VARIABLE ALEATORIA DISCRETA

-¿Qué tal van las clases,

Bartolo? Me pregunta mi
barbero.
-Bien... Dando probabilidad
y estadística... Respondo.
-¡Ah! Probabilidad... Yo
suelo jugar a la lotería...
Dice mientras me pasa la
cuchilla.
-Cuando compro un número, tal y como yo lo veo, hay dos
posibilidades: ganar o perder. De modo que tengo un 50% de
probabilidad de ganar y un 50% de perder.
-¡Muy bien, Ricardo! Respondo, mientras pienso que no es bueno
contradecir a nadie que tenga una navaja en mi cuello... 1
 Variable aleatoria

Una variable aleatoria X es una función que asocia a

cada suceso del espacio muestral E de un experimento
aleatorio un valor numérico real:

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

La variable aleatoria puede ser discreta o continua.

Veremos en este capítulo el caso discreto. 2
 Ejemplo de variable aleatoria discreta:
Número de caras al lanzar 3 monedas.

Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral

Ley de
correspondencia

Nº reales
0 1 2 3 caras

3
 Voy a pensar un número entero del 1 al 100.
“¿Qué numero será?”

Intentaremos representar el estado de

incertidumbre mediante una función
matemática: la función de probabilidad

1/100

1 2 3 ........ 99 100 X

4
Si es par como cambia la función?

1/50

1 2 3 ........ 99 100 X

Se genera una función de incertidumbre, de probabilidad,

tal que los valores con posibilidad no tengan todos
la misma.
“¿Tiene dos cifras el número?”o
“¿Es un número primo?”
5
Función de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una función de probabilidad asociada a X, de
la siguiente forma:

p :  → [0,1]
x → p ( x) = P( X = x)
La función de probabilidad debe cumplir:

(i ) p( x)  0 x  
(ii )  p( x) = 1 (Suma sobre todos los posibles valores
6
que puede tomar la variable aleatoria).
x
 Función de probabilidad discreta
Considerando a Z como el éxito

Valores Probabilidad
Z 0 1/4 = 0.25

1 2/4 = 0.50
Z
2 1/4 = 0.25
Z Z

7
 Requerimientos de una distribución de
probabilidad
X P(X) X P(X) X P(X)

-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2

0  P( x)  1 para todo x

 P( x) = 1
para t odo x 8
Se define una variable aleatoria discreta y una función de
probabilidad.

Ejemplo: Sea X = Número de lanzamientos de una

moneda antes de que aparezca una cara.

Entonces:

P(X = 1) = P(C) = 1/2

P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
etc.

y en general P(X = n) = (1/2)n, n = 1,2,….

9
Sea el experimento “lanzar dos dados”.
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Se define la variable aleatoria discreta

X : suma de puntos
con S = {2,3,...,12}
Una posible función de probabilidad es:

f :  → [0,1]
f (2) = P(X = 2 ) = P( (1,1) ) = 1/ 36
f (3) = P(X = 3 ) = P( (1,2)  (2,1) ) = 2 / 36
f (4) = P(X = 4 ) = P( (1,3)  (3,1)  (2,2) ) = 3 / 36
10
...
Función de probabilidad de la variable aleatoria X

6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre

positiva y está normalizada. 11
 Función de distribución
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F :  → [0,1]
x → F ( x) = P ( X  x)

En nuestro ejemplo de los dos dados:

F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

12
Función de distribución de la variable aleatoria X

F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
13
Ejemplo: Dibuja la función de probabilidad f(x) y la función
de distribución F(x) de una variable discreta definida
como:
X = Número 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 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x
14
Función de probabilidad f(x) Función de distribución F(x)
Algunos problemas de probabilidad están relacionados
con la probabilidad P(a <X  b) de que X asuma algún
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 más de 8.

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36 15

Algunas propiedades de la función de distribución

F (+ ) = lim F ( x) = lim P( X  x) = P( E ) = 1

x → + x → +

F (− ) = lim F ( x) = lim P( X  x) = P() = 0

x → − x → −

P( x1  X  x2 ) = F ( x2 ) − F ( x1 )
F es monótona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de distribución
en ese punto. 16
 Esperanza matemática o media
de un distribución discreta

 = E ( X ) =  xi P( X = xi ) =  xi p( xi )
i i

X P(X) X P(X)
-1 .1 -.1
0 .2 .0
1 .4 .4
2 .2 .4
3 .1 .3
1.0
17
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:
12
 = E ( X ) =  P(i )  i =
i =2

1 2 6 1
 2 +  3 + ... +  7 + ... + 12 = 7
36 36 36 36

18
 Varianza y desviación estándar o típica
de una distribución discreta

Varianza

 = Var (X) = E(( X − ) ) =

2 2

 ( x i − ) 2
P( x i )
i

Desviación estándar
o típica  = Var( X )
19
 Ejemplo
X − ( X −  ) ( X −  )  P( X )
2 2
X P(X)

-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2

 =  ( xi −  ) P( xi ) = 1,2
2 2

 = Var( X ) = 1.10
20
Calcula la varianza y desviación típica de la variable
aleatoria X en el ejemplo de los dos dados:

12
Var ( X ) =  P(i )  (i − 7) 2 =
i =2

1 2 1
 (2 − 7) +  (3 − 7) + ... +  (12 − 7) 2 = 5,83
2 2

36 36 36

 = Var( X ) = 5,83 = 2,41

21
 Algunas propiedades de la varianza

Var( X ) =  =  ( xi −  ) p( xi ) =
2 2

 (x
i
i
2
+  − 2xi ) p( xi ) =
2

x
i
i
2
p( xi ) +  − 2  xi p( xi ) =
2

E ( X ) +  − 2 = E ( X ) − ( E ( X ))
2 2 2 2 2

 = E ( X ) − ( E ( X ))
2 2 2
22
 Distribución de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: éxito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
éxito → 1
fracaso → 0
Si la probabilidad de éxito es p y la de fracaso q = 1 - p,
podemos construir una función 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
23
 Ejercicio: Calcular la esperanza y la varianza de la
distribución de Bernoulli.

1
E[ X ] =  =  x P( X = x) =
x =0

0  P( X = 0) + 1 P( X = 1) = p

1
Var( X ) = E[ X ] − ( E[ X ]) =  x P( X = x) − p
2 2 2 2

x =0

= 0  P( X = 0) + 1  P( X = 1) − p =
2 2 2

p − p = p(1 − p) = pq
2

24
 Distribución binomial
La distribución binomial aparece cuando estamos interesados
en el número de veces que un suceso A ocurre (éxitos) en n
intentos independientes de un experimento.

P. ej.: número de caras en n lanzamientos

de una moneda.
Si A tiene probabilidad p (probabilidad de éxito) 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. 25
 Supongamos que el experimento consta de n intentos y
definamos la variable aleatoria:

X = Número de veces que ocurre A.

En nuestro ejemplo: X = Número 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 ordenación es pxqn-x y existen  x  idénticas
k 
ordenaciones.  

26
La distribución de probabilidad P(X = k) será:

n x n− x n! n− x
 
B(n, p) = p( x) =   p (1 − p) = p (1 − p)
x

 x x!(n − x)!

Distribución binomial para n = 5 y

distintos valores de p, B(5, p)

27
 Características de la distribución
binomial
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
= 5 · 0.1 = 0.5 .4
.2
= 5 · 0.5 = 0.25 0 X
0 1 2 3 4 5

Desviación estándar
P(X) n = 5 p = 0.5
 = np(1 − p) .6
.4
 = 5  0.1 (1 − 0.1) = 0.67 .2
0 X

 = 5  0.5  (1 − 0.5) = 1.1 0 1 2 3 4 5

28