Académique Documents
Professionnel Documents
Culture Documents
Teoría de la Probabilidad
Tema 3: Las variables aleatorias
discretas
Eva Romero Ramos
eva.romero@uem.es
Universidad Europea de Madrid
1. Concepto de Variable Aleatoria
Ejemplo 1.-
Arrojamos una moneda 5 veces y sale c++c+. En muchos casos
nos interesa el número de caras que ha salido y no la
secuencia exacta. Por eso hacemos, {cara}=1 y {cruz}=0, y
decimos que el número de caras ha sido 4. Es decir, asignamos
valores numéricos a los sucesos, con lo cual el manejo
matemático es más sencillo.
Una variable aleatoria es una cantidad variable cuyos valores
dependen del azar y para la cual existe una distribución de
probabilidad.
Una función de una o varias variables aleatorias es a su vez
variable aleatoria.
Función de distribución
Una variable aleatoria queda definida cuando conocemos su campo de
variación y el conjunto de probabilidades con que toma valores en ese
campo.
• 2. P( x1 X x2 ) F ( x2 ) F ( x1 )
b) Función de distribución. 0 x 1
1 1 x<2
6
2 2 x<3
6
F ( x) 3 3 x<4
6
4 4 x<5
6
5 5 x<6
6
1 x 6
Ejemplo 3.-
a) Las siguientes probabilidades: P(X=3), P(X≥3), P(X<3),
P(4<X<5), P(3<X≤5), P(1≤X<4) y P(1≤X≤4)
P(X=3)=1/6
P(X≥3)=1-F(3)+P(X=3)=1-3/6+1/6=4/6
P(X<3)=F(3)-P(X=3)=3/6-1/6=2/6
P(4<X<5)=F(5)-F(4)-P(X=5)=5/6-4/6-1/6=0
P(3<X≤5)=F(5)-F(3)=5/6-3/6=2/6
P(1≤X<4)=F(4)-F(1)-P(X=4)+P(X=1)=4/6-1/6-1/6+1/6=3/6
P(1≤X≤4)=F(4)-F(1)+P(X=1)=4/6-1/6+1/6=4/6
3. Esperanza de v.a. discreta
E( X ) xi pi
i
Ejemplo 4.-
Una variable aleatoria puede tomar los valores 1,2 y 3 con
probabilidades 0’20; 0’30 y 0’50 respectivamente.
Calcule su esperanza matemática.
n 2 n n 2
V (X ) xi x pi xi 2 pi xi pi
i 1 i 1 i 1
Propiedades de la Varianza
2
1. V ( X ) 0
2 2 2 2
2. V ( X ) 2 2 1 E ( X ) .
3. Varianza de la suma de variables aleatorias, caso general:
V(X+Y)=V(X)+V(Y)+2Cov(X;Y)
V(X-Y)=V(X)+V(Y)-2Cov(X;Y)
Donde Cov(X;Y) es la covarianza de las v.a. X e Y
Su signo indica el sentido de la relación que pueda existir entre esas
variables aleatorias.
Si la covarianza es positiva significa que cuando la variable X se
incrementa positivamente también lo hace la variable Y y viceversa,
y cuando una decrezca, la otra también decrecerá. Por el contrario,
si es negativa, cuando una variable crece la otra decrece.
Propiedades de la Varianza
4. Varianza de la suma de variables aleatorias, casos particulares:
Si la covarianza es nula:
Cov(X;Y)=0 V(X+Y)=V(X)+V(Y)
V(X-Y)=V(X)+V(Y)
Si las variables son estadísticamente independientes:
La independencia estadística entre v.a. implica que Cov(X;Y)=0, por
tanto, se cumple el anterior punto. Sin embargo, una Cov(X;Y)=0 no
implica necesariamente independencia entre X e Y.
5. V(X a)=V(X)
6. V(bX)=b2V(X)
►V(-X)=V(X)
►V(a+bX)=b2V(X)
Ejemplo 5.- Considérese un dado no trucado. Hállese la esperanza y la
varianza para la variable aleatoria X “puntuación obtenida al lanzar
el dado”.
Función de Cuantía
xi 1 2 3 4 5 6
P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6
1 1 1 1 1 1
E( X ) xi pi 1· 2· 3· 4· 5· 6· 3,5
i 6 6 6 6 6 6
n
2 2 2 1 2 1 2 1
V (X ) xi pi E x 1· 2 · 3·
i 1 6 6 6
2 1 2 1 2 1
4 · 5 · 6 · 3,52 15,16 12, 25 2,92
6 6 6
Desviación Típica o estándar
VAR( x)
V (X ) 2,92 1, 71
Propiedades de la desviación
Típica o estándar
1. ≥0 por definición
2. (C)=0
3. 2 1
2
5. X a X
6. bX b X
5. Distribuciones de Probabilidad
Vamos a estudiar modelos de distribuciones de probabilidad que
pueden representar el comportamiento teórico de diferentes
fenómenos aleatorios que aparecen en el mundo real, con el
objetivo de explicar y predecir estos fenómenos.
0 x 0
Función de distribución:
F ( x) q 0 x 1
2
1 x 1
E( X ) xi pi p
i 1
2
2 2
V (X ) E( X ) E( X ) xi2 pi p2 p q
i 1
Distribución Binomial (0,1) o de
Bernoulli [B(p) ó B(0,1)]
Ejemplo 10.- La probabilidad de que un individuo se contagie de gripe
es 0,3. Determínese la media y varianza de esta variable y la
probabilidad de que no se contagie.
X Bernouilli(0,3)
E ( X ) p 0,3
Var ( X ) pq 0,3·0, 7 0, 21
Distribución Binomial (n,p)
Describe situaciones que se presentan si un mismo suceso
dicotómico se observa o se repite n veces, y si los posibles
resultados en cada ocasión son independientes de los que puedan
lograrse en las demás.
La variable aleatoria nos dará el número de veces que se presenta
la posibilidad A cuando repetimos el experimento n veces.
Ejemplos:
Se lanza 7 veces una moneda y nos interesa el número de caras que
obtenemos.
Se lanza 10 veces un dado y nos interesa el número de 5 que salen.
Tenemos 20 estudiantes en clase de estadística y nos interesa el número de
aprobados.
Distribución Binomial (n,p)
La distribución Binomial (n;p) se forma como suma de n v.a.
Bernoulli independientes entre sí. Es decir:
X=X1+X2+...+Xn
donde: X i iid B (1; p )
Campo de variación: X 0,1,2,..., n
Función de cuantía: P( X x) n x n x
p q
x
E( X ) np
PROPIEDAD:
V ( X ) npq La suma de dos v.a. binomiales
independientes es otra v.a. binomial.
Y X1 X2 B(n1 n2 ; p)
siendo: X 1 B(n1; p) y X 2 B(n2 ; p)
Distribución Binomial (n,p)
Ejemplo 11.- La probabilidad de que un alumno que empieza sus
estudios acabe su carrera es 30%. Si en un curso se encuentran 10
alumnos, ¿cuál es la probabilidad de que acaben 2?
X Binomial (10;0,3)
10 10!
P( X 2) 0,32 ·0, 710 2
·0,32 ·0, 78 0, 23
2 2!· 10 2 !
Distribución Binomial (n,p)
Ejemplo 12.- En el proceso de fabricación de un producto, la
probabilidad de que un elemento sea defectuoso es 0,12. El
producto se vende en lotes de 50 unidades. Calcúlense, en un lote,
las probabilidades de los sucesos siguientes:
(a) Ningún elemento defectuoso.
X Binomial (50;0,12)
50 50!
P( X 0) 0,120 ·0,8850 ·0,120 ·0,8850 0, 001675
0 0!· 50 0 !
(b) Diez elementos defectuosos.
50 50!
P( X 10) 0,1210 ·0,8850 10
·0,1210 ·0,8840 0, 038
10 10!· 50 10 !
Distribución Binomial (n,p)
(c) El número de elementos defectuosos está comprendido
entre 25 y 26, ambos incluidos.
P(25 X 26) P X 25 P X 26
11 12 11
4,94·10 6, 47·10 5,58·10
50
P( X 25) 0,1225 ·0,8850 25
4,94·10 11
25
50
P( X 26) 0,1226 ·0,8824 6, 47·10 12
26
Distribución de Poisson (λ)
En su origen, esta distribución se ha determinado como límite de la
B(n; p) en el caso que n→∞ y p tendiera a cero, pero luego se vio
que podía aplicarse a fenómenos aleatorios concretos.
Actualmente se utiliza para modelizar situaciones como:
El número de llamadas que se reciben, en un intervalo de tiempo dado, en
una centralita de teléfonos.
La probabilidad de que en una cartera de una Compañía de Seguros se
presenten simultáneamente muchos siniestros a la vez.
El número de clientes que entran en el Banco durante un Periodo de tiempo
determinado.
El parámetro será el número medio de llamadas durante el
período de tiempo determinado. Debe tomar siempre un valor
positivo.
Distribución de Poisson (λ)
Campo de Variación: x={0,1,2,…}
Función de cuantía: P( X x) e x
E(X )
x!
V (X )
Propiedades:
La suma de variables aleatorias Poisson independientes es también
n
una v.a. Poisson. Y X X ... X Poisson .
1 2 n j
j 1
donde X j Poisson( j )
Si X1 y X2 son v.a. Poisson independientes con parámetros 1 y 2,
la distribución de la variable X1 condicionada a la variable suma
X1+X2 es una distribución binomial.
1
X1 / X1 X2 B( X 1 X 2; )
1 2
Distribución de Poisson (λ)
Ejemplo 13.- El número medio de llamadas telefónicas que se reciben
en una centralita en cada minuto es de 2. Determínese la
probabilidad que se reciban más de 5 llamadas en un minuto.
X Poisson(2)
5
e 2 2i
P( X 5) 1 P( X 5) 1 0,9834 0, 0166
i 0 i!