Variable aleatoria discreta

Definición
Una variable aleatoria es discreta si ella solamente toma un número finito o
numerable de valores. Las probabilidades con las cuales ella toma esos valores
constituyen una ley de probabilidad discreta sobre el conjunto de los valores.
Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados
posibles. Las variables aleatorias discretas son variables aleatorias cuyo intervalo
de valores es finito o contablemente infinito.

Características
El conjunto de posibles valores es numerable.
Suelen estar asociados a experimentos en que se mide el número de veces que
sucede algo.

 Esperanza Matemática ( Valor Esperado)

Se define esperanza o media de una variable aleatoria discreta X y se representa
por E[X] o µx al valor.

Propiedades
1. E(k) = K ; k= constante
2. E(kX) =K E(x) ; k= constante
3. E(X+K) = E(x) + k ; k= constante
4. E(cX+K) = c E(x) + k; k= constante ; c=cte y c es diferente de k
5. E(X + y) = E(x) + E(y); x, y son v.a. independientes

 Varianza Matematica: V(x)

Se define como:
El calculo de la varianza de una variable aleatoria se simplifica notablemente
utilizando la siguiente formula:

Propiedades: Si x e Y son variables aleatorias y K es una constante:

1. Var(K) = 0
2. Var(X+K) = Var(X)
3. Var(KX) = K2 Var(X)
4. Si X e Y son variables aleatorias independientes, Var(X+Y) = Var(x) + Var(Y)

Métodos de Obtención
Método de la transformación inversa
Sea X una variable aleatoria discreta con función de distribución F y probabilidades
puntuales

Considerando la función F, que es escalonada, se tiene el siguiente algoritmo:

1. Se hace s=p1, i=1.

2. Se genera . Si , entonces x=xi es el valor que se genera y

finaliza el algoritmo. Si u>s, entonces se hace i=i+1, s=s+pi y se repite el
paso 2.

Método del alias

(Este método sólo es válido para variables cuya probabilidad está concentrada en

un número finito de puntos) Sea X tal que P(X=xi)=pi, . Tras una fase
de preprocesamiento que se detalla más adelante, se tiene el siguiente algoritmo:

1. Se genera . Sean y=1+[ku], z=frac(ku).

2. Si , entonces k=y. Si z>Q(y), entonces k=A(y). Se toma x=xk.

Falta determinar los valores Q(i) y los alias A(i) de modo que se tenga
Fase de preprocesamiento:

1. Para cada se define

2. Se repiten las siguientes operaciones (a lo sumo) k-1 veces:

 Selecciónese i tal que , Ii=true. Si esto no es posible, finaliza el

preprocesamiento.

 Selecciónese j tal que , Ij=true.

 Hágase Ii=false, A(i)=j, Q(i)=kai, .

Distribuciones concretas
Distribución geométrica

Representa el número de fracasos hasta que se produce el primer éxito en un

experimento de Bernouilli de parámetro p.
La variable geométrica se puede relacionar fácilmente con la variable exponencial:

Sea .
Sea x>0.
Como , tomemos tal que para conseguir la expresión de

probabilidad puntual de una distribución G(p). Basta tomar . Tras esto

se toma un valor y generado según una y se toma x=[y]. Ya se vio

que para ello hay que hacer , con , por lo que se concluye

que

Distribución binomial negativa

Representa el número de fracasos antes del r-ésimo éxito en un experimento de
Bernouilli de parámetro p.

Existen varias formas de simular variables con distribución binomial negativa: la más
inmediata es ir simulando experimentos de Bernouilli de parámetro p y contabilizar
los fracasos hasta que se obtiene el éxito r-ésimo. Otro modo consiste en observar
que una variable BN(p,r) es suma de r variables geométricas G(p) independientes,
por lo que basta simular r veces una geométrica con parámetro p y sumar los valores
obtenidos.
Veamos también un algoritmo directo basado en el método de composición.

Sean (Poisson) y .

Luego esta composición es . Como nosotros queremos simular una

BN(p,r), entonces debemos tomar , , resultando el siguiente algoritmo:

 1. Se genera .

2. Se genera .
Este valor x está distribuido según una distribución binomial negativa BN(p,r).

Distribución de Poisson
En la primera parte de la asignatura se vio que si los tiempos entre sucesos

consecutivos son , entonces el número de sucesos por unidad de tiempo

sigue una distribución de Poisson de parámetro . En consecuencia, para generar

una variable , podemos proceder del siguiente modo: se generan

valores tales que . Ese valor x corresponderá a

una variable .

Como los valores Tj son exponenciales de parámetro , entonces se tiene

que , con , por lo que

En resumen, el algoritmo es el siguiente:

1. Sean k=1, x=1.

2. Se genera y se hace k=kui.

3. Si , entonces x-1 es el valor buscado. En caso contrario se hace

x=x+1 y se va al paso 2.
Diferencias
Ambos términos se refieren a clasificaciones diferentes de variables estadísticas.
 Las variables discretas: adquiere o asumen un número contable de valores
de un conjunto determinado, no cualquier valor. Por ejemplo: La realización
de un censo anual en una región, determinación de número de hijos en un
grupo de 50 familias.
 Las variables continuas: adquiere un número infinito (incontables) de valores
del marco de un intervalo, y puede tener valores intermedios. Por ejemplo: el
peso de vacas en una granja (se determina mediante promedio por la
diferencia de sus pesos), las alturas de un grupo de niños en un colegio.
https://ljk.imag.fr/membres/Bernard.Ycart/emel/lexique/va_discrete/va_discrete.html

http://www.economia.unam.mx/profesores/blopez/estadistica-discretas.pdf.

https://brainly.lat/tarea/4079816

https://www.academia.edu/8789578/CARACTER%C3%8DSTICAS_DE_LA_VARIABLE_ALEATORIA

https://www.um.es/or/ampliacion/node25.html