VariablesAleatoriasDiscretas PDF

Variables Aleatorias Discretas
Mario Alfonso Morales Rivera.1

1 Profesor Titular
Universidad de Córdoba
Montería – 2019
Morales & Morales V. A. Discretas Junio de 2019 1 / 67

Contenido
1 Variables aleatorias discretas

Definiciones y ejemplos
Función de pobabilidad
Función de distribución
Valor esperado de una V. A. discreta
Varianza de una V. A. discreta
2 Modelos de probabilidad
Modelo binomial
Distribución geométrica
Distribución Binomial Negativa
Distribución hipergeométrica
Distribución de Poisson

Variables aleatorias discretas
Contenido

Modelo binomial

Variables aleatorias discretas Definiciones y ejemplos
Definición
Una variable aleatoria es una función que asigna un número real a
cada resultado en el espacio muestral de un experimento aleatorio.
Ejemplo (1.1)
Se lanzan tres monedas (o una moneda tres veces) y se anota el

resultado (Cara o Sello)
Consideremos la variable aleatoria que asigna a cada punto del
espacio muestral el número de sellos.

X
S R
CCC
CCS 0
CSC
1 Se tiene que P (S) = P (C) = 12 , es
CSS
decir, los resultados son
SCC
igualmente probables, entonces
SCS 2
la probabilidad asociada a cada
SSC
evento simple es 18 :
SSS 3
Figure: Variable Aleatoria X, número

sellos en el lanzamiento de tres
monedas.

X
S R P (X = 1) =P ({CCS, CSC, SCC})
CCC 1 1 1
= + +
CCS 0 8 8 8
CSC 3
=
CSS 1 8
SCC
SCS 2
SSC
SSS 3

de sellos al lanzar dos monedas.

X
S R P (X = 1) =P ({CCS, CSC, SCC})
CCC 1 1 1
= + +
CCS 0 8 8 8
CSC 3
=
CSS 1 8
SCC
SCS 2
SSC P (X = 2) =P ({CSS, SCS, SSC})
SSS 3 1 1 1
= + +
8 8 8
3
=
8
de sellos al lanzar dos monedas.

Variables aleatorias discretas Función de pobabilidad
Distribución de probabilidad de una V.A discreta
Definición
La distribución de probabilidad de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.

Definición
La distribución de probabilidad de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.
Continuación ejemplo 1.1

La distribución de probabilidad del número de sellos al lanzar 3
monedas:
x 0 1 2 3
1 3 3 1
P (X = x) 8 8 8 8

Ejemplo (1.2)
Cada 10 minutos se verifica el volumen de llenado de las latas que

salen de una máquina llenadora automática. La evaluación continúa
hasta que se encuentre una lata que no cumpla con las
especificaciones.

Ejemplo (1.2)

especificaciones.
S = {n, sn, ssn, sssn, ssssn, · · · }

n = “no cumple ”, s = ‘si cumple”

Ejemplo (1.2)

especificaciones.
S = {n, sn, ssn, sssn, ssssn, · · · }

n = “no cumple ”, s = ‘si cumple”
Sea Y la variable aleatoria que asigna a cada punto de S el número

de latas que es necesario analizar hasta encontrar una lata que no
cumpla las especificaciones de volumen. Si la probabilidad de que
una lata no cumpla es 0.01 y las observaciones son independientes,
obtenga la distribución de probabilidad de Y
Y
S R P (Y = y)
n 1 0.01
sn 2 0.99 × 0.01
ssn 3 0.992 × 0.01
sssn 4 0.993 × 0.01
ssssn 5 0.994 × 0.01
sssssn 6 0.995 × 0.01
.. .. ..
. . .
0.99 y−1 × 0.01
Figure: Número de latas analizadas hasta encontrar una lata que no cumpla

Distribución de probabilidad de Y
X
P (Y = y) = 0.01 × 0.99y−1 para y = 1, 2, · · ·


Ejemplo (1.3)
La producción diaria de 850 partes contiene 50 defectuosas. Del lote

se eligen dos al azar, sin reemplazo. Sea Z la variable aleatoria que
asigna a cada resultado el número de defectuosos
Z
S R
BB
0
BD
1
DB
2
DD
Figure: Variable
Morales & MoralesAleatoria X, número sellos en el lanzamiento de
V. A. Discretas tres
Junio de 2019 11 / 67
Distribución de probabilidad
z 0 1 2
P (Z = z) 0.886 0.11 0.004

Función de probabilidad
Definición
La función del conjunto de números reales al intervalo [0, 1] definida
mediante
(
P (X = x) si x pertenece al rango de X
fX (x) =
0 en otro caso
recibe el nombre de función de probabilidad.
Propiedades
La función de probabilidad, fX de una variable aleatoria X satisface
las siguiente propiedades.
fX (x) ≥ 0 para todo x.
P
fX (x) = 1.
x

Gráfico de la función de probabilidad

3/8 ● ●
Probabilidad
1/8 ● ●
● ● ● ●
0 1 2 3

Función de probabilidad para el número de sellos

1

 8 si x = 0
3

si x = 1


 8
3
fX (x) = 8 si x = 2
1
si x = 3



 8
0 en cualquier otro caso


Variables aleatorias discretas Función de distribución
Función de distribución acumulada
Definición
La función de distribución acumulada de una variable aleatoria
discreta X, denotada por FX (x) se define como
X
FX (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
La función de probabilidad, FX de una variable aleatoria X satisface
las siguiente propiedades.
0 ≤ FX (x) ≤ 1.
Si x ≤ y, entonces FX (x) ≤ FX (y).

Función de distribución acumulada (ejemplos)
Ejemplo (continuación ejemplo 1.1)

x 0 1 2 3
1 4 7 8
FX (x) 8 8 8 8 =1

Gráfico de la función de probabilidad acumulada

1 ●
7/8 ● ●
Probabilidad acumulada
4/8 ● ●
1/8 ● ●
0 ●
0 1 2 3

Función de distribución para el número de sellos


 0 si x < 0
 81

si 0 ≤ x < 1


4
FX (x) = 8 si 1 ≤ x < 2
7
si 2 ≤ x < 3



 8
1 si x ≥ 3


Cálculo de probabilidad usando F (·)

X
P (a ≤ X ≤ b) = F (b) − F (a− ), por ejemplo
4 4
P (2 ≤ X ≤ 4) = F (4) − F (2− ) = 1 − =
8 8
P (a ≤ X < b) = F (b− ) − F (a− ), por ejemplo
7 1 6
P (1 ≤ X < 3) = F (3− ) − F (1− ) = − =
8 8 8


X
P (a ≤ X ≤ b) = F (b) − F (a− ), por ejemplo
4 4
P (2 ≤ X ≤ 4) = F (4) − F (2− ) = 1 − =
8 8
P (a ≤ X < b) = F (b− ) − F (a− ), por ejemplo
7 1 6
P (1 ≤ X < 3) = F (3− ) − F (1− ) = − =
8 8 8


X
P (a < X ≤ b) = F (b) − F (a), por ejemplo
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
P (a < X < b) = F (b− ) − F (a), por ejemplo
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
P (X = a) = F (a) − F (a− ), por ejemplo
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8


X
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8


X
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8

Función de distribución acumulada (ejemplos)
Ejemplo (continuación ejemplo 1.3 )

z 0 1 2
FZ (z) 0.886 0.971 1

Función de distribución para el número de

defectuosos


 0 si z < 0
0.886 si 0 ≤ z < 1

FZ (z) =

 0.971 si 1 ≤ z < 2
1 si z ≥ 2


Gráfico de la función de probabilidad acumulada

1.000 ●
0.971 ● ●
0.886 ● ●
Probabilidad acumulada
0 1 2 3

Variables aleatorias: Ejemplo
Ejemplo
Si se lanzan dos dados. Definimos la variable aleatoria X como la
suma de los resultados
1 Obtenga la tabla de distribución de probabilidad.
2 Obtenga la tabla de distribución acumulada.
3 Calcule P (4 ≤ X ≤ 9)
4 Calcule P (5 < X ≤ 8)

Posibles resultados al lanzar dos dados
● ● ● ● ● ● ●●●
● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ●●●
● ● ● ● ● ● ● ● ● ● ● ●●● ●
● ● ●
● ● ● ● ● ● ● ● ● ● ● ●●● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ●
● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●●● ● ● ● ● ●●● ● ● ●●● ● ● ●●● ●●● ●●●

● ● ● ● ●
●●● ● ● ● ● ●●● ● ● ●●● ● ● ●●● ●●● ●●●

Variables aleatorias discretas Valor esperado de una V. A. discreta
Valor esperado.
Definición (media o valor esperado)

La media o valor esperado de una variable aleatoria discreta X,
denotada por µx o E(X) es
X
µX = E(X) = xfX (x)
x∈R

Valor esperado.

X
x∈R
Ejemplo (Continuación ejemplo 1.1)

El valor esperado del número de sellos al lanzar tres monedas:
1 3 3 1 12 3
µX = E(X) = 0 × +1× +2× +3× = =
8 8 8 8 8 2

Valor esperado.

X
x∈R

El valor esperado del número de sellos al lanzar tres monedas:
1 3 3 1 12 3
µX = E(X) = 0 × +1× +2× +3× = =
8 8 8 8 8 2

Valor esperado.

El valor esperado del número de defectuosos:
µX = E(X) = 0 × 0.886 + 1 × 0.11 + 2 × 0.004 = 0.118

Valor esperado
Ejercicio 1
Considere la variable aleatoria X con la siguiente distribución
x 18 20 22
f (x) 0.2 0.6 0.2
Calcule E(X)
Ejercicio 2
Considere la variable aleatoria Y con la siguiente distribución
y 0 15 25 40
f (y) 0.2 0.3 0.3 0.2
Calcule E(Y )

Valor esperado
Observación
Aunque X y Y tienen los mismos valores esperados, la distribución de
Y es más variable. Los valores de Y difieren mucho mas de E(Y ) que
los de X con respecto a E(X).

Valor esperado
Observación
Aunque X y Y tienen los mismos valores esperados, la distribución de
Y es más variable. Los valores de Y difieren mucho mas de E(Y ) que
los de X con respecto a E(X).
X
Estas diferencias en las distribuciones pueden resumirse al considerar
una medida de variabilidad.

Variables aleatorias discretas Varianza de una V. A. discreta
Varianza de una V.A. discreta
Definición (Varianza)
Suponga que la media de X es µX y que la función de probabilidad es
fX entonces la varianza de X se define como
X
2
= E (X − µX )2 = (x − µX )2 fX (x)

Var(X) = σX
x
Definición (Desviación estándar)

La desviación estándar
q σX es la raíz cuadrada positiva de la varianza,
es decir, σX = 2
σX

Varianza de una V.A. discreta (ejemplo)

La varianza del número de sellos al lanzar tres monedas:
3 2 1 3 2 3

2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4


3 2 1 3 2 3

2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4

La varianza del número de defectuosos es:
σZ2 = (0 − 0.118)2 × 0.886 + (1 − 0.118)2 × 0.111 + (2 − 0.118)2 × 0.003

= 0, 109


3 2 1 3 2 3

2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4

La varianza del número de defectuosos es:
σZ2 = (0 − 0.118)2 × 0.886 + (1 − 0.118)2 × 0.111 + (2 − 0.118)2 × 0.003

= 0, 109
√
La desviación estándar σZ = 0, 109 = 0, 33
Varianza
Ejercicio 1
Considere la variable aleatoria X con la siguiente distribución
x 18 20 22
f (x) 0.2 0.6 0.2
Calcule Var(X) = 1.6
Ejercicio 2
Considere la variable aleatoria Y con la siguiente distribución
y 0 15 25 40
f (y) 0.2 0.3 0.3 0.2
Calcule Var(Y ) = 175

Modelos de probabilidad
Contenido

Modelo binomial

Modelos de probabilidad Modelo binomial
Experimento binomial
Definición (Ensayo Bernoulli)

Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados “éxito” y “fracaso”. La probabilidad
de éxito se denota por p.
1 Lanzar una moneda y registrar si sale sello (éxito) o cara (fracaso)

2 Examinar una rata de laboratorio después de someterla a cierta
dieta y registrar si desarrolló cáncer (éxito) o no (fracaso).
3 Un cliente decide comprar (éxito) o no (fracaso) un producto
después de la intervención de un vendedor.
4 Un insecto se somete a cierta concentración de un veneno
durante 30 minutos y al final se registra si sobrevive o no.
5 Se elige una persona al azar del censo electoral y se le pregunta
si votará (éxito) por cierto candidato o no (fracaso).








Definición (Experimento binomial)

Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de éxito, p, permanece constante.
recibe el nombre de experimento binomial.
1 Lanzar tres monedas y contar el número de sellos (éxitos).

2 Examinar 20 ratas de laboratorio después de someterlas a cierta
dieta y registrar cuántas desarrollaron cáncer (éxitos).
3 Después de la intervención de un vendedor a 10 clientes,
registrar cuántos deciden comprar (éxitos) un producto .


Independientes.



Independientes.


Experimento binomial, ejemplos
1 Se someten 20 insectos a cierta concentración de un veneno

durante 30 minutos y al final se registra cuántos sobreviven
(éxito).
2 Se eligen 100 personas al azar del censo electoral y se registra
cuántas votarán (éxito) por cierto candidato.

Experimento binomial, ejemplos
1 Se someten 20 insectos a cierta concentración de un veneno

durante 30 minutos y al final se registra cuántos sobreviven
(éxito).
2 Se eligen 100 personas al azar del censo electoral y se registra
cuántas votarán (éxito) por cierto candidato.

Variable aleatoria binomial
Definición
La variable aleatoria X definida como el número de éxitos obtenidos
en los n ensayos tiene una distribución binomial con parámetros p y
n.

Definición
n. La función de probabilidad es:

n x
P (X = x) = p (1 − p)(n−x) ; x = 0, 1, 2, · · · n
x
recordemos que nx = x!(n−x)!

n!


Definición
n. La función de probabilidad es:

n x
P (X = x) = p (1 − p)(n−x) ; x = 0, 1, 2, · · · n
x
recordemos que nx = x!(n−x)!

n!

Teorema (Media y Varianza de una binomial)

Si X tiene distribución binomial de parámetros p y n entonces,
1 E(X) = np
2 Var(X) = np(1 − p)

Variable aleatoria binomial (ejemplo)
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestión y se les administró la
vacuna. Supóngase que la vacuna es completamente ineficaz. ¿Cuál
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?

Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestión y se les administró la
vacuna. Supóngase que la vacuna es completamente ineficaz. ¿Cuál
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Sea Y el número de personas que se recuperan. Si se asume que

las personas se recuperan de manera independiente, entonces Y es
binomial de parámetros p = 0.3 y n = 10
P (Y ≥ 9) = P (9) + P (10)


10
P (Y = 9) = P (9) = (0.3)9 (0.7)1 = 0.000138
9

10
P (Y = 10) = P (10) = (0.3)10 (0.7)0 = 0.000006
10
Entonces
P (Y ≥ 9) = P (9) + P (10) = 0.000138 + 0.000006 = 0.000144


10
P (Y = 9) = P (9) = (0.3)9 (0.7)1 = 0.000138
9

10
P (Y = 10) = P (10) = (0.3)10 (0.7)0 = 0.000006
10
Entonces
P (Y ≥ 9) = P (9) + P (10) = 0.000138 + 0.000006 = 0.000144
Interpretación
Suponga que se realiza el experimento tal como se describe en el
enunciado del ejercicio, y se observa que se recuperan 9 o mas
pacientes. Como bajo el supuesto que la vacuna es ineficaz, la
probabilidad de observar ese evento es extremadamente pequeña
(144 en un millón de veces), o bien hemos observado un evento muy
raro, o bien la vacuna si es muy útil en la prevención de la
enfermedad. Nos inclinamos por la última opción.
Valor esperado y varianza

El número promedio de pacientes que se recuperan si la vacuna es
ineficaz es µX = 10 × 0.3 = 3 y la varianza es:
σX2 = 10 × 0.3 × 0.7 = 2.1

Probabilidades binomiales, n = 10 con diferentes p
● ●
p=0.3 p=0.5
0.20
●
● ●
0.20
0.10
● ● ●
0.10
● ●
● ●
0.00
0.00
● ● ● ●
● ● ● ●
0 2 4 6 8 10 0 2 4 6 8 10
x x
0.0 0.1 0.2 0.3 0.4

● ●
p=0.75 ● p=0.9 ●
0.20
● ●
y
0.10
● ●
●
0.00
● ●
● ● ● ● ● ● ● ● ● ●
0 2 4 6 8 10 0 2 4 6 8 10

Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma equivalente
pbinom(8,size=10,p=0.3,lower.tail=FALSE)

Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma equivalente
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Con Excel
=1-DISTR.BINOM(8;10;0,3;1)
en general, para probabilidad acumulada:
=DISTR.BINOM(x;n;p;1)
en general, para probabilidad puntual:
=DISTR.BINOM(x;n;p;0)
Ejemplo
Ejemplo (2.2)
Los autos arriban independientemente a una intersección. Se sabe

que, en promedio, 25% giran a la izquierda. Suponga que el carril
hacia la izquierda solo tiene capacidad para 5 carros ¿cuál es la
probabilidad que la capacidad del carril sea superada si hay 10 autos
esperando el cambio a luz verde?

X
Sea X el número de autos que giran a la izquierda. Por las
condiciones del problema X es binomial de parámetros p = 0.25 y
n = 10. La capacidad del carril se supera si 6 o más carros giran a la
izquierda.

X
Sea X el número de autos que giran a la izquierda. Por las
condiciones del problema X es binomial de parámetros p = 0.25 y
n = 10. La capacidad del carril se supera si 6 o más carros giran a la
izquierda.
Entonces la probabilidad solicitada es
P (X ≥ 6) = P (X = 6) + P (X = 7) + · · · + P (X = 10) = 0.01972771

Distribución binomial: ejemplo

10
P (X = 6) = (0.25)6 (0.75)4 = 0.01622
6

10
P (X = 7) = (0.25)7 (0.75)3 = 0.00309
7
..
.

10
P (X = 10) = (0.25)10 (0.75)0 = 0.0000009537
10

Distribución binomial: ejemplo

10
P (X = 6) = (0.25)6 (0.75)4 = 0.01622
6

10
P (X = 7) = (0.25)7 (0.75)3 = 0.00309
7
..
.

10
P (X = 10) = (0.25)10 (0.75)0 = 0.0000009537
10
X interpretación
De cada 100 veces que se acumulen 10 autos en el semáforo, en dos
oportunidades se superará la capacidad del carril.
Modelos de probabilidad Distribución geométrica
Variable aleatoria geométrica

Definición
Suponga que se tiene:
Una serie de ensayos Bernoulli,
Independientes,
probabilidad de éxito constante p,
si X es el número de ensayos realizados hasta la obtención del
primer éxito,
entonces X tiene una distribución geométrica con parámetro p y
fX (x) = P (X = x) = (1 − p)x−1 p, x = 1, 2, · · ·

Variable aleatoria geométrica

Definición
Una serie de ensayos Bernoulli,
Independientes,
si X es el número de ensayos realizados hasta la obtención del
primer éxito,
entonces X tiene una distribución geométrica con parámetro p y
fX (x) = P (X = x) = (1 − p)x−1 p, x = 1, 2, · · ·
Teorema
Si X es una variable aleatoria geométrica con parámetro p entonces
1 1−p
E(X) = p y Var(X) = p2

Variable aleatoria geométrica (ejemplo)

Ejemplo (continuación del ejemplo 1.2)
Si la probabilidad de que una lata no cumpla las especificaciones es
p = 0.05 (proporción de latas que no cumplen) ¿cuál es la probabilidad
de que se tengan que probar exactamente 100 latas para encontrar la
primera que no cumple?


Ejemplo (continuación del ejemplo 1.2)
Si la probabilidad de que una lata no cumpla las especificaciones es
p = 0.05 (proporción de latas que no cumplen) ¿cuál es la probabilidad
de que se tengan que probar exactamente 100 latas para encontrar la
primera que no cumple?
Solución
Sea X el número de pruebas que es necesario realizar hasta
encontrar la primera que no cumple. Si se asume que cada prueba es
independiente una de otra, entonces X tiene distribución geométrica
de parámetro p = 0.05
P (X = 100) = 0.9599 × 0.05 = 0, 0003116
1 1 − 0.05
E(X) = = 20 Var(X) = = 380
0.05 0.052
Variable aleatoria geométrica (código R)
dgeom(99,0.05)
La probabilidad acumulada P (X ≤ 100) se calcula mediante
pgeom(99,0.05)


Ejemplo
Un matrimonio quiere tener una hija, y por ello deciden tener hijos
hasta el nacimiento de una hija. Calcular el número esperado de hijos
(entre varones y hembras) que tendrá el matrimonio. Calcular la
probabilidad de que la pareja acabe teniendo tres hijos o más.


Ejemplo
Un matrimonio quiere tener una hija, y por ello deciden tener hijos
hasta el nacimiento de una hija. Calcular el número esperado de hijos
(entre varones y hembras) que tendrá el matrimonio. Calcular la
probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Sea X el número de hijos que es necesario tener hasta que nazca la
primera niña. Si se asume que el sexo de cada hijo es independiente
del sexo del otro, entonces X tiene distribución geométrica de
parámetro p = 0.5.
1
E(X) = =2
0.5
Se pide calcular P (X ≥ 3)

P (X ≥ 3) = 1 − P (X < 3) = 1 − P (X ≤ 2)
= 1 − {P (X = 1) + P (X = 2)}
= 1 − {0.50 × 0.5 + 0.51 × 0.5}
= 1 − {0.5 + 0.25} = 1 − 0.75 = 0.25
Con R se calcula mediante
1-pgeom(1,0.5)
Otra forma
1-(dgeom(0,0.5)+dgeom(1,0.5))


P (X ≥ 3) = 1 − P (X < 3) = 1 − P (X ≤ 2)
= 1 − {P (X = 1) + P (X = 2)}
= 1 − {0.50 × 0.5 + 0.51 × 0.5}
= 1 − {0.5 + 0.25} = 1 − 0.75 = 0.25
Con R se calcula mediante
1-pgeom(1,0.5)
Otra forma
1-(dgeom(0,0.5)+dgeom(1,0.5))

Modelos de probabilidad Distribución Binomial Negativa
Variable aleatoria Binomial Negativa
Definición
Una serie de esayos Bernoulli,
independientes,
X es el número de ensayos realizados hasta que se obtienen r
éxitos
Entonces X tiene una distribución Binomial Negativa con parámetros
p y r = 1, 2, · · ·

x−1
fX (x; p, r) = (1 − p)x−r pr , x = r, r + 1, r + 2 · · ·
r−1

Valor esperado y varianza de una BN

Teorema
Si X es una variable aleatoria binomial negativa con parámetros p y r
entonces la media y la varianza de X son
r r(1−p)

Valor esperado y varianza de una BN

Teorema
Si X es una variable aleatoria binomial negativa con parámetros p y r
r r(1−p)
Ejemplo
En un departamento de control de calidad se inspeccionan las
unidades terminadas que provienen de una linea de ensamble. Se
piensa que la proporción de unidades defectuosas es 0.05.
1 ¿Cuál es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2 ¿Cuál es el valor esperado y la varianza del número de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
Solución
1 Sea X el número de unidades inspeccionadas hasta encontrar

dos defectuosas. Por las condiciones del problema, X tiene
distribución binomial negativa de parámetros p = 0.05 y r = 2, por
tanto:

20 − 1
P (X = 20) = (1 − 0.05)20−2 0.052 = 0.0189
2−1
2 Valor esperado y varianza:
2 2(1 − 0.05)
E(X) = = 40 Var(X) = = 760
0.05 0.052

Modelos de probabilidad Distribución hipergeométrica
Distribución hipergeométrica.
Definición
Un conjunto de N objetos contiene
K (K ≤ N ) elementos con el atributo A, los cuales se consideran
éxitos.
N − K sin el atributo (Ac )
Se toma una muestra de tamaño n, (n ≤ N ) al azar (sin
remplazo).
Sea X el número de éxitos en la muestra.
Entonces X tiene distribución hipergeométrica con función de
probabilidad.
K N −K

x n−x
fX (x) = N
con x = 0, 1, . . . , min{K, n}
n

N –objetos
A Ac
Muestra (n)
x
K–objetos (N − K)–objetos
Figure: Esquematización de una distribución hipergeométrica.

Distribución hipergeométrica, Media y varianza
Teorema
Si X tiene distribución hipergeométrica con parámetros N , K y n
2 N −n
µX = E(X) = np σX = np(1 − p)
N −1
K
donde p = N

Distribución hipergeométrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberías, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo ¿cuál es la probabilidad de que todas provengan del
proveedor local?

Distribución hipergeométrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberías, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo ¿cuál es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300, K =
100, n = 4 y x = 4
100 200

4
P (X = 4) = 300
0 = 0.0119
4

En el caso de la distribución hipergeométrica hay que tener en cuenta

que para R m es el número de objeto que representan exitos, n es
el numero de objetos que representan fracasos (N = m + n) y k es el
tamaño de la muestra.
P (X = 4)
dhyper(x=4,m=100,n=200,k=4)
P (X ≤ 4)
phyper(4,m=100,n=200,k=4)

Modelos de probabilidad Distribución de Poisson
Distribución de Poisson.
1 Modelo probabilístico adecuado para evaluar la probabilidad de

ocurrencia de un evento en intervalos de tiempo, longitud,
superficie o volumen.
2 Por ejemplo:
Número de accidentes por semana en un tramo de carretera.
Número de baches en cada 100 kilómetros lineales de carretera.
Número de solicitudes de atención de urgencia en una clínica en
un día.
3 La variable aleatoria de interés, X es el número de veces que un
evento ocurre por unidad de tiempo, longitud, superficie, volumen,
etc.

Distribución de Poisson: supuestos
1 El número de eventos que ocurren en intervalos de tiempo

excluyentes son independientes.
2 Para un intervalo de tiempo suficientemente pequeño, la
probabilidad de tener exactamente una ocurrencia es
proporcional a la longitud del intervalo.
3 La probabilidad de tener mas de una ocurrencia en un intervalo
de tiempo lo suficientemente pequeño es despreciable (casi cero).





Definición
Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, superficie,
volumen, etc), y si se tiene que los eventos son independientes y el
número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es
e−λ λx
P (X = x) = , para x = 0, 1, 2, . . .
x!

Definición
Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, superficie,
volumen, etc), y si se tiene que los eventos son independientes y el
número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es
e−λ λx
P (X = x) = , para x = 0, 1, 2, . . .
x!
Teorema
Si X es una variable aleatoria con distribución de Poisson con
parámetro λ entonces
E(X) = λ y Var(X) = λ

Distribución de poisson (ejemplo).
Ejemplo
El número de baches en una sección de carretera interdepartamental
puede modelarse con una distribución de Poisson con media de dos
baches por milla.
1 ¿Cuál es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
2 ¿Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?


Sea X el número de baches en cinco millas, entonces X es

Poisson con media λ = 2 × 5 = 10. Entonces
e−10 × 100
P (X = 0) = = e−10 = 0, 0000454
0!


Sea X el número de baches en cinco millas, entonces X es

e−10 × 100
P (X = 0) = = e−10 = 0, 0000454
0!
Sea X el número de baches en media milla, entonces X es

e−1 × 10
P (X ≥ 1) = 1 − P (X = 0) = 1 − = 1 − e−1 = 0, 632120559
0!

Código R
P (X = 0) con λ = 10
dpois(x=0,lambda=10)
P (X ≤ 4)
ppois(q=4,lambda=10)

Ejemplo 3-110 página 154, texto guía

Ejemplo
En un proceso de fabricación el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el número mínimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos esté defectuoso sea
mayor que 0.95.
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95

Ejemplo
mayor que 0.95.
Solución
4 Se desea que P (X ≥ 1) > 0.95

Ejemplo
mayor que 0.95.
Solución
4 Se desea que P (X ≥ 1) > 0.95

Ejemplo
mayor que 0.95.
Solución
4 Se desea que P (X ≥ 1) > 0.95

Ejemplo
mayor que 0.95.
Solución
4 Se desea que P (X ≥ 1) > 0.95

Solución
0.95 = P (X ≥ 1) = 1 − P (X = 0)

n
=1− 0.010 × 0.99n
0
= 1 − 0.99n
de donde se tiene que
ln 0.05
n= = 298.0729 ≈ 299
ln 0.99
Verificación:
1-dbinom(0,size=299,prob=0.01)
[1] 0.9504637

VariablesAleatoriasDiscretas PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

VariablesAleatoriasDiscretas PDF

Transféré par

Droits d'auteur :

Formats disponibles

Variables Aleatorias Discretas

Mario Alfonso Morales Rivera.1

Morales & Morales V. A. Discretas Junio de 2019 1 / 67

1 Variables aleatorias discretas

Morales & Morales V. A. Discretas Junio de 2019 2 / 67

1 Variables aleatorias discretas

Morales & Morales V. A. Discretas Junio de 2019 3 / 67

Se lanzan tres monedas (o una moneda tres veces) y se anota el

Morales & Morales V. A. Discretas Junio de 2019 4 / 67

Figure: Variable Aleatoria X, número

Morales & Morales V. A. Discretas Junio de 2019 5 / 67

Figure: Variable Aleatoria X, número

Morales & Morales V. A. Discretas Junio de 2019 6 / 67

Morales & Morales V. A. Discretas Junio de 2019 6 / 67

Distribución de probabilidad de una V.A discreta

Morales & Morales V. A. Discretas Junio de 2019 7 / 67

Distribución de probabilidad de una V.A discreta

Continuación ejemplo 1.1

Morales & Morales V. A. Discretas Junio de 2019 7 / 67

Distribución de probabilidad de una V.A discreta

Cada 10 minutos se verifica el volumen de llenado de las latas que

Morales & Morales V. A. Discretas Junio de 2019 8 / 67

Distribución de probabilidad de una V.A discreta

Cada 10 minutos se verifica el volumen de llenado de las latas que

S = {n, sn, ssn, sssn, ssssn, · · · }

Morales & Morales V. A. Discretas Junio de 2019 8 / 67

Distribución de probabilidad de una V.A discreta

Cada 10 minutos se verifica el volumen de llenado de las latas que

S = {n, sn, ssn, sssn, ssssn, · · · }

Sea Y la variable aleatoria que asigna a cada punto de S el número

Morales & Morales V. A. Discretas Junio de 2019 9 / 67

Morales & Morales V. A. Discretas Junio de 2019 10 / 67

Distribución de probabilidad de una V.A discreta

La producción diaria de 850 partes contiene 50 defectuosas. Del lote

Morales & Morales V. A. Discretas Junio de 2019 12 / 67

recibe el nombre de función de probabilidad.

Morales & Morales V. A. Discretas Junio de 2019 13 / 67

Gráfico de la función de probabilidad

Morales & Morales V. A. Discretas Junio de 2019 14 / 67

Función de probabilidad para el número de sellos

Morales & Morales V. A. Discretas Junio de 2019 15 / 67

Función de distribución acumulada

Morales & Morales V. A. Discretas Junio de 2019 16 / 67

Función de distribución acumulada (ejemplos)

Ejemplo (continuación ejemplo 1.1)

Morales & Morales V. A. Discretas Junio de 2019 17 / 67

Gráfico de la función de probabilidad acumulada

Morales & Morales V. A. Discretas Junio de 2019 18 / 67

Función de distribución para el número de sellos

Morales & Morales V. A. Discretas Junio de 2019 19 / 67

Cálculo de probabilidad usando F (·)

Morales & Morales V. A. Discretas Junio de 2019 20 / 67

Cálculo de probabilidad usando F (·)

Morales & Morales V. A. Discretas Junio de 2019 20 / 67

Cálculo de probabilidad usando F (·)

Morales & Morales V. A. Discretas Junio de 2019 21 / 67

Cálculo de probabilidad usando F (·)

Morales & Morales V. A. Discretas Junio de 2019 21 / 67

Cálculo de probabilidad usando F (·)

Morales & Morales V. A. Discretas Junio de 2019 21 / 67

Función de distribución acumulada (ejemplos)

Ejemplo (continuación ejemplo 1.3 )

Morales & Morales V. A. Discretas Junio de 2019 22 / 67