Beruflich Dokumente
Kultur Dokumente
65 MATEMÁTICAS
Distribuciones de probabilidad de
variable discreta.
Características y tratamiento.
Las distribuciones binominal
y de Poisson.
Aplicaciones
24-13857-13
Temario 1993
tema 65
matemáticas
2. Características y tratamiento
4. Aplicaciones
3
tema 65
matemáticas
INTRODUCCIÓN
Frecuentemente, en los experimentos aleatorios, el interés está en una función del resultado
del experimento y no en el resultado propiamente dicho.
Por ejemplo, en el lanzamiento de dos dados el interés puede estar en que la suma de los
resultados sea igual a 7 y es indiferente si este resulta de sumar 6+1, 5+1 ó 4+3.
Este interés sobre el resultado del experimento se formaliza mediante funciones del espa-
cio muestral en R que se denominan variables aleatorias (variable porque son posibles
diferentes valores numéricos y aleatoria porque el valor observado depende de cuál de los
resultados experimentales posibles resulte). El valor de la variable aleatoria es determinado
por el resultado del experimento y a esos valores se le asigna una probabilidad.
Hay dos tipos de variables aleatorias, variables aleatorias discretas y variables aleatorias
continuas.
Una variable aleatoria discreta es una variable aleatoria que toma un número finito o infi-
nito numerable de valores del eje. Esta definición nos sirve para introducirnos en el tema,
donde se va a estudiar además de este concepto de variable aleatoria, las funciones asocia-
das a ella. Además se analizan las principales características de las variables aleatorias dis-
cretas y los modelos más usados para las mismas: la distribución binomial y la distribución
de Poisson.
En lo referente a las aplicaciones se hacen referencia a modo de ejemplo a la aplicación de
la distribución binomial a la herencia biológica, a las trayectorias aleatorias y a las sustan-
cias radiactivas.
5
tema 65
matemáticas
∞ ∞
2. Si S1, S2, .. son incompatibles, P Si = ∑ P ( Si )
i =1 i =1
3. P (E) = 1
Llamaremos espacio probabilístico a la terna (E, A, P).
XX Variable aleatoria
Definamos una función ξ(a) unívoca de E en R, que asigne a cada suceso elemen-
tal a ∈ E el número real ξ(a).
Sea S un conjunto de números reales. Llamaremos contradominio de S al con-
junto A de todos los sucesos elementales a ∈ A, que verifican ξ(a) ∈ S. Es decir,
A = ξ–1(S).
6
tema 65
matemáticas
es decir, F(x) es la suma de las probabilidades pk de los puntos xi para los cuales
xi ≤ x.
La gráfica de F(x) es escalonada y monótona no decreciente; es decir, sus valo-
res cambian sólo en un número finito o infinito numerable de puntos x1, ..., xn, ...
reales que no tienen punto límite finito, en los que ocurren saltos de amplitud
Pk = P[ξ = xi). El salto puede expresarse mediante la función de distribución
en la forma:
Pi = P[ξ = xi] = F(xi) – F(xi–)
según la notación habitual del Análisis, y p = P[ξ = x’] = 0 si x’ es un valor que
no toma la variable aleatoria.
Por lo tanto, la función de distribución F(x) de una variable aleatoria discreta ξ
está unívocamente determinada por la función P[ξ = x] que recibe el nombre de
función de probabilidad, masa o cuantía y recíprocamente.
7
tema 65
matemáticas
Ejemplo:
Sea la experiencia aleatoria lanzar un dado y anotar el resultado:
E = {1, 2, 3, 4, 5, 6} y A = P(E)
La variable aleatoria toma los valores 1, 2, 3, 4, 5, 6. La probabilidad de cada
suceso elemental es:
1
P(ξ = xi) = ; xi = 1, 2, ..., 6
6
Los valores de la función de distribución son:
F(0) = P (ξ ≤ 0) = 0
1
F(1) = P (ξ ≤ 1) =
6
1 1 2
F(2) = P (ξ ≤ 2) = + =
6 6 6
3
F(3) =
6
4
F(4) =
6
5
F(5) =
6
F(6) = 1
La función de distribución quedará representada:
8
tema 65
matemáticas
2 Características y tratamiento
XX Esperanza matemática
Sea ξ una variable aleatoria discreta definida sobre (E, A, P), que toma los valores
x1 ,..., xi ,... tal que P(ξ = xi) = pi .
Definiremos esperanza matemática o media de la variable ξ al número
∞
α1 = E(ξ) = ∑x ⋅ p
i=1
i i
Si la variable aleatoria ξ toma un número finito de valores x1, ..., xn, la esperanza
n
1 1 n
pi =
n
E( X ) = ∑ xi
n i =1
Ejemplo:
En el caso del dado descrito en el ejemplo anterior la esperanza matemática es:
1 7
α1 = E(ξ) = ⋅ (1 + 2 + 3 + 4 + 5 + 6) =
6 2
En general, si ξ es una variable aleatoria discreta, tal que P(ξ = xi) = pi, definimos
esperanza matemática o media de la variable g(ξ) a la suma de la serie:
∞
∑p
i g ( xi ) < +∞
y también para evitar que al alterar el orden de los términos varíe la esperanza
matemática.
9
tema 65
matemáticas
2. E[ξ] es una aplicación lineal del espacio de las variables simples en R es decir,
∀ξ, η variables aleatorias simples y ∀a, b ∈ R se tiene:
E[aξ + bη] = aE[ξ] + bE[η]
3. E[Kξ] = KE[ξ]
4. E[|ξ + η|] ≤ E[|ξ|] + E[|η|]
5. Si ξ ≥ η ⇒ E[ξ] ≥ E[η], ya que ξ ≥ η ⇒ ξ – η ≥ 0 y por 1) será:
E[ξ – η] ≥ 0 ⇒ E[ξ] – E[η] ≥ 0 ⇒ E[ξ] ≥ E[η]
6. |E[ξ]| ≤ E[|ξ|]
XX Momentos
10
tema 65
matemáticas
En particular,
µ2 = σ 2 = α2 − α12
De este modo, podremos calcular los momentos centrales, conociendo los mo-
mentos respecto al origen.
Si desarrollamos el momento respecto al origen de orden n, se obtiene:
n
α n = E[ξ n ] = E (ξ − α1 + α1 ) n = E (ξ − α1 ) n + (ξ − α1 ) n −1α1 + ... + α1n =
1
n
= µn + µn −1α1 + ... + α1n
1
que nos permite calcular los momentos respecto al origen en función de los cen-
trales.
Sea ξ una variable aleatoria que verifique E[ξ] = µ, D(ξ) = σ, llamaremos variable
tipificada a la definida por:
ξ− µ
η=
σ
Mediana
Se define mediana de una distribución discreta de la varianza ξ a un valor v,
que verifique:
1 1
P (ξ ≤ v) = P(ξ ≥ v) =
2 2
Desviación media
Asociada a la mediana se define la desviación media por el valor de
E (|ξ – v|)
11
tema 65
matemáticas
Cuartil
Llamaremos cuartil de orden p (0 < p < 1) a un valor xp, tal que:
P(ξ ≤ xp) ≥ p P(ξ ≥ xp) ≥ 1 – p
Recorrido
Recorrido de la variable ξ es la diferencia entre los valores mayor y menor que
puede tomar.
Sea ξ una variable aleatoria discreta definida en (E, A, P). Llamaremos función
característica de la variable ξ, y la designaremos por α(t), a la esperanza mate-
mática de ei t ξ:
α (t ) = E[ei t ξ ] = ∑ pk ⋅ ei t xk
k
k k
Luego si:
ξ = ξ1 + ξ2 ⇒ ϕξ(t) = ϕξ (t) · ϕξ (t)
2 2
12
tema 65
matemáticas
t 2 k
ϕξ(t) = ϕ(t = 0) + ϕ’(t = 0) + t ϕ”(t = 0) + ... + t ϕ(k(t = 0)
1! 2! k!
Igualando término a término ambos desarrollos, obtenemos:
ϕ(t = 0) = 1, ϕ’(t = 0) = α1, ϕ”(t = 0) = α2, ...., ϕ(k(t = 0) = αk ⇒ αk = ϕ(k(t = 0)
Dicha expresión permite obtener el momento con respecto al origen de orden
k cualquiera, sin más que calcular la k-ésima derivada de la función generatriz
y particularizada en el origen.
13
tema 65
matemáticas
14
tema 65
matemáticas
n
P(ξ = r) = pr ⋅ qn–r ; r = 0, 1, ..., n
r
Ejemplo:
Consideremos una urna con n1 bolas blancas, y n2 bolas negras, todas iguales.
Llamaremos A al suceso obtener bola blanca, y por tanto A será obtener bola
negra.
n1 n2
P ( A) = =p P( A) = =q
n1 + n2 n1 + n2
r n−r
n n n1 n2
P(ξ = r ) = p r ⋅ q n − r =
r r n1 + n2 n1 + n2
15
tema 65
matemáticas
Varianza: σ2 = µ2 = α2 – α12
Hallemos:
n
n
α 2 = E (ξ 2 ) = E [ξ (ξ − 1) + ξ ] = ∑ r (r − 1) p r (1 − p ) n − r + E (ξ ) =
r =0 r
n
n
= ∑ r (r − 1) p r (1 − p ) n − r + np =
r =2 r
n
(n − 2)!
= n(n − 1) p 2 ⋅ ∑ ⋅ p r − 2 (1 − p ) n − r + np =
r =2 ( r − 2 )!( n − r )!
n
= n(n − 1) p 2 ⋅ ∑ ( p + 1 − p ) n − 2 + np = n(n − 1) p 2 + np
r =2
16
tema 65
matemáticas
XX Teorema de adición
Si ξ1 sigue una distribución B(n1, p) y ξ2 sigue una distribución B(n2, p), enton-
ces si ξ1 y ξ2 son independientes la variable suma ξ1 + ξ2 sigue una distribución
B(n1 + n2, p). Esto se conoce con el nombre de propiedad reproductiva respecto
de n, y es un corolario del teorema anterior.
n
Como P [ξ = r] = pr qn–r
r
n r–1 n–r+1
P[ξ = r–1] = p q
r − 1
n n − r +1 n
y como = según puede demostrarse fácilmente, tenemos que
r r r − 1
n r n − r
P[ ξ = r ] r p q n − r + 1 p (n + 1) p − r
= = = +1
P[ ξ = r − 1] n r −1 n−r +1 r q qr
r − 1 p q
17
tema 65
matemáticas
18
tema 65
matemáticas
λ λ
De n · p = λ, p = , 1 – p = 1 – , sustituyendo en Pr:
n n
n−r
n(n − 1)...(n − r + 1) λ
r
λ
Pr = ⋅ 1 − =
r! n r
−r
λr n(n − 1)...(n − r + 1)
n
λ λ
= ⋅ ⋅ 1 − ⋅ 1 − =
r! n r
r r
1 2 r − 1
1 − 1 − ... 1 −
n
n
λ
r
λ n n
= ⋅ 1 − ⋅
r! r λ
r
1 −
n
y que:
1 2 r − 1
1 − 1 − ... 1 −
n n n
lim r =1
n→∞
λ
1 −
n
19
tema 65
matemáticas
Veamos un ejemplo:
Un auditor sospecha que en un conjunto muy grande de facturas, aproximadamen-
te el 5% son fraudulentas
Se extrae al azar una muestra de 50 facturas. Obtener la probabilidad de que haya
más de 5 fraudulentas.
Para empezar, habría que precisar si el muestreo se efectúa con reemplazamiento
o sin reemplazamiento pues en el primer caso obtenemos la distribución binomial
y en el otro la distribución hipergeometrica. Cuando el tamaño de la población
es muy grande en relación al de la muestra, ambas distribuciones (la binomial y
la hipergeométrica) se comportan aproximadamente igual respecto al número de
éxitos, por lo que podemos suponer, en este ejemplo, que se trata de un muestreo
con reemplazamiento y utilizar la distribución binomial.
Así pues, la inspección factura a factura es una binoial con probabilidad de éxito
p=0,05.
Sea ξ=número de facturas fraudulentas en una muestra de 50 facturas
Sabemos que ξ sigue una distribución binomial B(r,p) con r = 50 (grande),
p = 0,05 (pequeño) y r · p = 2,5. Entonces, es válida la aproximación de Poisson a
la distribución binomial con lo que obtenemos:
4
50 4
e −2,5 2, 5k
P(ξ > 5) = 1 − P(ξ ≤ 4) = 1 − ∑ 0, 05k 0, 9550−5 = 1 − ∑ = 0,109
k =0 k k =0 k!
Función de distribución: para la distribución de Poisson la función de distri-
bución es:
λr
F ( x) = ∑ p x = ∑ e − λ
r≤x r≤x r!
Función característica:
∞
λr i t r
α( x) = E[ei t ξ ] = ∑ e − λ e
r =0 r!
Función generatriz de momentos:
∞ ∞ ∞
λr tr λ
r
( λ et ) r
ϕ(t ) = E[e ] = ∑ e ⋅ e −λ
= e ∑e
−λ
=e ∑
−λ
= e − λ e λ e = e λ( e −1)
t t
tξ tr
r =0 r! r =0 r! r =0 r!
20
tema 65
matemáticas
XX Teorema de adición
21
tema 65
matemáticas
4 Aplicaciones
Mencionaremos a título de ejemplo las siguientes:
Aplicación de la distribución binomial a la herencia biológica
Consideremos un animal cualquiera cuyos padres pertenecen a dos grupos di-
ferentes A y B y sean PA la probabilidad de que el hijo pertenezca al grupo A y
PB = 1 – PA, la probabilidad de que el hijo pertenezca al grupo B.
Si se cruzan n parejas de animales de tal forma que uno es del grupo A y el otro
del grupo B, el número de descendientes que pertenecerán al grupo A sigue
una distribución binomial de parámetros n y PA. Análogamente, el número de
descendientes que pertenecerán al grupo B sigue una distribución binomial de
parámetros n y PB.
Trayectoria aleatoria
Consideremos un punto que parte del origen del eje XX’ y avanza, por ejemplo,
1 cm a la izquierda o a la derecha con igual probabilidad 1/2. Supongamos que
después de dicho salto continúa de la misma forma dando hasta n saltos en
idénticas condiciones.
Puede comprobarse fácilmente que:
n
P [x = a] = 1/2n
n + a / 2
22
tema 65
matemáticas
23
tema 65
matemáticas
BIBLIOGRAFÍA
ARNÁIZ, G.: Introducción a la Estadística Teórica. Ed. Lex Nova.
BONET, E.: Fundamentos de estadística. Ed. Teide.
GNEDENKO, B. V. y KHINICHINE, A. I.: Introducción al Cálculo de Probabilidades. Ed. Universitaria
de Buenos Aires.
LIPSCHUTZ, S. y SCHILLER, J.: Introducción a la probabilidad y estadística. McGraw-Hill, 1999.
TUCKER, H.: Introducción a la Teoría Matemática de las Probabilidades y a la Estadística. Ed.
Vicens-Vives.
DEL BARRIO TELLADO, E. : Modelos probabilísticos, http://www.eio.uva.es/~tasio/
24
tema 65
matemáticas
RESUMEN
1.
1 Distribuciones de probabilidad de variable discreta
En este apartado se estudian los conceptos de:
Variable aleatoria discreta.
Su función de distribución: propiedades y representación gráfica.
2.
2 Características y tratamiento
En este apartado se estudian los siguientes conceptos:
Esperanza matemática: propiedades.
Momentos: Relación entre momentos centrales y momentos respecto al origen.
Variable tipificada y coeficiente de variación.
Otras medidas de centralización y dispersión: mediana, desviación media, cuartel y
recorrido.
Función característica y función generatriz de momentos: propiedades.
3.
3 Las distribuciones binomial y de Poisson
25
tema 65
matemáticas
4.
4 Aplicaciones
Mencionaremos a título de ejemplo las siguientes:
1. Aplicación de la distribución binomial a la herencia biológica.
2. Trayectoria aleatoria.
3. Sustancia radiactiva.
26