Documentos de Académico
Documentos de Profesional
Documentos de Cultura
[2020]
MATEMÁTICAS
V. BIBLIOGRAFÍA
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 2
TEMA 6 5: DISTRIBUCIONES DE
PROBABILIDAD DE VARIABLE DISCRETA.
CARACTERÍSTICAS Y TRATAMIENTO. LAS
DISTRIBUCIONES BINIOMIAL Y DE
POISSON. APLICACIONES.
La Estadística en sus orígenes se limitaba fundamentalmente a un
conocimiento de la demografía y de los problemas económicos.
Fue a partir del siglo XVII cuando comenzaron a perfilarse los conceptos
relacionados con las bases y los medios de los estudios estadísticos, transformando
la Estadística en una ciencia susceptible no solamente de describir la realidad, sino
también de modelizarla utilizando métodos básicamente matemáticos.
A principios del siglo XX toda la teoría relacionada con la Estadística y el
Cálculo de Probabilidades se plasmó en una nueva rama: la Estadística Matemática.
El Cálculo de probabilidades se ocupa del estudio de los fenómenos
aleatorios, y busca su modelización matemática.
Un experimento aleatorio se describe a través de su espacio muestral;
asignando y calculando probabilidades a sucesos elementales y compuestos. Si el
espacio muestral es de tipo cuantitativo, parece lógico y necesario definir una
función que asocie a cada resultado o suceso del experimento un número. Esta
función será la llamada variable aleatoria. De esta forma podremos estudiar el
comportamiento aleatorio de los sucesos de un experimento. Este será el objetivo de
las variables aleatorias, y a ellas dedicaremos este tema. Para ello seguiré el índice
ya expuesto.
que Χ es una v.a si y sólo si la imagen inversa por Χ de los intervalos de la forma
( −∞, x] pertenece al σ -álgebra A , ∀ x ∈ ℝ .
▪ Axioma de no negatividad
PΧ (B)=P(Χ −1(B)) ≥ 0 ya que Χ −1(B) ∈ A y P es probabilidad.
∞ −1 ∞ ∞ −1
PΧ ∪ Bi = P Χ ∪ Bi = P ∪ Χ (Bi ) = (*)
i=1 i=1 i=1
Como Χ -1(B1 ),...., Χ -1(Bn ) ∈ A y Χ −1(Bi ) ∩ Χ −1(B j ) ≠ ∅ ∀i ≠ j
∞ ∞
(*)=∑ P(Χ (Bi )) = ∑ PΧ (Bi )
-1
i=1 i=1
de probabilidad de la v.a. Χ .
Sea Χ una v.a. definida en un espacio probabilístico ( Ω, A, P ) . Se define la
es una v.a discreta si existe un conjunto numerable de números reales, E, tal que se
verifique:
P{ Χ∈ E} = P ( {w ∈Ω : Χ(w) ∈ E} ) = 1
Es decir, una v.a. discreta tomará valores a lo sumo un número infinito
numerable de valores reales.
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 5
que la v.a discreta toma cada uno de sus valores se la denomina función masa de
probabilidad.
Propiedades
La sucesión {p i }n∈ℕ que define la función masa de probabilidad de una v.a.
discreta verifica:
1. pi ≥ 0 ∀i ∈ ℕ
∞
2. ∑p = 1
i=1
i
F(x) = P ( {w ∈ Ω : Χ (w) ≤ x} ) = P{ Χ ≤ x} = ∑ pi = ∑ p{ Χ =x i }
xi ≤ x xi ≤ x
Gráficamente:
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 6
∞
E ( Χ ) = ∑ pi x i
i=1
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 7
2.- Si Χ es una v.a. acotada, esto es, ∃a,b ∈ ℝ con P{a ≤ Χ ≤ b} = 1, existe EΧ , y
además a ≤ EΧ ≤ b .
3.- Si Χ ≥ 0 y existe EΧ, entonces EΧ ≥ 0
n n
E ∑ hi ( Χ ) = ∑ Ehi ( Χ )
i=1 i=1
6. Si Χ es una variable y h( Χ ), g( Χ ) son dos transformaciones de Χ tales que
h( Χ ) ≤ g( Χ ) y existen Eh( Χ ) y Eg( Χ ), entonces Eh(Χ ) ≤ Eg(Χ ) .
III.2. MOMENTOS
Sea Χ una variable aleatoria discreta. Para n ∈ ℕ y c ∈ ℝ vamos a
(Χ − c) .
n
considerar las funciones de Χ , Χ
n
y
decir:
∞
mn = EΧ = ∑ pi xin donde pi = P{Χ = xi }
n
i=1
E ( Χ − EΧ ) . A los
n
momento centrado en la media de orden n de la variable Χ :
i=1
VarΧ = E ( Χ − EΧ )
2
VarΧ = EΧ2 − ( EΧ )
2
1.
α α
Consideremos X con α ∈ ℝ + , si existe E X se llamará momento absoluto
de orden α de la v.a. Χ .
A la raíz cuadrada de la varianza se le llama desviación típica y se designa
por σ .
como:
M Χ (t) = E e tΧ
La f.g.m. no tiene por qué estar definida para todos los valores t ∈ ℝ . Sí está
asegurada su existencia cuando la v.a. está acotada.
Su importancia radica en que aporta un nuevo método para el cálculo de
momentos, y que caracteriza de forma única a una distribución de probabilidad, esto
es, dos variables aleatorias con la misma f.g.m. para todos los valores de t
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 9
t nEΧ n n
2. Para todo t ∈] − t 0 ,t 0 [ es M Χ (t) = ∑
i= 0 n!
3. M Χ (t) es derivable y existen sus derivadas de cualquier orden. Además:
d(kM Χ (t)
k
= EΧ k , ∀k ∈ ℕ
dt t =0
Desigualdad básica
Sea Χ una v.a. discreta y h( Χ ) otra v.a, positiva y tal que existe Eh( Χ ) .
≥ ε∑ P {Χ = x} = εP {h( Χ) > ε}
x∈B
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 10
Desigualdad de Markov
+ α
Sea Χ una v.a. discreta y α∈ℝ tal que existe E Χ . Entonces, para todo
K>0 se verifica que:
α
EΧ
P { Χ > K} ≤ α
K
-Dem-
α
Basta hacer h( Χ) = Χ y ε=K α en la desigualdad básica.
Desigualdad de Tchebyschev
Sea Χ una v.a. discreta tal que existe EΧ . (Esto implica que también existe
2
h( Χ) = ( Χ − EΧ )
2
Basta hacer y ε=K 2 en la desigualdad básica.
n
P( Χ = x) = p x (1 − p)n− x para x=1,2,....,n y con 0<p<1 y n ∈ ℕ. Veamos
x
cómo se obtiene:
P(ocurran x éxitos consecutivos y n-x fracasos consecutivos)=
n− x
veces ∩ A) = [P(A) ] P(A) = p x (1 − p )
x n− x
P(A ∩ A ∩ .....x veces.... ∩ A ∩ A ∩ A ∩ ....n−x
La probabilidad de obtener una serie de con x éxitos y n-x fracasos pero en
cualquier otro orden será:
P ( Χ = x ) = p x (1 − p)n− x (nº de ordenaciones de una serie de x éxitos y n-x fracasos)=
n
= p x (1 − p)n−x
x
Veamos que es una verdadera función masa:
a)P ( Χ = x ) > 0
n
n n
b)∑ P ( Χ = x ) = p0 (1 − p)n + ..... + pn (1 − p)0 = ( p + (1 − p) ) = 1n = 1
n
x =0 0 n
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 12
0 si <0
[ x]
[ x]
n
F(x) = P( Χ ≤ x) = ∑ P( Χ = i) = ∑ pi (1 − p)n−i 0 ≤ x<n
i=0 i=0 i
1 si x ≥ n
Para facilitar el cálculo de probabilidades binomiales existen tablas que nos
dan según distintos valores n y p las probabilidades con que la v.a. puede tomar sus
posibles valores.
Existen otras tablas llamadas tablas acumulativas las cuales nos dará para
distintos valores de n y p la función de distribución asociada a cada uno de los
valores posibles de la variable.
Estudiemos algunas de las características de estas variables. Centraremos
nuestra atención al estudio de la media, y la varianza.
Media
Si Χ ∼ B(n,p) , entonces EΧ = np . Veámoslo:
- Dem-
n n
n n
n!
E( Χ ) = ∑ xP( Χ = x) = ∑ x p x (1 − p)n− x =∑ x p x (1 − p)n− x =
x =0 x =0 x x =0 x!(n − x)!
n
n(n − 1)!
∑ x
x =0 x(x − 1)!((n − 1) − (x − 1))!
pp x −1(1 − p)(n−1)−( x−1) =
n
(n − 1)! n − 1 = m
np∑ p x −1(1 − p)(n−1)−( x −1) =
x =1 (x − 1)!((n − 1) − (x − 1))! x −1= y
n
m! n
m
np∑ p y (1 − p)m−y = np∑ p y (1 − p)m−y =
y = 0 y!(m − y)! y =0 y
n
np∑ P{Y = y} siendo Y ≈ B(m,p). Entonces por propiedades de
y =0
n
la binomial se tiene que ∑ P{Y = y} = 1. Con lo que E(X)=np.
y =0
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 13
Varianza
Si Χ ∼ B(n,p) , entonces VarΧ = np(1 − p) .
-Dem-
VarΧ = E( Χ) − ( E( Χ) )
2
Para calcularla aplicaré que
2 n x n
n n
E( Χ)2 =∑ x x p (1 − p) n− x
= [x 2
= x(x − 1) + x] = ∑ x(x − 1) p x (1 − p)n− x + EΧ
x=0 x=0 x
n
n n
n!
= ∑ x(x − 1) p x (1 − p)n− x + np = ∑ x(x − 1) p x (1 − p)n− x
x=2 x x=2 x!(n − x)!
n
n(n − 1)(n − 2)!
∑ x(x − 1) x(x − 1)(x − 2)!(n − x)!p p
x=2
2 x −2
(1 − p)n− x + np =
n
(n − 2)! x −2 = y
n(n − 1)p 2
∑ (x − 2)!(n − x)!p x −2
(1 − p) x −k + np = =
x=2 n − 2 = m
m m
m!
np + n(n − 1)p2 ∑ p y (1 − p)m−y = np + n(n − 1)p2 ∑ P{ Υ = y}
y=0 y!(m − y)! y=0
m
siendo Υ ∼ B(m,p). Entonces ∑ P{ Υ = y} = 1. Entonces E(X 2 ) = np + n(n − 1)p2
y=0
n xn n
n
M Χ (t) = E(e ) = ∑ e p (1 − p) = ∑ ( pe t ) (1 − p)n−x =
tΧ n− x
tx x
x =0 x x =0 x
= [e t p + (1 − p)]n ∀t ∈ ℝ
λx
P( Χ = x) = e −λ con x=0,1,2,,,,, y λ > 0.
x!
Es función masa ya que:
a) P{ Χ = x} > 0
e −λ λ x
∞ ∞
λx ∞
λx
b) ∑ = e ∑ = 1 ya que ∑
−λ
converge a e λ
x=0 x! x=0 x! x=0 x!
0 si x<0
F( Χ) = n −λ λi
∑ e i! si 0 ≤ x
i= 0
Las características más importantes son la media y la varianza.
Calculémoslas:
Media
∞
λ x ∞ −λ λ x ∞
λ x −1
E( Χ) = ∑ xe −λ
= ∑e = e λ∑
−λ
= [y = x − 1] =
x=0 x! x=1 (x − 1)! x=1 (x − 1)!
λy ∞
∞
λy
= e λ∑ = [∑
−λ
converge a e λ ] = λ
y=0 y! y=0 y!
Varianza
Para el cálculo de la varianza aplico que Var( Χ )=E( Χ 2)-(E( Χ ))2.
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 15
e −λ λ x
∞ ∞
e −λ λ x ∞ e −λ λ x
E( Χ ) = ∑ x
2 2
= [x = (x − 1)x + x] = ∑ x(x − 1)
2
+ ∑x =
x =0 x! x =0 x! x =0 x!
∞
e −λ λ x ∞
e −λ λ x ∞
e −λ λ x
∑
x =0
x(x − 1)
x!
+ EX = λ + ∑ x(x − 1)
x =2 x!
=λ+∑
x =2 (x − 2)!
=
∞
λ x −2 ∞
λy ∞
λy
= λ + e −λ λ 2 ∑ = [x − 2 = y] = λ + e −λ λ 2 ∑ = [ ∑ converge a e λ ] =
x =2 (x − 2)! y =0 y! y =0 y!
λ + λ2
Por tanto VarΧ = λ + λ2 − (λ)2 = λ
Veamos cual es la función generatriz de momentos:
( ) ∞ ( e t λ )x
x
e −λ x
λ ∞ ∞ e t
λ
M Χ ( t ) = E e = ∑ ( e )
tΧ
tx
=e ∑
−λ
= ∑
converge a e et λ
x =0 x! x =0 x! x =0 x!
( )
{ }
λ e t −1
=e e −λ e t λ
=e
= exp λ ( e t − 1) ∀t ∈ ℝ
Veamos ahora un teorema que relaciona la distribución de Poisson con la
binomial.
Teorema:
Sea Χ v.a con distribución binomial Χ ∼ B(n,p) . Vamos a tomar límites
e −λ λ x
Limn→∞ ,p→0P{ Χ = x} = para x=0,1,2....
x!
-Dem-
n!
P{ Χ = x} = p x (1 − p)n− x = [Multiplico y divido por nx ] =
x!(n − x)!
n(n − 1)...(n − x + 1) n− x n(n − 1)...(n − x + 1) λ x
= x
(np) (1 − p) = [ λ = np] =
x
x
(1 − p)n− x =
x!n n x!
1 2 x +1
n n −1 n − x +1 λ x 1.(1 − )(1 − )....(1 − ) λx
= ..... (1 − p)n−x = n n n (1 − p)n
n n n x! (1 − p) x
x!
Tema 65: Distribuciones de probabilidad de variable discreta. Características y tratamiento. Las distribuciones Biniomial
y de Poisson. Aplicaciones. 16
y el numerador y el denominador de la fracción tienden a 1.
Por lo que obtengo lo que quería.
De este resultado se deduce que la distribución de Poisson aproxima bien a la
binomial cuando el número de veces que se repite el experimento es muy grande, y
la probabilidad de éxito muy pequeño. En la práctica se ha demostrado que la
aproximación es buena si n ≥ 25 y p ≤ 0,1 .
V. BIBLIOGRAFÍA
■ Castillo Guijarro, I Estadística descriptiva y Cálculo de probabilidades. Madrid. Pea, 2006.
■ López Cachero, M. Fundamentos y métodos de la Estadística. Madrid. Ed. Pirámide
■ Maldonado Jurado, J,A, y otros. Curso básico de Probabilidad. Copicentro Editorial,
Universidad de Granada 2007.