TEMA 2. V.A. Discretas 2020-21

2.
TEMA
DISTRIBUCIONES DISCRETAS
2.0. Introducción: Variable Aleatoria Discreta.

-Variable Aleatoria Discreta.
- Función de Probabilidad y Función de Distribución.
-Media de la Variable Aleatoria Discreta (Esperanza matemática).
-Varianza y Desviación Típica de la Variabla aleatoria discreta.
Unas de las distribuciones discretas más importantes
2.1. Distribución de Bitar o de Bernoulli
2.2. Distribución Binomial
2.3. Distribución de Poisson
2.4. Convergencia de la distribución binomial a la de

Poisson
2.0. Introducción:
VARIABLE ALEATORIA DISCRETA
.-
PROBABILIDAD
.-En general, una variable aleatoria es una función real que define el
conjunto de todos los posibles resultados de un experimento
aleatorio.
.-¿Qué valores coge la variable?:
-DISCRETOS: Variable Aleatoria Discreta.
-CONTINUOS: Variable Aleatoria Continua (puede coger

cualquier valor de un intérvalo).
.-Variable Aleatoria Discreta:

Función de Probabilidad y Función de Distribución.
-Media de la Variable Aleatoria Discreta (esperanza matemática).
-Varianza y Desviación Típica de la Variable Aleatoria Discreta.

2.0. Introducción:

Función de Probabilidad.
-Sea X una v.a.discreta que toma los valores x1, x2, …, xn.
P(X=x1) = f(x1) = p1
✗ → Variables
P(X=x2) = f(x2) = p2
✗¡ → resultados
--------------------------
P(X=xn) = f(xn) = pn
Estos valores definirán la FUNCION DE PROBABILIDAD de la
variable aleatoria discreta si se cumplen las siguientes propiedades:

X ; resultado de echaron dado
1.- f(xi {113,4-15,6}

2.-la suma de f(xi)= 1 resultados / excluyentes
\ exhaustivos
FLXN) PLXEXI)
-
_
2.0. Introducción:

Función de Distribución.
-Sean x1, x2, …, xn los valores de la Variable Aleatoria discreta X.
-Sea f(x) la función de Probabilidad.
La Función de Distribución F(x) de la Variable Aleatoria Discreta se

define de la siguiente manera: 5- (3) =P (✗ a- 3) =PG) + PG) -1Pts)
=L ) -1ft ) -1pts)
F(x) = P( ) = Sumatorio de f(xi), donde xi
(La probabilidad de que la V. A. coja valores menores o iguales a x)
CONSECUENTEMENTE:
1.-Conociendo la Función de Probabilidad podemos concretar la

Función de Distribución.
2.-Conociendo la Función de Distribución si queremos conocer la

Función de Probabilidad podemos aplicar las siguientes
propiedades:
f(xi) = F(xi) –F(xi-1), i=1,2,…,n

5- (3) =
12
5- (2) =
f- } =
fnlxn) =
¿
LES) = f-(3) Ft )
El 84 ) St ) -18 (3) 61+16+16=12
-
+ =
f- Es f-
→ =
= =
2.0. Introducción:

Media o Esperanza Matemática
-Sea X una Variable Aleatoria Discreta
- x1, x2, …, xn son los valores que coge esa Variable
-las probabilidades de cada valor son p1, p2,…, pn
Entonces, la media o la esperanza matemática de la Variable

aleatoria Discreta X se define de la siguiente manera:
xipi xif(xi) (i=1hasta n)

LAS PROPIEDADES MAS IMPORTANTES de la esperanza
matemática de la Variable Aleatoria Discreta son las
siguientes:
1.-E(k)= k, siendo k una constante.
2.-Siendo X1, X2, …,Xn Variables Aleatorias Discretas,
E(X1+X2+…+Xn) = E(X1)+E(X2)+…+E(Xn)
2.0. Introducción:
3.-E(kX) = kE(X), siendo k una constante.
4.-Siendo X1, X2,…Xn V. A. Discretas y ki constantes,
i= 1, 2,…, n
E(k1X1+k2X2+…+knXn) = k1E(X1)+k2(X2)+…+ knE(Xn)
5.- Sean X1, X2, …, Xn V. A. Discretas e independientes, entonces
E(X1 · X2 · …· Xn) = E(X1) · E(X2) …· E(Xn)
Varianza y Desviación Típica
-Sea X una v.a. discreta
-La cual coge los valores x1,x2, …, xn
-Cada uno de los cuales tiene las probabilidades p1, p2,…, pn,
La Varianza de la v.a. discreta X se define de la siguiente manera:
. ²x = i- )². pi, i= desde 1 hasta n
.Como se puede apreciar, ²x = Var(X) = E{ (X- )²}

.Muchas veces, para facilitar los cálculos, se suele utilizar la
siguiente expresión: xi²pi- ² , i=desde1 hasta n
2.0. Introducción:
Desviación Típica
-A la Raiz cuadrada de la Varianza se le denomina DESVIACION

TIPICA:
Entre las PROPIEDADES de la Varianza de la v.a. discreta X se

pueden destacar las siguientes:
1.- v.a. discreta X.
2.-Var(k) = 0, siendo k una constante.
3.-Var (X) = E{ (X- )²} = E(X²) - ²
4.-Siendo X1, X2,…,Xn v.a. discretas e independientes, entonces
Var ( X1+X2+…+Xn) = Var(X1) + Var(X2)+…+ Var(Xn)
5.-Var(kX) = K²Var(X), k siendo una constante
6.-Var (X+k) = Var (X), siendo k una constante.

7. Xn Xn d +
inp
/ Xz ,
. . _
son v. a.
Var (Knox + Kz ✗ zt + kn.tn) =

,
.
. . -
= KÍ Varcx # kí Varta)
.
*
kn? Varlxn)
. -1 . . .
TEMA 2
DISTRIBUCIONES DISCRETAS
2.1. Binaria
2.2. Binomial
2.3. Poisson
2.4. Convergencia de la distribución binomial en

la distribución de Poisson
2.1. DISTRIBUCION BINARIA
o de Bernoulli (x B(1,p))
→ echar una moneda a cara
La distribución de Bernoulli (o distribución cruz o
dicotómica), es una distribución de probabilidad

discreta, que toma valor 1 para la probabilidad de éxito
(p) y 0 para la probabilidad de fracaso (q p).
Si X es una variable aleatoria que mide "número de

éxitos", y se realiza un único experimento con dos
posibles resultados (éxito o fracaso), se dice que la
variable aleatoria X se distribuye como una Bernoulli
de parámetro p. dos resultados
Hay solo
✗ → Be ( p )
1 → PC 1) =p
→
La fórmula será: ✗
↳2 → Pco ) =
q
= 1-
p
Su función de probabilidad (o función de cuantía)

viene definida por:
Propiedades más importantes:
1.- p,q 0
2.-p+q = 1
3.- =Ex=p
4.-Var(x)=E(x-m)²= pq
Distribución binomial cuando n=1 [x~B(1,p)]
Ejemplos:
.-En una urna hay bolas negras en una proporción
p y de otros colores. Sacamos una bola. La v.a. nº
de bolas negras es binaria (p)
Lanzo una moneda. La v.a. nº de caras es binaria
(p=0,5)
Tengo almacenadas piezas (el 10% defectuosas.
Saco una. La v.a. nº de piezas defectuosas es
binaria (p=0,1)
La distribución binaria se corresponde con todo

proceso de carácter dicotómico, donde sólo
existen dos procesos posibles y, por tanto,
complementarios. Sirve para toda situación donde
se dé éxito o fracaso.
En el mundo real hay muchas ocasiones
relacionados con fenómenos dicotómicos que se
pueden modelizar a través de la distribución
binomial me
B(0;1) o B(1;p)
como por ejemplo tirar una moneda y sacar
cara/cruz; obtener un as en un dado; que una
pieza fabricada sea defectuosa, etc.
2.2. DISTRIBUCION BINOMIAL (n;p)
Sean x1, …xn v.a. binarias de probabilidad (p)

independientes con la misma función de
probabilidad (p si x=1 y q si x=0)
La v.a. z= x1+ …+xn (Suma de las v.a. binarias)
se conoce como binomial con parámetros n, p

Z b(n,p)
Espacio muestral : 0,1,2, …. n
Función de probabilidad o de cuantía
n! n k
P(z k) pkqn k
p (1 p) n k
(n - k)!k! k
Recordad fórmula de combinaciones (y de permutaciones).
Propiedades:
1.- =Ez = np
2.-VAR (Z)=E(z-m)² = npq

EXPLICACION BINOMIAL
Nos encontramos con un modelo derivado de un

proceso experimental puro, en el que se plantean
las siguientes circunstancias:
1.-Se realiza un número n de pruebas y cada
prueba puede dar dos únicos resultados A y Ã ·
2.-La probabilidad de obtener un resultado A es p
y la de obtener un resultado Ã es q, con q= 1-p,
en todas las pruebas. (ya que p+q=1)
3.-Esto implica que las pruebas se realizan
exactamente en las mismas condiciones y son ,
por tanto ,independientes en sus resultados.
4.-Si se trata de extracciones, (muestreo), las
extracciones deberán ser con devolución
(reemplazamiento) , o bien población grande (la
extracción no varía las condiciones de la prueba).
“P(z) es la probabilidad de que repitiendo el

experimento n veces, el suceso de probabilidad p
ocurra z veces”
1.-¿Cómo utilizar la tabla de la distribución Binomial?
(en nuestro caso, dicha tabla está construida con la
probabilidad en cada punto)
④
Supongamos que lanzamos al aire una moneda trucada.
Con esta moneda la probabilidad de obtener cara es del
30%. La probabilidad que salga cruz será, pues, del 70%.
Lanzamos la moneda 10 veces de manera consecutiva.
Si queremos calcular la probabilidad de que observemos
6 caras o menos nos fijamos en la tabla: localizamos
n=10, x=6, p=0.3 y sumamos las probabilidades
individuales desde x=0 hasta x=6 inclusive. Es decir:
P(0) +P(1)+P(2)+P(3)+P(4)+P(5)+P(6)=
0.0282+0.1211+0.2335+0.2668+0.2001+0.1029+0.0368=
0.9894
2.-¿Y si nos pidieran la probabilidad de que salieran 7

caras o más?
Entonces utilizaríamos el hecho de que el suceso descrito

-
afirmar que la probabilidad buscada es 1-0.9894=0.0106
3.-¿Y si nos pidieran la probabilidad de que salieran

exactamente 6 caras?
Tendríamos que mirar sólo el punto P(x=6) = 0.0368

4.-¿ Qué pasa si el suceso sobre el que
queremos calcular tiene una probabilidad
mayor que 0.5?
Este caso se daría, por ejemplo, si la probabilidad

de que saliera cara fuera del 70%.
Entonces, si nos piden la probabilidad de obtener
4 caras o menos tirando 10 veces la moneda,
haríamos lo siguiente.
Notemos que la probabilidad de obtener 4 caras o
menos será la misma de obtener 6 cruces o más.
Este suceso es el complementario de obtener 5
cruces o menos.
Así pues localizamos n=10, y=5, q=0.3 (ya que la
probabilidad de obtener cruz es del 30%) y
calculamos la suma de probabilidades desde
P(y=0) hasta P(y=5) inclusive= 0.9526
La probabilidad que nos pedían será de 1-
0.9526=0.0474
Ejemplos
En una urna hay bolas negras en una proporción
p, y de otros colores. Suponemos que el nº de
bolas en la urna es muy grande.
Sacamos n bolas. La v.a. z, nº de bolas negras es
binomial (n,p)
Lanzo 10 monedas, la v.a. z “nº de caras” es

binomial (10, 0´5)
z b(10, 0´5)
P(3)=0.1172
P(3
P(z 3) = 0.0547
Tengo almacenadas piezas defectuosas (10%).

Saco 25. La v.a. piezas defectuosas es binomial
(25, 0´1) z b(25, 0´1)
P(2)= 0,2659
P(z 2)= 0.2712
P(z 2)= 0.4629
2.3. DISTRIBUCION POISSON
la distribución de Poisson es una distribución

de probabilidad discreta que expresa, a partir
de:
- media de la cantidad de eventos en un

intervalo ( ),
-la probabilidad de que ocurra un determinado

número de eventos (k) durante cierto periodo
de tiempo. 0
x P( )
- k
e
P(k)
k!
2.3. DISTRIBUCION POISSON
k: Es el número de ocurrencias del suceso (la función

de probabilidad nos muestra la probabilidad de que
el evento suceda k veces).
: es un parámetro positivo que muestra el número de
veces que se espera que ocurra el suceso durante
un intervalo dado.
Por ejemplo, si el fenomeno estudiado tiene lugar 8
veces por minuto y queremos saber la probabilidad
de que ocurra k veces por minuto, usaremos un
e: es la base de los logaritmos naturales (e = 2,71828

...)
Espacio muestral infinito numerable
{x}={0,1,2,….k,…}
Media y varianza: µ=Ex= = 2

Explicación de Poisson
Esta distribución es una de las más importantes

distribuciones de variable discreta.
Sus principales aplicaciones hacen referencia a la
modelización de situaciones en las que nos
interesa determinar el número de hechos de
cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio.
Otro de sus usos frecuentes es la consideración
límite de procesos con dos posibilidades
reiterados un gran número de veces, si la
probabilidad de obtener un éxito es muy pequeña
.
2.4. Condiciones para que la d.
binomial converja en la d. de
Poisson
La distribución binomial tiende a converger a la

distribución de Poisson cuando el parámetro n
tiende a infinito y el parámetro p tiende a ser cero,
de manera que el producto de n por p sea una
cantidad constante.
De ocurrir esto la distribución binomial tiende a un
modelo de Poisson de parámetro igual a n por
p
Este resultado es importante a la hora del cálculo
de probabilidades , o incluso a la hora de inferir
características de la distribución binomial cuando
el número de pruebas sea muy grande y la
probabilidad de éxito sea muy pequeña .
Aproximación para P(z) : Poisson ( =np)

Se sabe que la probabilidad de que un empleado
sufra un accidente laboral al mes es de 0.005
En una empresa de 1000 empleados calcular la
posibilidad de que en un mes cualquiera ocurran
3 accidentes
=np= 5 z=nº accidentes mes
aprox poisson (5)
P(3)= 0.1403 = F(3)-F(2)

P( 2)=0.124
P( 3)=0.735
P(0)=0.0067
P(1)=0.0337
P(2)=0.084
P(4 z 7)=0.602
P( 7)=0.133
Calcular la probabilidad de que en dos meses

ocurran dos accidentes y=z1+z2 y aproximación
a Poisson (10)
P(2)=0.0023
P(0)=0
P(y 6)=0.8699
P(1)=0.0005
P(3 y 6)= 0.1273

TEMA 2. V.A. Discretas 2020-21

Cargado por

Copyright:

Formatos disponibles

TEMA 2. V.A. Discretas 2020-21

Cargado por

Información del documento

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

TEMA 2. V.A. Discretas 2020-21

Cargado por

Copyright:

Formatos disponibles

2.

2.0. Introducción: Variable Aleatoria Discreta.

- Función de Probabilidad y Función de Distribución.

-Media de la Variable Aleatoria Discreta (Esperanza matemática).

-Varianza y Desviación Típica de la Variabla aleatoria discreta.

Unas de las distribuciones discretas más importantes

2.1. Distribución de Bitar o de Bernoulli

2.2. Distribución Binomial

2.3. Distribución de Poisson

2.4. Convergencia de la distribución binomial a la de

.-¿Qué valores coge la variable?:

-DISCRETOS: Variable Aleatoria Discreta.

-CONTINUOS: Variable Aleatoria Continua (puede coger

.-Variable Aleatoria Discreta:

-Media de la Variable Aleatoria Discreta (esperanza matemática).

-Varianza y Desviación Típica de la Variable Aleatoria Discreta.

.-Variable Aleatoria Discreta:

variable aleatoria discreta si se cumplen las siguientes propiedades:

1.- f(xi {113,4-15,6}

.-Variable Aleatoria Discreta:

-Sean x1, x2, …, xn los valores de la Variable Aleatoria discreta X.

-Sea f(x) la función de Probabilidad.

La Función de Distribución F(x) de la Variable Aleatoria Discreta se

1.-Conociendo la Función de Probabilidad podemos concretar la

2.-Conociendo la Función de Distribución si queremos conocer la

f(xi) = F(xi) –F(xi-1), i=1,2,…,n

.-Variable Aleatoria Discreta:

-Sea X una Variable Aleatoria Discreta

- x1, x2, …, xn son los valores que coge esa Variable

-las probabilidades de cada valor son p1, p2,…, pn

Entonces, la media o la esperanza matemática de la Variable

xipi xif(xi) (i=1hasta n)

1.-E(k)= k, siendo k una constante.

2.-Siendo X1, X2, …,Xn Variables Aleatorias Discretas,

3.-E(kX) = kE(X), siendo k una constante.

4.-Siendo X1, X2,…Xn V. A. Discretas y ki constantes,

E(k1X1+k2X2+…+knXn) = k1E(X1)+k2(X2)+…+ knE(Xn)

5.- Sean X1, X2, …, Xn V. A. Discretas e independientes, entonces

E(X1 · X2 · …· Xn) = E(X1) · E(X2) …· E(Xn)

Varianza y Desviación Típica

-Sea X una v.a. discreta

-La cual coge los valores x1,x2, …, xn

La Varianza de la v.a. discreta X se define de la siguiente manera:

. ²x = i- )². pi, i= desde 1 hasta n

.Como se puede apreciar, ²x = Var(X) = E{ (X- )²}

-A la Raiz cuadrada de la Varianza se le denomina DESVIACION

Entre las PROPIEDADES de la Varianza de la v.a. discreta X se

1.- v.a. discreta X.

2.-Var(k) = 0, siendo k una constante.

3.-Var (X) = E{ (X- )²} = E(X²) - ²

4.-Siendo X1, X2,…,Xn v.a. discretas e independientes, entonces

Var ( X1+X2+…+Xn) = Var(X1) + Var(X2)+…+ Var(Xn)

5.-Var(kX) = K²Var(X), k siendo una constante

6.-Var (X+k) = Var (X), siendo k una constante.

Var (Knox + Kz ✗ zt + kn.tn) =

2.4. Convergencia de la distribución binomial en

La distribución de Bernoulli (o distribución cruz o

dicotómica), es una distribución de probabilidad

Si X es una variable aleatoria que mide "número de

Su función de probabilidad (o función de cuantía)