3 - VARIABLES ALEATORIAS DISCRETAS Y DISTRIBUCIONES DE PROBABILIDAD

 VARIABLES ALEATORIAS:
o Para un determinado espacio muestral de algún experimento, una variable aleatoria (va) es cualquier regla que relaciona un
número con cada resultado en . En el lenguaje matemático, una variable aleatoria es una cuyo dominio es el espacio muestral
y cuyo recorrido es el conjunto de los números reales.
o La notación (s) = , significa que es el valor relacionado con el resultado s mediante la variable aleatoria .
o Cualquier variable aleatoria cuyos únicos valores posibles son 0 y 1 se llama variable aleatoria de Bernoulli.
o Dos tipos de variables aleatorias:
 Una variable aleatoria discreta es una variable aleatoria cuyos valores posibles constituyen un conjunto finito, o bien se
pueden listar en una secuencia infinita en la que hay un primer elemento, un segundo elemento, etc.
 Una variable aleatoria es continua si su subconjunto de valores posibles consiste en un intervalo completo de la recta
numérica.
 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS DISCRETAS:
o La distribución de probabilidad de establece como se distribuye la probabilidad total entre 1 asignada a los valores posibles de
.
o La distribución de probabilidad o función masa de probabilidad (fmp) de una variable aleatoria discreta se define para todo
número x mediante = = (toda s : (s) = ).
o ( = ) se lee “la probabilidad de que la va tome el valor ”.
o Se requieren las condiciones 0y = 1.
o Parámetro de una distribución de probabilidad:
 La fmp de cualquier va de Bernoulli se puede expresar en la forma p(1) = y p(0) = 1 – , donde 0 < < 1.
 Debido a que la fmp depende del valor particular de , por lo común se escribe p(x; ):

 Por lo tanto cada elección de en la expresión anterior produce un fmp diferente.

 Suponga que depende de una cantidad a la que se le puede asignar cualquiera de varios valores posibles,
donde cada valor diferente determina una distribución de probabilidad distinta. A esta cantidad se le llama parámetro
de la distribución ( en la expresión anterior). La colección de las distribuciones para diferentes valores del parámetro
se llama familia de distribuciones de probabilidad.
o Función de distribución acumulada:
 La función de distribución acumulada (fda) F(x) de una variable aleatoria discreta con fmp se define para todo
número x mediante:

 Para cualquier número , es la probabilidad de que el valor observado de sea a lo sumo .

 Para una va discreta , la gráfica de tiene un salto en todo valor posible de y es plana entre los valores
posibles. A esta gráfica se le denomina función escalón.

 Hasta este momento, la fda se ha derivado de la fmp. Ese proceso se puede invertir para obtener la fmp a partir de la
fda siempre que se tenga esta última función.
 Para dos números cualesquiera y con :

1 Longinos Recuero Bustos, curso 2010/11. lrecuero1@alumno.uned.es

 donde “ ” representa el valor posible más grande de que es estrictamente menor que a.
En particular, si los únicos valores posibles son enteros y si y son enteros, entonces

Si se toma se obtiene en este caso.

 VALORES ESPERADOS DE VARIABLES ALEATORIAS DISCRETAS:
o Valor esperado de (valor promedio de en la población):
 Describe donde se centra la distribución de probabilidad.
 Sea una variable aleatoria discreta con un conjunto de valores posibles y un fmp .El valor esperado o valor
medio de , denotado por o , es:

o Valor esperado de una función:

 Si la va tiene un conjunto de valores posibles y una fmp , entonces el valor esperado de cualquier función
, que se denota mediante o , se calcula con:

o Reglas del valor esperado:

 La función de interés es con bastante frecuencia una función lineal . En este caso, se calcula
de manera fácil a partir de :

 Es decir, el valor esperado de una función lineal es igual a la función lineal evaluada en el valor esperado .
 Dos casos especiales producen reglas importantes del valor esperado:
1. Para cualquier constante , . ( cambia la unidad de media y es un factor de conversión).
2. Para cualquier constante , .
o Varianza de :
 Usada para evaluar la cantidad de variabilidad en (la distribución de) X.
 Sea con una fmp y valor esperado . Entonces la varianza de , denotada por ó ó , es:

 O usando la fórmula abreviada:

 La desviación estándar (DE) de es:

 La cantidad es la desviación cuadrada de desde su media.

 es la desviación cuadrada esperada o varianza poblacional.
 es la desviación estándar poblacional.
o Reglas de varianza:
 La varianza de es el valor esperado de la diferencia cuadrada entre y su valor esperado:

 Cuando es un función lineal, se relaciona fácilmente con :

y
 Este resultado establece que la suma de la constante no afecta a la varianza. En particular:
1. y
2.

2 Longinos Recuero Bustos, curso 2010/11. lrecuero1@alumno.uned.es

 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL:
o Es el modelo de probabilidad aproximado para el muestreo sin reemplazo a partir de una población dicotómica (éxito - fracaso)
finita.
o Experimento binomial:
 Es un experimento para el cual se cumplen las condiciones:
1. El experimento consiste en una secuencia de n experimentos más pequeños llamados ensayos, donde n se
fija antes del experimento.
2. Cada ensayo produce uno de los mismos dos resultados posibles (ensayos dicotómicos), que se denotan
mediante éxito (S) o fracaso (F).
3. Los ensayos son independientes, así que el resultado de cualquier ensayo particular no influye en el
resultado de ningún otro.
4. La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se denota con p.
 En general si un muestreo es sin reemplazo, el experimento no produce ensayos independientes y por ende no podría
ser un experimento binomial.
 Para decidir si un experimento sin reemplazo se puede tratar como binomial, se usa la siguiente regla empírica:
1. En muestreo sin remplazo de una población dicotómica de tamaño N, si el tamaño de la muestra (número de
ensayos) n es a lo sumo 5% del tamaño de la población, el experimento se puede analizar como si fuese un
experimento binomial.
o Variable y distribución aleatoria binomial:
 Dado un experimento binomial que consiste en n ensayos, la variable aleatoria binomial relacionada con este
experimento se define como.
= número de éxitos (S) entre los n ensayos.

 Debido a que la fmp de una variable aleatoria binomial depende de los parámetros n y p, la fmp se denota mediante
. De manera que:

o Como usar las tablas binomiales:

 Para , la fda se denota mediante

o Media y varianza de :
 .
 , donde .
 .

 DISTRIBUCIÓN HIPERGEOMÉTRICA:
o Es el modelo de probabilidad exacto para el número de éxitos (S) en la muestra.
o Experimento hipergeométrico:
 Es un experimento para el cual se cumplen las condiciones:
1. La población o conjunto por muestrear consiste en individuos, objetos o elementos (una población finita).
2. Cada individuo se caracteriza como un éxito (S) o fracaso (F), y hay éxitos en la población.
3. Se elige una muestra de individuos sin reemplazo, de manera que cada subconjunto de tamaño tenga
las mismas probabilidades de ser elegido.
o La va de interés es = número de éxitos en la muestra, así que para obtener .
o Si es el número de éxitos (S) en una muestra completamente aleatoria de tamaño extraidos de una población que consiste
en éxitos y fracasos, entonces la distribución de probabilidad de X, denominada distribución hipergeométrica, está
dada por:

para un entero que satisface .

3 Longinos Recuero Bustos, curso 2010/11. lrecuero1@alumno.uned.es

 o Media y varianza de la variable aleatoria hipergeométrica :
 , donde porción de éxitos.
 , donde factor de corrección por población finita y .
 es menor que 1, por lo tanto la variable hipergeométrica tiene varianza más pequeña que la variable aleatoria
binomial.

 se puede escribir como , cuyo valor aproximado es 1 cuando es relativamente pequeña con respecto a .

 DISTRIBUCIÓN BINOMIAL NEGATIVA:

o Surge de fijar el número deseado de éxitos y permitir que sea aleatorio el número de ensayos.
o Experimento binomial negativo:
 Es un experimento para el cual se cumplen las condiciones:
1. El experimento consiste en una secuencia de ensayos independientes.
2. Cada ensayo produce ya sea un éxito (S) o un fracaso (F).
3. La probabilidad de éxito es constante de un ensayo a otro, así que (S en el ensyo ) para
4. El experimento continúa hasta que se observa un total de éxitos observados, donde es un entero
positivo especificado.
o La fmp de la va binomial negativa con parámetros = número de éxitos (S) y S es:

o Media y varianza de la variable aleatoria binomial negativa :

 .

 .
 DISTRIBUCIÓN DE PROBABILIDAD DE POISSON:
o Se dice que una variable aleatoria tiene una distribución de Poisson con parámetro si la fmp de es:

o El valor de por lo común es una tasa por unidad de tiempo o por unidad de área.
o Distribución de Poisson como límite:
 Suponga que en la fmp binomial , sea y de tal manera que tiende a un valor .
Entonces .
 De acuerdo con esta proposición, en cualquier experimento binomial en el que es grande y es pequeña,
donde .
 Como regla empírica, esta aproximación se puede aplicar con toda seguridad si , y .
o Media y varianza de :
 .
o Proceso de Poisson:
 Una aplicación muy importante de la distribución de Poisson surge en relación a la ocurrencia de eventos de un tipo
particular con el tiempo.

 Hay que aumentar el contenido de esta última parte que no se entiende demasiado bien!!.

4 Longinos Recuero Bustos, curso 2010/11. lrecuero1@alumno.uned.es