Probabilidad y

Estadísticas (ININ 4010)

07 -Variables Discretas y sus
Distribuciones de Probabilidad
Héctor J. Carlo
 Temas para hoy…
Hoy discutiremos la variables aleatorias discretas y
sus distribuciones de probabilidad:
 I. Variable Aleatoria Discreta (repaso)

 II. Distribución de Probabilidades para

Distribuciones Aleatorias Discretas
 “Probability mass function”
 “Cumulative distribution function”
 III. Valor Esperado de Variables Aleatorias
Discretas
 Valor Esperado
 Varianza
I. Variable Aleatoria Discreta

 Definición: Una variable aleatoria discreta

(“Discrete Random Variable”) toma valores
íntegros.
 Ejemplo: Si X es la variable aleatoria (“Random
Variable”) (rv) que define el número de veces que
podemos sacar cruz al tirar una moneda tres
veces.
 Ejemplo de la Gasolinera
 Dos Puestos de gasolina P1 y P2
 P1 tiene 6 bombas
 P2 tiene 4 bombas
 Posibles variables aleatorias:
 T = # Total de bombas en uso (P1 + P2)
 X = diferencia entre el número de bombas usadas (P1 - P2)
 U = # máximo de bombas usadas
 Z = # de estaciones con exactamente 2 bombas en uso
 Para problemas probabilísticos tenemos que
definir las variables aleatorias y sus posibles
resultados
Distribuciones de Probabilidad
 Describimos cómo las probabilidades se
distribuyen entre los posibles resultados de
una variable aleatoria usando:
 “probability mass function, pmf”
 “probability density function, pdf”
Probability Distribution Cumulative Distribution
prob mass function
Discrete
(pmf) cumulative distribution
prob density function function (cdf)
Continuous
(pdf)
II. Distribución de Probabilidades
para variables aleatorias discretas

• El pmf de una variable aleatoria discreta

está definida para cada número x por:
f ( x ) = P( X = x ) = P(∀s ∈ S : X (s ) = x )
sujeto a : f (x ) ≥ 0, ∑ f (x ) = 1

• En otras palabras: para cada valor x de una

variable aleatoria, el pmf especifica la
probabilidad de observar ese valor
 Ejemplo: pmf
 El espacio muestral de un experimento
aleatorio es S = {a,b,c,d,e,f}, donde cada
elemento es igualmente probable. La variable
aleatoria X es definida como sigue:
a b c d e f
x 0 0 1 1 2 3

 Determine el pmf de X:
 Ejercicio: pmf
 Considere un grupo de cinco donantes de
sangre {A,B,C,D,E}. Sólo A y B son de tipo
O+. Si tomamos una muestra de sangre de
cada individuo (aleatoriamente), Y es el # de
muestras necesarias para identificar una
muestra de tipo O+. Defina el pmf de Y.
 S(Y) =
 f(1)=
 f(2) =
 Distribución Acumulada
 La distribución acumulada (“cumulative
distribution function”) (cdf) F(x) de una variable
aleatoria discreta X es definida como sigue:
F (x ) = P( X ≤ x ) = ∑ f (y)
y: y ≤ x

 Ejemplo: Determine el cdf de Y si el pmf es:

y 1 2 3 4
f(y) 0.4 0.3 0.2 0.1
 Ejercicio
 Dado el cdf, ¿cuál es el pmf?
F(0) = 0.58, F(1) = 0.72, F(2) = 0.76, F(3) = 0.81, F(4) = 0.88,
F(5) = 0.94, F(6) = 1.0

P(X=1) = ?

P(X=3) =
P(X>3) =
P(2≤X≤5) =
 Gráficamente
 Dado el cdf, ¿cuál es el pmf?
F(0) = 0.58, F(1) = 0.72, F(2) = 0.76, F(3) = 0.81, F(4) =
0.88, F(5) = 0.94, F(6) = 1.0
1.0
0.94
0.88
0.81
0.76
0.72

0.58

0 1 2 3 4 5 6
III. Valor esperado de distribuciones
aleatorias discretas

 El valor esperado o esperaza matemática

(“expected value” o “mean value”) de una
variable aleatoria discreta X es definida como
sigue:
E ( X ) = µ X = ∑ x ⋅ f (x )
x∈S
 Ejercicio
 Si X es una variable aleatoria discreta
representando el # de bits que resultan en error
durante una transmisión digital. Supongamos que X
puede tomar los valores entre 0 y 4. El pmf es el
siguiente:
x 0 1 2 3 4
f(x) 0.6561 0.2916 0.0486 0.0036 0.0001

 E(X) = ?
 Valor Esperado de una
Función
 En general, si X es una variable aleatoria
discreta, podemos calcular el valor esperado
de cualquier función h(X) como sigue:

E [h( X )] = ∑ h( x ) ⋅ f ( x )
x
 Ejercicio
 Si X = el resultado de tirar un dado justo (“fair
die”)
 Hay dos tipos de apuesta:
 No tire el dado y le pagan $1/3.5 ($0.286)
 Tire el dado y le pagan h(X)=$1/X, donde X es el
resultado de el lanzamiento.
 ¿Debe tirar el dado?
E(h(X)) =
 Reglas de los Valores
Esperados
 Dos reglas importantes para los valores
esperados son:
E (aX ) = a ⋅ E ( X )
E (aX ) = ∑ ax ⋅ f (x ) = a ∑ x ⋅ f (x ) = a ⋅ E ( X )
E( X + b) = E( X ) + b
E ( X + b ) = ∑ (x + b ) ⋅ f (x ) = ∑ x ⋅ f (x ) + b∑ f (x )
E(X + b) = E(X ) + b
Donde a y b son constantes y X es la variable
aleatoria
 Varianza de una variable
discreta
 La varianza de una variable discreta X es definida
como:
V (X ) = σ 2
X [
= ∑ (x − µ ) ⋅ f (x ) = E ( X − µ ) 2
2
]
x

 También se puede escribir como:

 
V (X ) = σ 2
X
2 2 2
( )
= ∑ x ⋅ f (x ) − µ = E X − [E ( X )]
2

 x 
 La desviación estándar de X es: σX = σ 2
X
 Reglas de la Varianza
 Dos reglas importantes de la varianza:

V (aX ) = a 2 ⋅ V ( X ) ⇒ σ aX = a ⋅ σ X
V ( X + b ) = V ( X ) ⇒ σ X +b = σ X
 Varianza de una función h(X):

V [h( X )] = ∑ {h( x ) − E [h( x )]} ⋅ f (x )

2

Donde a y b son constantes y X es la variable

aleatoria
 Ejercicio
 Una tienda de computadoras compra 3
computadoras a $500 cada una para venderlas
a $1000. El manufacturero esta dispuesto a re-
comprar las computadoras después de un
periodo de tiempo por $200 cada una. Si X es
el número de computadoras vendidas al final
del periodo.
𝑥𝑥 0 1 2 3 E(ganancia) = ?
𝑓𝑓(𝑥𝑥) 0.1 0.2 0.3 0.4 V(ganancia) = ?
 Ejercicio (cont.)
 compra 3 computadoras a $500 cada una
 Las vende a $1000
 Las que no vende, recibe $200 por cada una
𝑥𝑥 0 1 2 3
 X = # de computadoras vendidas
𝑓𝑓(𝑥𝑥) 0.1 0.2 0.3 0.4
 Ejercicio (cont.)
 compra 3 computadoras a $500 cada una
 Las vende a $1000
 Las que no vende, recibe $200 por cada una
 X = # de computadoras vendidas
𝑥𝑥 0 1 2 3
 V[h(X)] = ?
𝑓𝑓(𝑥𝑥) 0.1 0.2 0.3 0.4
 Momentos con respecto al
promedio
 Promedio (primer momento) E(X)

 Varianza (segundo momento) σ2=E[(X-µ)2]

 Skewness (tercer momento) σ3=E[(X-µ)3]

 Kurtosis (cuarto momento) σ4=E[(X-µ)4]

 Resumen de Conceptos
 Una variable aleatoria discreta puede asumir el valor
de los números íntegros
 Las variables aleatorias Bernoulli son 0 ó 1
 La distribución de probabilidad de una variable
aleatoria nos da la probabilidad de observar cada
evento
 Para variables aleatorias discretas utilizamos el pmf
 Para una variable aleatoria podemos calcular la
función de probabilidad acumulativa (cdf), el valor
esperado y la varianza (hoy sólo vimos las discretas)