Sesión 8: Variables aleatorias discretas

Probabilidad y estadı́stica

Juan Urrea

Universidad de Antioquia

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 1 / 16

Outline

1 definición variables aleatorias

2 PMF
3 Variable aleatoria uniforme
4 Variable aleatoria Bernoulli
5 Variable aleatoria binomial
6 Variable aleatoria geométrica
7 Variable aleatoria Poisson

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 2 / 16

Variables aleatorias (V.A.)

Una variable aleatoria es una función cuyos valores son números reales
y dependen del azar.
X:Ω→R

V.A. es una función (o mapeo ) del espacio muestral Ω en números

reales.
Ejemplos:
Número de caras al lanzar tres monedas, X = 0, 1, 2, 3
La suma de el lanzamiento de dos dados, Y = 2, 3, ..., 11, 12
El número de lanzamientos del dado hasta obtener un uno,
Z = 1, 2, 3, 4, ...
Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 3 / 16
Función de masa de probabilidad (PMF)

Notación:
pX (x) = P(X = x)
Propiedades: X
pX (x) = 1, pX (x) ≥ 0
x

Para un evento S, su probabilidad es:

X
P(X ∈ S) = pX (x)
x∈S

Función de distribución acumulada:

X
FX (x) = P(X ≤ x) = pX (k)
k≤x

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 4 / 16

Ejemplo
Un dado es cargado en tal forma que la frecuencia de que aparezca
una cara es proporcional al número de puntos de esa cara.
Construir la PMF
Determinar la función de distribución acumulada
Calcular la probabilidad de obtener máximo 3 en el dado cargado.
Calcular la probabilidad de obtener entre 2 y 5 en el dado cargado.

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 5 / 16

Ejemplo
En el sistema de la figura cada componente funciona de forma
independiente con probabilidad 0.9.
A C1 C2 B

C3
Sea X el número de salidas de A a B.
Determinar el mapeo de la variable aleatoria
Construir la PMF
Determinar la función de distribución acumulada
Calcular la probabilidad de tener máximo una salida

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 6 / 16

Variable aleatoria uniforme

Definición: Sea X una variable aleatoria discreta cuyos valores son

equiprobables.
X = a, a + 1, . . . , b − 1, b
Notación:
X ∼ Uniforme(a, b)
Distribución:
1
pX (k) =
n
con k ∈ {a, a + 1, . . . , b − 1, b}, y n = b − a + 1
Ejemplos:
El lanzamiento de un dado, X = 1, 2, 3, 4, 5, 6
El lanzamiento de una moneda, X = 1, 2
Seleccionar un número entre 10 y 30, X = 10, 11, . . . , 29, 30

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 7 / 16

Variable aleatoria de Bernoulli

Definición: Siempre que se pueda reducir un experimento a una

respuesta dicotómica del tipo: una máquina funciona o no funciona,
una persona es joven o mayor, etc. se define una v.a. Bernoulli.

1 éxito
X=
0 fracaso
Distribución:

x 1−x p si x = 1
pX (x) = p (1 − p) =
1 − p si x = 0

Notación: X ∼ Bernoulli(p)
Ejemplos:
El lanzamiento de una moneda (cara o sello)
El lanzamiento de un dado es mayor ≥ 2, o < 2
Transmisión correcta o erronea.
Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 8 / 16
Variable aleatoria binomial

Definición: Suponga que un ensayo de Bernoulli se repite n veces,

entonces se presentan las siguientes caracterı́sticas:
Cada vez que se repite un ensayo es independiente de los demás.
La probabilidad p de que suceda el evento (éxito o fracaso), no cambia
a lo largo del experimento (selección con repetición).
X: Indica el número de veces que ocurre el resultado (éxito o fracaso)
en los n ensayos del experimento.

X = 0, 1, 2, . . . , n
Distribución:
 
n k
pX (X = k) = p (1 − p)n−k k = 0, 1, 2, . . . , n.
k
Notación:
X ∼ Binomial(n, p)

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 9 / 16

Ejemplo

Se lanza 6 veces una moneda (normal).

Determinar PX (x)
¿Cuál es la probabilidad de obtener 4 caras o más ?

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 10 / 16

Variable aleatoria geométrica

Definición: En este caso un experimento Bernoulli con probabilidad p,

se repite hasta obtener por primera vez el evento buscado (éxito o
acierto).
Sea X el número de intentos hasta el primer éxito (pueden ser
infinitos)
X = 1, 2, . . . , ∞
Distribución:

pX (k) = (1 − p)k−1 p k = 1, 2, . . . ∞

Notación:X ∼ Geométrica(p)
Ejemplos:
Número de lanzamientos del dado hasta obtener un uno.
Número de intentos para pasar a la Universidad.
Número de llamadas hasta que contesten en un centro de servicios
telefónico.
 Ejemplo:

Un jugador de baloncesto lanza tiros libres con probabilidad de

encestar de p = 0,6. Encuentre la probabilidad de que:
a. tenga que realizar 4 lanzamientos para obtener su primera cesta.
b. encesta en 4 lanzamientos o menos.

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 12 / 16

Variable aleatoria Poisson

Definición: Los eventos que ocurren en un intervalo (de tiempo o

espacio) son independientes de los que ocurren en otro Intervalo.
Los eventos en dicho intervalo tienen una velocidad o tasa de
ocurrencia.
Sea X el número de ocurrencias de un evento en un intervalo, de
eventos
tiempo o espacio, con una tasa o velocidad λ [ tiempo o espacio ].

X = 0, 1, 2, 3, . . . , ∞
Distribución:
λk
pX (k) = e−λ , k = 0, 1, 2, . . .
k!
Notación:
X ∼ Poisson(λ)

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 13 / 16

Variable aleatoria Poisson

Aproximación Binomial con Poisson: Cuando n es grande y p es

pequeña:

λk
 
n k
p (1 − p)n−k ≈ e−λ , haciendo λ = np
k k!

Ejemplos:
Número de llamadas que llegan a un centro de servicios telefónico, en
el intervalo de un minuto
Número de huecos en un kilómetro de vı́a.
Número de personas que entran a un banco, en una hora
Número de fallas en la conexión a Internet, por dı́a

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 14 / 16

Ejemplo:
El número medio de aviones que usan una pista de aterrizaje en un
aeropuerto es de 5 cada hora. Suponiendo que las llegadas siguen una
distribución de Poisson:
a. ¿Cuál es la probabilidad de que el número de llegadas sea 4 o mayor?
b. ¿Cuál es la probabilidad de que en dos horas aterrizen 4 aviones o
menos ?

Juan Urrea ( Universidad de Antioquia) Sesión 8: Variables aleatorias discretas 15 / 16

Ejemplo:

Se realizan 500 pruebas de comunicación entre dos dispositivos. La

probabilidad de error de comunicación en cada prueba es de 0.02.
Calcular la probabilidad de que se presenten 2 o más errores en las
500 pruebas.