Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
2
TEMA 3
3
Ya vimos en TEMA 2 que
VARIABLE ALEATORIA ES …
En el siguiente apartado ….
vamos a recordar conceptos del TEMA 1, junto con
su nueva designación
Los nombres son nuevos
Los conceptos no
4
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
5
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
6
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE
UNA VA DISCRETA
PX ( xi ) = P [ X = xi ]
8
Función puntual de probabilidad (VA Discretas)
probabilidad. 30%
monedas. 0%
0 1 2 3
9
La función de cuantía cumple dos propiedades que
se deducen de forma inmediata de los axiomas de la
probabilidad
0 ≤ PX ( xi ) = P [ X = xi ] ≤ 1 ∀i = 1, 2,..., n
∑P (x ) =1
i =1
X i
10
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL 11
12
Función de distribución (V.A.DISCRETA)
Es la función que asocia a cada
valor de una variable, la
probabilidad acumulada
de los valores inferiores o iguales
FX (x) = P [X ≤ x] ∀x ∈
FX ( x ) = ∑ PX ( xi )
xi ≤ x
13
Propiedades
p.1.-Función no negativa y está acotada
0 ≤ FX ( x ) = P [ X ≤ x ] ≤ 1 ∀x ∈
F(+ ∞) = 1
F(+ ∞) = P(-∞<X ≤ ∞)= P(Ω) = 1 lim FX ( x ) = 1
x →∞
F(-∞) = 0
F(- ∞) = P(-∞<X ≤ -∞)= P(∅) = 0 lim FX ( x ) = 0
x →−∞
p.2.- Permite calcular probabilidades de intervalos
P(x< X ≤ x+h)=F(x+h)-F(x)
P(x ≤ X≤ x+h)=F(x+h)-F(x)+P(X=x)
P(x ≤ X < x+h)=F(x+h)-F(x)-P(X= x+h) +P(X=x)
P(x < X< x+h)=F(x+h)-F(x) -P(X = x+h)
14
p.3.-Función siempre monótona no decreciente
FX ( a ) ≤ FX ( b ) ∀a ≤ b ∈
p.4.- Función continua a la derecha
∀a ∈ ⇒ lim+ FX ( x ) = FX ( a )
x →a
Si La función de distribución es continua a la izquierda se dice que es una
función de distribución continua
15
¿Para qué sirve la FUNCIÓN de distribución?
16
Ejemplo:
Experimento consistente en lanzar una moneda cuatro veces consecutivas.
Sea la variable aleatoria X: Número de caras obtenidas. Considerando que la
probabilidad de obtener cara en cada uno de los lanzamientos es ½. Obtener
la función de cuantía y la función de distribución junto con su gráfica
µ r = ∑ (x i − c) P[(ξ = x i )]
r
∀x i
µ r = E[(ξ − c) r ]
19
Momentos respecto del origen C=0
α r = ∑ (x i ) r P[ξ = x i ]
∀x i
α r = E[(ξ) ] r
α0 = 1
α1 : media, valor esperado, esperanza matemática
También se puede representar mediante
E[X], E[ξ] ó µ n
E ( X ) = ∑ xi ⋅ PX ( xi )
i =1
20
Momentos respecto de la media C= µ
m r ∑ = (x i − E[ξ]) r P[ξ = x i ]
∀x i
m r = E[(ξ − E[ξ]) r ]
m0 = 1 m1 = 0 m2 = varianza
Se representa mediante VAR[X], V[ξ] ó σ2
Se llama desviación típica a σ
Var ( X ) = E ( X 2 ) − ( E ( X ) )
2
21
Propiedades DE LA MEDIA
p1.- V[ξ] ≥ 0
p.2.- mínima medida de desviación cuadrática
p.3.- V[k] = 0
p.4.- V[kξ] = k V[ξ]
2
23
Ejemplo:
Experimento consistente en lanzar una moneda cuatro veces consecutivas.
Sea la variable aleatoria X: Número de caras obtenidas. Considerando que la
probabilidad de obtener cara en cada uno de los lanzamientos es ½, calcular
la media y varianza
Valor PX(xi)
0 0.0625
1 0.25
2 0.375
3 0.25
4 0.0625
n
E ( X ) = ∑ x i ⋅ PX ( x i ) = 0 ⋅ 0 .0 6 2 5 + 1 ⋅ 0 .2 5 + 2 ⋅ 0 .3 7 5 + 3 ⋅ 0 .2 5 + 4 ⋅ 0 .0 6 2 5 = 2
i =1
n
Var ( X ) = ∑ ( xi − E ( X ) ) ⋅ PX ( xi ) = ( −2 ) ⋅ 0.0625 + ( −1) ⋅ 0.25 + 02 ⋅ 0.375 + 12 ⋅ 0.25 + 22 ⋅ 0.0625 = 1
2 2 2
i =1
Otras medidas estadísticas …
Ejemplo:
Una empresa está interesada en fabricar un nuevo destornillador eléctrico. Se sabe
que la distribución de probabilidad del número de vueltas para ajustar tornillos de 10
cm es la siguiente:
26
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
27
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
28
3.3. DISTRIBUCIÓN BINOMIAL
Experimentos dicotómicos.
Bernoulli
Geométrica
30
3.3.1. Distribución de Bernoulli
Pruebas de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un experimento sólo son
posibles dos resultados:
X=1 (éxito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)
31
Distribución de Bernoulli
Cuando un experimento tiene las siguientes características
1
E ( X ) = ∑ i ⋅ PX ( i ) = p
i =0
1
Var ( X ) = ∑ ( i − E ( X ) ) ⋅ PX ( i ) = p 2 ⋅ (1 − p ) + (1 − p ) ⋅ p = p ⋅ (1 − p )
2 2
i =0
32
Ejemplo de distribución de Bernoulli.
EJEMPLO:
35
Función de probabilidad
n i n−i
P[ X = i] = p q , 0 ≤ i ≤ n
i
Media: µ =n p
Varianza: σ2 = n p q
E ( n + 1) ⋅ p si ( n + 1) ⋅ p ∉
Mo ( X ) =
( n + 1) ⋅ p y ( n + 1) ⋅ p − 1 si ( n + 1) ⋅ p ∈
36
0.5 0.5
P(x) P(x)
0.4 0.4
0.3 0.3
0.5 0.5
P(x) P(x) x
0.00
0.4 0.4
0 10 20 30 40 50 60 70 80
0.3 0.3
0.2 0.2
n = 80 ; p = 0.1
0.1 0.1
x x
0.15
0.0 0.0 P(x)
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
0.3 0.3
P(x) P(x)
0.05
0.2 0.2
x
0.00
0 10 20 30 40 50 60 70 80
0.1 0.1
x x n = 80 ; p = 0.6
0.0 0.0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
37
n = 20 ; p = 0.2 n = 20 ; p = 0.5
“Parecidos razonables”
Ahí tenéis la comparación entre
valores de p no muy extremos y
una normal de misma media y
desviación típica, para tamaños
de n grandes (n>30).EN TEMA 4
38
Ejemplo:
Un aparato electrónico contiene 40 circuitos integrados.
La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos
son independientes.
El producto funciona sólo si no hay ningún circuito defectuoso
¿Cuál es la probabilidad de que el aparato funcione?
X = número de circuitos defectuosos en los 40 de un aparato
P(X=0)???????????
¿qué distribución sigue X?
EXPERIMENTO: OBSERVAR SI UN CIRCUITO ES DEFECTUOSO O NO
SE REPITE 40 VECES Y SON INDEPENDIENTES
LA PROBABILIDAD DE SER DEFECTUOSO ES CONSTANTE E IGUAL A 0.01
40 X ∼ Bin (40,0.01)
PX ( 0 ) = P [ X = 0] = ⋅ 0.010 ⋅ (1 − 0.01)
40 − 0
= 0.669
0
39
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
40
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
41
3.4. Distribución Geométrica
Cuando un experimento tiene las siguientes características:
X ∼ G (p) X = 1,2,3,….
Y= número de veces que hay que repetir el experimento hasta conseguir el primer éxito
(i ) = P [Y = i ] = (1 − p )
i −1
PY ⋅ p
∞
1
E (Y ) = ∑ i ⋅ PY ( i ) =
i =1 p
∞
1− p
Var (Y ) = ∑ ( i − E (Y ) ) ⋅ PY ( i ) = 2
2
i =1
p
42
0.8 0.5
P(x) P(x)
0.7
0.4
0.6
0.5 0.3
0.4
0.3 0.2
0.2
0.1
0.1 x x
0.0 0.0
1 3 5 7 9 11 13 15 17 19 1 3 5 7 9 11 13 15 17 19
p = 0.8 p = 0.5
0.5 0.5
P(x) P(x)
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
x x
0.0 0.0
1 3 5 7 9 11 13 15 17 19 1 3 5 7 9 11 13 15 17 19
p = 0.2 p = 0.1
43
EJEMPLO:
La probabilidad de que un bit transmitido a través de un canal de
transmisión digital sea recibido como un error es 0.1. si las
transmisiones son independientes
44
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
45
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
46
3.5. Distribución de Poisson
min {n ⋅ p, n ⋅ (1 − p )} < 10
1781-1840
∞
−µ µi Var ( X ) = ∑ ( i − E ( X ) ) ⋅ PX ( i ) = λ
2
P[ X = i ] = e , i = 0,1, 2,... i =0
i!
λ si λ ∉
Mo ( X ) =
λ y λ −1 si λ ∈
47
0 .3 0 .20
P (x ) P (x )
0 .15
0 .2
0 .10
0 .1
0 .05
x x
0 .0 0 .00
0 2 4 6 8 10 12 14 16 18 0 2 4 6 8 10 12 14 16 18
λ=2 λ=8
0 .1 5 0 .1 0
P (x ) P (x )
0 .1 0
0 .0 5
0 .0 5
x x
0 .0 0 0 .0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 35 40 45 50
λ = 15 λ = 30
48
Ejemplo de variables de Poisson
El número de individuos que será atendido un día
cualquiera en el servicio de urgencias del Hospital LA PAZ.
49
EJEMPLO: una fábrica recibe una media de 12
pedidos diarios, de manera que la variable aleatoria X
que representa el número de pedidos en un día al azar
sigue una distribución de Poisson de parámetro 12.
La probabilidad de que la fábrica reciba un número de
pedidos inferior a 15
14 14
λ i ⋅ e−λ
P [ X < 15] = ∑ PX ( i ) = ∑ = 0.7720
i =0 i =0 i!
E ( X ) = Var ( X ) = λ = 12
50
PROCESO DE POISSON
−λt (λ t )i
P [ N (t ) = i ] = e , i = 0,1, 2, ...
i!
El número de ocurrencias de sucesos N(t) en el intervalo de
tiempo (0, t] se rige por una distribución de Poisson
de parámetro λt
51
Ejemplo
El proceso de llegadas de clientes a un puesto de servicio se produce de
manera estable e independiente. Por término medio llega un cliente cada
minuto
¿Cuál es la probabilidad de que no lleguen clientes en 3 minutos?
∼P(λ
X = número de clientes por minuto X∼ λ=1)
∼P(λ
Y = número de clientes en 3 minutos Y∼ λ=3)
−3 30
P [Y = 0 ] = e = e −3
0!
52
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
53
TEMA 3
3.1. INTRODUCCIÓN: RETOMANDO EL CONCEPTO DE
VARIABLE ALEATORIA (VA)
3.2. DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VA DISCRETA
3.3. DISTRIBUCIÓN BINOMIAL
3.4. DISTRIBUCIÓN GEOMÉTRICA
3.5. DISTRIBUCIÓN DE POISSON
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
54
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
56
Si el resultado de un experimento aleatorio se concreta en dos observaciones
simultáneas
57
Si tenemos
variable aleatoria discreta
F(x,y) = ∑ ∑P(X = x ;Y = y )
i j
xi ≤x yj ≤y
∑∑ P
i =1 j=1
ij =1
58
Ejemplo: En una cierta población se definen dos variables discretas: X1= fallo
suministro de energía eléctrica en la línea A y X2= fallo suministro de energía eléctrica en la
línea B, ambas con los valores 0 = no y 1 = sí
X2 0 1
0 0,4 0,1
1 0,3 0,2
59
Distribuciones marginales
∑p
i =1
i• =1 ∑p
j=1
•j =1 PX ( xi ) = ∑ PX ,Y ( xi , y j ) = ∑ P X = xi , Y = y j
j j
PY ( y j ) = ∑ PX ,Y ( xi , y j ) = ∑ P X = xi , Y = y j
i i
60
Ejemplo:
X1
X2 0 1 P.j
61
Distribuciones condicionadas
X = xi P ( X = xi ) ∩ (Y = y j ) PX ,Y ( xi , y j ) pij
PX / Y = y j ( xi ) = P = = =
Y = y
j P Y = y j PY ( y j ) p. j
Y = y j P (Y = y j ) ∩ ( X = xi ) PX ,Y ( xi , y j ) pij
PY / X = xi ( y j ) = P = = =
X = xi P [ X = xi ] PX ( xi ) pi.
62
Ejemplo:
Distribución de probabilidad de la variable aleatoria (X1) condicionada
a que no hay fallo de energía eléctrica en la línea B (X2=0).
X1
P(X1/x2=0)
0 0,4/0,5=0,8
1 0,1/0,5=0,2
63
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
PX ,Y ( xi , y j ) = P X = xi , Y = y j = P [ X = x ] ⋅ P Y = y j = PX ( xi ) ⋅ PY ( y j ) ∀xi , y j
65
3.6. VARIABLES ALEATORIAS DISCRETAS
BIDIMENSIONALES
Cov ( X , Y ) = E ( X ⋅ Y ) − E ( X ) ⋅ E (Y )
67
¿Qué hemos visto?
En VA hay conceptos equivalentes al TEMA 1
Función de probabilidad Frecuencia Relativa
Función de densidad histograma
Función de distribución diagrama Integral.
Valor esperado media, …
VA discretas bidimensionales
68
Finalizado el tema el alumno tiene que
ser capaz de:
69
Finalizado el tema el alumno tiene que
ser capaz de:
70