Modelos de variables aleatorias discretas

TEMA 3
MODELOS DE VARIABLES
ALEATORIAS DISCRETAS
ÍNDICE
1. Introducción.
2. Distribución de Bernoulli.
3. Distribución Binomial.
4. Distribución de Poisson.
5. Distribución Geométrica o de Pascal.
6. Distribución Binomial Negativa.
7. Distribución Hipergeométrica.
1. Introducción
o En capítulos anteriores hemos estudiado las vvaa y sus
distribuciones de probabilidad. En este y el siguiente, vamos a
describir familias específicas de distribuciones de probabilidad
que aparecen con cierta frecuencia en el mundo real.
o Las familias de distribuciones de probabilidad presentan
ciertas características por las cuales pueden ser reconocidas.
o En este capítulo estudiaremos los modelos matemáticos más
usuales de vvaa de tipo discreto. Obteniendo su función de
probabilidad, función generatriz de momentos y sus
parámetros más representativos (esperanza y varianza).
o Sin embargo, no se estudiaran los métodos estadísticos para
determinar el modelo matemático que mejor se ajusta a los
datos observados.
Prof. Francisco Martínez Sánchez 3
2. Bernoulli
o Experimento aleatorio de Bernoulli aquel que da lugar
únicamente a dos posibles resultados: suceso éxito, A, y
suceso fracaso, A. Estos son mutuamente excluyentes,
AA=, y exhaustivos, AA=.
o Ejemplos: un penalti llega a ser gol o no, un tiro libre se
encesta o no, un producto es defectuoso o no, un cliente
compra un producto o no,…
o La v.a. de Bernoulli X muestra los resultados del experimento y
la definimos como el número de éxitos en el experimento.
X  número de éxitos en el experimento de Bernoulli.
0 si ocurre el suceso A
X
 1 si ocurre el suceso A
2. Bernoulli
o Si designamos por p la probabilidad del suceso éxito A, la
probabilidad del suceso fracaso será 1−p. Por tanto, la función
de probabilidad es:
P(X  1)  P(éxito)  P(A)  p
P(X  0)  P(fracaso)  P(A)  1  P(A)  1  p  q
o También se expresa como: P(X=x) = px(1−p)1−x, donde x=0,1.

P(X  0)  P(fracaso)  p0 (1  p)10  (1  p)1  1  p
P(X  1)  P(éxito)  p1(1  p)0  p

o A esta variable la denominamos va de Bernoulli, con
probabilidad de éxito p, y se representa por Xb(p).
o El símbolo “” indica “se distribuye”. Por tanto, Xb(p) se lee
“X se distribuye como una Bernoulli con parámetro p”.
2. Bernoulli
CARACTERÍSTICAS DE Xb(p)
o Función de distribución:
 0 x0

F(x)  P(X  x)  1  p 0  x  1
 1 x 1

o E[X]  0  (1  p)  1 p  p
o Var[X]  E  X2   E[X] 2  p  p2  p(1  p)
E[X2 ]  02  (1  p)  12  p  p
o Función generatriz de momentos:
1
 X (t)  E etX    P(X  x)etx  (1  p)  et 0  p  et 1  1  p  pet t  
x 0
Media Varianza
Ley de probabilidad Función de probabilidad Parámetros
E[X] Var[X]
Xb(p) px(1−p)1−x, donde x=0,1 0 < p < 1 p p(1−p)

3. Binomial
o Consideremos que repetimos, en las mismas condiciones, n
veces un experimento aleatorio de Bernoulli, donde el suceso
de interés A (éxito) ocurre con probabilidad p y el suceso
fracaso (A) ocurre con probabilidad 1−p.
o La v.a. Binomial X se define como:
X  Número de éxitos en n realizaciones independientes de un
experimento de Bernoulli, independientemente del orden en que ocurran
éxitos y fracasos.
o La función de probabilidad se obtiene a partir de los
siguientes supuestos:
1)Las repeticiones o realizaciones son independientes.
2)La probabilidad de éxito se mantiene constante en cada repetición.
o Ejemplos: número de goles de penalti, nº de tiros libres
anotados, nº de productos defectuosos, nº de ventas…
3. Binomial
o X puede tomar cualquiera de los valores 0,1,2…,n.
o Supongamos que en las n repeticiones se han obtenido x éxitos
y, por tanto, n─x fracasos.
o Dado que las repeticiones son independientes, tenemos que la
probabilidad de que las x primeras repeticiones sean un éxito y
las últimas un fracaso es: P(X=x) = px(1−p)n−x, donde x=0,1,2…,n.
o Existen varias secuencias de éxitos y fracasos que contienen x
éxitos y n─x fracasos, pero todas con la misma probabilidad. El
número de secuencias con x éxitos y n─x fracasos es:
n n!
 
 x  x!  n  x  !
o Por tanto, la función de probabilidad es:
n
P(X  x)    p x (1  p)n x ; x  0,1,2,...,n
x
3. Binomial
o A esta variable la denominamos va Binomial, con parámetros
n y p, y se representa por XB(n,p), donde n representa el
número de repeticiones y p la probabilidad de éxito en cada
repetición.
o Es una función de probabilidad.
n n
n
 P(X  x)    x  p (1  p) x n x
 (p  1  p)n  1n  1
x 0 x 0   a  p; b  1  p
n
n
Formula binomio de Newton: (a  b)n     ak bnk
k k 0  
o Sea XB(n,p). Entonces, si Y=n─X, tenemos YB(n,1─p), donde
P(X  x) = P(Y  n ─ x), x=0,1,2…,n. X+Y=n.
o Si n=1, una va. binomial representa el número de éxitos en
una repetición y, por tanto, es una Bernoulli. B(1,p)  b(p).
3. Binomial
CARACTERÍSTICAS DE XB(n,p)
x x
n
F(x)  P(X  x)   P(X  k)     pk (1  p)nk ; x  0,1,2,...,n
k 0 k 0  k 
o Función generatriz de momentos: (t)  E etX   (1  p  pet )n
o Media: E(X)  np
o Varianza: Var(X)  np(1  p)
Media Varianza
E[X] Var[X]
n n = 1,2,…
XB(n,p) P(X  x)    p x (1  p)n x ; x  0,1,2,...,n np np(1−p)
x 0 < p < 1
3. Binomial
o Teorema 3.1 Sean X1,X2,…,Xn variables aleatorias
independientes n distribuidas según una Bernoulli Xib(p).
Entonces, X   Xi  B(n,p) .
i 1
o Teorema 3.2 Sea XB(n,p). Entonces, existen X1,X2,…,Xn

variables
n
aleatorias independientes tales que Xib(p) i=1,2,…,n
y X   Xi .
i 1
o Teorema 3.3 Sean X1,X2,…,Xm variables aleatorias

independientes, distribuidas según una binomial XiB(ni,p),
i=1,2,…,m. Entonces,
m
 m 
X   Xi  B   ni ,p 
i 1  i1 
3. Binomial
o Del Teorema 3.3, deducimos que la variable aleatoria binomial
es reproductiva respecto al parámetro n, con p constante. Es
decir, la suma de vvaa binomiales independientes es también
binomial.
X1 ~ B(n1,p) 
X2 ~ B(n2 ,p) 

   X1  X2    Xm ~ B(n1  n2    nm ,p)

Xm ~ B(nm ,p)  MISMO
 MODELO
Independientes 
3. Binomial
Ejemplo I Una empleada de una empresa de telemarketing
dispone de un listado de clientes potenciales de un determinado
producto. Si la probabilidad de que dicha empleada realice una
venta telefónica es 0,15, determine:
X  número de ventas realizadas en 20 llamadas. XB(n=20,p=0,15)
1. La probabilidad de que en 20 llamadas realice dos ventas.
 20 
P  X  2     0,152  0,8518  P  X  2   P  X  1  0,2293 TABLAS
 2     
TABLAS TABLAS
0,4049 0,1756
2. La probabilidad de que en 20 llamadas realice más de 7 ventas.

P  X  7   1  P  X  7   1  0,9941  0,0059 TABLAS
3. Número medio de ventas cuando se realizan 20 llamadas.

E  X   np  20  0,15  3 ventas 13
Prof. Francisco Martínez Sánchez
3. Binomial
QUINIELA ALEATORIA
Ejemplo II Si un jugador hace la quiniela aleatoriamente, calcule:
X  número de aciertos en la quiniela. XB(n=14,p=1/3)
1. La probabilidad de acertar 14 partidos.
14 0
 14   1   2  1
P  X  14           14  0
 14   3   3  3
2. La probabilidad de obtener un premio.
P  X  10   1  P  X  10   1  P  X  9   1  0,9959605  0,004039541
3. Número medio de aciertos.

1 14
E  X   np  14    4,67 aciertos
3 3
14
3. Binomial
QUINIELA ALEATORIA
Función de probabilidad de XB(n=14,p=1/3)
barplot(dbinom(0:14,14,1/3), ylim = c(0,0.25), names.arg = c(0:14))

15
4. Poisson
o La distribución binomial permite encontrar la probabilidad de
obtener k éxitos en n intentos (soporte discreto). Sin
embargo, es posible que un suceso ocurra o no sobre un
soporte continuo:
 soporte temporal: recibir o no una llamada entre las tres y las cuatro,
número de llegadas a un parking en un tiempo determinado, número
de accidentes por semana, ventas diarias, el número de goles en un
partido de fútbol,…
 soporte espacial: impactos de bomba en Londres, el número de
erratas por página,…
o Definimos la v.a. Poisson X como el número de sucesos
independientes ocurridos en un intervalo de tiempo o región,
y se representa por XP(), donde >0 representa el número
medio de sucesos en dicho intervalo.
o La función de probabilidad es: P(X  x)  e  ; x  0,1,2,...
x
x!
4. Poisson
SUPUESTOS
o Dado un intervalo los suficientemente pequeño, de longitud
h, se cumple:
1. La probabilidad de que ocurra un solo suceso en el intervalo es
aproximadamente h, la cual es proporcional a la longitud del
intervalo, y no depende del número de sucesos que se produzcan
fuera de dicho intervalo.
2. La probabilidad de que ocurra más de un suceso en el intervalo es
prácticamente nula.
3. El número de sucesos que ocurren en un intervalo son independientes
del número de sucesos que ocurren en cualquier otro intervalo.
4. El promedio de sucesos en dicho intervalo, , es constante.
4. Poisson
CARACTERÍSTICAS DE XP()
x 
o P(X  x)  e 
; x  0,1,2,...   P(X  x)  1
x! x 0
x x
k x
k
F(x)  P(X  x)   P(X  k)   e 
e 

k 0 k 0 k! k  0 k!

t
(t)  E etX   e (e 1)
Media Varianza
E[X] Var[X]
 x
XP() P(X  x)  e ; x  0,1,2,...  > 0  
x!
4. Poisson
independientes tales que XiP(i) i=1,2,…,n . Entonces,
n
 n 
X   Xi  P    i 
i 1  i1 
o Del Teorema 3.4, deducimos que la variable aleatoria de

Poisson es reproductiva respecto al parámetro . Es decir, la
suma de vvaa de Poisson se distribuye también como una
Poisson.
X1 ~ P  1  

X2 ~ P   2  

   X1  X2    Xn ~ P  1  

 2    n 

Xn ~ P   n   MISMO
 MODELO
Independientes 
4. Poisson
o Aproximación asintótica de la Binomial mediante la
distribución de Poisson cuando n es grande y p pequeño. En
concreto, para np  10, n  30 y p < 0,1.
B(n,p) P(=np)
4. Poisson
Ejemplo III El número de accidentes por semana en una fábrica
sigue una distribución de Poisson de parámetro =2.
X  número de accidentes por semana. XP(=2)
1. Halle la probabilidad de que en una semana no ocurran más de 3
accidentes.
P  X  3   P  X  0   P  X  1  P  X  2   P  X  3   0,8571 TABLAS
2. Los accidentes son independientes de una semana a otra. Halle la

probabilidad de que en dos semanas ocurran 5 accidentes.
X1  número de accidentes en la primera semana. X1  P(=2)
X2  número de accidentes en la segunda semana. X2  P(=2)
X1+ X2P(=4) TABLAS
P(X1+ X2 =5) = 0,1563
5. Geométrica o de Pascal
o Consideremos sucesivas repeticiones, en las mismas
condiciones, de un experimento aleatorio de Bernoulli, donde
el suceso de interés A (éxito) ocurre con probabilidad p y no
ocurre con probabilidad 1−p. Al igual que en la binomial,
supongamos:
1) Las repeticiones o realizaciones son independientes.
2) La probabilidad de éxito se mantiene constante en cada repetición.
o La v.a. Geométrica X de parámetro p se define como:
X  Número de fracasos antes de obtener el primer éxito en
las sucesivas repeticiones.
─ Se representa por XG(p).
─ El experimento se repite hasta que se obtenga el primer éxito.
─ El rango de X es {0,1,2,…}.
o Función de probabilidad: P(X=x)=p(1─p)x, x=0,1,2,….
CARACTERÍSTICAS DE XG(p)

o P(X  x)  p(1  p) ; x  0,1,2,...   P(X  x)  1
x
x 0
F(x)  P(X  x)  1  P(X  x)  1  (1  p)x 1

p
 X (t)  E etX   t   ln(1  p)
1  (1  p)et
Media Varianza
E[X] Var[X]
1 p 1 p
XG(p) P(X  x)  p(1  p)x ; x  0,1,2,... 0 < p < 1
p p2
o Otra definición alternativa de una v.a. Geométrica de
parámetro p es:
Y  Número de repeticiones (o ensayos) necesarios para
obtener el primer éxito.
─ El rango de Y es {1,2,3,…}. Notar que Y=X+1.
o Función de probabilidad: P(Y=y)=p(1─p)y‐1, y=1,2,3,….

 P(Y  y)  1
y 1
y
o Función de distribución: F(y)  P(Y  y)   P(Y  k)  1  (1  p)y

k 0
pe t
o Función generatriz de momentos: Y (t)  t   ln(1  p)
1  (1  p)e t
o Esperanza y varianza de Y =X+1, donde XG(p):
1 1 p
E[Y]  Var[Y] 
p p2
CARACTERÍSTICAS DE XG(p)
o Teorema 3.5: Falta de memoria Sea XG(p). Si m y n son dos
números enteros positivos. Entonces,
P(X  m  n X  m)  P(X  n)  (1  p)n
o La distribución Geométrica es la única distribución de tipo
discreto que tiene la propiedad de falta de memoria, la cual
quiere decir que no influye la ocurrencia de los m primeros
sucesos.
o La distribución Geométrica no es reproductiva porque la
función generatriz de la suma de variables aleatorias
geométricas independientes no es la de una va Geométrica.
o Ejemplo IV Una maquina fabrica tornillos con una
probabilidad de que cada tornillo sea defectuoso de 0,01. Los
tornillos fabricados son defectuosos o no
independientemente de los demás tornillos. Calcular:
a) Probabilidad de que el primer tornillo defectuoso fabricado sea el
que hace 50.
b) Si en la fabricación de cada tornillo se tardan 2 segundos, ¿Cuánto
tiempo por término medio se debe esperar, hasta que el primer
tornillo defectuoso sea fabricado?
c) Probabilidad de que al menos los diez primeros tornillos fabricados
sean todos correctos.
d) Desviación típica del número de tornillos correctos fabricados antes
del primer tornillo defectuoso.
6. Binomial Negativa
o Al igual que la geométrica, consideremos sucesivas
repeticiones, en las mismas condiciones, de un experimento
aleatorio de Bernoulli, donde el éxito ocurre con probabilidad
p y no ocurre con probabilidad 1−p. Supongamos:
1) Las repeticiones o realizaciones son independientes.
2) La probabilidad de éxito se mantiene constante en cada repetición.
o La v.a. Binomial Negativa X de parámetros r y p se define:
X  Número de fracasos antes de obtener el r‐ésimo éxito en
las sucesivas repeticiones.
─ El experimento se repite hasta que se han obtenido r éxitos.
─ El rango de X es {0,1,2,…}.
o Supongamos que en x+r repeticiones se han obtenido r éxitos y,
por tanto, x fracasos. Dado que las repeticiones son
independientes, la probabilidad de una secuencia de este tipo
es: P(X=x) = pr(1−p)x, donde x=0,1,2,…
o Notar que en la última repetición se debe obtener el éxito
número r. Por tanto, el número de secuencias con x fracasos
entre x+r‐1 repeticiones es:
 x  r  1 (x  r  1)!
 
 x  x!  r  1 !
o Por tanto, la función de probabilidad es:
 x  r  1 r
P(X  x)    p (1  p) ; x  0,1,2,...
x
 x 
o A esta variable la denominamos Binomial Negativa, con
parámetros r y p, y se representa por XBN(r,p), donde r
representa el número de éxitos y p la probabilidad de éxito en
cada repetición.
o La distribución binomial negativa es una generalización de la
distribución geométrica.
─ Cuando r=1, X representa el número de fracasos antes del primer
éxito. Por tanto, BN(1,p)G(p).
CARACTERÍSTICAS DE XBN(r,p)
r
 p 
 X (t)  E e   
tX
t 
t   ln(1  p)
 1  (1  p)e 
Media Varianza
E[X] Var[X]
 x  r  1 r r=1,2,… r(1  p) r(1  p)

XBN(r,p) P(X  x)    p (1  p) ; x  0,1,2,...
x
 x  0 < p < 1 p p2
CARACTERÍSTICAS DE XBN(r,p)
independientes tales que XiBN(ri,p) i=1,2,…,n . Entonces,
n
 n 
X   Xi  BN   ri ,p 
i 1  i1 

independientes tales que XiG(p) i=1,2,…,n . Entonces,
n
X   Xi  BN  n,p 
i 1
o De los teoremas 3.5 y 3.6, deducimos que la variable aleatoria

Binomial Negativa es reproductiva respecto al parámetro r,
pero la Geométricas no lo es.
o Otra definición alternativa es:
Y  Número de repeticiones (o ensayos) necesarios para
obtener el r‐ésimo éxito.
─ El rango de Y es {r, r+1, r+2, r+3,…}. Notar que Y=X+r.
o Función de probabilidad:
 y  1 r y r
P(Y  y)    p (1  p) ; y  r,r  1,r  2,...
 y  r 
r
 pet 
Y (t)  E e   E e
tY tX  tr
   t 
t   ln(1  p)
 1  (1  p)e 
o Esperanza y varianza de Y=X+r, donde XBN(r,p).

r r(1  p)
E[Y]  Var[Y] 
p p2
o Ejemplo V En un departamento de control de calidad se
inspeccionan las unidades terminadas de un producto. Se
supone que la proporción de unidades defectuosas es de 0,05.
Calcule:
a) La probabilidad de que la vigésima unidad inspeccionada sea la
segunda que se encuentre defectuosa.
b) Número de unidades que se deben inspeccionar, en término medio,
hasta encontrar cuatro defectuosas.
c) La desviación típica del número de unidades que se deben
inspeccionar hasta encontrar cuatro defectuosas.
o Ejemplo VI (R4.10) La probabilidad de un lanzamiento con
éxito es 0,8. Supongamos que se realizan sucesivos ensayos
hasta obtener el tercer éxito. ¿Cuál es la probabilidad de que
sean necesarios menos de 6 intentos?
RELACIÓN ENTRE X E Y, DONDE XBN(R,P) E YB(x+r,p)
o X  x indica que como mucho es necesario obtener x fracasos
antes del r‐ésimo éxito. Esto equivale a decir que en x+r
experimentos han ocurrido al menos r éxitos.
P(X  x)=P(Y  r)
o Ejemplo VII Para realizar un experimento, un científico
necesita 6 monos afectados con cierta enfermedad, cuya
incidencia entre los monos es del 30%. Calcule:
a) El número medio de monos examinados.
b) Probabilidad de que tenga que examinar al menos a 21 monos.
7. Hipergeométrica
o N  número de elementos en una población.
o M  número de elementos de la población que poseen una
característica de interés.
o De la población anterior de N elementos, se extrae una
muestra aleatoria de tamaño n.
o Vamos a estudiar el número de elementos en la muestra que
poseen la característica de interés.
1) Llamamos éxito cuando un elemento en la muestra posee la
característica de interés.
2) X  Número de éxitos obtenidos en la muestra de tamaño n.
o La muestra aleatoria es sin reemplazo (o sin devolución). Por
tanto, los elementos no se devuelven a la población una vez
extraídos, lo que implica que la probabilidad de éxito no es la
misma en cada extracción y las extracciones son dependientes.
7. Hipergeométrica
FUNCIÓN DE PROBABILIDAD DE X
N
o  
n  número de muestras distintas de tamaño n que se pueden
extraer de una población de tamaño N.
o x  número de elementos de la muestra que poseen la
característica de interés (éxitos) entre los M de la población.
M
o    número de formas de elegir x éxitos en la muestra entre los
x
M que hay en la población.
N  M
o    número de formas de elegir n−x fracasos en la muestra
 nx 
entre los N−M que hay en la población.
o La probabilidad de extraer x éxitos en una muestra de tamaño n
extraída de una población de tamaño N que contiene M éxitos
es: M N  M
  
 x  n  x 
P(X  x) 
N
 
n
7. Hipergeométrica
o Diremos que X se distribuye como una hipergeométrica, con
parámetros N, M, n, y lo representamos como XH(N,M,n),
cuando su función de probabilidad es:
M N  M
  
 x  n  x 
P(X  x) 
N
 
n
o Notar que:
x  n, x  M  x  min n,M 
  max 0,n  N  M  x  min n,M
x  0,n  x  N  M  x  max 0,n  N  M
o Las características de XH(N,M,n) son:

M M  M  N  n 
E  X  n Var  X  n 1
N N  N   N  1 
7. Hipergeométrica
o Teorema 3.7 Sea XH(N,M,n). Entonces, si N es muy grande
comparado con n, la distribución de X se aproxima a la de una
B(n,M/N).
o En general, la aproximación es buena cuando n<N/10 y N50.
o El resultado de este teorema nos permite calcular
aproximadamente la probabilidades de una hipergeométrica
por medio de una binomial.
7. Hipergeométrica
o Ejemplo VIII En el proceso de empaquetación, cada lote o
paquete contiene 25 productos. Para analizar la calidad de
cada lote se eligen muestras de tamaño 4. Sea X el número de
productos defectuosos en la muestra. Si X1 se acepta el lote
como bueno, en caso contrario no. Para un lote que contenga
5 productos defectuosos, halle:
a) La probabilidad de que sea aceptado.
b) Número medio de productos defectuosos.
c) La varianza del productos defectuosos.
o Ejemplo IX (R4.11) En un pedido de 100 pares de zapatos se
sabe que 10 pares son defectuosos. Si escogemos, a la vez, 8
pares. ¿Cuál es la probabilidad de que todos estén en
perfectas condiciones?
40
VOLVER
VOLVER
VOLVER
VOLVER

Modelos de variables aleatorias discretas

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos de variables aleatorias discretas

Cargado por

Copyright:

Formatos disponibles

TEMA 3

o También se expresa como: P(X=x) = px(1−p)1−x, donde x=0,1.

P(X  1)  P(éxito)  p1(1  p)0  p

Xb(p) px(1−p)1−x, donde x=0,1 0 < p < 1 p p(1−p)

o Función generatriz de momentos: (t)  E etX   (1  p  pet )n

o Varianza: Var(X)  np(1  p)

o Teorema 3.2 Sea XB(n,p). Entonces, existen X1,X2,…,Xn

o Teorema 3.3 Sean X1,X2,…,Xm variables aleatorias

2. La probabilidad de que en 20 llamadas realice más de 7 ventas.

3. Número medio de ventas cuando se realizan 20 llamadas.

2. La probabilidad de obtener un premio.

3. Número medio de aciertos.

barplot(dbinom(0:14,14,1/3), ylim = c(0,0.25), names.arg = c(0:14))

o Función generatriz de momentos:

o Del Teorema 3.4, deducimos que la variable aleatoria de

2. Los accidentes son independientes de una semana a otra. Halle la

o Función generatriz de momentos:

o Función de distribución: F(y)  P(Y  y)   P(Y  k)  1  (1  p)y

 x  r  1 r r=1,2,… r(1  p) r(1  p)

o Teorema 3.6 Sean X1,X2,…,Xn variables aleatorias

o De los teoremas 3.5 y 3.6, deducimos que la variable aleatoria

o Esperanza y varianza de Y=X+r, donde XBN(r,p).

o Las características de XH(N,M,n) son:

También podría gustarte