Professional Documents
Culture Documents
Iniesta
Tema 4:
Variables aleatorias discretas
Objetivos
Dominar el uso de las funciones asociadas a una variable aleatoria discreta para
calcular probabilidades.
Conocer el signicado y saber calcular la esperanza y la varianza de una variable
aleatoria discreta.
Reconocer y aplicar modelos de probabilidad discretos
Tema 4 Pgina: 1
M. Iniesta
es decir
De la denicin se derivan las siguientes propiedades de la funcin de probabilidad:
1. Se dene la Funcin de Distribucin de la variable X como F (x) = yX ,yx p(y) =
P
F (x). La funcin F (x), en este caso, acumula la probabilidad asociada al punto
muestral x a la de los puntos muestrales menores que x.
2.
P
xX p(x) = 1
3. Si I R, P (X I) =
P
xI,xX p(x)
Ejemplo 1.2 Si X =nmero de caras al tirar dos veces una moneda, su funcin de
probabilidad es
1/4, si x = {0, 2};
p(x) = 1/2, si x = 1;
0, si x / {0, 1, 2}.
y su funcin de distribucin es
0 si x < 0;
1/4, si x [0, 1);
F (x) =
3/4, si x [1, 2);
1, si x 2.
1.3. Actividades
Estudiar si las funciones siguientes pueden ser funciones puntuales de probabilidad
1
1. p(x) = si x = 0, 1, 2, 3, 4 y p(x) = 0 en el resto
5
2. p(x) = k si x = 10, 9, ..., 9, 10 y p(x) = 0 en el resto
2x + 1
3. p(x) = si x = 1, 2, 3, 4 y p(x) = 0 en el resto
24
Con estos parmetros, que denimos a continuacin, pretendemos describir una va-
riable aleatoria respecto a sus caractersticas de centralizacin y dispersin.
Tema 4 Pgina: 2
M. Iniesta
Ejemplo 2.1 Supongamos que en un juego ganamos 10 euros si al tirar un dado sacamos
un cinco o un seis, ganamos 5 si sale un 2 o un 3 o un 4 y perdemos 25 si sale un 1. Si
llamamos X a la ganancia obtenida en una jugada, la funcin de probabilidad de X es
2
, si x = 10;
63
6
, si x = 5;
p(x) = 1
, si x = 25;
6
0, si x/ {10, 5, 25}.
cuya esperanza vale:
2 3 1 10
E(X) = 10 + 5 25 =
6 6 6 6
que sera el valor medio de nuestras ganancias a largo plazo (en un gran nmero de
jugadas).
1 1 1
E(X) = 0. + 1. + 2. = 1
4 2 4
esto signica que en un gran nmero de experiencias, el valor medio del nmero de caras
tendera a 1.
propia variable. Variables con desviacin tpica pequea indicar que hay alta probabi-
lidad de observar valores prximos a la esperanza matemtica o media terica E(X). Si
denotamos E(X) mediante y V (X) mediante 2 Denimos
V (X) = 2 = E((X )2 ) = E(X 2 ) 2
y podemos calcularla mediante la siguiente expresin:
X X X
V (X) = 2 = x2 p(x) 2 = x2 p(x) ( xp(x))2
xX xX xX
Tema 4 Pgina: 3
M. Iniesta
1 1 1 1
2 = 02 + 12 + 22 12 =
4 2 4 2
y su desviacin tpica es
1
D(X) = =
2
2.3. Actividades
Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades
de la seccin 1.3.
o lo que es igual
px (1 p)1x , si x X = {0, 1};
p(x) = P (X = x) =
0, en otro caso.
Podemos, para este modelo, fcilmente calcular su esperanza y su varianza: que son
E(X) = 1p + 0(1 p) = p
V (V ) = 12 p + 02 (1 p) p2 = p(1 p)
X B(p)
Tema 4 Pgina: 4
M. Iniesta
V (X) = np(1 p)
X B(n, p)
3.2.1. Actividades
Tema 4 Pgina: 5
M. Iniesta
el espacio muestral es X = {max{0, n(N N1 )}, ....., mn{N1 , n}} y su funcin puntual
de probabilidad es
N1
(Nx1 )(Nnx )
(
N , si max{0, n (N N1 )} x mn{N1 , n};
p(x) = (n)
0, en otro caso.
En este caso la esperanza y la varianza valen:
E(X) = n NN1
N1 N n
V (X) = n NN1 (1 )
N N 1
3.3.1. Actividades
Tema 4 Pgina: 6
M. Iniesta
cuyo espacio muestral es X = {0, 1, 2, ...}, sigue una distribucin de Poisson (tambin
llamada Ley de los Sucesos Raros) de parmetro si su funcin de probabilidad est
dada por:
e x! , si x X = {0, 1, 2, ....};
x
p(x) =
0, en otro caso.
En este caso:
E(X) =
V (X) =
Tema 4 Pgina: 7
M. Iniesta
3.4.1. Actividades
4. Bibliografa
Tema 4 Pgina: 8