.1 0.05
entonces la función de distribución viene dada por
 a) Comprobar si P (X) es una función de masa de probabilidad y

 0 si x < x1 representarla gráficamente



 P (x1 ) si x1 ≤ x < x2 b) Calcular y representar la función de distribución de X


 P (x1 ) + P (x2 ) si x2 ≤ x < x3
F (x) = P (X ≤ x) = .. .. .. c) A partir de la función de distribución calcular las siguientes

 . . . probabilidades: p(X ≤ 3), p(X ≤ 6), p(2 ≤ X ≤ 5),



 P (x1 ) + · · · + P (xi ) si xi ≤ x < xi+1 p(X = 3) y p(X > 3)


 .. .. ..
. . .

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
2. La función de distribución de esta variable es 0.0 0.0

0 1 2 3 4 5 6 0 1 2 3 4 5 6
 unidades demandadas unidades demandadas

 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
Caracterı́sticas de una V.A. Discreta Media o Esperanza Matemática

Esta sección se centra en ciertos parámetros de las variables La media o esperanza matemática de X se define como
aleatorias discretas que resumen su información:
media o esperanza matemática, µ = E(X) = x1 P (x1 ) + x2 P (x2 ) + . . . + xn P (xn ) + . . .
varianza, Propiedades:
desviación tı́pica,
moda ... 1. E(aX + b) = aE(X) + b (siendo a y b constantes)
2. E(X + Y ) = E(X) + E(Y )
Sea X una v.a. discreta con valores
En el ejemplo, el número esperado de caras en los 3 lanzamientos
x1 , . . . , xn , . . . , de la moneda es
y probabilidades 1 3 3 1
E[X] = 0 · + 1 · + 2 · + 3 · = 1,5 caras
P (x1 ), . . . , p(xn ), . . . 8 8 8 8

Varianza y Desviación Tı́pica Ejercicio 2

La varianza de X se define como La varianza de X=”número de caras en 3 lanzamientos de una
moneda ”es
σ 2 = V ar(X) = (x1 − µ)2 P (x1 ) + . . . + (xn − µ)2 P (xn ) + . . .

1 3 3 1
σ 2 = (0−1,5)2 · +(1−1,5)2 · +(2−1,5)2 · +(3−1,5)2 · = 0,75
Propiedades 8 8 8 8
V ar(aX + b) = a2 V ar(X) (siendo a y b constantes)
La varianza se puede calcular de forma más sencilla como
Una forma más sencilla de calcular la varianza es

1 3 3 1
σ = x21 P (x1 ) + . . . + x2n P (xn ) + . . . − µ2
2
σ =2
0 · + 12 · + 22 · + 32 ·
2
− 1,52 = 3 − 2,25 = 0,75
8 8 8 8
La desviación tı́pica de X es la raı́z cuadrada de la varianza La desviación tı́pica de X es

√
σ = DT (X) = σ 2 σ= 0,75 = 0,86
Moda Ejercicio 3
Sea X =”número de coches vendidos por un vendedor en un mes”,

con la siguiente masa de probabilidad
La moda es el valor que maximiza la función de masa de
probabilidad, es decir, aquel valor xi al que le corresponde el mayor X 0 1 2 3 4
P (xi ). Se donota por M o. P(X) 0.05 0.15 0.35 0.25 0.2
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.

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
σ 2 = 02 · 0,05 + 12 · 0,15 + 22 · 0,35 + 32 · 0,25 + 42 · 0,2 − 2,42 = 0.3 0.3
7 − 2,42 = 1,24
0.25 0.25
0.20 0.20
2. El salario mensual viene dado por la v.a. Y = 600 + 500X,

0.2 0.2
0.15 0.15
con media 0.1 0.1

0.05 0.05
E[Y ] = E[600+500X] = 600+500E[X] = 600+500·2,4 = 1800 0.0 0.0

0 1 2 3 4 600 1100 1600 2100 2600
número de ventas salario
y desviación tı́pica
DT [Y ] = DT [600+500X] = 500DT [X] = 500·1,11 = 556,78
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
Principales Variables Discretas Proceso de Bernoulli

En la realización de algunos experimentos sólo se pueden obtener
1. Proceso de Bernoulli dos posibles resultados:
Bernoulli En el lanzamiento de una moneda se obtiene cara o cruz.
Binomial
Una pieza puede estar defectuosa o no, ...
Geométrica
Binomial Negativa
Cada observación es clasificada en dos posibles categorı́as, que
2. Proceso de Poisson corresponden con la ocurrencia o no de un determinado suceso de
Poisson interés A.
3. Otras Variables Se llamará

Uniforme Discreta Éxito a la ocurrencia de A, y
Fracaso a la no ocurrencia de A (Ā).

Poisson Poisson
En esta situación, se llama Proceso de Bernoulli al experimento

en el que las observaciones cumplen las siguientes caracterı́sticas:
Distribución Bernoulli
En la realización de un experimento con dos posibles resultados
1. La probabilidad de éxito (sucede A) es constante en las
(éxito y fracaso), la variable aleatoria
repeticiones del experimento. Se denotará por p la
probabilidad de éxito, y por q = 1 − p la probabilidad de 1 si ocurre “éxito”

X=
fracaso. 0 si ocurre “fracaso”
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
Poisson Poisson
Distribución Binomial 0.3 0.27

Bin(8,0.5)
0.22 0.22
Si se realiza el experimento un número n de veces, la variable
probabilidad
0.2
0.11 0.11
X=”número de éxitos en n observaciones del experimento” 0.1
0.03 0.03
0.00 0.00
sigue una distribución Binomial de parámetros n y p, y se denota 0.0

0 1 2 3 4 5
número de éxitos
6 7 8
por X ∈ Bin(n, p).

0.31 0.31
0.3 Bin(8,0.25) 0.3 Bin(8,0.75)
0.27 0.27
Masa de probabilidad 0.2

0.21 0.21
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
Figura: Masas de probabilidad de v.a. con distribución Binomial

E(X) = np V ar(X) = np(1 − p)

Poisson Poisson
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)
5. Tablas de la distribución Binomial

Poisson Poisson
Solución: 2 Si p = 0,6 entonces X ∈ Bin(5, 0,6). Esta distribución no

figura en las tablas por lo que es preferible considerar la varible
1. La v.a. X = ”número de unidades defectuosas entre 5”sigue
Y = 15 − X que representa el número de unidades correctas
una distribución Bin(5, 0,05). Por lo tanto la probabilidad de
entre 5, y que sigue una ditribución Y ∈ Bin(5, 0,4). La
que el proceso sea detenido es de
probabilidad de que el proceso se detenga es
p(X ≥ 2) = 1 − p(X < 2) = 1 − P (X = 0) − P (X = 1) = p(X ≥ 2) = p(5 − X ≤ 5 − 2) = p(Y ≤ 3) =

P (Y = 0) + P (Y = 1) + P (Y = 2) + p(Y = 3) =
1 − 0,77 − 0,20 = 0,02
0,08 + 0,26 + 0,35 + 0,23 = 0,91

Poisson Poisson
Solución: La v.a. X=”número de respuestas correctas en 10

Ejercicio 5 preguntas” sigue una distribución X ∈ Bin(10, 0,25).
1. La probabilidad de contestar correctamente a 5 preguntas es
Un examen tipo test consiste en 10 preguntas con cuatro P (X = 5) = 0,0584
respuestas, siendo sólo una correcta. Si un estudiante contesta el
examen tótalmente al azar, calcular: 2. La probabilidad de no contestar correctamente ninguna
pregunta es
1. Probabilidad de que conteste correctamente 5 preguntas. P (X = 0) = 0,0563
2. Probabilidad de que no conteste correctamente ninguna 3. La probabilidad de contestar por lo menos 5 preguntas es
pregunta
P (X ≥ 5) = 1 − p(X = 0) − P (X = 1) − P (X = 2)−
3. Probabilidad de que conteste por lo menos 5 preguntas
correctamente P (X = 3) − P (X = 4) = 0,0781
4. ¿cuál es el número esperado y la desviación tı́pica del número 4. El número esperado y la desviación tı́pica del número de
de respuestas correctas? respuestas correctas es

E[X] = 10 · 0,25 = 2,5 y DT [X] = 10 · 0,25 · 0,75 = 1,37
Poisson Poisson
Distribución Geométrica o de Pascal 0.5 Geom(0.5)
0.4
probabilidad
En las mismas condiciones de antes, la v.a. 0.3
0.2
X=“número de fracasos hasta obtener el primer éxito”, 0.1
0.0
sigue una distribución Geométrica de parámetro p, y se denota por 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

número de fracasos hasta primer éxito
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
P (X = x) = (1 − p)x p, x = 0, 1, 2, . . . 1 0.1 0.3
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.

Poisson Poisson
Ejercicio 6 Distribución Binomial Negativa
La distribución binomial negativa es una generalización de la v.a.

Para unas oposiciones se realiza un test con 20 preguntas. Si una geométrica al caso de que se observen n éxitos. La variable
persona tiene probabilidad 0.8 de contestar bien cada pregunta.
X=”número de fracasos hasta obtener el éxito n-ésimo”
1. Calcular la probabilidad de que la primera pregunta que
conteste bien sea la tercera que hace. sigue una distribución Binomial Negativa de parámetros n e p, y se
denota por X ∈ BN (n, p).
Solución: Sea X=”número de preguntas falladas hasta
primera respuesta correcta”. Esta variables sigue una
distribución X ∈ Geom(0,8), y la probabilidad pedida es Masa de probabilidad
p(X = 2) = 0,22 · 0,8 = 0,032

n+x−1
P (X = x) = (1 − p)x pn , x = 0, 1, 2, . . .
x
Poisson Poisson
Ejercicio 6 (continuación)
Caracterı́sticas:
n(1 − p) n(1 − p) 2 Para aprobar el test es necesario contestar bien a 10

E(X) = V ar(X) = preguntas. ¿Cuál es la probabilidad de que apruebe
p p2
exactamente al contestar la pregunta 12?
Comentarios Solución: Sea Y =”número de preguntas falladas hasta

obtener 10 respuestas correctas”. Esta variable sigue la
1. Geom(p) = BN (1, p) distribución Y ∈ BN (10, 0,8), obteniéndose la probabilidad

10 + 2 − 1
X1 ∈ Geom(p) 
 p(Y = 2) = 0,810 · 0,22 = 0,2362
.. 2
2. . ⇒ X1 + . . . + Xn ∈ BN (n, p)


Xn ∈ Geom(p)

Poisson Poisson
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
Poisson Poisson
Proceso de Poisson Distribución de Poisson

El Proceso de Poisson es un experimento aleatorio que consiste en En un experimento en las condiciones del proceso de Poisson, la
observar la aparicion de sucesos puntuales en soporte continuo variabe
(tiempo,longitud,...) de forma que:
X=“número de sucesos ocurridos por unidad de medida”
1. El número de sucesos que ocurren en un determinado
sigue una distribución de Poisson de parámetro λ, y se denota por
intervalo es independiente del número que ocurre en cualquier
X ∈ P ois(λ)
otro intervalo disjunto al primero. Es decir, el proceso de
Poisson no tiene memoria. Masa de Probabilidad
2. La probabilidad de que ocurra un solo resultado en un e−λ λx
P (X = x) = , x = 0, 1, 2, . . .
intervalo muy corto es proporcional a la longitud del intervalo x!
y no depende el número de resultados ocurrido fuera de dicho
intervalo. Caracterı́sticas
3. La probabilidad de que ocurra más de un resultado en tal
intervalo corto es insignificante. E(X) = λ V ar(X) = V ar(X) = λ

Poisson Poisson
0.3
P(2) P(10)
VÁLIDA NO VÁLIDA
0.2 0.1
probabilidad
probabilidad
0.3
Pois(2.00)
Bin (50,0.04) Pois(40.00)

0.10
0.1 Bin (50,0.8)
0.2
0.0 0.0 0.05

0 1 2 3 4 5 6 7 8 9 0 5 10 15 20 0.1
número de sucesos número de sucesos
Figura: Masas de probabilidad de v.a. con distribución de Poisson

0.0 0.00
0 1 2 3 4 5 6 7 25 30 35 40 45 50 55
Figura: La distribución Bin(n, p) puede aproximarse por una

Comentarios P oisson(λ = np) para n grande( n ≥ 30) y p pequeño (p ≤ 0,1).

X ∈ P ois(λ1 )
⇒ X + Y ∈ P (λ1 + λ2 )
Y ∈ P ois(λ2 )
Tablas de la distribución de Poisson
Poisson Poisson
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
Bernoulli y Binomial
Variables Aleatorias Discretas Geométrica y Binomial Negativa
Principales Distribuciones Poisson
Poisson
Distribución Uniforme Discreta

Una variable aleatoria X sigue una distribución Uniforme Discreta
sobre n valores, x1 , x2 , . . . , xn , si todos ocurren con la misma
probabilidad 1/n.
Masa de probabilidad
P (X = xi ) = 1/n, i = 0, 1, . . . , n
Por ejemplo, la variable ”valor obtenido al lanzar un dado” sigue

una distribución discreta uniforme en los valores 1,2,...,6, y la
probabilidad de cada uno de ellos es
P (X = i) = 1/6, i = 1, 2, . . . , 6
Javier Roca Pardiñas. Dpto. Estadı́stica e I.O. UVIGO. Tema 2. Variables Aleatorias Discretas

Tema2 - Variables Aleatorias Discretas

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tema2 - Variables Aleatorias Discretas

Загружено:

Авторское право:

Доступные форматы

Variables Aleatorias Discretas Variables Aleatorias Discretas

Principales Distribuciones Principales Distribuciones

Tema 2. Variables Aleatorias Discretas

Masa de Probabilidad Masa de Probabilidad

Introducción Los posibles resultados de este experimento no son valores

Deﬁnición de Variable Aleatoria Ejemplo

Masa de Probabilidad Masa de Probabilidad

Ejemplos de variables aleatorias Tipos de Variables Aleatorias

Función de Masa de Probabilidad Ejemplo

X=”número de caras en el lanzamiento de 3 monedas”

Masa de Probabilidad Masa de Probabilidad

Función de distribución Ejemplo

2. F es no decreciente: x1 > x2 ⇒ F (x1 ) ≥ F (x2 ). 1 si x≥3 0.0

En el caso de las v.a. discretas la función de distribución F tiene

Masa de Probabilidad Masa de Probabilidad

2. La función de distribución de esta variable es 0.0 0.0

 unidades demandadas unidades demandadas

Caracterı́sticas de una V.A. Discreta Media o Esperanza Matemática

Masa de Probabilidad Masa de Probabilidad

Varianza y Desviación Tı́pica Ejercicio 2

σ 2 = V ar(X) = (x1 − µ)2 P (x1 ) + . . . + (xn − µ)2 P (xn ) + . . .

La desviación tı́pica de X es la raı́z cuadrada de la varianza La desviación tı́pica de X es

Sea X =”número de coches vendidos por un vendedor en un mes”,

Masa de Probabilidad Masa de Probabilidad

σ 2 = 02 · 0,05 + 12 · 0,15 + 22 · 0,35 + 32 · 0,25 + 42 · 0,2 − 2,42 = 0.3 0.3

2. El salario mensual viene dado por la v.a. Y = 600 + 500X,

con media 0.1 0.1

E[Y ] = E[600+500X] = 600+500E[X] = 600+500·2,4 = 1800 0.0 0.0

DT [Y ] = DT [600+500X] = 500DT [X] = 500·1,11 = 556,78

Principales Variables Discretas Proceso de Bernoulli

3. Otras Variables Se llamará

Bernoulli y Binomial Bernoulli y Binomial

En esta situación, se llama Proceso de Bernoulli al experimento

probabilidad de éxito, y por q = 1 − p la probabilidad de 1 si ocurre “éxito”

Distribución Binomial 0.3 0.27

Si se realiza el experimento un número n de veces, la variable

X=”número de éxitos en n observaciones del experimento” 0.1

sigue una distribución Binomial de parámetros n y p, y se denota 0.0

por X ∈ Bin(n, p).

Masa de probabilidad 0.2

Figura: Masas de probabilidad de v.a. con distribución Binomial

Bernoulli y Binomial Bernoulli y Binomial

5. Tablas de la distribución Binomial

Solución: 2 Si p = 0,6 entonces X ∈ Bin(5, 0,6). Esta distribución no

p(X ≥ 2) = 1 − p(X < 2) = 1 − P (X = 0) − P (X = 1) = p(X ≥ 2) = p(5 − X ≤ 5 − 2) = p(Y ≤ 3) =

Bernoulli y Binomial Bernoulli y Binomial

Solución: La v.a. X=”número de respuestas correctas en 10

Distribución Geométrica o de Pascal 0.5 Geom(0.5)

X=“número de fracasos hasta obtener el primer éxito”, 0.1

sigue una distribución Geométrica de parámetro p, y se denota por 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

P (X = x) = (1 − p)x p, x = 0, 1, 2, . . . 1 0.1 0.3

Bernoulli y Binomial Bernoulli y Binomial

Ejercicio 6 Distribución Binomial Negativa

La distribución binomial negativa es una generalización de la v.a.

p(X = 2) = 0,22 · 0,8 = 0,032  

n(1 − p) n(1 − p) 2 Para aprobar el test es necesario contestar bien a 10

Comentarios Solución: Sea Y =”número de preguntas falladas hasta

Bernoulli y Binomial Bernoulli y Binomial

Proceso de Poisson Distribución de Poisson

Bernoulli y Binomial Bernoulli y Binomial

Bin (50,0.04) Pois(40.00)

0.0 0.0 0.05

Figura: Masas de probabilidad de v.a. con distribución de Poisson

p(X = 2) = 0,22 · 0,8 = 0,032