Variable Sale at or I As Discret As

Variables Aleatorias Discretas
Mario Alfonso Morales Rivera.

1
Victor Hugo Morales Ospina
2
1
Profesor Asociado
Universidad de Crdoba
2
Profesor Asistente
Universidad de Crdoba
Montera 2011
Morales & Morales () V. A. Discretas Enero de 2011 1 / 49
Contenido
1
Variables aleatorias discretas
2
Funcin de distribucin acumulada
3
Valor esperado de una V. A. discreta
4
Modelos de probabilidad
Modelo binomial
Distribucin geomtrica
Distribucin Binomial Negativa
Distribucin hipergeomtrica
Distribucin de Poisson
Contenido
1
2
3
4
Modelo binomial
Denicin
Una variable aleatoria es una funcin que asigna un nmero real a
cada resultado en el espacio muestral de un experimento aleatorio.
Ejemplo (1.1)
Se lanzan tres monedas (o una moneda tres veces) y se anota el
resultado (Cara o Sello)
Consideremos la variable aleatoria que asigna a cada punto del
espacio muestral el nmero de sellos.
S R
X
CCC
CCS
CSC
CSS
SCC
SCS
SSC
SSS
0
1
2
3
Figura: Variable Aleatoria X, nmero
sellos en el lanzamiento de tres
monedas.
Se tiene que P(S) = P(C) =
1
2
, es
decir, los resultados son
igualmente probables, entonces
la probabilidad asociada a cada
evento simple es
1
8
:
S R
X
CCC
CCS
CSC
SCC
CCS
CSC
SCC
CSS
SCS
SSC
CSS
SCS
SSC
SSS
0
1
2
3
de sellos al lanzar dos monedas.
P(X = 1) =P({CCS, CSC, SCC})
=
1
8
+
1
8
+
1
8
=
3
8
P(X = 2) =P({CSS, SCS, SSC})
=
1
8
+
1
8
+
1
8
=
3
8
S R
X
CCC
CCS
CSC
SCC
CCS
CSC
SCC
CSS
SCS
SSC
CSS
SCS
SSC
SSS
0
1
2
3
de sellos al lanzar dos monedas.
P(X = 1) =P({CCS, CSC, SCC})
=
1
8
+
1
8
+
1
8
=
3
8
P(X = 2) =P({CSS, SCS, SSC})
=
1
8
+
1
8
+
1
8
=
3
8
Distribucin de probabilidad de una V.A discreta
Denicin
La distribucin de probabilidad de una variable aleatoria X es una
descripcin del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.
Continuacin ejemplo 1.1
La distribucin de probabilidad del nmero de sellos al lanzar 3
monedas:
x 0 1 2 3
P(X = x)
1
8
3
8
3
8
1
8
Denicin
La distribucin de probabilidad de una variable aleatoria X es una
descripcin del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.
La distribucin de probabilidad del nmero de sellos al lanzar 3
monedas:
x 0 1 2 3
P(X = x)
1
8
3
8
3
8
1
8
Ejemplo (1.2)
Cada 10 minutos se verica el volumen de llenado de las latas que
salen de una mquina llenadora automtica. La evaluacin contina
hasta que se encuentre una lata que no cumpla con las
especicaciones.
S = {n, sn, ssn, sssn, ssssn, }
n = no cumple , s = si cumple
Sea Y la variable aleatoria que asigna a cada punto de S el nmero
de latas que es necesario analizar hasta encontrar una lata que no
cumpla las especicaciones de volumen. Si la probabilidad de que una
lata no cumpla es 0.01 y las observaciones son independientes,
obtenga la distribucin de probabilidad de Y
Ejemplo (1.2)
especicaciones.
Ejemplo (1.2)
especicaciones.
S R
Y
P(Y = y)
n
sn
ssn
sssn
ssssn
sssssn
.
.
.
1
2
3
4
5
6
.
.
.
0.01
0.99 0.01
0.99
2
0.01
0.99
3
0.01
0.99
4
0.01
0.99
5
0.01
.
.
.
0.99
y1
0.01
Figura: Nmero de latas analizadas hasta encontrar una lata que no cumpla
Distribucin de probabilidad de Y
P(Y = y) = 0.01 0.99
y1
para y = 1, 2,
S R
Y
P(Y = y)
n
sn
ssn
sssn
ssssn
sssssn
.
.
.
1
2
3
4
5
6
.
.
.
0.01
0.99 0.01
0.99
2
0.01
0.99
3
0.01
0.99
4
0.01
0.99
5
0.01
.
.
.
0.99
y1
0.01
Figura: Nmero de latas analizadas hasta encontrar una lata que no cumpla
Distribucin de probabilidad de Y
P(Y = y) = 0.01 0.99
y1
para y = 1, 2,
Ejemplo (1.3)
La produccin diaria de 850 partes contiene 50 defectuosas. Del lote
se eligen dos al azar, sin reemplazo.
S = {BB, BD, DB, DD}
B = Bueno , D = Defectuoso
Sea Z la variable aleatoria que asigna a cada resultado el nmero de
defectuosos
z 0 1 2
P(Z = z) 0.886 0.111 0.003
Ejemplo (1.3)
defectuosos
z 0 1 2
P(Z = z) 0.886 0.111 0.003
Ejemplo (1.3)
defectuosos
z 0 1 2
P(Z = z) 0.886 0.111 0.003
Ejemplo (1.3)
defectuosos
z 0 1 2
P(Z = z) 0.886 0.111 0.003
Funcin de probabilidad
Denicin
La funcin del conjunto de nmeros reales al intervalo [0, 1] denida
mediante
f
X
(x) =
_
P(X = x) si x pertenece al rango de X
0 en otro caso
recibe el nombre de funcin de probabilidad.
Propiedades
La funcin de probabilidad, f
X
de una variable aleatoria X satisface
las siguiente propiedades.
f
X
(x) 0 para todo x.
x
f
X
(x) = 1.
Ejercicio
Demostrar que, para y un nmero natural y 0 < p < 1, se verica que
y=1
p(1 p)
y1
= 1
Grco de la funcin de probabilidad
X
P
r
o
b
a
b
i
l
i
d
a
d
0 1 2 3
1/8
3/8
q
q q
q
q q q q
Funcin de probabilidad para el nmero de sellos
f
X
(x) =
_
_
1
8
si x = 0
3
8
si x = 1
3
8
si x = 2
1
8
si x = 3
0 en cualquier otro caso
Contenido
1
2
3
4
Modelo binomial
Denicin
La funcin de distribucin acumulada de una variable aleatoria
discreta X, denotada por F
X
(x) se dene como
F
X
(x) = P(X x) =
x
i
x
f
X
(x
i
)
Propiedades
La funcin de probabilidad, F
X
de una variable aleatoria X satisface
las siguiente propiedades.
0 F
X
(x) 1.
Si x y, entonces F
X
(x) F
X
(y).
Funcin de distribucin acumulada (ejemplos)
Ejemplo (continuacin ejemplo 1.1)
x 0 1 2 3
F
X
(x)
1
8
4
8
7
8
8
8
= 1
Grco de la funcin de probabilidad acumulada
X
P
r
o
b
a
b
i
l
i
d
a
d

a
c
u
m
u
l
a
d
a
0 1 2 3
0
1/8
4/8
7/8
1
q
q
q
q
q
q
q
q
Funcin de distribucin para el nmero de sellos
F
X
(x) =
_
_
0 si x < 0
1
8
si 0 x < 1
4
8
si 1 x < 2
7
8
si 2 x < 3
1 si x 3
Clculo de probabilidad usando F()
P(a X b) = F(b) F(a
), por ejemplo
P(2 X 4) = F(4) F(2
) = 1
4
8
=
4
8
P(a X < b) = F(b
) F(a
), por ejemplo
P(1 X < 3) = F(3
) F(1
) =
7
8

1
8
=
6
8
P(a X b) = F(b) F(a
), por ejemplo
P(2 X 4) = F(4) F(2
) = 1
4
8
=
4
8
P(a X < b) = F(b
) F(a
), por ejemplo
P(1 X < 3) = F(3
) F(1
) =
7
8

1
8
=
6
8
P(a < X b) = F(b) F(a), por ejemplo

P(1 < X 4) = F(4) F(1) = 1
4
8
=
4
8
=
1
2
P(a < X < b) = F(b
) F(a), por ejemplo

P(0 < X < 3) = F(3
) F(0) =
7
8

1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8

4
8
=
3
8

P(1 < X 4) = F(4) F(1) = 1
4
8
=
4
8
=
1
2
P(a < X < b) = F(b
) F(a), por ejemplo

P(0 < X < 3) = F(3
) F(0) =
7
8

1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8

4
8
=
3
8

P(1 < X 4) = F(4) F(1) = 1
4
8
=
4
8
=
1
2
P(a < X < b) = F(b
) F(a), por ejemplo

P(0 < X < 3) = F(3
) F(0) =
7
8

1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8

4
8
=
3
8
Funcin de distribucin acumulada (ejemplos)
Ejemplo (continuacin ejemplo 1.3 )
z 0 1 2
F
Z
(z) 0.886 0.971 1
Funcin de distribucin para el nmero de
defectuosos
F
Z
(x) =
_
_
0 si z < 0
0.886 si 0 z < 1
0.971 si 1 z < 2
1 si x 2
Grco de la funcin de probabilidad acumulada
X
P
r
o
b
a
b
i
l
i
d
a
d

a
c
u
m
u
l
a
d
a
0 1 2 3
0.886
0.971
1.000
q
q
q
q
q
q
Contenido
1
2
3
4
Modelo binomial
Valor esperado.
Denicin (media o valor esperado)
La media o valor esperado de una variable aleatoria discreta X,
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
Ejemplo (Continuacin ejemplo 1.1)
El valor esperado del nmero de sellos al lanzar tres monedas:
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
El valor esperado del nmero de defectuosos:
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Valor esperado.
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Valor esperado.
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Varianza de una V.A. discreta
Denicin (Varianza)
Suponga que la media de X es
X
y que la funcin de probabilidad es
f
X
entonces la varianza de X se dene como
Var(X) =
2
X
= E
_
(X
X
)
2
x
(x
X
)
2
f
X
(x)
Denicin (Desviacin estndar)
La desviacin estndar
X
es la raz cuadrada positiva de la varianza,
es decir,
X
=
_
2
X
Varianza de una V.A. discreta (ejemplo)
La varianza del nmero de sellos al lanzar tres monedas:
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
La varianza del nmero de defectuosos es:
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
Z
=
0, 109 = 0, 33
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
Z
=
0, 109 = 0, 33
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
Z
=
0, 109 = 0, 33
Contenido
1
2
3
4
Modelo binomial
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
Denicin (Experimento binomial)
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de xito, p, permanece constante.
recibe el nombre de experimento binomial.
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
Denicin (Experimento binomial)
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de xito, p, permanece constante.
recibe el nombre de experimento binomial.
Variable aleatoria binomial
Denicin
La variable aleatoria X denida como el nmero de xitos obtenidos
en los n ensayos tiene una distribucin binomial con parmetros p y
n.
La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
Teorema (Media y Varianza de una binomial)
Si X binomial de parmetros p y n entonces,
1
E(X) = np
2
Var(X) = np(1 p)
Denicin
n. La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
1
E(X) = np
2
Var(X) = np(1 p)
Denicin
n. La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
1
E(X) = np
2
Var(X) = np(1 p)
Variable aleatoria binomial (ejemplo)
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compaa
farmacutica desarroll una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestin y se les administr la
vacuna. Supngase que la vacuna es completamente inecaz. Cul
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Sea Y el nmero de personas que se recuperan. Si se asume que las
personas se recuperan de manera independiente, entonces Y es
binomial de parmetros p = 0.3 y n = 10
P(Y 9) = P(9) +P(10)
Variable aleatoria binomial (ejemplo)
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compaa
farmacutica desarroll una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestin y se les administr la
vacuna. Supngase que la vacuna es completamente inecaz. Cul
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Sea Y el nmero de personas que se recuperan. Si se asume que las
personas se recuperan de manera independiente, entonces Y es
binomial de parmetros p = 0.3 y n = 10
P(Y 9) = P(9) +P(10)
P(Y = 9) = P(9) =
_
10
9
_
(0.3)
9
(0.7)
1
= 0.000138
P(Y = 10) = P(10) =
_
10
10
_
(0.3)
10
(0.7)
0
= 0.000006
Entonces
P(Y 9) = P(9) +P(10) = 0.000138 + 0.000006 = 0.000144
Interpretacin
Suponga que se realiza el experimento tal como se describe en el
enunciado del ejercicio, y se observa que se recuperan 9 o mas
pacientes. Como bajo el supuesto que la vacuna es inecaz, la
probabilidad de encontrar observar ese evento es extremadamente
pequea (144 en un milln de veces), o bien hemos observado un
evento muy raro, o bien la vacuna si es muy til en la prevencin de la
enfermedad. Nos inclinamos por la ltima opcin.
El nmero promedio de pacientes que se recuperan si la vacuna es
inecaz es
X
= 10 0.3 = 3 y la varianza es:
2
X
= 10 0.3 0.7 = 2.1
P(Y = 9) = P(9) =
_
10
9
_
(0.3)
9
(0.7)
1
= 0.000138
P(Y = 10) = P(10) =
_
10
10
_
(0.3)
10
(0.7)
0
= 0.000006
Entonces
P(Y 9) = P(9) +P(10) = 0.000138 + 0.000006 = 0.000144
Interpretacin
inecaz es
X
2
X
= 10 0.3 0.7 = 2.1
P(Y = 9) = P(9) =
_
10
9
_
(0.3)
9
(0.7)
1
= 0.000138
P(Y = 10) = P(10) =
_
10
10
_
(0.3)
10
(0.7)
0
= 0.000006
Entonces
P(Y 9) = P(9) +P(10) = 0.000138 + 0.000006 = 0.000144
Interpretacin
inecaz es
X
2
X
= 10 0.3 0.7 = 2.1
Cdigo R
1-pbinom(8,size=10,p=0.3)
Otra forma
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Modelos de probabilidad Distribucin geomtrica
Variable aleatoria geomtrica
Denicin
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes,
probabilidad de xito constante,
si X es el nmero de ensayos realizados hasta la obtencin del
primer xito,
entonces X tiene una distribucin geomtrica con parmetro p y
f
X
(x) = (1 p)
x1
p, x = 1, 2,
Teorema
Si X es una variable aleatoria geomtrica con parmetro p entonces
E(X) =
1
p
Var(X) =
1p
p
2
Variable aleatoria geomtrica
Denicin
Una serie de ensayos Bernoulli independientes,
si X es el nmero de ensayos realizados hasta la obtencin del
primer xito,
entonces X tiene una distribucin geomtrica con parmetro p y
f
X
(x) = (1 p)
x1
p, x = 1, 2,
Teorema
Si X es una variable aleatoria geomtrica con parmetro p entonces
E(X) =
1
p
Var(X) =
1p
p
2
Variable aleatoria geomtrica (ejemplo)
Ejemplo (continuacin del ejemplo 1.2)
Si la probabilidad de que una lata no cumpla las especicaciones es
p = 0.05 (proporcin de latas que no cumplen) cul es la probabilidad
de que se tengan que probar exactamente 100 latas para encontrar la
primera que no cumple?
Solucin
Sea X el nmero de pruebas que es necesario realizar hasta
encontrar la primera que no comple. Si se asume que cada prueba es
idependiente una de otra, entonces X tiene distribucin geomtrica de
parmetro p = 0.05
P(X = 100) = 0.95
99
0.05 = 0, 0003116
E(X) =
1
0.05
= 20 Var(X) =
1 0.05
0.05
2
= 380
dgeom(100,0.05)
Modelos de probabilidad Distribucin Binomial Negativa
Variable aleatoria Binomial Negativa
Denicin
Una serie de esayos Bernoulli independientes,
X es el nmero de ensayos realizados hasta que se obtienen r
xitos
Entonces X tiene una distribucin Binomial Negativa con parmetros
p y r = 1, 2,
f
X
(x; p, r) =
_
x 1
r 1
_
(1 p)
xr
p
r
, x = r, r + 1, r + 2
Valor esperado y varianza de una BN
Teorema
Si X es una variable aleatoria binomial negativa con parmetros p y r
entonces la media y la varianza de X son
E(X) =
r
p
Var(X) =
r(1p)
p
2
Ejemplo
En un departamento de control de calidad se inspeccionan las
unidades terminadas que provienen de una linea de ensamble. Se
piensa que la proporcin de unidades defectuosas es 0.05.
1
Cul es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2
Cul es el valor esperado y la varianza del nmero de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
Valor esperado y varianza de una BN
Teorema
Si X es una variable aleatoria binomial negativa con parmetros p y r
E(X) =
r
p
Var(X) =
r(1p)
p
2
Ejemplo
En un departamento de control de calidad se inspeccionan las
unidades terminadas que provienen de una linea de ensamble. Se
piensa que la proporcin de unidades defectuosas es 0.05.
1
Cul es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2
Cul es el valor esperado y la varianza del nmero de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
Solucin
1
Sea X el nmero de unidades inspeccionadas hasta encontrar
dos defectuosas. Por las condiciones del problema, X tiene
distribucin binomial negativa de parmetros p = 0.05 y r = 2, por
tanto:
P(X = 20) =
_
20 1
2 1
_
(1 0.05)
202
0.05
2
= 0.0189
2
Valor esperado y varianza:
E(X) =
2
0.05
= 40 Var(X) =
2(1 0.05)
0.05
2
= 760
Modelos de probabilidad Distribucin hipergeomtrica
Distribucin hipergeomtrica.
Denicin
Un conjunto de N objetos contiene
K (K N) elementos con el atributo A, los cuales se consideran
xitos.
N K sin el atributo (A
c
)
Se toma una muestra de tamao n, (n N) al azar (sin
remplazo).
Sea X el nmero de xtos en la muestra.
Entonces X tiene distribucin hipergeomtrica con funcin de
probabilidad.
f
X
(x) =
_
K
x
__
NK
nx
_
_
N
n
_ con x = 0, 1, . . . , mn{K, n}
A A
c
Kobjetos (N K)objetos
x
Muestra (n)
Nobjetos
Figura: Esquematizacin de una distribucin hipergeomtrica.
Distribucin hipergeomtrica, Media y varianza
Teorema
Si X tiene distribucin hipergeomtrica con parmetros N, K y n
X
= E(X) = np
2
X
= np(1 p)
N n
N 1
donde p =
K
N
Distribucin hipergeomtrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberas, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo cul es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como xito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4
P(X = 4) =
_
100
4
__
200
0
_
_
300
4
_ = 0.0119
Distribucin hipergeomtrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberas, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo cul es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como xito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4
P(X = 4) =
_
100
4
__
200
0
_
_
300
4
_ = 0.0119
En el caso de la distribucin hipergeomtrica hay que tener en cuenta
que para R m es el nmero de objeto que representan exitos, n es el
numero de objetos que representan fracasos (N = m+n) y k es el
tamao de la muestra.
P(X = 4)
dhyper(x=4,m=100,n=200,k=4)
P(X 4)
phyper(4,m=100,n=200,k=4)
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson.
1
Modelo probabilstico adecuado para evaluar la probabilidad de
ocurrencia de un evento en intervalos de tiempo, longitud,
supercie o volumen.
2
Por ejemplo:
Nmero de accidentes por semana en un tramo de carretera.
Nmero de baches en cada 100 kilmetros lineales de carretera.
Nmero de solicitudes de atencin de urgencia en una clnica en
un da.
3
La variable aleatoria de inters, X es el nmero de veces que un
evento ocurre por unidad de tiempo, longitud, supercie, volumen,
etc.
Denicin
Si X es la variable aleatoria que cuenta el nmero de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, supercie,
volumen, etc), y si se tiene que los eventos son independientes y el
nmero promedio por intervalo es , se dice que X tiene una
distribucin de Poisson y la funcin de probabilidad de X es
P(X = x) =
e
x
x!
, para x = 0, 1, 2, . . .
Teorema
Si X es una variable aleatoria con distribucin de Poisson con
parmetro entonces
E(X) = y Var(X) =
Denicin
Si X es la variable aleatoria que cuenta el nmero de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, supercie,
volumen, etc), y si se tiene que los eventos son independientes y el
nmero promedio por intervalo es , se dice que X tiene una
distribucin de Poisson y la funcin de probabilidad de X es
P(X = x) =
e
x
x!
, para x = 0, 1, 2, . . .
Teorema
Si X es una variable aleatoria con distribucin de Poisson con
parmetro entonces
E(X) = y Var(X) =
Distribucin de poisson (ejemplo).
Ejemplo
El nmero de baches en una seccin de carretera interdepartamental
puede modelarse con una distribucin de Poisson con media de dos
baches por milla.
1
Cul es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
2
Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
1
Sea X el nmero de baches en cinco millas, entonces X es
Poisson con media = 2 5 = 10. Entonces
P(X = 0) =
e
10
10
0
0!
= e
10
= 0, 0000454
2
Sea X el nmero de baches en media milla, entonces X es
Poisson con media = 2
1
2
= 1. Entonces
P(X 1) = 1P(X = 0) = 1
e
1
1
0
0!
= 1e
1
= 0, 632120559
1
Sea X el nmero de baches en cinco millas, entonces X es
Poisson con media = 2 5 = 10. Entonces
P(X = 0) =
e
10
10
0
0!
= e
10
= 0, 0000454
2
Sea X el nmero de baches en media milla, entonces X es
Poisson con media = 2
1
2
= 1. Entonces
P(X 1) = 1P(X = 0) = 1
e
1
1
0
0!
= 1e
1
= 0, 632120559
Cdigo R
P(X = 0) con = 10
dpois(x=0,lambda=10)
P(X 4)
ppois(q=4,lambda=10)

Variable Sale at or I As Discret As

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Variable Sale at or I As Discret As

Uploaded by

Copyright:

Available Formats

Variables Aleatorias Discretas

Mario Alfonso Morales Rivera.

P(a X b) = F(b) F(a

P(a X b) = F(b) F(a

P(a < X b) = F(b) F(a), por ejemplo

) F(a), por ejemplo

P(a < X b) = F(b) F(a), por ejemplo

) F(a), por ejemplo

P(a < X b) = F(b) F(a), por ejemplo

) F(a), por ejemplo

You might also like