Py EC04

Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J.
Martnez
2004
Variables aleatorias discretas

Distribucin Binomial:
Muchos experimentos aleatorios satisfacen las siguientes condiciones: El experimento consiste de n pruebas, siendo n fijo. Las pruebas son idnticas y en cada prueba hay slo dos resultados posibles, que denominaremos xito (E) y Fracaso (F). Una prueba de este tipo se denomina ensayo de Bernoulli. Las pruebas son independientes, es decir que el resultado de una prueba no influye sobre el de las otras. La probabilidad de xito (P(E)=p) se mantiene constante en todas las pruebas.
Definicin: Un experimento que satisface estos cuatro requerimientos se denomina experimento Binomial. Ejemplos: 1) Se arroja una moneda n veces y se llama xito al suceso sale cara. 2) Se arroja un dado equilibrado n veces y se llama xito al suceso se obtiene un as. 3) Se arroja n veces un dardo a un blanco circular de radio R, el cul contiene en el centro un crculo de radio R/4 y se denomina xito al suceso el dardo impacta en el crculo central. 4) Se extraen 4 bolillas con reposicin de una urna que contiene 5 bolillas blancas y 3 negras y se denomina xito al suceso las 4 bolillas son blancas. 5) Es el que sigue un experimento Binomial? Se extraen 2 bolillas sin reposicin de una urna que contiene 5 bolillas blancas y 3 negras y se denomina xito al suceso la bolilla extrada es blanca. NO, no lo es ya que si denominamos Bi al suceso la i-sima bolilla extrada es blanca,
P ( B2 | B1 ) =
4 5 P ( B2 ) = 7 8
y, por lo tanto no se verifica la tercera condicin. En realidad tampoco se verifica la segunda ya que las pruebas no son idnticas (la composicin de la urna vara). Observemos que, sin embargo la cuarta condicin se satisface. Variable aleatoria binomial: Consideremos un experimento binomial que consiste de n repeticiones y en el cual P(E) = p. Denominaremos v.a. binomial a la variable X: nmero de xitos en las n repeticiones. Notacin: X ~ Bi (n,p).
37
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Calculemos su funcin de probabilidad puntual. Para ello, observemos en primer lugar que RX = {0,1,2,...,n}. Sea k RX, una secuencia posible con k xitos y n-k fracasos es:
E2 ... E1 F2 ... F 1 3 3
k nk
y su probabilidad, dada la independencia de las repeticiones, es p k (1 p ) n k . Pero, hay
n k secuencias posibles conteniendo k xitos, entonces n k nk P ( X = k ) = p X (k ) = k {0,1,..., n} k p (1 p)

Verifiquemos que
p
k =0 n
(k ) = 1. En efecto,
n n k n nk n p ( k ) = X k p (1 p ) = ( p + (1 p ) ) = 1 = 1. k =0 k =0 n
Hemos usado la frmula del Binomio de Newton: (a + b) n =
k a
k =0
b nk .
Funcin de distribucin: Si X ~ Bi (n,p),
0 [x ] n k nk FX ( x) = p (1 p) k k =0 1
donde [x] denota la parte entera de x.
si x < 0 si 0 x n si x > n
Ejemplo: Supongamos que se arroja un dado equilibrado 10 veces y se llama xito al suceso se obtiene un as. La v.a. X: nmero de ases en los 10 tiros tiene distribucin Binomial de parmetros 10 y 1/6, o sea X ~ Bi (10,1/6), entonces
10 1 5 P ( X = 4) = 4 = 0.054 6 6
4 6
10 1 5 P (3 X 5) = k = 3 k 6 6
5 k
10 k
= FX (5) FX (2) =0.22
38
2004
Esperanza y varianza de una variable aleatoria binomial: Sea X ~ Bi (n,p),
E ( X ) = np
V ( X ) = np(1 p)
Dem: En el caso n=1, X es una v.a. Bernoulli y ya hemos demostrado que en este caso, E(X)=p y V(X) = p(1-p). Sea ahora n>1,
n n n n k n k n! nk nk = ( 1 ) ( 1 ) E( X ) = k p p k p p = k p k (1 p) n k = k k k! (n k)! k =0 k =1 k =1
(k 1)!(n k )! p
k =1
n!
(1 p) n k = np
(n 1)! p k 1 (1 p ) n k = k =1 ( k 1)! ( n k )!
n
n n 1 n 1 n 1 k 1 j n 1 ( n 1) ( k 1) np p ( 1 p ) = np p (1 p ) n 1 j = np ( p + (1 p) ) = np. k 1 ( k 1) = j j k =1 j =0
Recordemos que V ( X ) = E X 2 (E ( X ) ) = E X 2 n 2 p 2 .
2
n n n k n k nk nk (k (k 1) + k ) E( X 2 ) = k 2 p ( 1 p ) = k k p (1 p) k =0 k =0 n n n n k n k n k nk nk nk = k (k 1) p ( 1 p ) + k p ( 1 p ) = k ( k 1 ) k k k p (1 p ) + E ( X ) k =0 k =0 k =2
( )
( )
= k (k 1)
k =2
n n! n! p k (1 p ) n k + np = p k (1 p ) n k + np k!(n k )! ( k 2 )! ( n k )! k =2
= n(n 1) p 2
k =2
(n 2)! p k 2 (1 p ) n k + np (k 2)!(n k )!
( k 2)= j
= n(n 1) p 2
n2
n 2 j n2 p (1 p ) n 2 j + np = n(n 1) p 2 ( p + (1 p ) ) + np j j =0
= n(n 1) p 2 + np
39
2004
En realidad, para que la demostracin anterior sea vlida debe ser n 2, pero es inmediato verificar que, si n=1, E ( X 2 ) = p y por lo tanto la expresin hallada es vlida para todo n. Finalmente,
V ( X ) = E ( X 2 ) (E ( X ) ) = n(n 1) p 2 + np n 2 p 2 = np 2 + np = np (1 p )
2
En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin Binomial para distintos valores de p y n=10. Puede observarse cmo la distribucin se simetriza a medida que p tiende a 0.5. Cmo seran los grficos para valores de p>0.5?
Bi(10, 0.1 )
0.4 0.4
Bi(10, 0.15 )
0.4
Bi(10, 0.2 )
p(x)
p(x)
p(x) 0 2 4 x 6 8 10
0.2
0.2
0.0
0.0
4 x
10
0.0 0
0.2
4 x
10
Bi(10, 0.25 )
0.4 0.4
Bi(10, 0.3 )
0.4
Bi(10, 0.35 )
p(x)
p(x)
p(x) 0 2 4 x 6 8 10
0.2
0.2
0.0
0.0
4 x
10
0.0 0
0.2
4 x
10
Bi(10, 0.4 )
0.4 0.4
Bi(10, 0.45 )
0.4
Bi(10, 0.5 )
p(x)
p(x)
p(x) 0 2 4 x 6 8 10
0.2
0.2
0.0
0.0
4 x
10
0.0 0
0.2
4 x
10
40
2004
En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin Binomial para distintos valores de p y n.
Bi( 5 , 0.1 )
0.6 0.6
Bi( 10 , 0.1 )
0.6
Bi( 25 , 0.1 )
0.4
0.4
p(x)
p(x)
0.2
0.2
p(x) 0 2 4 x 6 8 10
0.0
0.0
2 x
0.0 0
0.2
0.4
10 x
15
20
25
Bi( 5 , 0.5 )
0.6 0.6
Bi( 10 , 0.5 )
0.6
Bi( 25 , 0.5 )
0.4
0.4
p(x)
p(x)
0.2
0.2
p(x) 0 2 4 x 6 8 10
0.0
0.0
2 x
0.0 0
0.2
0.4
10 x
15
20
25
Bi( 5 , 0.9 )
0.6 0.6
Bi( 10 , 0.9 )
0.6
Bi( 25 , 0.9 )
0.4
0.4
p(x)
p(x)
0.2
0.2
p(x) 0 2 4 x 6 8 10
0.0
0.0
2 x
0.0 0
0.2
0.4
10 x
15
20
25
41
2004
Variable aleatoria Geomtrica: Supongamos que se repite en forma independiente un ensayo de Bernoulli con probabilidad de xito (P(E)=p) constante en todas las pruebas. Se define la v.a.
X: nmero de repeticiones hasta obtener el primer xito. Notacin: X ~ G (p). Al estudiar en general las v.a. discretas, hemos probado que la funcin de probabilidad puntual de X est dada por
p X (k ) = (1 p ) k 1 p
y su funcin de distribucin acumulada por
k N .
0 FX ( x) = [x ] 1 (1 p )
donde [x ] denota la parte entera de x .
si x < 1 si x 1
Esperanza y varianza de una variable aleatoria geomtrica: Sea X ~ G (p),
E( X ) =
1 p
V (X ) =
(1 p ) p2
Dem: Lo hemos demostrado al estudiar en general la esperanza y la varianza de una v.a. discreta. Proposicin (Propiedad de Falta de Memoria): Sea X ~ G (p) y sean n y m nmeros naturales cualesquiera,
P ( X > n + m | X > n ) = P ( X > m)

Dem: Ejercicio. (Sugerencia: Demostrar que si X ~ G (p), P ( X > k ) = (1 p ) k ).
Ejemplo: Sea X: nmero de tiros hasta obtener el primer as en una sucesin de tiros de un dado equilibrado, entonces X ~ G (1/6).
42
2004
15 P ( X = 7) = = 0.06 66
5 P ( X 6) = P( X > 5) = = 0.40 6
E( X ) = 1 =6 1/ 6 V (X ) =
5
(1 / 6)2
5/6
= 30
En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin Geomtrica para distintos valores de p.
G( 0.1 )
0.4 0.4
G( 0.15 )
0.4
G( 0.2 )
p(x)
p(x)
0.2
0.2
p(x) 0 5 10 15 x 20 25 30
0.0
0.0
10
15 x
20
25
30
0.0 0
0.2
10
15 x
20
25
30
G( 0.25 )
0.4 0.4
G( 0.3 )
0.4
G( 0.35 )
p(x)
p(x)
0.2
0.2
p(x) 0 5 10 15 x 20 25 30
0.0
0.0
10
15 x
20
25
30
0.0 0
0.2
10
15 x
20
25
30
G( 0.4 )
0.4 0.4
G( 0.45 )
0.4
G( 0.5 )
p(x)
p(x)
0.2
0.2
p(x) 0 5 10 15 x 20 25 30
0.0
0.0
10
15 x
20
25
30
0.0 0
0.2
10
15 x
20
25
30
43
2004
Variable aleatoria Binomial Negativa: Supongamos que se repite en forma independiente un ensayo de Bernoulli con probabilidad de xito (P(E)=p) constante en todas las pruebas. Se define la v.a.
X: nmero de repeticiones hasta obtener el r-simo xito (r 1). Notacin: X ~ BN (r,p). Esta v.a. es una generalizacin de la v.a. Geomtrica, la cual corresponde al caso r = 1. Observemos que RX = {r, r+1, r+2, ....} y hallemos su funcin de probabilidad puntual. Sea k un nmero natural, k r. Para que sean necesarias k repeticiones para obtener el primer xito, el r-simo xito debe ocurrir en la repeticin k y en las (k-1) repeticiones previas debe haber exactamente (r -1) xitos. Como las repeticiones son independientes la probabilidad de una configuracin de ese tipo es p r (1 p ) k r , pero hay varias configuraciones de esta forma. Cuntas? Tantas como formas de elegir entre las (k-1) primeras repeticiones, aquellas donde ocurrirn los (r-1) xitos, o sea Por lo tanto la funcin de probabilidad puntual ser:
k 1 . r 1
k 1 r k r P( X = k ) = p (1 p ) r 1
Funcin de distribucin: Si X ~ BN (r,p),
k {r , r + 1, r + 2,....}
0 FX ( x) = [ x ] k 1 r p (1 p ) k r k =r r 1
donde [x] denota la parte entera de x.
si x < r si x r
Ejemplo: Se extraen con reposicin bolillas de una urna que contiene 3 bolillas blancas y 7 rojas. Se define X: nmero de extracciones hasta obtener la cuarta bolilla roja. X ~ BN (4,7/10)
5 1 7 P ( X = 5) = 4 1 10
3 = 0.29 10
44
2004
k 1 7 P (5 X 7) = k = 5 3 10
7
3 10
k 4
= 0.49
Proposicin: Sea X ~ BN (r,p),
E( X ) =
r p
V (X ) =
r (1 p) p2
Dem: Lo demostraremos ms adelante usando que una v.a. Binomial Negativa puede expresarse como suma de v.a. Geomtricas independientes.
Observacin: Esta v.a. suele tambin definirse como el nmero de Fracasos antes de obtener el r-simo xito. Si la denotamos X, entonces su rango ser RX* = {0,1,2,...} = N {0} y su funcin de probabilidad puntual:
r + x 1 r x p X * ( x) = p (1 p) x
En este caso,
E( X * ) =
r (1 p) r (1 p) y V (X * ) = p p2
Variable aleatoria Hipergeomtrica: Supongamos que

La poblacin a ser muestreada consiste de N elementos o individuos (poblacin finita) Cada elemento o individuo puede ser clasificado como xito o Fracaso y hay D xitos en la poblacin. Se extrae de la poblacin una muestra de n elementos o individuos, de forma tal que cualquier subconjunto de tamao n tiene la misma probabilidad de ser elegido.
Sea X : nmero de xitos en la muestra de tamao n. Se dice que X tiene distribucin Hipergeomtrica de parmetros n, N y D y se denota X ~ H (n,N,D)
Ejemplo: De una urna que contiene 3 bolillas blancas y 7 negras se extraen 4 bolillas sin reposicin y se define X: nmero de bolillas blancas extradas.
45
2004
Cmo calcularamos la probabilidad de que se extraigan 2 bolillas blancas (X = 2)? Como todos los conjuntos de 4 bolillas tienen la misma probabilidad de ser extrados, la probabilidad de uno cualquiera de ellos ser
3 7 1 . Por otro lado hay 2 2 conjuntos 10 4
que contienen 2 bolillas blancas y 2 negras y, por lo tanto la probabilidad pedida ser:
3 7 2 2 = 3 21 = 3 . P ( X = 2) = 210 10 10 4
Proposicin: Si X ~ H (n,N,D),
D N D k nk p X (k ) = N n N
max(0, n ( N D) ) k min (n, D )
Dem: El nmero de subconjuntos distintos de tamao n que se pueden extraer de una
poblacin de tamao N es k n . De esos conjuntos, hay que contienen k n k xitos y (n-k) Fracasos y se obtiene la funcin de probabilidad. El rango de valores posibles de k resulta de observar que se deben satisfacer tres condiciones:
D N D
0k n
kD
n-kN-D
De las dos primeras se obtiene: k n, k D k min(n, D) De la primera y la tercera se obtiene: k 0, k n ( N D) k max(0, n ( N D ) ) . Proposicin: Si X ~ H (n,N,D),
E( X ) = n
D N
D N n D V (X ) = n 1 N N 1 N
Dem: Ejercicio opcional.
46
2004
Observaciones: 1) El factor
N n que aparece en la expresin de la varianza se N 1
denomina factor de correccin por poblacin finita. 2) Si n es pequeo en relacin a N, la hipergeomtrica puede ser aproximada por la distribucin Binomial de parmetros n y p=D/N. Observemos que, en este caso el factor de correccin finita es aproximadamente 1.
Lmite de la funcin de probabilidad puntual de una v.a. Binomial:

Proposicin: Sea X ~ Bi(n,p) y supongamos que n y p 0 , de manera que n p = (fijo), entonces:
n k e k n.k p ( 1 p ) p X (k ) = k k!
Dem:
k N o = N {0}
n k n! nk p X (k ) = k p (1 p ) = k!(n k )! n 1 n
k
nk
n(n 1)...(n k + 1) = 1 1 n n nk
n
k
k!
n n 1 n k + 1 .... = 1 n 1 n n n n
n
k
k!
Observemos que:
n 1 n k +1 n 1 .... n n
n
e 1 n n 1 n
k
n 1 e k , como queramos demostrar. k!
Entonces, p X (k )
47
2004
Esta proposicin sugiere que la funcin de probabilidad puntual podra ser aproximada por la funcin de probabilidad lmite, pero cundo se considera que n es grande y p es pequeo para que la aproximacin sea buena? Algunos autores sugieren n 100, p 0.01 y np 20. En la siguiente tabla se presentan a modo de ejemplo, algunos valores exactos de la probabilidad y su aproximacin para el caso X ~ Bi (100, 1/36) k 0 1 2 5 8 9 10 Prob. exacta (Binomial) 0.0598 0.1708 0.2416 0.0857 0.0049 0.0014 0.0004 Aproximacin 0.0622 0.1727 0.2399 0.0857 0.0055 0.0017 0.0005
Como se observa, la aproximacin es bastante buena, an cuando no se cumple la condicin p 0.01.
Variable aleatoria Poisson: Una v.a. cuya funcin de probabilidad puntual es la obtenida en la proposicin anterior, se dice que tiene distribucin de Poisson de parmetro ( > 0), y se nota X ~ P().
Es decir, X ~ P() si su funcin de probabilidad puntual est dada por:
p X (k ) =
e k k!
k N o = N {0}
Verifiquemos que es, en efecto, una funcin de probabilidad puntual: Es obvio que p X (k ) 0 Por otra parte
k .
p X (k ) =
k =0
k e k = e = e e = 1, k! k =0 k = 0 k!
ya que
xk es el desarrollo en serie de e x . k ! k =0
48
2004
Ejemplo: Sea X: nmero de mensajes rechazados por segundo por un servidor, supongamos que X ~ P(5).
a) Calcular la probabilidad de que se rechacen exactamente 2 mensajes en un segundo.
P ( X = 2) =
e 5 5 2 = 0.084 2!
b) Calcular la probabilidad de que se rechacen a lo sumo 2 mensajes en un segundo.
P ( X 2) =
e 5 5 k 52 = e 5 + + 1 5 k! 2 k =0
2
=0.125
Proposicin: Si X ~ P(), entonces
E( X ) =
Dem:
V (X ) =
E( X ) = k
k =0
e k e k e k e k 1 e j = k = = = = . k! k! j! ! k =1 (k 1)! k =1 k =1 (k 1) j =0
Por otra parte,

e k e k e k e k = (k (k 1) + k ) = k (k 1) + k = k! k! k! k! k =0 k =2 k =0
E( X 2 ) = k 2
k =0
= 2
e j e k 2 + E ( X ) = 2 + = 2 + . ( ) k j 2 ! ! k =2 j =0
Entonces
V ( X ) = E ( X 2 ) (E ( X ) ) = 2 + 2 = .
2
49
2004
En el siguiente grfico se muestra la funcin de probabilidad puntual correspondiente a la distribucin de Poisson para distintos valores de . En l puede observarse cmo la distribucin se simetriza alrededor de a medida que este parmetro crece.
lambda=0.10 0.8 0.6 Distribucion Poisson lambda =1
0.6
0.4
p(x)
p(x)
0.4
0.2
p(x) 0.0 0 5 10 x lambda =3 0.20 15 20
0.2
10 x lambda =2
15
20
0.0 0
0.0
0.1
0.2
0.3
lambda =0.5
10 x lambda =5
15
20
0.20
p(x)
p(x)
0.10
0.10
p(x) 0 5 10 x lambda =15 15 20
0.0
0.0
10 x lambda =10
15
20
0.0 0
0.05
0.10
0.15
10 x lambda =20
15
20
0.12
0.08
p(x)
0.08
p(x)
0.04
0.04
p(x) 0 5 10 15 x 20 25 30 0.0 0 0.02
0.0
10
15 x
20
25
30
0.0
0.06
10
20 x
30
40
Proceso de Poisson: Una aplicacin importante de la distribucin de Poisson surge en

relacin con la ocurrencia de eventos a lo largo del tiempo, por unidad de rea, por unidad de volumen, etc. En lo que sigue nos referiremos, sin prdida de generalidad a ocurrencias de un evento a lo largo del tiempo, que podremos esquematizar en la forma:
50
2004
A partir del instante 0 y hasta el momento t1 ocurrieron 5 eventos. Imaginemos que dividimos el intervalo (0, t1 ) en un nmero muy grande de pequeos subintervalos, de manera que se satisfacen las siguientes condiciones: La probabilidad de que ocurra un evento en un subintervalo pequeo es aproximadamente proporcional a la longitud del subintervalo. La probabilidad de que ocurra ms de un evento en un subintervalo es despreciable con respecto a la probabilidad de que ocurra uno. La ocurrencia de un evento en un subintervalo es independiente de lo que ocurre en otro subintervalo disjunto.
En particular, si todos los intervalos son de igual longitud t1/n, la v.a. X t1 : nmero de eventos que ocurren en el intervalo (0, t1 ) es casi binomial, siendo xito la ocurrencia de un evento en cada uno de los subintervalos y p = P(xito)=probabilidad de que ocurra un evento. Si el nmero de subintervalos es suficientemente grande y por lo tanto el p suficientemente pequeo, por el resultado lmite que hemos probado, la variable X t1 tiene distribucin de Poisson.
Ejemplos: 1) Mensajes de correo electrnico que llegan a una casilla de correos. 2) Emisin de partculas por una sustancia radioactiva. 3) Accidentes que ocurren en un cruce de ruta. 4) Nmero de errores en una pgina de un libro. 5) Nmero de larvas de cierto insecto en un terreno. Ejercicio: Para cada uno de estos ejemplos, discutir en que situaciones se verifican las tres condiciones enunciadas.
Definicin: Supongamos que se observa la ocurrencia de un evento a lo largo del tiempo y que existe una cantidad positiva > 0, tal que 1) La probabilidad de que ocurra exactamente un evento en un intervalo pequeo de longitud t es aproximadamente igual a t , es decir: P(ocurra un evento en t) = t + o(t) siendo o(h) una funcin g(h) tal que lim
h 0
g ( h) = 0. h
51
2004
2) La probabilidad de que ocurra ms de un evento en un intervalo pequeo de longitud t es despreciable cuando se la compara con la probabilidad de que ocurra un evento, es decir: P(ocurra ms de un evento en t) = o(t) 3) El nmero de eventos que ocurren en un intervalo es independiente del nmero de eventos que ocurren en otro intervalo disjunto. Entonces, el nmero de ocurrencias del evento en un periodo de longitud t tiene distribucin de Poisson de parmetro ( t), es decir que la v.a. Xt: nmero de ocurrencias del evento en el intervalo de longitud t satisface Xt ~ P( t) Observaciones: 1) Cmo se interpreta la cantidad ? Puede interpretarse como la tasa media a la cual ocurren los eventos en la unidad de tiempo. Se la suele llamar tasa media de ocurrencia o intensidad del Proceso de Poisson. 2) Cul es la diferencia entre un Proceso de Poisson y una v.a. con distribucin Poisson? La definicin anterior, que en realidad es un teorema, da las condiciones bajo las cules ciertos experimentos aleatorios que producen como resultados eventos en el tiempo (o en longitud, rea, volumen, etc) pueden ser modelados mediante la distribucin de Poisson. Consideremos los ejemplos 1) a 5). Slo bajo ciertas condiciones, satisfacen las propiedades de un Proceso de Poisson. Ejemplo: Supongamos que el nmero de mensajes de correo electrnico que llegan a una casilla de correos sigue un proceso de Poisson de intensidad = 2 mensajes / minuto. a) Cul es la probabilidad de que no se reciba ningn mensaje entre las 12 hs y las 12:03 hs? Sea X3: nmero de mensajes en un periodo de 3 minutos, X3 ~ P(2 3) = P(6). Entonces, P(X3 =0) = e-6 = 0.002 b) Cul es el nmero esperado de mensajes en media hora? Sea X30: nmero de mensajes en un periodo de 30 minutos X30 ~ P(2 30) = P(60) E(X30) = 60 c) Cul es la probabilidad de que no se reciba ningn mensaje entre las 13:30 hs y las 13:33 hs? La respuesta es la misma del tem a) porque la distribucin depende slo de la longitud del intervalo y no de su ubicacin.
52

Py EC04

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Py EC04

Caricato da

Copyright:

Formati disponibili

Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J.

Variables aleatorias discretas

y su probabilidad, dada la independencia de las repeticiones, es p k (1 p ) n k . Pero, hay

n k secuencias posibles conteniendo k xitos, entonces n k nk P ( X = k ) = p X (k ) = k {0,1,..., n} k p (1 p)

Hemos usado la frmula del Binomio de Newton: (a + b) n =

Funcin de distribucin: Si X ~ Bi (n,p),

= FX (5) FX (2) =0.22

Esperanza y varianza de una variable aleatoria binomial: Sea X ~ Bi (n,p),

Esperanza y varianza de una variable aleatoria geomtrica: Sea X ~ G (p),

P ( X > n + m | X > n ) = P ( X > m)

Proposicin: Sea X ~ BN (r,p),

Variable aleatoria Hipergeomtrica: Supongamos que

3 7 1 . Por otro lado hay 2 2 conjuntos 10 4

max(0, n ( N D) ) k min (n, D )

Dem: El nmero de subconjuntos distintos de tamao n que se pueden extraer de una

Dem: Ejercicio opcional.

N n que aparece en la expresin de la varianza se N 1

Lmite de la funcin de probabilidad puntual de una v.a. Binomial:

n 1 e k , como queramos demostrar. k!

Como se observa, la aproximacin es bastante buena, an cuando no se cumple la condicin p 0.01.

a) Calcular la probabilidad de que se rechacen exactamente 2 mensajes en un segundo.

b) Calcular la probabilidad de que se rechacen a lo sumo 2 mensajes en un segundo.

Proposicin: Si X ~ P(), entonces

Por otra parte,

p(x) 0.0 0 5 10 x lambda =3 0.20 15 20

p(x) 0 5 10 x lambda =15 15 20

p(x) 0 5 10 15 x 20 25 30 0.0 0 0.02

Proceso de Poisson: Una aplicacin importante de la distribucin de Poisson surge en

Potrebbero piacerti anche