You are on page 1of 10

UnADM

UNIVERSIDAD ABIERTA Y A DISTANCIA DE MEXICO

Asignatura:

Probabilidad

Unidad 3
Actividad 2.

ALUMNO

Linares Ojeda Arturo David.

Matricula: ES1611312069

Actividad 2.

Tema

Subtema

Variable aleatoria discreta

Definicin de variable aleatoria discreta

Funcin de probabilidad de una variable aleatoria discreta

Funcin de distribucin de una variable aleatoria discreta


Independencia de variables aleatorias
Esperanza de una variable aleatoria discreta
Varianza de una variable aleatoria discreta

Modelos
discretos de
probabilidad

Modelo Bernoulli
Modelo binomial
Modelo hipergeomtrico
Modelo de Poisson

Variable aleatoria discreta

Definicin de variable aleatoria discreta


Se le puede denominar variable aleatoria discreta aquella que slo puede tomar un nmero finito
de valores dentro de un intervalo. Por ejemplo, el nmero de componentes de una manada de
lobos, puede ser 4 5 6 individuos, pero nunca 5,75 5,87.
En pocas palabras Una variable aleatoria X es discreta, si solamente puede tomar un conjunto
numerable de valores.

Otros ejemplos:
Como ejemplos de variables aleatorias discretas podemos mencionar: el nmero de libros en una
biblioteca, el nmero de habitantes en una poblacin, la cantidad de dinero que una persona trae

en su bolsillo, el nmero de aves en un gallinero, el nmero de admisiones diarias a un hospital, el


nmero de accidentes automovilsticos en una carretera durante un ao, etc.
Sea X una variable aleatoria asociada con un experimento aleatorio. Si el resultado de un
experimento es a, entonces decimos que en esta prueba la variable aleatoria X ha tomado el valor
a, o que hemos observado el valor X = a.
Una variable aleatoria tiene las siguientes propiedades:
1. La variable aleatoria X es un evento que se define en el espacio muestral S del experimento y
sus valores son nmeros reales.
2.
Sea a cualquier nmero real y sea I cualquier intervalo de S. Entonces el conjunto de todos
los valores para los que X = a tiene una probabilidad bien definida y lo mismo se cumple para
todos los valores de X que estn en I.
Funcin de probabilidad de una variable aleatoria discreta
Si 1 , 2 , 3 ,.............. son los valores de x y 1 , 2 , 3 ,........... las probabilidades de los
sucesos correspondientes a los valores de x se llama funcin de probabilidad o distribucin de
probabilidades de la variable x al conjunto de los pares (xi, pi)
{(1 , 1 ), (2 , 2 ), (3 , 3 ), .......... ( , )}
formados por los valores de x y sus probabilidades correspondientes.
Si el conjunto de valores de x tiene n elementos: S pi = 1
Y si es infinito numerable:

La funcin de probabilidad P(x) de la variable aleatoria x es la funcin que asigna a cada valor xi de
la variable su correspondiente probabilidad pi
Ejemplo:
La v.a. nmero de caras en el lanzamiento de tres monedas tiene la siguiente
funcin de probabilidad:

Funcin de distribucin de una variable aleatoria discreta.


Bsicamente Una distribucin de probabilidades para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados numricos posibles para esa variable aleatoria tal
que una probabilidad especfica de ocurrencia se asocia con cada resultado. El valor esperado de
una variable aleatoria discreta es un promedio ponderado de todos los posibles resultados, donde
las ponderaciones son las probabilidades asociadas con cada uno de los resultados.
Sea X una v.a. cuyos valores suponemos ordenados de menor a mayor.
Se llama funcin de distribucin de la variable X a la funcin que asocia a cada valor de
la v.a. la probabilidad acumulada hasta ese valor, es decir, F(x) = p(X x)
Ejemplo:
Calcular la funcin de distribucin de probabilidad de las puntuaciones obtenidas al lanzar un
dado.
x
x <1
1 x < 2

pi
0
1
6

2 x < 3
3 x < 4
4 x < 5
5 x < 6
6 x

3
6
4
6
5
6

2
6

Independencia de variables aleatorias.


Se dice de manera intuitiva que dos variables aleatorias son independientes si los valores que
toma una de ellas no afectan a los de la otra ni a sus probabilidades.
Mediante una definicin ms formal:
Diremos que dos variables aleatorias X e Y son independientes si y slo si
P(X a Y b) = P(X a) P(Y b) = FX(a) FY(b)
A la funcin F(x, y) = P(X a Y b) se la conoce como la funcin de distribucin conjunta de X e
Y.
Como consecuencia inmediata de la independencia de X e Y, se cumple lo siguiente:
P(a < X c b < Y d) = P(a < X c) P(b < Y d)
Esperanza de una variable aleatoria discreta
La esperanza matemtica o valor esperado de una variable aleatoria discreta es la suma del
producto de la probabilidad de cada suceso por el valor de dicho suceso.

Ejemplo:
Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos
hacer el clculo

Varianza de una variable aleatoria discreta


La varianza de una variable aleatoria es una caracterstica numrica que proporciona una idea de
la dispersin de la variable aleatoria respecto de su esperanza. Decimos que es un parmetro de
dispersin.
Est medida en la unidad de medida de la variable al cuadrado. Por ejemplo, si la variable mide
una distancia en metros, la varianza se expresa en metros al cuadrado

Ejemplo:
Un Experimento consiste en lanzar 3 veces una moneda. Sea la variable aleatoria X=nmero de
caras que se obtiene:
Obtener la varianza:

Modelos discretos de probabilidad


Modelo Bernoulli
Considerado un experimento aleatorio en el cual solo hay dos posibles resultados
incompatibles a los que se les puede denominar xito o fracaso, entonces se dice que X
es una variable aleatoria discreta que se distribuye como parmetro p donde p es la
probabilidad de obtener xito.
Por tanto, se puede decir que:

El 10% de los trabajadores del pas est desempleado, Cul es la


probabilidad de seleccionar un individuo al azar y est desempleado?
X = 1 Desempleado p = 0,1
X = 0 Empleado q = 1-p = 1-0,1 = 0,9
p(x=1)=0,1

Modelo binomial
Es una extensin de la distribucin de Bernouilli. Supongamos que se repite un
experimento n veces de forma idntica e independiente. Los resultados de cada
realizacin del experimento se clasifican en dos categoras (como en el caso de
Bernouilli), una ser la probabilidad de xito p, y otra q=1-p, la de fracaso.
As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye
como una distribucin binomial de parmetros (n,p). Siempre se debe de verificar que
n>1 y que p tome valores entre 0 y 1.
La funcin de probabilidad viene dada por la expresin:

Ejemplo:
La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de los lectores
ya la han leido. Un grupo de 4 amigos son aficionados a la lectura:
1Cul es la probabilidad de que en el grupo hayan leido la novela 2 personas?
2Y cmo mximo 2?
Cul es la probabilidad de que en el grupo hayan leido la novela 2
personas?
B(4, 0.2) p = 0 .8 q = 0.2

Y cmo mximo 2?

Modelo hipergeomtrico
La distribucin hipergeomtrica es una distribucin discreta que modela el nmero de eventos en
una muestra de tamao fijo cuando usted conoce el nmero total de elementos en la poblacin de
la cual proviene la muestra. Cada elemento de la muestra tiene dos resultados posibles (o es un
evento o un no evento). Las muestras no tienen reemplazo, por lo que cada elemento de la
muestra es diferente. Cuando se elige un elemento de la poblacin, no se puede volver a elegir.
Por lo tanto, la probabilidad de que un elemento en particular sea seleccionado aumenta con cada
ensayo, suponiendo que an no ha sido seleccionado.
La distribucin hipergeomtrica sigue el siguiente modelo:

Donde:

Ejemplo:
en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul es la
probabilidad de que las 3 sean solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan
slo del 1,75%.

Modelo de Poisson
Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar
el nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de
espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos
frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de veces
si la probabilidad de obtener un xito es muy pequea.
Se dice que una variable aleatoria X sigue la distribucin de Poisson si su funcin de densidad
viene dada por:

Propiedades del modelo de Poisson


1) Esperanza: E(X) = .
2) Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.
3) La suma de dos variables aleatorias independientes con distribucin de Poisson resulta en una
nueva variable aleatoria, tambin con distribucin de Poisson, de parmetro igual a la suma de
parmetros:
X1 ~ P( = 1) y X2 ~ P( = 2)
y definimos Z = X1 + X2, entonces,
Z ~ P( = 1 + 2)
Ejemplo:
Un entomlogo examina una planta de algodn y cuenta el nmero de huevecillos de un insecto
por planta. De estudios anteriores se sabe que bajo las condiciones del experimento el nmero
de huevecillos por planta puede representarse por una distribucin de Poisson con = 0.9. Si se
selecciona una planta al azar, calcular la probabilidad de que se encuentren cuando mucho
3 huevecillos.

Solucin.
Las probabilidades de que el entomlogo encuentre 0, 1, 2, 3, huevecillos por planta son:

Con los clculos anteriores podemos ver que:

Bibliografa.
Devore, Jay L; Probabilidad y Estadstica para Ingeniera y Ciencias; 7a Ed; CENGAGE Learning; Mxico
2008.
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
http://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf
http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/Tema3soluciones.pdf
Reproduccin.
https://www.youtube.com/watch?v=hmAfNpD7Eps

You might also like