Professional Documents
Culture Documents
VARIABLE ALEATORIA. -
Las variables aleatorias se designan por las últimas letras del alfabeto en
mayúsculas y cursivas: X, Y, Z. A las variables se las llama también variables
estocásticas o variables de azar.
i) F(xi)>= 0
ii) ∑ 𝑓(𝑥𝑖) = 1
Por ejemplo, al lanzar una moneda se está realizando una prueba de Bernoulli, ya
que solo hay dos posibilidades: cara o escudo. No se admiten otro resultado
intermedio.
Otro ejemplo es el de tener que comprar un artículo al azar con las opciones de que
este o no defectuoso, pero sin admitir un resultado a medias.
DISTRIBUCIÓN BINOMIAL
1. En cada prueba del experimento sólo son posibles dos resultados: el suceso A
(éxito) y su contrario .
La variable binomial es una variable aleatoria discreta, sólo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Ejemplo:
n es el número de pruebas.
k es el número de éxitos.
p es la probabilidad de éxito.
q es la probabilidad de fracaso.
El número combinatorio
Ejemplos
La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de
los lectores ya la han leido. Un grupo de 4 amigos son aficionados a la lectura:
Media
Varianza
Desviación típica
Ejemplo
La probabilidad de que un artículo producido por una fábrica sea defectuoso es 0.02.
Se envió un cargamento de 10.000 artículos a unos almacenes. Hallar el número
esperado de artículos defectuosos, la varianza y la desviación típica.
DISTRIBUCIÓN BINOMIAL NEGATIVA O PASCAL:
r= número de éxitos.
k=número de ensayos
p=probabilidad de éxitos.
q=probabilidad de fracaso.
DISTRIBUCIÓN HIPERGEOMÉTRICA
En teoría de la probabilidad la distribución hipergeométrica es
una distribución discreta relacionada con muestreos aleatorios y sin reemplazo.
Suponga que se tiene una población de N elementos de los cuales, Np pertenecen
a la categoría A y Nq (N-NP) a la B. La distribución hipergeométrica mide la
probabilidad de obtener x (0 ≤ x ≤ Np) elementos de la categoría A en una muestra
sin reemplazo de n elementos de la población original.
Cada elemento de la muestra tiene dos resultados posibles (es un evento o un no
evento). Al no tener reemplazo cada elemento de la muestra es diferente, es decir,
que la probabilidad de x no será constante. Cuando se elige un elemento de la
población, no se puede volver a elegir, entonces la probabilidad de que un elemento
sea seleccionado aumenta con cada ensayo, presuponiendo que aún no haya sido
seleccionado.
PROPIEDADES:
La función de probabilidad de una variable aleatoria con distribución
hipergeométrica puede deducirse a través de razonamientos combinatorios y es
igual a:
𝑁𝑝 𝑁𝑞 𝑁
𝑃(𝑥) = [ ] [ ]÷[ ]
𝑥 𝑛−𝑥 𝑛
DONDE:
N: Tamaño de la población.
Np: N.º de elementos de la población que tiene los requisitos deseados (con
probabilidad p= 1 – q).
Nq: N.º de elementos de la población que no tienen los requisitos deseados (con
probabilidad q= 1 – p).
n: tamaño de muestra extraída.
X: N.º de elementos de la muestra que tienen cumplen los requisitos.
PARAMETROS:
Esperanza
E(x)= n. p
Varianza
V(x)= n . p . q
La distribución hipergeométrica a diferencia de la binomial la cual posee muestreos
con reemplazo, en situaciones en las que el número esperado de repeticiones en el
muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda.
Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N, es
pequeño.
𝑁𝑝 𝑁𝑞 𝑁
𝑃(𝑥) = [ ] [ ]÷[ ]
N: 10
𝑥 𝑛−𝑥 𝑛
Np: 5 P(x) = 10 * 5 / 120
Nq: 5 P(x) = 0.4167
n: 3 probabilidad en %: 0.4167 * 100 = 41.67%
x: 2
La probabilidad de que seleccione exactamente dos automóviles con motores turbo
de forma aleatoria cuando pruebe tres de los diez vehículos es 41.67%.
DISTRIBUCIÓN MULTINOMIAL
La distribución multinomial es una generalización de la distribución binomial
En este caso, en un experimento no interesa estudiar la ocurrencia de un único
suceso o la de su contrario, sino la de varios sucesos (tres o más).
La distribución multinomial, m(x1, x2,….Xn) proporciona probabilidades de obtener
en M repeticiones independiente de un experimento x1 veces el suceso A1, x2
veces el suceso A2,nx veces el suceso An.
Función de probabilidad de una variable
Multinomial
𝑁!
𝑓(𝑋1 , 𝑋2 , … … . 𝑋𝑛 ) = . 𝑝 𝑋1 . 𝑝 𝑋2 … … . 𝑝 𝑋𝑛 =
𝑋1 !. ! 𝑋2 ! … … … . 𝑋𝑛 !
9!
𝑓(𝑋1 = 3, 𝑋2 = 3, 𝑋3 = 1, 𝑋4 = 2, 𝑛 = 9) = . (0.40)3 . (0.20)3 . (0.30)1 (0.10)2
3! . 3! . 1! . 2!
= 0.0077414
DISTRIBUCIÓN DE POISSON
La distribución de Poisson se llama así en honor a su creador, el francés Simeón
Dennis Poisson (1781-1840). Esta distribución de probabilidades fue uno de los
múltiples trabajos matemáticos que Dennis completó en su productiva trayectoria
(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
Es una distribución de probabilidad de variable aleatoria discreta que nos
proporciona la probabilidad de que ocurra un determinado suceso en un número de
veces K en un intervalo de tiempo, longitud, aire, etc.
Se dice que la variable aleatoria X, cuyos valores posibles son de X =0,1,2, 3,…
tiene distribución de poisson con parámetros λ (λ>0) y se escribe como: P (λ ) si su
función de probabilidad es:
X=0,1,2, …
Definición:
La más simple de todas las distribuciones de probabilidad discreta es una donde la
variable aleatoria toma cada uno de sus valores con la misma probabilidad. Tal
distribución se denomina distribución uniforme discreta. Si la variable aleatoria X toma
los valores x1, x2, …, xk, con idénticas probabilidades, entonces la distribución uniforme
discreta está dada por
cuando x no tiene el valor de las cantidades dadas la función inmediatamente se vuelve cero.
N=k=número de opciones posibles; o también el parámetro (límite inferior, límite superior).
Características para identificar a una distribución uniforme.
En la distribución de probabilidad uniforme discreta, la variable aleatoria toma cada uno de sus
valores con idéntica probabilidad.
- El parámetro de la distribución de probabilidad uniforme discreta, viene dado por la inversa de
los valores que puede tomar la variable aleatoria.
- La variable aleatoria que describe el número de caras obtenidas al lanzar dos monedas legales
sigue una probabilidad de distribución uniforme.
- La media de una variable aleatoria discreta uniforme, f(x;k), siempre coincide con uno de los
valores de la misma observados en el experimento.
- La varianza de una variable aleatoria discreta uniforme, f(x;k), no depende del número de
valores que pueda tomar la variable.