Curso: Matemáticas para Ingeniería Civil

Clase 4: Variables aleatorias discretas.

 Resultados de Aprendizaje de la clase
Comprender el concepto de distribución de una variable aleatoria discreta e
identificar los distintos modelos probabilísticos asociados al comportamiento
de los datos.

Resultados Específicos:
• Comprender la importancia de la clasificación de la variable y su
comportamiento para identificar modelo probabilístico a utilizar.
• Identificar la contextualización del enunciado para entregar una adecuada
interpretación de los datos.
• Utilizar en forma adecuada las distintas herramientas estadísticas asociada
a cada modelo.
• Diferenciar la utilidad entre los distintos modelos de probabilidad.
• Interpretar gráficos.
 Introducción
Para un ingeniero tomador de decisiones sería ideal conocer con antelación:

• El número de clientes entren a mi tienda en un cierto día me ayudaría a

planificar mi stock de productos.
• Cuantos productos serán defectuosos en un lote de producción
• El número de productos producidos hasta obtener uno defectuoso.

Es imposible saber con certeza la ocurrencia de este tipo de eventos, pero con
la ayuda de ciertas distribuciones de probabilidad se puede determinar que
tan probable pueden ocurrir.
 Distribución geométrica
Supongamos que se transmite un bit por un canal de comunicación digital, la
probabilidad de que se transmita con error es de 0,05. Supongamos que las
transmisiones son eventos independientes y sea 𝑋 la variable aleatoria que
denota la cantidad de bit transmitidos hasta que ocurra el primer error.
𝑃 𝑋 = 5 es la probabilidad de que el quinto envío tenga un error y los
primeros cuatro bits sean transmitidos correctamente, el evento es 𝐶𝐶𝐶𝐶𝐸 .
Así:

𝑃 𝑋 = 5 = 0,95 ∗ 0,95 ∗ 0,95 ∗ 0,95 ∗ 0,05

= 0,954 ∗ 0,05 = 0,0407
 Distribución geométrica
Definición
En una serie de ensayos Bernoulli independientes, con probabilidad constante
𝑝 de un éxito, sea la variable aleatoria 𝑋 denote el número de ensayos hasta
que ocurre el primer éxito. Entonces 𝑋 tiene una distribución geométrica con
parámetro 𝑝 y

𝑓 𝑥 = 1−𝑝 𝑥−1 𝑝
 Ejemplo: Distribución geométrica
Suponga que es año nuevo y está tratando de llamar a sus familiares para
saludarlos, el sistema está tan colapsado que la probabilidad de que una
llamada sea procesada por el siste.ma de telecomunicaciones es de 0,15.
a) ¿Cuál es la probabilidad de que en la tercera llamada pueda
comunicarme con mis familiares?
b) ¿Cuál es la probabilidad que tenga que hacer cómo máximo 4
llamadas para poder comunicarme?

Solución
a) 𝑃 𝑋 = 3 = 0,852 ∗ 0,15 = 0,1084

b) 𝑃 𝑋 ≤ 4 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4
𝑃 𝑋 ≤ 4 = 0,2780
Media y varianza: Dist. Geométrica
• Si 𝑋 es una variable aleatoria geométrica con parámetro 𝑝, entonces la
media y la varianza de 𝑋 son

La media
∞
𝑘−1 𝑝
1
𝜇 = 𝐸 𝑋 = ෍𝑘 1−𝑝 =
𝑝
𝑘=1

La varianza
1−𝑝
𝜎2 = 𝑉 𝑋 =
𝑝2
 Ejemplo: Distribución geométrica
Volviendo con el ejemplo de las llamadas, uno podría determinar cuantas
llamadas en promedio debiese hacer para lograr conectarse.

1
𝜇= = 6,67
0,15

En promedio se debiesen realizar 6,67 llamadas para poder tener éxito.

La varianza

2
0,85
𝜎 =𝑉 𝑋 = = 37,78
0,152

𝜎 = 6,15 llamadas
 Propiedad de falta de memoria
Una variable aleatoria geométrica se ha definido como el número de ensayos
hasta obtener el primer éxito.

Debido a que los ensayos son independientes, el conteo de ensayos para el

próximo éxito puede empezar en cualquier momento.

Tomando el mismo ejemplo anterior, supongamos que ya ha habido 100

intentos de llamada, la probabilidad de tener un éxito en el 106 es
independiente de los 100 intentos anteriores, así:

𝑃 𝑋 = 6 = 0,855 ∗ 0,15 = 0,067

 Distribución binomial negativa
• Una generalización de la distribución geométrica en la que la que la
variable aleatoria es el número de ensayos Bernoulli hasta conseguir 𝑟
éxitos resulta una distribución binomial negativa.

Ejemplo
Siguiendo con el problema de las llamadas, suponga que debe llamar para
saludar a 3 familiares distintos.

Suponiendo que las llamadas son independientes y sea 𝑋 la variable aleatoria

que denota el numero de llamadas hasta obtener la tercera llamada con éxito

9 7 3
𝑃 𝑋 = 10 = 2
0,85 0,15 =0,039
 Distribución binomial negativa
Definición

En una serie de ensayos Bernoulli independientes, con probabilidad 𝑝 de

éxito, sea la variable aleatoria 𝑋 denota el numero de ensayos hasta obtener
𝑟 éxitos. Entonces 𝑋 tiene distribución binomial negativa con parámetro 𝑝 y
𝑟.
𝑥−1
𝑓 𝑥 = 1 − 𝑝 𝑥−𝑟 𝑝𝑟
𝑟−1
Para 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2, …

Debido a que se requieren a lo menos 𝑟 ensayos para obtener 𝑟 éxitos, el

rango de 𝑋 es de 𝑟 a ∞.
Grágica con 𝑝 = 0,15 y 𝑟 = 3
 Media y Varianza: Dist. Binomial negativa
• La propiedad de falta de memoria de la variable aleatoria geométrica
implica lo siguiente:
– Sea 𝑋 la variable aleatoria que denota el número de ensayos para
obtener 𝑟 éxitos, sea 𝑋1 la variable aleatoria geométrica que denota el
numero de ensayos para obtener 1 éxito, 𝑋2 el número de ensayos
adicionales para obtener el segundo éxito… sucesivamente, así 𝑋 =
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑟

Si 𝑋 es una variable aleatoria binomial negativa con parámetro 𝑝 y 𝑟,

entonces la media y varianza de 𝑋 son

𝑟 𝑟 1−𝑝
𝜇=𝐸 𝑋 = 𝜎2 = 𝑉 𝑋 =
𝑝 𝑝2
 Ejemplo
Un avión cuenta con tres computadoras idénticas, el avión sólo opera con una
de éstas hasta que falle y se activa alguna de respaldo. Durante una hora de
viaje la probabilidad de que falle es 0,0005.

¿Cuál es el tiempo promedio para que fallen las 3 computadoras?

3
𝐸 𝑋 = = 6000 ℎ𝑜𝑟𝑎𝑠
0,0005

¿Cuál es la probabilidad de que en un vuelo de 6 horas fallen las tres

computadoras?

𝑃 𝑋 ≤6 =𝑃 𝑋 =3 +𝑃 𝑋 =4 +𝑃 𝑋 =5 +𝑃 𝑋 =6
𝑃 𝑋 ≤ 6 = 2,497 ∗ 10−9
 Distribución Hipergeométrica
En un lote de producción de 850 piezas hay 50 piezas que no cumplen con las
especificaciones. Se seleccionan 2 piezas al azar y sin reemplazo, ¿cuál es la
probabilidad de que en la muestra haya dos piezas que no cumplen?

Este experimento cuenta con dos ensayos, se selecciona la primera pieza. Es

diferente de la distribución binomial pues al no haber reemplazo las
probabilidades son condicionales.
800 799
𝑃 𝑋=0 = ∗ = 0,886
850 849

800 50 50 799
𝑃 𝑋=1 = ∗ + ∗ = 0,111
850 849 850 849

50 49
𝑃 𝑋=2 = ∗ = 0,003
850 849
 Distribución Hipergeométrica
Definición
Un conjunto de 𝑁 objetos contiene 𝐾 objetos clasificados como éxito y 𝑁 − 𝐾
objetos clasificados como fracaso.

Se selecciona una muestra con tamaño 𝑛 objetos al azar (sin reemplazo) de los 𝑁
objetos, dónde K ≤ 𝑁 y n ≤ 𝑁.

Si 𝑋 es una variable aleatoria que denota el número de éxitos de la muestra.

Entonces 𝑋 tiene una distribución hipergeométrica

𝐾 𝑁−𝐾
𝑥 𝑛−𝑥
𝑓 𝑥 =
𝑁
𝑛
 Ejemplo
Un lote contiene 100 piezas del proveedor A y 200 unidades del proveedor B.
Si se seleccionan 4 al azar ¿cual es la probabilidad de que todas sean del
proveedor A?

Solución:
Sea 𝑋 la variable aleatoria que denota el número de unidades de A de la
muestra

100 200
4 0
𝑃 𝑋=4 = = 0,0119
300
4
Distribución Hipergeométrica
 Ejemplo
Siguiendo con el ejemplo anterior ¿Cuál la probabilidad de tener a lo menos 2
unidades del proveedor A? ¿Cuál es la probabilidad de tener a lo menos una
pieza del proveedor A?

Solución:

𝑃 𝑋 ≥2 =𝑃 𝑋 =2 +𝑃 𝑋 =3 +𝑃 𝑋 =4
𝑃 𝑋 ≥ 2 = 0,298 + 0,098 + 0,012 = 0,408

𝑃 𝑋 ≥1 =1−𝑃 𝑋 =0
𝑃 𝑋 ≥ 1 = 1 − 0,196 = 0,804
 Distribución Hipergeométrica
Media y Varianza
Si 𝑋 es una variable aleatoria hipergeométrica con parámetro 𝑁, 𝐾 y 𝑛, entonces
la media y varianza quedan:

2
𝑁−𝑛
𝜇 = 𝐸 𝑋 = 𝑛𝑝 𝑦 𝜎 = 𝑉 𝑋 = 𝑛𝑝 1 − 𝑝
𝑁−1

Dónde 𝑝 = 𝐾/𝑁

Notar que los resultados son iguales que en la distribución Binomial, excepto en el
factor de corrección para poblaciones finitas

𝑁−𝑛
𝑁−1
 Distribución Poisson
• Los experimentos que producen valores numéricos de una variable
aleatoria 𝑋, el numero de resultados que ocurren durante un intervalo de
tiempo determinado o en una región específica, se denominan
experimentos de Poisson.

Ejemplos
- La variable aleatoria 𝑋 representa el número de llamadas que entran a
una oficina.
- La variable aleatoria 𝑋 representa el número de imperfecciones en una
región 𝑅 de una placa.
- La variable aleatoria 𝑋 representa el número de clientes que ingresan a un
restaurante en una unidad de tiempo
 Distribución Poisson
Definición
Si el número promedio de contos en un intervalo es 𝜆 > 0, la variable
aleatoria 𝑋 tiene una distribución de Poisson con parámetro 𝜆, y la función
de masa de probabilidad de 𝑋 es:

𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 =
𝑥!
 Ejemplo
Un rollo de tela de una fábrica textil tiene una distribución de Poisson con una
media de 0,1 imperfecciones por metro cuadrado.
a. ¿Cuál es la probabilidad de que haya 2 imperfecciones en un metro
cuadrado?
b. ¿Cuál es la probabilidad de que haya 1 imperfección en 10 metros
cuadrados?
c. ¿Cuál es la probabilidad de que haya a lo menos 1 imperfección en 20
metros cuadrados?

Solución:
a. Sea 𝑋 la variable aleatoria que denota el número de imperfecciones
𝑒 −0,1 0,12
𝑃 𝑋=2 = = 0,0045
2!
 Ejemplo
b. Para este caso el parámetro 𝜆 = 0,1 ∗ 10 = 1

𝑒 −1 11
𝑃 𝑋=1 = = 0,3679
1!

c. En este caso 𝜆 = 0,1 ∗ 20 = 2

𝑃 𝑋 ≥1 =1−P 𝑋 =0
𝑒 −2 20
𝑃 𝑋 ≥1 =1− = 1 − 0,1353
0!
𝑃 𝑋 ≥ 1 = 0,8647
 Media y Varianza: Dist. Poisson
Si 𝑋 es una variable aleatoria de Poisson con parámetro 𝜆, entonces la media
y la varianza de 𝑋

Media

𝜇=𝐸 𝑋 =𝜆

Varianza

𝜎2 = 𝑉 𝑋 = 𝜆
 Resumen
• Existen diversas situaciones en la vida que se pueden describir por una
variable aleatoria discreta.

• La cantidad de imperfecciones en un proceso, el numero de llegadas a un

local comercial, el numero de defectuosos en un lote, etc.

• Conocer con que probabilidad puede ocurrir un cierto evento ayuda en la

toma de decisiones