Facultad Latinoamericana de Ciencias Sociales, México: Variables Aleatorias. Discretas: Bernoulli, Binomial y Poisson

Facultad Latinoamericana de
Ciencias Sociales, México
Variables Aleatorias.
Discretas: Bernoulli, Binomial y Poisson
Dra. Marisol Luna

Variable aleatoria
En cualquier experimento de probabilidades, los
resultados ocurren por azar. Por ejemplo:
• Si se cuenta el número de empleados ausentes un lunes, el
resultado puede ser 0, 1, 2, … El número de ausencias es la
variable aleatoria.
• Si se pesa un lingote de acero, el podría estar entre 2500 libras y
2500,1 libras, 2500,13, etc. Dependiendo de qué tan precisa sea
la báscula. El peso es la variable aleatoria.
• Si se lanzan dos monedas y se cuenta el número de soles, éste
podría ser 0, 1 o 2. Como el número de soles es el resultado del
experimento y se debe al azar, es la variable aleatoria.
• El número de conductores que son acusados que conducir
alcoholizados en cierta ciudad.
Variable aleatoria
• Una variable aleatoria es la cantidad que es resultado
de un experimento que, por azar, puede suponer
distintos valores.
• Una variable aleatoria es un medio para describir los
resultados del espacio muestral empleando un número,
es decir, una función, que asigna valores numéricos a
cada uno de los eventos del espacio muestral.
Variable aleatoria
• Variable aleatoria: es una función que asigna
valores numéricos a cada uno de los eventos del
espacio muestral.
– Dominio es el espacio muestral.
• Estos eventos están determinados mediante los

resultados posibles y sus respectivas
probabilidades.
Variable aleatoria
• Por lo general a las variables aleatorias las
expresamos con letras mayúsculas: X, Y, Z, etc.
• Los valores específicos que asumen las variables
aleatorias se representan con letras minúsculas:
x, y, etc.
• Como los valores numéricos de la variable
aleatoria están determinados por el resultado
del experimento se le pueden asignar las
probabilidades de estos posibles valores.
Variable aleatoria
Tenemos dos tipos de variables aleatorias :
las discretas y las continuas.
• Discretas: se denominan a aquellas que
pueden adoptar sólo una cantidad finita o
infinita de valores distintos pero que se
pueden enumerar.
Variables aleatorias discretas
Experimento Variable aleatoria Valores posibles de
Lanzar una monedad X=número de águilas x=0,1,2,3,4
cuatro veces que salen
Realzar el control de X=número de teléfonos x=0,1,2,3,4,5,6,7,8,9,10
calidad de 10 teléfonos celulares que
celulares representan algún
defecto
Accidentes vehiculares X= número de x=0,1,2,3,4, …
en la carretera a accidentes
Puebla en un día
determinado
• La P(X=x) es mayor o igual a 0. En caso de que
a x no se le asigne explícitamente una
probabilidad positiva entonces su
probabilidad es 0.
• Cualquier distribución de probabilidades
discretas debe satisfacer lo siguiente:
i) 0 £ P( X = x ) £ 1
n
ii ) å P( X = x ) = 1
x =1
Distribuciones de probabilidad
Una distribución de probabilidad indica todos los resultados
probables de un experimento, así como la probabilidad de
ocurrencia de estos resultados.
La distribución de probabilidad para la variable discreta X se puede representar:

• El forma tabular, es una tabla donde se muestran en una columna todos los
posibles valores de la variable aleatoria y en otra columna las probabilidades
asociadas a cada valor.
• En forma gráfica, con una gráfica de barras o puntos, cuya altura corresponde
a la probabilidad de cada valor de la v.a.
• En forma de función: cuando la distribución de probabilidad se define
mediante una fórmula. A esta expresión se le llama función de probabilidad.
Ejemplo 1
Se lanzan tres monedas distinguibles al aire.
Se define la siguiente variable aleatoria:
Y: número de soles.
¿Cuáles son los posibles valores que toma Y?
¿Cuál es la función de probabilidad?
Ejemplo 2
Supongamos que nos interesa saber el
número el número de hijas de una familia
que tienes 2 hijos e hijas. Si supones que es
igualmente probabilidad que sea hombre o
mujer. ¿Cuáles son los posibles resultados?
Ejemplo 3
Dada la siguiente tabla
x P(X=x)
0 0.20
1 0.25
2 0.15
3 0.40
1. Comprueba si es una distribución de probabilidad.
2. Calcular
P( X = 1)
P( X < 2)
P( X ³ 2)
Ejemplo 4
Se lanza un dado “justo” y se apunta el número
que se observa en el cara superior.
1. Determina la distribución de probabilidad.
2. Calcula la probabilidad de que el número sea
un número par.
3. Calcula la probabilidad de que el número sea
menor a 3.
Ejemplo 4
Un modelo de probabilidad de cualquier variable aleatoria
discreta queda definido por dos funciones:
1. La función de probabilidad o también llamada de densidad
la. cual se denota por:
f X (xi ) = P( X = xi )
2. La función de probabilidad acumulada
FX (xi ) = P( X £ xi )
Función de distribución de densidad y
acumulada
Un modelo de probabilidad de cualquier variable aleatoria discreta
queda definido por dos funciones:
1. La función de probabilidad o también llamada de densidad la cual
se. denota por:
f X (xi ) = P( X = xi )
2. La función de probabilidad acumulada
FX (xi ) = P( X £ xi )
Valor esperado y varianza
Además de la función de probabilidad y la función de probabilidad acumulada una
variable aleatoria queda definida por dos parámetros, que son la esperanza
matemática, también llamada media o valor esperado, y la varianza.
Valor esperado
El valor esperado es una medida de localización central de la va. Se calcula de la
siguiente manera:
n
µ = E [X ] = å xi P( X = xi )
i =1
Es un promedio ponderado de los valores que toma la va donde las ponderaciones
(o pesos) son las probabilidades.
Valor esperado y varianza
Varianza
n n
Var [X ] = å ( xi - µ ) P( X = xi ) = å x P( X = xi ) - (E ( X ))
2 2 2
i
i =1 i =1
.
Ensayos Bernoulli
Muchos procesos aleatorios se caracterizan por
ensayos (intentos) en los cuales hay sólo dos
resultados: éxito y fracaso. Estos resultados son
mutuamente excluyentes
Por ejemplo:
- Lanzamiento de una moneda.
- Voto por un candidato.
- Estar vivo o muerto.
- Defectuoso o no.
- Reprobado o no.
Ensayos Bernoulli
Podemos definir una variable aleatoria discreta X tal que:
– éxito ® 1
– fracaso ® 0
Si la probabilidad de éxito es p y la de fracaso 1 - p,
podemos construir una función de probabilidad:
1- x x 1- x
f X ( x) = P( X = x) = p (1 - p )
x
=p q
con q = 1 - p
Ensayos Bernoulli
Su valor esperado y varianza son:
E( X ) = p
Var ( X ) = p (1 - p ) = pq
Distribución de probabilidad
Binomial
La distribución binomial la utilizamos cuando nos
interesa el número de veces que un suceso A ocurre
(éxitos) en n intentos independientes de un
experimento.
El experimento consta de un número
determinado (n) de ensayos idénticos.
– Cada ensayo tiene dos resultados posibles: éxito y
fracaso.
– La probabilidad de éxito en un ensayo es igual a p,
y permanece constante de un ensayo a otro. Y la
probabilidad de fracaso es igual a q=1-p.
Distribución de probabilidad
Binomial
• Los ensayos son independientes.
• La v.a. de interés es
X=número de éxitos obtenidos en n
ensayos.
Nota: la palabra éxito no implica lo mejor.
Distribución de probabilidad Binomial
La función de distribución binomial basada en n
ensayos con probabilidad de éxito p tiene la
forma:
f X ( x ) = P( X = x) = C nx p x (1 - p ) n - x
con x = 0,1, ! , n y 0 £ p £1
Parámetros de la distribución de
probabilidad Binomial
E ( X ) = np
Var ( X ) = np (1 - p )
d .e.( X ) = np (1 - p )
Distribución de probabilidad Poisson
Cuando en una distribución binomial el número de
intentos (n) es grande y la probabilidad de éxito (p) es
pequeña, la distribución binomial converge a la
distribución de Poisson.
X = número de éxitos(ocurrencias) que ocurren en un
determinado en un lapso de tiempo, espacio, volumen
u otra dimensión.
-l
e l x
f X (x ) = P( X = x) = , x = 0 ,1,2 ,... l > 0
x!
Distribución de probabilidad Poisson
Son eventos discretos que son independientes en el

espacio y/o en el tiempo.
• Número de accidentes aéreos en periodo de tiempo.
• Llegadas de clientes a una sucursal.
• Número de llamadas que entran a un conmutador.
• Número de casos de cáncer por semana en una
comunidad.
• Número de errores de imprenta por página.
Parámetros de la distribución de
probabilidad Poisson
E(X ) = l
Var ( X ) = l
d .e.( X ) = l
Aproximación de la distribución
Binomial con la distribución Poisson
Si una variable aleatoria que se distribuye como una
binomial cumple con las tres condiciones siguientes:
n ® ¥. n es muy grande.
p ® 0. p es muy pequeña.
np < 7.
Entonces la variable aleatoria binomial se puede

aproximarse con la distribución Poisson con l=np .

Facultad Latinoamericana de Ciencias Sociales, México: Variables Aleatorias. Discretas: Bernoulli, Binomial y Poisson

Cargado por

Copyright:

Formatos disponibles

Facultad Latinoamericana de Ciencias Sociales, México: Variables Aleatorias. Discretas: Bernoulli, Binomial y Poisson

Cargado por

Información del documento

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

Facultad Latinoamericana de Ciencias Sociales, México: Variables Aleatorias. Discretas: Bernoulli, Binomial y Poisson

Cargado por

Copyright:

Formatos disponibles

Facultad Latinoamericana de

Ciencias Sociales, México

Dra. Marisol Luna

• Estos eventos están determinados mediante los

La distribución de probabilidad para la variable discreta X se puede representar:

Son eventos discretos que son independientes en el

Entonces la variable aleatoria binomial se puede

También podría gustarte