You are on page 1of 38

Probabilidad y Estadstica

Universidad de Cuenca

Ing. Vctor Saquicela

AGENDA
Variables Aleatorias y Distribuciones Discretas de Probabilidad

Agenda

Variables Aleatorias
Variables Aleatorias Discretas
Funcin de Probabilidad y de Distribucin
Esperanza Matemtica, Varianza y Funcin Generatriz de Momentos
Distribucin Binomial
Distribucin Geomtrica

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
2

OBJETIVOS
Aplicar conceptos matemticos asociados a los estudios de variables
aleatorias discretas, mejorando en rigor y precisin la capacidad de
anlisis.
Interpretar diferentes fenmenos aleatorios mediante variables
aleatorias y determinar probabilidades de ocurrencia.
Explicar los conceptos de variables aleatorias discretas como modelos
de variables estadsticas.

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
3

VARIABLES ALEATORIAS

Discretas

Enteros

Continuas

Reales

Variables
Aleatorias

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
4

Variables Aleatorias
Normalmente, los resultados posibles (espacio muestral E) de un experimento
no son valores numricos
Por ejemplo, si el experimento consiste en lanzar de un modo ordenado tres
monedas al aire, para observar el numero de caras (C) y cruces (R) que se
obtienen, el espacio muestral es :
E={CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR}
Resulta ms fcil utilizar valores numricos en lugar de trabajar directamente
con los elementos de un espacio muestral.
Para {CRR,RCR,RRC} es preferible representar con un valor numrico 1, que
representa el numero de caras obtenidas al realizar el experimento.

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
5

Definicin Formal de Variable Aleatoria


Variable Aleatoria
Se define como el de toda funcin matemtica
:
=
que atribuye un nico nmero real a cada suceso elemental del
espacio muestral
X

E
=

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
6

Definicin de Variable Aleatoria


Ejemplificando una Variable Aleatoria
Siguiendo con el ejemplo anterior, se define la variable aleatoria
" " del siguiente modo:
:
= 3
= = = 2
= = = 1
= 0
En funcin de lo que tome la variable puede ser discreta o continua.
E={

Agenda

CCC

CCR

CRC

CRR

RCC

RCR

RRC

RRR

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
7

Variable Aleatoria Discreta


V.A.D
Una variable aleatoria es discreta cuando asume un conjunto finito o
infinito contable de valores posibles.
:
Por ejemplo: nmero de artculos defectuosos, numero de accidentes
de carretera por ao en una provincia, etc..

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
8

Funcin de Probabilidad
Definiciones
Las variables aleatorias transforman eventos del espacio muestral en
eventos numricos, los cuales tienen asociado una probabilidad de
ocurrencia.
Funcin definida sobre una variable aleatoria a los reales en el intervalo
[0,1] que cumplen con los axiomas de la teora de la probabilidad.

Probabilidad ( = ) asociada a cada posible valor de

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
9

Funcin de Probabilidad
Definicin Formal
Dada una variable aleatoria discreta : su funcin de
probabilidad , se define de modo que ( ) es la probabilidad de que
tome su valor:
: ,, -

= = = , , . . = Si no es uno de los valores que puede tomar , entonces = 0

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
10

Funcin de Probabilidad
Retomando el ejemplo anterior de las monedas
3 = = 3 =

1 1 1
2 2 2

= =

1
8

1
8
1
, , =
8
1 1 1
1
= =
2 2 2
8

2 = = 2 = , ,
1 = =1 =
0 = =0 =

1
8
1
+
8

1
8
1
+
8

3
8
3
=
8

= + + =

Otra forma de interpretar

Agenda

0 ocurre solamente una vez, su probabilidad=1/8, X(RRR)=0


1 ocurre 3 veces, su probabilidad=3/8, X(RRC)=X(RCR)=X(CRR)=1
2 ocurre 3 veces, su probabilidad=3/8, X(CCR)=X(CRC)=X(RCC)=2
3 ocurre una vez, su probabilidad=1/8, X(CCC)=3

Objetivos

1/8

3/8

3/8

1/8
Contenidos

Conclusiones

Preguntas

Bibliografa
11

Funcin de Distribucin
Funcin de Distribucin Acumulada
Funcin de distribucin de una variable aleatoria discreta , que se
define de modo que si , () es igual a la probabilidad de que
tome un valor inferior o igual a :
: ,, = = , , . . -

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
12

Funcin de Distribucin
Retomando el ejemplo de las tres monedas

1
8
1
3
4
= + =
8
8
8
1
3
+ 2 = +
8
8

0 = 0 = = 0 = (0) =
(1) = 1 = 0 + (1)
2 = 2 = 0 + 1

3 = 3 = 0 + 1 + 2 + 3 =
8
8

Agenda

3
8
1
+
8

+ =

7
8
3
3
+
8
8

1
8

+ =

=1

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
13

Funcin de Probabilidad y Distribucin: representacin grficas

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
14

Propiedades de la Distribucin de Probabilidad Discreta


La probabilidad de un resultado siempre debe estar entere 0 y 1
0 () 1
La suma de todos los resultados mutuamente excluyentes
siempre es 1
=

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
15

Variable Aleatoria Discreta


Si una variable discreta toma valores 1, 2, 3, .. , la probabilidad
de que al hacer un experimento tome uno de esos valores es 1, de
modo que cada posible valor de contribuye con una cantidad ()
al total:

= = 1

=1

=1

=
=1

Agenda

Objetivos

= = 1
=1

Contenidos

Conclusiones

Preguntas

Bibliografa
16

Funcin de Probabilidad y Distribucin: ejemplo

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
17

Esperanza Matemtica
Definicin
Tambin conocido como valor esperado o media de una variable
aleatoria es el numero ,- que formaliza la idea de valor medio de
un fenmeno aleatorio.
Este concepto se puede interpretar como una media ponderada.

= =

, () -

Cuando la variable aleatoria es discreta, la esperanza es igual a la suma


de la probabilidad de cada posible suceso aleatorio multiplicado por el
valor de dicho suceso

= + + . . =

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
18

Esperanza Matemtica: ejemplo

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
19

Varianza
Definicin
La varianza de una variable aleatoria se define como:

= =

= =

Agenda

Objetivos

Contenidos

()

Conclusiones

Preguntas

Bibliografa
20

Esperanza Matemtica y Varianza


Ejemplo
Sea X: nmero de hijos por familia de una cierta ciudad.

, = - 0.47 0.30

0.10

0.06

0.04 0.02

6
0.01

a) Hallar la media o esperanza de X. Qu significa?


7

=
1

= 0 0.47 + 1 0.30 + 2 0.10 + 3 0.06 + 4 0.04 + 5 0.02 + 6


0.01 = 1
Si se toma al azar una familia de la poblacin, el nmero medio o
esperado de hijos es 1.

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
21

Esperanza Matemtica y Varianza


Continuacin del ejemplo
b) Varianza y desviacin tpica de X
2 = = 1.74
=

= 1.32

c) El municipio concede una ayuda anual de 2000 dolares por hijo. Hallar la
media, varianza y desviacin tpica de la variable aleatoria Y: ayuda (en
dolares) que recibe anualmente cada familia.
Y viene dada por Y=2000X
= 2000 = 2000 = 2000 1 = 2000
2 = = 2000 = (2000)2 = 6.69 106

=
Agenda

= 2000 = 2000 1.32 = 2638

Objetivos

Contenidos

Conclusiones

Preguntas

Actividad
22

Momentos
Definicin
La media de una variable aleatoria discreta describe su tendencia
central y la varianza mide su dispersin, pero ambas medidas no son
suficientes para describir completamente la forma de la distribucin de
probabilidad.
Los momentos de una variable aleatoria son los valores esperados
de algunas funciones de la variable aleatoria.
Constituyen una coleccin de medidas descriptivas con las que se
puede caracterizar de manera nica a su distribucin de
probabilidad.
Usualmente estas definiciones se las hace usando como referencia el
origen, o la media de la variable aleatoria.
Los momentos son las medidas descripticas de la variable aleatoria,
con los cuales se puede caracterizar su funcin de probabilidad.

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
23

Momentos
Definicin
Se define el n-simo momento de una variable aleatoria X, cuando
existe, como el numero ( ), para cualquier valor natural de n.
El n-simo momento central de X, cuando existe, es el nmero
, -, en donde = .
El primer momento (no centrado) de X es simplemente la media y el
segundo momento central es la varianza. El e-nsimo momento se
calcula como sigue:
=

()

El e-nsimo momento central de X se calcula como sigue:


,( ) - =

( ) ()

El tercer momento central, mide la asimetra o sesgo.


El cuarto momento central, mide la curtosis o puntiagudez.
Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
24

Funcin Generatriz de Momentos


Definicin
Es una funcin especial que puede usarse para obtener todos los
momentos de una variable aleatoria discreta.
Sea una variable aleatoria discreta. () funcin de probabilidad de
. Entonces la funcion generadora de momentos de es:
= =

()

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
25

Distribucin de Bernoulli

Exito
Experimento
Dicotmico

Fracaso

Lanzamiento de una moneda: cara o cruz


Lanzamiento de dado: nmero especfico
Preguntas si o no

Agenda

Objetivos

Contenidos

Conclusiones

Experimentos de
Bernoulli

Preguntas

Bibliografa
26

Distribucin de Bernoulli
Definicin ( = ( ) = *, +)
Consiste en realizar un experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no, siendo la probabilidad de que esto sea as
(xito) y = el que no lo sea (fracaso).
Variable aleatoria discreta que toma los valores = 0 si el suceso no
ocurre, y = 1 en caso contrario. Se denota
= = , = =
==
Los principales momentos de son:

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
27

Distribucin de Bernoulli
Ejemplo

Lanzamiento de una moneda al aire.


Posibles resultados: 2
1
: probabilidad cara= = 0.5
2
: probabilidad cruz= 1 = 0.5
= (1 )1 = *0,1+

= 1 1 = 0.51 (0.5)11 = 0.5


= 0 0 = 0.50 (0.5)10 = 0.5
= 0
La funcin de probabilidad es: = = 1
0
0 < 0
La de distribucin es: = 0 1
1 1
Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
28

Distribucin Binomial
Definicin
Se dice que una variable aleatoria sigue una ley binomial de parmetros
y , , si la suma de variables aleatorias independientes
de Bernoulli con el mismo parmetro .
Se interpreta de la siguiente manera: Supongamos que realizamos
pruebas de Bernoulli , donde en todas ellas la probabilidad de xito
es la misma (), y se quiere calcular el nmero de exitos obtenidos
en el total de las pruebas.
La funcin de probabilidad de una variable binomial es:

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
29

Distribucin Binomial
Definicin
La funcin de distribucin de una variable binomial es:

El valor esperado de esta variable es: =


La varianza de esta variable es: =

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
30

Distribucin Binomial
Ejemplo
La probabilidad de que cierta clase de componente sobreviva a una
3
prueba de choque es . Calcular la probabilidad de que sobrevivan
4
exactamente dos de los 4 componentes que se prueban.
Supongamos que las pruebas realizadas son independientes y con
3
probabilidad de xito = para cada una de las cuatro pruebas, por
4

tanto la variable ,
4
=2 =
2
La esperanza es:
La varianza es:

Agenda

Objetivos

3
4

1
4

tenemos que calcular

4! 32 27
=

= 0.2109
2! 2! 44 128

=3
3
=
4
Contenidos

Conclusiones

Preguntas

Bibliografa
31

Distribucin Geomtrica (o de fracasos)


Definicin
Consideramos una sucesin de variables aleatorias independientes de
Bernoulli,
posee una distribucin geomtrica, , si esta es la suma
del numero de fracasos obtenidos hasta la aparicin del primer xito en
la sucesin
por ejemplo

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
32

Distribucin Geomtrica (o de fracasos)


Definicin
La funcin de probabilidad es:
La media es:

La varianza es:

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
33

Distribucin Geomtrica
Ejemplo
En un proceso de fabricacin se puede suponer por estudios previos
que la probabilidad de que un artculo sea defectuoso es = 0.01.
Inspeccionamos artculos secuencialmente hasta encontrar uno
defectuoso. Calcular la probabilidad de que el quinto artculo
seleccionado sea el primer defectuoso.
Definimos

"
, .

= = 4 = 0.994 0.01 = 0.0096

0.99
La media es: = =
= 99

La varianza es :

Agenda

Objetivos

0.01

0.99
= 2=

(0.01)2

Contenidos

= 9900

Conclusiones

Preguntas

Bibliografa
34

Distribucin Geomtrica
Aplicaciones
Como rea de aplicacin de este tipo de distribucin, podemos citar
situaciones donde los ingenieros intentan determinar la eficacia de un
sistemas de conmutacin telefnica durante periodos ocupados. En
este caso, el xito representa la conexin al sistema de conmutacin. La
variable sera el nmero de intentos fracasados antes de una conexin
al sistema (xito).

Agenda

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
35

Conclusiones
Durante esta clase aprendimos y reforzamos los conocimientos de
variables aleatorias discretas. Aprendimos los principales conceptos
que definen una variable aleatoria discreta, funcin de probabilidad y
funcin de distribucin. Para esto, se utiliz ejemplos significativos que
muestran el proceso de formalizacin. Adems, se estudi las
distribuciones de Bernoulli, Binomial y geomtrica. Para estas
distribuciones se definieron ejemplos ilustrativos.

Presentacin

Objetivos

Contenido

Conclusiones

Preguntas

Bibliografa
36

PREGUNTAS

Presentacin

Objetivos

Contenido

Conclusiones

Preguntas

Bibliografa
37

Bibliografa
Introduction to the Practice of Statistics. Authors: W.H. Freman. 2002
Applied Statistics and Probability for Engineers. Authors: D. Mongomery and G.
Runger. 2011
Bioestadstica: Mtodos y Aplicaciones. Autores: Francisca Rus Daz, Francisco
Javier Barn Lopez, Elisa Snchez Font y Luis Parras Guijosa

Presentacin

Objetivos

Contenidos

Conclusiones

Preguntas

Bibliografa
38