Tema 4
Tema 4
VARIABLE ALEATORIA
DISCRETA.
PRINCIPALES
DISTRIBUCIONES
Tema 4
La v.a.d., X, queda caracterizada por la funcin de probabilidad, f(x) = P(X = x), y por la funcin
de distribucin, F(x) = P(X x).
Tema 4
y que verifica:
(i) 0 f(xi) 1
(ii) f(xi) = 1
i=1, ..,
Si xi no es uno de los valores que puede tomar X, entonces f(xi)=0. Grficamente se representa
mediante un diagrama de barras anlogo al de distribucin de frecuencias relativas para
variables discretas.
X
f(xi)
0
0,25
1
0,50
f (x)
Tema 4
Sea (, (), P) un espacio de probabilidad, X v. a. d., {xi}i=1.. los valores que toma y {pi}i=1..
la funcin de probabilidad de X. Se llama funcin de distribucin (acumulativa) de la v.a.d.
X, F(x), a la probabilidad de que X sea menor o igual que x; es decir:
F: N [0, 1]
xi F(xi) = P(X xi) = P[{ t.q. X() xi]
F(xi) = P(X xi) =
x j xi
f (x j )
k i
f ( xk )
X
F(xi)
0
0,25
1
0,75
F (x)
Tema 4
E( X ) =
i= 1
xi f ( x i )
i= 1
g ( xi ) f ( xi )
Var [ X ] = E ( X E [ X ] )
]=
( xi E[ X ] ) 2
f ( xi )
La raz cuadrada positiva de la varianza se llama desviacin tpica y se denota con . Tanto la
varianza como la desviacin tpica miden la dispersin de la v.a. respecto a su media.
Observaciones:
- La varianza y la desviacin tpica son cantidades positivas.
- La desviacin tpica est medida en las mismas unidades que la v.a.
Propiedades de la varianza:
(i) Si C es una constante, Var(C)=0
(ii) Var(X) = E(X2) - E2(X)
(iii) Si a y b son constantes: Var(aX + b) = a2 Var(X)
Tema 4
Tema 4
donde
" k " es el nmero de aciertos
" n" es el nmero de ensayos.
Tema 4
Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una
moneda.
No siempre es necesario aplicar la frmula para obtener la funcin de probabilidad asociada a
un valor de la variable. Existen tablas donde se puede consultar el valor de f (xi). La tabla de la
Binomial tiene la siguiente estructura:
Tema 4
donde:
p(x=k) = probabilidad de que ocurran k xitos cuando el nmero promedio de ocurrencia de
ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
E(X)=
Var(X)=
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente
de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto
es independiente de otro producto dado. En estas condiciones el proceso de Poisson, que mide
el nmero de xitos en un intervalo de tiempo t, en lugar de por unidad de tiempo, vendra dado
por
Tema 4
p( x = 4, = 6 ) =
b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das
consecutivos = 0, 1, 2, 3, ......, etc
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar
de lo mismo que x.
p( x = 10, = 12 ) =
Ejemplo:
En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2
imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una
imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una
imperfeccin en 15 minutos.
a)
x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ...., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
p( x = 1, = 0.6 ) =
b)
x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3, ...., etc
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata
( 1 )0 ( 2.718 ) 1 ( 1 )( 2.718 ) 1
=
p( x = 2 ,3,4 ,etc .... = 1 ) = 1 p( x = 0 ,1, = 1 ) = 1
+
0!
1!
=1-(0.367918+0.367918) = 0.26416
10
Tema 4
c)
x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, ....., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
p( x = 0,1, = 3 ) = p( x = 0, = 3 ) + p( x = 1, = 3 ) =
11
Tema 4
Ejemplo:
Una va de una ciudad tiene seis cruces regulados por semforos. La probabilidad de que al
pasar un vehculo un semforo est verde es de 0.60. Cul es la probabilidad de atravesar
dicha va en verde, encontrndose rojo solamente el ltimo semforo? Se supone que la
regulacin de los semforos es tal que estos son independientes entre s.
X = n de semforos que debemos atravesar hasta encontrar el primero rojo
X G(0.4)
P(X=6) = 0.65 0.4 = 0.0311
12
Tema 4
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con
experimentos similares:
Ejemplo:
En una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul es la
probabilidad de que las 3 sean solteras?
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es
tan slo del 1,75%.
Distribucin Multinomial
La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que en
lugar de dos posibles resultados en cada ensayo, puede haber mltiples resultados:
La distribucin multinomial sigue el siguiente modelo:
con n= x1+x2+x3+
13
Tema 4
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces
n: indica el nmero de veces que se ha repetido el experimento
n!: es factorial de n
p1: es la probabilidad del suceso X1
Ejemplo:
En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italianos y el
10% portugueses. En un pequeo grupo se han reunido 4 invitados: cual es la probabilidad de
que 2 sean espaoles y 2 italianos?
Aplicamos el modelo:
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases es tan
slo del 3,84%.
Distribucion Multihipergeomtrica
La distribucin multihipergeomtrica es similar a la distribucin hipergeomtrica, con la
diferencia de que en lugar de dos posibles resultados en cada ensayo, puede haber mltiples
resultados (en la urna, en lugar de haber nicamente bolas de dos colores, hay bolas de
diferentes colores).
La distribucin multihipergeomtrica sigue el siguiente modelo:
siendo n = x1 + x2 + x3 + . Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces
N1: indica el nmero de elementos del tipo X1 que existen
N: es el nmero total de elementos que existen
n: es el nmero total de elementos que se extraen
Ejemplo:
En una caja de lpices hay 10 de color amarillo, 3 de color azul y 4 de color rojo. Se extraen 7
lpices, cual es la probabilidad de que 5 sean amarillos y 2 rojos?
Aplicamos el modelo:
14
Tema 4
Luego
P = 0,0777
Por lo tanto, la probabilidad de que los 5 lpices sean de los colores indicados es del 7,77%.
15