Unidad 3.

Variable
Aleatoria Discreta

VARIABLE

VARIABLE: Adj. que varia o puede variar.

f. Mat. Magnitud que puede tener un valor cualquiera de
los comprendidos en un conjunto.
Nmero que resulta de una medida u operacin.
VARIABLE CONTINUA: La que consta de unidades o partes que no
estn separadas unas de otras, como la longitud de una
lnea, el rea de una superficie, el volumen de un slido, la
cabida de un vaso, etc.
VARIABLE DISCRETA: La que consta de unidades o partes
separadas unas de otras, como los rboles de un monte,
los soldados de un ejrcito, los granos de una espiga, etc.
* Real Academia de la Lengua Espaola

VARIABLE ALEATORIA

Variable Aleatoria: f. Mat. Magnitud cuyos valores estn determinados

por las leyes de probabilidad, como los puntos
resultantes de la tirada de un dado.

Variable Aleatoria:

Continua
Discreta

Algunos valores de una variable aleatoria pueden ser mas probables que otros,
lo que da origen al concepto de distribucin de probabilidad de una VA.

Ejemplos variable aleatoria continua

Experimento

Variable aleatoria

Valores posibles V.A

Funcionamiento de un
banco

Tiempo en minuto, entre

llegadas de clientes

X>=0

Llenar una lata de

bebida
(mx =12.1 onzas)

Cantidad de onzas

0<=x<=12.1

Proyecto para construir

un biblioteca

Porcentaje de terminado
del proyecto

0<=x<=100

Ensayar un nuevo
proceso qumico

Temperatura cuando se
lleva a cabo la reaccin
deseada (min 150 F;
mx 212F)

150<=x<=212

Ejemplos variable aleatoria discreta

Experimento

Variable aleatoria

Valores posibles V.A

Llamar a cinco clientes

Cantidad de clientes

0, 1,2,3,4,5

Inspeccionar un
embarque de 40 chips

Cantidad de chips
defectuosos

0,1,2,.,40

Funcionamiento de un
restaurante durante un
da

Cantidad de clientes

0,1,2,3.

Vender un automvil

Sexo Cliente

0 si es hombre y 1 si es
mujer

Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:

X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.

La variable aleatoria puede ser discreta o continua.

Veremos en este captulo el caso discreto.

Funcin de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad asociada a X, de
la siguiente forma:

p : [0,1]
x p ( x) P( X x)
La funcin de probabilidad debe cumplir:

(i) p( x) 0 x
(ii ) p( x) 1
x

(Suma sobre todos los posibles valores

que puede tomar la variable aleatoria).

Una variable x es variable aleatoria si el valor que toma,

correspondiente al resultado de un experimento, es una probabilidad
o evento aleatorio.
p.e. Suponga que tira un dado y se mide x, el nmero observado en la
cara superior . La variable x puede tomar cual quiera de seis valores:
1,2,3,4,5,6, dependiendo del resultado aleatorio del experimento. Por
esta razn, la variable x se conoce como variable aleatoria.
Algunos ejemplos:
X = Nmero de defectos en una pieza de mueble seleccionada al
azar
X = Calificacin de examen de aptitud escolar (SAT) para un
solicitado universitario seleccionado al azar.
Al arrojar una moneda y observar el lado que queda hacia arriba:
X={ x1 = 1 (guila), x2 = 0 (sol) }

Distribucin de probabilidad: para una variable discreta es una frmula ,

tabla o grfica que da los posibles valores de X es equivalente al sumar las
probabilidades de todos los eventos simples y por lo tanto es igual a 1. Los
valores de X representan eventos numricos M. E.
Requisitos para una distribucin de probabilidad discreta
0 p(x) 1
p(x) = 1

En la Tabla 1 se muestra
un evento simple como
E1= HH resulta dos caras,
este evento simple resulta
en el valor x = 2. del
mismo modo, el valor x =
1 se asigna a E2 , y as
sucesivamente.

Tabla .1 Evento simple de dos monedas,

H(cara), T (cruz).
Evento
simple

Moneda 1

Moneda 2

P(E1)

E1

1/4

E2

1/4

E3

1/4

E4

1/4

Continua .

Para cada valor de x , se puede calcular p(x) al sumar las probabilidades

de los eventos simples es ese evento.
p.e.
x
Eventos simples en x
p(x)
Cuando X=0
0
E4

p(0) = P(E4) = 1/4

Y cuando X = 1
p(1) = P(E2) + P(E3) = 1/2

E 2, E 3

E1

p(x) = 1

p(x)

0.50

0.25

0.00

10

21
X

332

Tres valores de la variable aleatoria x

El ancho de cada barra es 1 , el

rea bajo la barra es la
probabilidad de observar el
valor particular de x y el rea
total es igual a 1.

Ejemplo: Dibuja la funcin de distribucin de probabilidad f(x) y la

funcin de distribucin acumulada F(x) de una variable discreta
definida como:
X = Nmero en la cara de un dado.

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada

uno con probabilidad 1/6

1
6

F(x)

f(x)

0.5

Funcin de distribucin de probabilidad f(x)

0 1

Funcin de distribucin acumulada F(x)

DISTRIBUCIN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Dado 1

Ejemplo: Caso de una VA discreta:

Experimento: Arrojar dos
dados y observar la VA X :
la suma de los puntos de
las caras que quedan hacia
arriba.

Las formas en que puede

ocurrir cada uno de los
valores que toma la VA X se
muestran en la tabla.
Observemos
que
hay
1
posibilidad en 36 de que X=2,
mientras que hay 2 posibilidades
en 36 de que X=3

Dado 2

Dado 1

Dado 2

Y1

Y2

X=Y1+Y2

Y1

Y2

X=Y1+Y2

10

10

11

10

11

12

Las probabilidades para cada valor de la VA X se muestran en la tabla. En

este ejemplo la tabla representa la funcin de distribucin de probabilidad
(fdp) de la VA X.

Representacin grfica de la funcin de distribucin de

probabilidad de la VA X

P(X=x)

1/36

2/36

3/36

4/36

0.16

5/36

0.12

6/36

5/36

4/36

10

3/36

11

2/36

12

1/36

P(X)

P(x)
0.20
0.18
0.14
0.10
0.08
0.06
0.04
0.02
0.00
0

10

11

12

13

Frecuencia relativa

Distribucin de probabilidad de una VA X:

f(x) = P( X=x )
En nuestro ejemplo de la suma de dos dados: f(3) = P( X=3 ); f(3) = 2/36

Propiedades de la distribucin de probabilidad de una variable aleatoria

discreta (tambin conocida como funcin masa de probabilidad, fmp) :
a) f (x) 0

b)

Para toda x que pertenece a X

f ( x) 1
x

Para toda x

Las probabilidades acumuladas para cada valor de la VA X se muestran en la

siguiente tabla que representa la funcin de distribucin acumulativa (FDA) de
la VA X.
j

F ( x j ) P( X x j ) xi
i 1

P(Xx)

1/36

3/36

6/36

10/36

15/36

21/36

0.40

26/36

0.20

30/36

10

33/36

11

35/36

12

36/36

En nuestro ejemplo:

P(X<=x)
1.00
0.80
0.60

0.00
0

10

11

12

13

14

Esta es una funcin escaln, hay un salto en cada valor de X y es plana entre ellos.

F(3) = P( X<=3 ); F(3) = 1/36 + 2/36 = 3/36

Algunos problemas de probabilidad estn relacionados con la

probabilidad P(a <X b) de que X asuma algn valor en un
intervalo. Observa que:

P(a < X b) = F(b) - F(a)

Los sucesos X a y a< X b son mutuamente
excluyentes. Entonces:
F(b) = P(X b) = P(X a) + P(a < X b)
= F(a) + P(a < X b)
En el ejemplo de los dos dados, calcula la probabilidad de que
los dos dados sumen al menos 4 pero no ms de 8.
P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Esperanza matemtica o media

de un distribucin discreta

E X xi P( X xi ) xi p( xi )
i

Varianza y desviacin estndar o tpica de una

distribucin discreta
Varianza

2 E[( X ) 2 ] ( xi ) 2 P( X xi )
i

Desviacin estndar o tpica

Var ( X )
Ambas miden la dispersin de los datos. Observa que la desviacin
tpica lo hace con las mismas unidades que los propios datos.

Distribucin de Bernoulli
Experimento de Bernoulli: solo son posibles dos resultados:
xito o fracaso. Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso q = 1 - p,
podemos construir una funcin de probabilidad:
x 1 x

P( X x ) p q

x 0,1

Evidentemente:
1

P( X x) P( X 0) P( X 1) p q 1
x 0

Distribuciones de probabilidad discretas

Distribucin Binomial
Distribucin de Poisson
Distribucin Hipergeomtrica

Distribucin Binomial de Probabilidad

La distribucin binomial de probabilidad es una distribucin discreta de
probabilidad que tiene muchas aplicaciones. Se relaciona con una
experimento de etapas mltiples que llamamos binomial.
Se aplica para poblaciones grandes N>50 y n<0.1N con p >= 0.1.
El muestreo binomial es con reemplazo
La binomial es una aproximacin de la hipergeomtrica

La distribucin normal se aproxima a la binomial cuando np > 5

Experimento Binomial (Propiedades)

El experimento consiste en una sucesin de n
intentos o ensayos idnticos.
En cada intento o ensayo son posibles dos
resultados. A uno lo llamaremos xito y al otro
fracaso.
La probabilidad de un xito, se representa por p y
no cambia de un intento o ensayo. Por lo tanto la
probabilidad de un fracaso se representa por (1-p),
que tampoco cambia de un intento a otro.
Los intentos o ensayos son independientes.

DIAGRAMA DE UN EXPERIMENTO BINOMIAL

CON OCHO INTENTOS
Propiedad 1: El experimento consiste en n=8 intentos idnticos de lanzar una
moneda.
Propiedad 2: Cada intento da como resultado un xito (S) o un fracaso (F).

Intentos
Resultados

1
S

6
F

7
S

8
S

Distribucin binomial
La distribucin binomial aparece cuando estamos interesados en el
nmero de veces que un suceso A ocurre (xitos) en n intentos
independientes de un experimento.
P. ej.: nmero de caras en n lanzamientos
de una moneda.
Si A tiene probabilidad p (probabilidad de xito) en un intento, entonces
q = 1-p es la probabilidad de que A no ocurra (probabilidad de fracaso).
En nuestro ejemplo de la moneda, p = 0.5 es la probabilidad de que
salga cara y q = 1-p =1 - 0.5 = 0.5
es la probabilidad de que no salga cara.

Supongamos que el experimento consta de n intentos y

definamos la variable aleatoria:
X = Nmero de veces que ocurre A.

En nuestro ejemplo: X = Nmero de veces que sale cara.

Entonces X puede tomar los valores 0, 1, 2, ... n.

Si consideramos uno de estos valores, digamos el valor x , i.e. en x de los

n intentos ocurre A y en n-x no. Entonces la probabilidad de cada posible
ordenacin es pxqn-x y existen x idnticas ordenaciones.
k

La distribucin de probabilidad P(X = k) ser:

n x
n!
B(n, p ) p ( x) p (1 p ) n x
p x (1 p ) n x
x!(n x)!
x
n k
n!
nk
P( X k ) C p (1 p )
p k (1 p ) n k
x!(n x)!
k
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)

Caractersticas de la distribucin
binomial
Media
= E(X) = n p
= 5 0.1 = 0.5

.6
.4
.2
0

= 5 0.5 = 0.25
Desviacin estndar

np(1 p)
5 0.1 (1 0.1) 0.67
5 0.5 (1 0.5) 1.1

P(X)

X
0

.6
.4
.2
0

n = 5 p = 0.1

P(X)

n = 5 p = 0.5
X

Distribucin Binomial Acumulativa

Calcular probabilidades puede ser
tedioso incluso incluso para
valores relativamente pequeos
de n. En este caso se utiliza n las
tablas
de
probabilidades
binomiales acumulativas.

n=6

P = 0.05
X=K=2

P.E Usando la tabla binomial acumulativa para n=5 y p=0.6 para hallar las
probabilidades de estos dos eventos :
1. Exactamente tres xitos
2. Tres o ms xitos
Solucin
1. Si se encuentra K=3 en la tabla, el valor o valores en tabla
P(x 3)=p(0) + p(1) + p(2) + p(3)
Como se desea slo p(x=3)= p(x), debe restar la probabilidad no deseada:
P(x 2)= p(0) + p(1) + p(2) . Se encuentra en la tabla con K= 2. Entonces
P(x= 3)= p(x 3) p(x 2)= 0.663 0.317= 0.346

2. Para hallar P(tres o ms xitos) = P(x 3) usando la tabla anterior, se debe

usar el complemento del evento de inters.
P (X 3) = 1 P(x 2) = 1 0.317 = 0.683
Instrucciones para el caculo de probabilidad binomial en tablas
1. Encuentre los valores necesarios de n y p. Separe la columna apropiada
de la tabla.
2. La tabla da P(X K) en la fila marcada k . Rescriba la probabilidad que
necesite para que est en esta forma.

Haga una lista de los valores de x en su evento

De la lista, escriba el evento como la diferencia de dos probabilidades
P(X a) P(X b) para a > b.
o el complemento del evento: 1- P(X a)
o slo el evento en s: P(X a) o P(X < a) = P(X a 1)

Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea y np (la
media de la distribucin binomial) es finito y tiende a entonces
la distribucin binomial converge a la distribucin de Poisson:

e
p ( x)
, x 0,1,2,... 0
x!
k

Observa que si p es pequea, el xito es un suceso raro.

Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamao
de muestra es grande (n > 16) por tanto np > 1.6

Caractersticas de la distribucin de Poisson

Media
E ( X)
Desviacin estndar

.6
.4
.2
0

Nota: el mximo de la distribucin

se encuentra en x

X
0

.6
.4
.2
0

= 0.5

P(X)

= 6

P(X)

X
0

10

La distribucin de Poisson se obtiene como aproximacin de

una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un
nico parmetro (que es a su vez su media y varianza).
=np=

Distribucin de Poisson para varios valores de .

Si la probabilidad de fabricar un televisor defectuoso es

p = 0.01, cul es la probabilidad de que en un lote de 100
televisores contenga ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
100

100 99
c

P( A )

0 100

99

98

100 99 1 100 99 1

1 100 100 2 100 100

0.9206

n x n x
p( x) p q
x

( x 0,1,....n)

El suceso complementario Ac: No ms de 2 televisores

defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
P( Ac ) e1 (1 1 12 ) 0.9197

x
p ( x)
e
x!

( x 0,1,....)

Un proceso poissoniano es aqul compuesto de eventos

discretos que son independientes en el espacio y/o en el
tiempo. Por ejemplo la llegada de fotones a un detector.
Si el nmero de eventos esperados, el nmero medio de
eventos en un intervalo de extensin h es m. Por ejemplo
el detector nos informa de la llegada en promedio de 20
fotones cada 5 segundos.

Entonces = h/ m, ser la tasa de eventos por unidad de

h. En nuestro caso 4 fotones por segundo.
La probabilidad de que ocurran x eventos en el intervalo h
vendr dada por la distribucin de Poisson. En nuestro
ejemplo la probabilidad de que lleguen x fotones en 5
segundos.

La seal promedio recibida en un telescopio de una fuente

celeste es de 10 fotones por segundo. Calcular la probabilidad de
recibir 7 fotones en un segundo dado.
Una distribucin de Poisson
con = 10.
P(7) = 107 e10 / 7! = 0.09, es decir

x
p ( x)
e
x!

( x 0,1,....)

9%

Parece muy baja. Comparemos con el valor de mxima

probabilidad que ocurrir para x = 10:
= 10

P(10)=1010 x e10 / 10! = 0.125, es decir 12.5%

Las probabilidades poissonianas para un nmero de eventos

dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.

Si en promedio, entran 2 coches por minuto en un garaje, cul

es la probabilidad de que durante un minuto entren 4 o ms
coches?
Si asumimos que un minuto puede dividirse en muchos
intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p que para
un intervalo pequeo ser tambin pequeo podemos
aproximar la distribucin a una Poisson con = np = 2.
El suceso complementario entran 3 coches o menos tiene
probabilidad:
2 20
0!

P( A ) p(0) p(1) p(2) p(3) e (

c

y la respuesta es 1 0.857 = 0.143

22
2!

) 0.857

x
p ( x)
e
x!

( x 0,1,....)
36

21
1!

23
3!

Distribucin hipergeomtrica
Se aplica cuando n > 0.1N
El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x xitos
en una muestra de n elementos tomados de una
poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:

C xD C nNxD
P( x)
C nN

n!
C
x!(n x)!
n
x

Distribucin Hipergeomtrica

La media y la varianza de la distribucin hipergeomtrica

son:

nD

nD D N n
1

N N N 1
2