Variable Aleatoria
Una variable aleatoria o variable estocástica es
una variable estadística cuyos valores pertenecen al
espacio muestral y se obtienen de mediciones en
experimentos aleatorios.
Una variable aleatoria es discreta cuando toma un
número contable de valores. Entonces entre dos
valores consecutivos de una variable aleatoria
discreta no hay ningún número que pertenezca al
recorrido de la variable
Variable Aleatoria Discreta
• Para caracterizar una variable aleatoria debemos
conocer su recorrido y la probabilidad de cada
elemento del recorrido, el recorrido son los valores
posibles que puede asumir la variable. Por ejemplo al
tirar una moneda podrá ser cara o ceca y al tirar un
dado podrá ser los números desde el 1 al 6.
Variable Aleatoria Discreta
• Dos propiedades fundamentales de una funcion de
probabilidad son:
• 0<= P(Xi) <=1 para todo Xi
n
• p( xi ) 1 conocida como Ley de cierre
i 1
0.35
Valores de Xi Probabilidad
0.3
0 0.015625
1 0.09375 0.25
2 0.234375 0.2
3 0.3125
0.15
4 0.234375
5 0.09375 0.1
6 0.015625 0.05
0
0 1 2 3 4 5 6
Esperanza de una variable aleatoria discreta
La esperanza es un parámetro de la distribución. Es una
medida de tendencia central.
La esperanza E(x) no es un resultado que esperaríamos
cuando X se observa sólo una vez.
Representa la cantidad media que se "espera" como
resultado de un experimento aleatorio cuando la
probabilidad de cada suceso se mantiene constante y el
experimento se repite un elevado número de veces.
Esperanza de una variable aleatoria discreta
n
E ( x) xi * p ( xi )
i 1
Valores de Xi Probabilidad Producto
0 0.015625 0
1 0.09375 0.09375
2 0.234375 0.46875
3 0.3125 0.9375
4 0.234375 0.9375
5 0.09375 0.46875
6 0.015625 0.09375
Sumatoria 3
Varianza de una variable aleatoria discreta
La variancia es un parámetro de la distribución.
Es una medida de dispersión de los valores de x
alrededor de E(X)
n
V ( x) E ( x ) ( xi ) * pi
2 2 2
i 1
Valores de Xi Probabilidad Producto (x-u)^2 (x-u)^2*p
0 0.015625 0 9 0.140625
1 0.09375 0.09375 4 0.375
2 0.234375 0.46875 1 0.234375
3 0.3125 0.9375 0 0
4 0.234375 0.9375 1 0.234375
5 0.09375 0.46875 4 0.375
6 0.015625 0.09375 9 0.140625
Esperanza 3 Varianza 1.5
D Standart 1.22474487
Distribución de probabilidad
• Es una función matemática, un algoritmo, que
le asigna a cada valor posible de la variable
aleatoria, la probabilidad que el hecho ocurra.
• Esta función matemática debe cumplir con las
siguientes condiciones para ser considerada
función de probabilidad
• P(Xi) >=0 y <= a 1 para todo Xi
• p( x ) 1 conocida como Ley de cierre
n
i
i 1
Distribución binomial
• Cuando el experimento a realizarse posee ciertas
características, es posible el calculo de sus probabilidad a
través de esta distribución. Estas características son:
• Dado un experimento aleatorio E, éste puede tener solo dos resultados
posibles, “éxito” o “fracaso”, los cuales son mutuamente excluyentes, es
decir, al tomar un valor, hace imposible que tome algún otro.
• Se realizan n experimentos, independientes entre si, es decir, el resultado
de este experimento no condiciona el resultado del siguiente.
• Los experimentos son con reposición, esto hace que al realizarse
nuevamente la experiencia, la probabilidad se mantenga constante. Esta
es la probabilidad a priori o elemental o de un éxito y se simboliza con p
Distribución binomial
• P(A) = P
• P(no A) = 1 – p = q , entonces p + q = 1
• Se define la variable aleatoria X como el numero de
veces que aparece el suceso A, cantidad de éxitos,
en n repeticiones del experimento.
• X toma valores entre 0 y n, es decir 0 x n
i
Distribución binomial
• Ejemplos
• Éxito=“cara al tirar una moneda” p=0.5 y q=0.5.
• Éxito=“sacar 1 al tirar un dado” p=1/6 y q=5/6.
• Éxito=“sacar corazón” p=13/52 y q=39/52.
• Todo experimento puede formularse como éxito y
fracaso, donde en el segundo, englobamos todos los
valores no deseados.
• Una variable que cumple con las condiciones
x Bi (nde
, p )la
distribución binomial se denota como
siendo los parametros n ,cantidad de experimentos y
p, la probabilidad elemental.
Distribución binomial
• La expresión matemática que permite el
calculo de la probabilidad esta dada por:
n x0 n x0
P( x x0 ) p * q
x0
n
• Siendo x el combinatorio n tomados de a x
0 n!
y se calcula Cn, x
x !*(n x)!
Distribución binomial
• Esperanza en la binomial
n
E ( x) xi * p ( xi ) n * p
i 1
• Varianza de la binomial
n
V ( x) ( xi )2 * pi n * p * q
2
i 1
• Desvío Standart DS ( x) n * p * q
Distribución binomial
• Ejemplos de gráficos de binomial
0.3
0.25
0.25
0.2
0.2
0.15 n=15
p=0.5 0.15 n=15
0.1
p=0.2
0.1
0.05 0.05
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.3
0.25
0.2
n=20
n=15
0.15 p=0.8
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Distribución binomial
• Como buscar un valor utilizando la tabla estadística.
1. Buscar el valor de n
2. Buscar el valor de p
3. Buscar el/los valores de x
Distribución binomial
Distribución binomial
• Como resolver ejercicios
• Es posible que el ejercicio no pida una probabilidad puntutal,
es decir para un solo valor de X, sino que pida la probabilidad
para un intervalo. Hay diferentes formas de detonar un
intervalo. Suponiendo que n=6, podemos plantear:
• P(entre 2 y 4) = P(2 o 3 o 4) = P(2) + P(3) + P(4).
• P(alguno): no existe condición, salvo la existencia de algún
elemento, esto nos pide la probabilidad entre 1 y n. Dado que
pueden ser muchos valores a calcular, podemos utilizar la ley
de cierre y plantear P(alguno) = 1 – P(ninguno) = 1 – P(0).
Distribución binomial
• P(como mínimo x) = P(desde x hasta n) = P(x) + P(x+1) + . . . +
P(n).
• P(mas de x) = P(desde x+1 hasta n).
• P(menos de x) = P(desde 0 hasta x-1).
• A la hora de resolver, debemos analizar de que forma es
posible calcular menos probabilidades, calculando las pedidas
o calculando el complemento. Ejemplo: si n=6 y se pide P(x>1)
= P(2) + P(3) + P(4) + P(5) + P(6) = 1 – [P(0) + P(1)].
• P(a lo sumo x)= P(desde 0 hasta x).
• P(por lo menos x)=P(desde x hasta n).
Distribución de Poisson
• Esta es una distribución discreta que describe la
probabilidad de ocurrencia de un acontecimiento
dentro de un espacio-tiempo continuo (una longitud,
tiempo, superficie, etc).
• Esta distribución se emplea para describir sucesos
discretos que ocurren con poca frecuencia en el
tiempo o en el espacio; por ello a veces recibe el
nombre de distribución de sucesos raros.
Distribución de Poisson
• Ejemplos de sucesos que se ajustan a esta
distribución:
– Distribución de las llamadas telefónicas que llegan a un conmutador.
– La demanda de servicios en un hospital por parte de los pacientes.
– Los arribos de los camiones y automóviles a la caseta de cobro.
– El número de accidentes en un cruce.
– El número de defectos en una tela por m2.
– El número de bacterias por cm2.
– Clientes que arriban por minuto a la cola de un banco.
Distribución de Poisson
• Parámetro de la distribución:
• λ (lambda) que se define como “el numero promedio de veces que
acontece el suceso en el intervalo.
e * x
• Función de probabilidad: P( x x0 )
x!
• Esperanza = λ Varianza = λ DS =
X puede tomar valores entre 0 e ∞, esto hace que el cálculo
de cualquier valor mayor o, mayor e igual que, debe hacerse
utilizando el complemento
