Variables Aleatorias

Distribución
Binomial y Poisson
Prof. Mg. LILIANA HUAMÁN DEL PINO
 Variable Aleatoria

Función que asigna a cada elemento del espacio

muestral un número real
X: Rx
Ejem 1 Experimento: se lanza una moneda 2 veces
sucesivas y se observa que sale
W = cc, cs, sc, ss 
X: número de caras que aparecen al lanzar la moneda
X( cc ) = 2
X( cs, sc) = 1
X( ss ) = 0
Rx = 0, 1, 2 
• La función probabilidad f(x) de la variable
aleatoria es:
Probabilidad que la variable sea exactamente un valor
Es decir: f(x) = P(X = x)
X: variable aleatoria x: valor cualquiera
Ejemplo: Sea X: número de caras que
resultan al lanzar una moneda 2 veces
• Dominio: {ss, sc, cs, cc}
• Rango: { 0, 1 , 2}
Calcular la función probabilidad f(x) que
corresponde a la variable aleatoria.
P( X = 0)=
P( X = 1)=
P(X = 2)=
Ejemplo: Sea X: número de caras que
resultan al lanzar una moneda 2 veces
Dominio Rango P(X= x) =f(x)

SS 0 P(X=0) =1/4

SC
1 P( X=1) = 2/4

CS

CC 2 P(X=2) = 1/4
 Variable Aleatoria
X: R

Variable Aleatoria Discreta

El rango de la v.a. es discreto. Es decir “se
puede contar”, se deben cumplir las
propiedades siguientes:
i) f(xi)  0
ii) 
= 1 f(x i )
iI
 Variable Aleatoria Discreta
• Sea X una variable aleatoria.

• Si el número de posibles valores de X (esto es su RX).

- Es finito (contable) o.
- Es contablemente infinito (de numerable).
• Entonces llamamos a X una variable aleatoria discreta.

• Esto es, los posibles valores de X pueden ser listados.

X1, x2, x3, ...., xn, .....
- En el caso contable la lista es finita.
- En el caso no numerable la lista es infinita contable
 Variable Aleatoria Discreta

Sea Conjunto de eventos elementales de una

familia de eventos del espacio muestra;

X: Ω IR X es una función definida sobre el Espacio Muestral,

que mapea en el conjunto de los Números Reales los
wi xi eventos elementales definidos en Ω

tal que
i) p(xi) = Pr(xi) 0

X(wi) = xi

P(A) = å p(w )=
i å P (X=x ) i
 Función de Probabilidad v.a. Discreta

A cada resultado posible xi se asocia un número f(xi) = P(X(w) = xi)

llamado la probabilidad de xi Los f(xi) deben satisfacer

• 0  f(xi)  1; i = 1, 2, 3, ... , n

f(xi)
• iS f(xi) = 1
El conjunto de pares (xi, f(xi)) se le
denomina Función de Probabilidad
o Cuantia.

x
x1 x2 x3 x4 x5 x6 xn

P(X=5) = f(5) Función de Probabilidad de “masa”

Función de Frecuencia
X(wi) = xi
P(A) =  f(w j )   P ( x  xi )
j  i:w i   i

Propiedades función de cuantia:

1. P ( X = xi )  0
2. i P ( X = xi ) = 1
3. Función de Distribución:
F(x) = x
x P ( X = xi ) = x
i x f ( xi ) i
 Ejemplo: Sea X: número de caras que
resultan al lanzar una moneda 2 veces
Dominio Rango P(X= x) =f(x) P( X ≤ x ) = F(x)
Función probabilidad Función distribución
acumulada
SS 0 P(X=0) =1/4 P(X≤0) = 1/4
SC
1 P( X=1) = 2/4 P(X≤1) = 3/4
CS
CC 2 P(X=2) = 1/4 P(X≤2) = 1
Representación de f(x) función
probabilidad
 Función de Distribución Acumulada
Para la v.a. Discreta
F(x)
F(x) = 0 x < x1
x1

= i
1
=1
f( xi ) x1  x < x2
x2

= i
=1
f( xi ) x2  x < x3
x3

= i
=1
f( xi ) x3  x < x4
x4

= i
=1
f( xi ) x4  x < x5
= 1 x ≥ x5
P(X=x5) = f(x5) Función de Probabilidad

0 x
x1 x2 x3 x4 x5 x6 xn
Ejemplo 2
ε = se eligen al azar y con reposición 3 artículos de un lote que
contiene 5% de artículos defectuosos.
Ω = {ω / ω Є (DDD, BDD, DBD, DDB, BBD, BDB, DBB, BBB)}
Sucesos = cualquier subconjunto de Ω
X: Ω→ R
X (ω) = cantidad de defectuosos en ω
Valores posibles de X = {0,1,2,3} = RX
P(X=0) = P { ω ∈ Ω : X ( ω ) = 0 } = P(BBB)= (0.95)3
P(X=1) = P { ω ∈ Ω : X ( ω ) = 1 } = P(BBD, BDB, DBB)=
3 (0.95)2 (0.05)1
P(X=2) = P { ω ∈ Ω : X ( ω ) = 2 } = P(BDD, DBD, DDB)= 3
(0.95)1 (0.05)2
P(X=3) = P { ω ∈ Ω : X ( ω ) = 3} = P(DDD)= (0.05)2

¿Cuál es la probabilidad de obtener a lo más un artículo

defectuoso?

P (X ≤ 1) = P(X=0)+ P(X=1) = (0.95)3+3 (0.95)2 (0.05)1

¿Cual es la probabilidad de a lo más 2 artículos defectuosos?

P (X ≤ 2) = 1- P (X=3) = 1- (0.05)2
Esperanza de una v.a. X
E X    xiP ( X  xi )
i

Varianza de una v.a. X

V X    ( x i  E  X ) 2 P ( X  x i )
i
MODELOS DE VARIABLES ALEATORIAS
DISCRETAS – MAS CONOCIDOS
• A partir de situaciones en los cuales el
experimento se repite bajo iguales
condiciones se han identificado “modelos de
v.a.” entre los cuales para el caso discreto se
estudiarán:
• V.A. con distribución BINOMIAL
• V.A. con distribución POISSON
 Distribución Binomial

Se dice que un experimento es "binomial" si reune los siguientes

características:
 Esun experimento con n ensayos de Bernoulli.

 Cada prueba o ensayo de Bernoulli tiene sólo dos

posibles resultados, a los que suele llamarse "éxito“
o "fracaso".

 En cada una de las pruebas la probabilidad de éxito es la misma p

y la probabilidad de fracaso es 1-p
 Las pruebas o ensayos son estadísticamente independientes.
 Distribución Binomial
La variable X, que representa el número de éxitos obtenidos en las n pruebas, se
denomina variable aleatoria binomial.
Esta variable es discreta, ya que si se realizan n pruebas se podrán obtener 0, 1,
2, …, n éxitos.
Una distribución binomial se caracteriza por los parámetros número de pruebas
realizadas, n, y probabilidad de “éxito” p, y se representa por B(n, p).

La probabilidad de obtener X éxitos en "n" pruebas

independientes, está dado por:

P X  x   C (n, x) p q x n x
P X  x  
n!
p x q n x
x! n  x !
Gráfico de la distribución Binomial
 CARAC TERÍSTICAS DE LA DISTRIBUCIÓN BINOMIAL
En una variable aleatoria binomial B (n , p)

MEDIA
  Media  E ( X )  np
VARIANZA
  Var ( X )  npq
2

DESVIACIÓN ESTÁNDAR

  npq
EJEMPLO:

• Con base en experiencia reciente, 10% de los

engranajes producidos por una máquina automática de
alta velocidad resultan defectuosos. Se seleccionan 8
engranajes
a. ¿Cuál es la probabilidad de que exactamente 2
engranajes sean defectuosos?
b. ¿Cuál es la probabilidad de que a lo más un
engranaje sea defectuoso?
c. ¿Cuál es la probabilidad de que más de 4 engranajes
sean defectuosos?
d. ¿Cuántos engranajes defectuosos se espera
producir?
• X: número de engranajes defectuosos
• X ᷉ B ( n=8; p=0.10)
a) P(X= 2) = 0.1488
b) P(X ≤ 1) = 0.8131
c) P (X > 4) = P( X ≥ 5) = 0.0004316
d) E (X) = n(p) = 8 ( 0.10) = 0. 80
 DISTRIBUCION POISSON

La distribución de Poisson se utiliza para modelar el número de

ocurrencias de un determinado evento durante un periodo de
tiempo. Un detalle importante de la distribución de Poisson es que
la variable aleatoria correspondiente asume valores de 0,1,2,…

e   x
Se dice que una v.a. tiene distribución 
de Poisson con parámetro

 x! , si x  0,1,2,....
si su función de probabilidad es dado por :

p  x   P X  x   

 0, en otro caso

24
 CARACTERÍSTICAS DE LA DISTRIBUCIÓN
POISSON
En una variable aleatoria Poisson P ( )
MEDIA
  Media  E (X )  
VARIANZA

  Var ( X )  
2

DESVIACIÓN ESTÁNDAR

 
GRÁFICO DE LA DISTRIBUCIÓN POISSON
2

0.3

0.25
Pbrobabilidades

0.2

0.15

0.1

0.05

0
0 1 2 3 4 5
Nº de ocurrencias de un evento
GRÁFICO DE LA DISTRIBUCIÓN POISSON
 3
0.25

0.2
Pbrobabilidades

0.15

0.1

0.05

0
0 1 2 3 4 5 6 7
Nº de ocurrencias de un evento
 Propiedades
Definamos la variable: número de ocurrencias de un
evento durante un intervalo de longitud t como una
variable que sigue un proceso de Poisson con parámetro
λt , si tiene las siguientes propiedades:

(1). El número promedio de ocurrencias de un evento es

igual a λt
 Propiedades
• (2). La ocurrencia de un evento durante un intervalo de
longitud t1 no afecta a la ocurrencia o no ocurrencia de
otro evento durante otro intervalo de tiempo t2 , siendo
intervalos contiguos. ( Es decir, la ocurrencia de los
eventos en intervalos de tiempo contiguos son
independientes).

29
 Ejemplo:

• Los clientes de transporte llegan por el peaje de vía de

evitamiento con una media de 5 clientes por cada 10
minutos ¿Cuál es la probabilidad de que entre las 13:00 y
13:30 no llegue ningún cliente?
Solución

Consideremos la v.a. Xt:

Xt: Número de clientes que llegan de 13:00a 13:30 horas

30
 Ejemplo:
Consideremos la v.a. X:

Xt: Número de clientes que llegan de 13:00a 13:30 horas

Rx= {0,1, 2,….}

Calculando λt :

5 clientes -------- 10 minutos

λt --------- 30 minutos

λt = 30 x 5 /10 = 15 clientes

31
 Ejemplo:

Luego X se distribuye como Poisson con λ = 15

(Xt˜ P(15) ). Ahora calculemos la probabilidad que entre la 13

y 13:30 no llegue ningún cliente:


e x 0
15 e 15
P ( X  0)    e 15  0.0000003
x! 0!

32