VARIABLES ALEATORIAS Y SUS

DISTRIBUCIONES DE PROBABILIDAD
 VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES DE
PROBABILIDAD

Variables aleatorias

Ø Una variable aleatoria (discreta o continua) varia o cambia, en función del experimento
que se este realizando.

Ø Una variable x es variable aleatoria si el valor que toma, correspondiente al resultado de

un experimento, es una probabilidad (p = 0 - 1) o evento aleatorio (o cualquier evento
simple Ei que conforma el espacio muestral S).
 EJEMPLOS DE VARIABLE ALEATORIA DISCRETA

Valores posibles de la
Experimento Variable aleatoria X
variable aleatoria
Cantidad de personas
Encuestar a 50 personas x = 0,1,2,3,4,…50
encuestadas
Inspeccionar un Cantidad de frascos
x = 0,1,2,….40
embarque de 40 frascos defectuosos
Visita a una planta de
Cantidad de visitantes x = 0,1,2,3…….
producción
 EJEMPLOS DE VARIABLE ALEATORIA CONTINUA

Valores posibles de la
Experimento Variable aleatoria X
variable aleatoria
Llenar una lata de bebida
Cantidad de onzas 0 < x < 12.1
(máx = 12.1 onzas)
Proyecto para construir un Porcentaje de avance del
0 < x < 100
laboratorio proyecto
Temperatura cuando se lleva a
Ensayar un nuevo proceso cabo la reacción deseada 50 < x < 112
químico
(min 50ºC; máx 112ºC)
 DISTRIBUCIONES DE PROBABILIDAD
Ø Es importante distinguir entre variables aleatorias discretas y continuas, porque se usan
técnicas diferentes para describir sus distribuciones. Nos concentramos en variables
aleatorias discretas.

Ø La distribución de probabilidad para una variable aleatoria discreta es una fórmula,

tabla o gráfica que da los posibles valores de x, y la probabilidad p(x) asociada con cada
valor de x.

Ø REGLAS: 1) 0>=p<=1 y 2) ∑p = 1
Ø Ejemplo 1.- Lance al aire dos monedas imparciales y sea x igual al número observado de
caras. Encuentre la distribución de probabilidad para x.

Eventos Resultados Probabilidad Número de Valores Probabilidad

simples posibles Esimples caras Posibles de cada valor
cara

E1 ¼ o 0.25 2 2 ¼ o 0.25

E2 ¼ o 0.25 1 1 2/4 o 0.5

E3 ¼ o 0.25 1 0 ¼ o 0.25

La variable aleatoria ‘x’ puede

E4 tomar los posibles valores
¼ o 0.25 0
observados de cara
Espacio muestral: S
Ø Ejemplo 2.- Represente gráficamente la distribución de probabilidad de la variable
aleatoria ‘x’ tomando en cuenta el ejemplo 1.

Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2}

Extraemos las probabilidades: P(x=0) = ¼ o 0.25, P(x=1) = 2/4 o 0.5, P(x=2) = ¼ o 0.25

Representación gráfica

x <- c(0, 1, 2)
f <- c(0.25, 0.5, 0.25)
plot(x, f, xlab="X", ylab="Prob.", + main="Lanzamiento
de una moneda dos veces FPM", + type="h",
xlim=range(0,1,2,3,4), ylim=c(0,1))
Ø Ejemplo 3.- Represente gráficamente la distribución de probabilidad acumulada de la
variable aleatoria ‘x’ tomando en cuenta el ejemplo 1 y 2.

Valor de X P(X=x) F(x) = P(X ≤ x)

0 ¼ = 0.25 0.25
1 ½ = 0.5 0.75
2 ¼ = 0.25 1

Representación gráfica

pa <- c(0.25, 0.75, 1)

plot(x, pa, xlim=range(0,1,2), main="Lanzamiento de una
moneda dos veces FDA", xlab="x", ylab="Prob.", type="s")
 MEDIA Y DESVIACIÓN ESTÁNDAR PARA UNA VARIABLE ALEATORIA
DISCRETA
Ø Ejemplo 4.- Experimento que consiste en la observación de 3 productos en cierto orden,
cada uno puede estar aceptable (+) o defectuoso (-). Sea la variable aleatoria x el número
de productos aceptables (+)
Eventos Espacio Prob. Valores Valores Probabilidad de
simples muestral Eventos S. de x de x x
E1 +-- 1/8 o 0.125 1
E2 -+- 1/8 o 0.125 1 1 3/8 o 0.375
E3 --+ 1/8 o 0.125 1
E4 ++- 1/8 o 0.125 2
E5 +-+ 1/8 o 0.125 2 2 3/8 o 0.375
E6 -++ 1/8 o 0.125 2
E7 +++ 1/8 o 0.125 3 3 1/8 o 0.125
E8 --- 1/8 o 0.125 0 0 1/8 o 0.125
 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
MEDIA PARA UNA VARIABLE ALEATORIA DISCRETA

Ø Sea ‘x’ una variable aleatoria discreta con distribución de probabilidad ‘p(x)’. La media ‘µ’
o valor esperado de x ‘Ex’ está dada como:

µ = E(x) = ∑ x * p(x)
Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2, 3}

Extraemos las probabilidades: P(x=0) = 1/8 o 0.125, P(x=1) = 3/8 o 0.375, P(x=2) = 3/8 o 0.375, P(x=3) = 1/8 o 0.125
x 0 1 2 3

p(x) 1/8 o 0.125 3/8 o 0.375 3/8 o 0.375 1/8 o 0.125

µ = E(x) = ∑ 0 * 0.125 + 1 * 0.375 + 2 * 0.375 + 3 * 0.125

µ = E(x) = ∑ 0 + 0.375 + 0.75 + 0.375
µ = E(x) = 1.5
 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
VARIANZA PARA UNA VARIABLE ALEATORIA DISCRETA

Ø Sea x una variable aleatoria discreta con distribución de probabilidad p(x) y media µ. La
varianza de x es
!2 = E[(x - µ)2] = ∑ (x - µ)2 * p(x)
Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2, 3}

Extraemos las probabilidades: P(x=0) = 1/8 o 0.125, P(x=1) = 3/8 o 0.375, P(x=2) = 3/8 o 0.375, P(x=3) = 1/8 o 0.125
x 0 1 2 3
µ = E(x) = 1.5
p(x) 1/8 o 0.125 3/8 o 0.375 3/8 o 0.375 1/8 o 0.125

!2 = ∑ (x - µ)2 * p(x) = (0 – 1.5) * 0.125 + (1 – 1.5) * 0.375 + (2 – 1.5) * 0.375 + (3 – 1.5) * 0.125
!2 = ∑ (x - µ)2 * p(x) = 0.1875 + 0.1875 + 0.1875 + 0.1875
!2 = ∑ (x - µ)2 * p(x) = 0.75
 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
DESVIACIÓN ESTÁNDAR PARA UNA VARIABLE ALEATORIA DISCRETA

Ø La desviación estándar s de una variable aleatoria ‘x’ es igual a la raíz cuadrada

positiva de su varianza.
! =√ !2
Espacio muestral ‘S‘ de la variable aleatoria ‘x’: SX ={0, 1, 2, 3}
Extraemos las probabilidades: P(x=0) = 1/8 o 0.125, P(x=1) = 3/8 o 0.375, P(x=2) = 3/8 o 0.375, P(x=3) = 1/8 o 0.125

x 0 1 2 3 µ = E(x) = 1.5

p(x) 1/8 o 0.125 3/8 o 0.375 3/8 o 0.375 1/8 o 0.125 !2 = ∑ (x - µ)2 * p(x) = 0.75

! =√ !2 = √ 0.75 ! =√ !2 = 0.87

! =√ !2 = 0.87
 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
MEDIA PARA UNA VARIABLE ALEATORIA DISCRETA EN RSTUDIO
> x<-c(0,1,2,3)
> p_x<- c(1/8, 3/8, 3/8, 1/8)
> u_Ex<-sum(x * p_x) #calcular el valor esperado
> u_Ex
[1] 1.5

VARIANZA PARA UNA VARIABLE ALEATORIA DISCRETA EN RSTUDIO

> sigma2 <- sum((x-u_Ex)^2 * p_x) #calcular la varianza
> sigma2
[1] 0.75

DESVIACIÓN ESTANDARPARA UNA VARIABLE ALEATORIA DISCRETA EN

RSTUDIO
> sigma <- round(x=sqrt(sigma2), digits=2)
> Sigma
[1] 0.87
 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR PARA UNA
VARIABLE ALEATORIA DISCRETA
MEDIA PARA UNA VARIABLE ALEATORIA DISCRETA EN RSTUDIO
plot(x, p_x, xlim = range(0,1,2,3,4), pa_x<-c(0.125,0.5,0.875,1)
ylim=c(0,1), + main = "Productos plot(x, pa_x, xlim = range(0,1,2,3,4),
aceptables FDP” , + xlab = "x", ylim = c(0,1), + main ="Productos
ylab= "Prob.", type ="h”) aceptables FDA", + xlab ="x", ylab=
"Prob.", type="s")
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

Un experimento binomial debe tener cinco características:

1. El experimento consiste en n intentos idénticos.

2. Cada intento resulta en uno de dos resultados. Por falta de un mejor nombre, el resultado
uno se llama éxito, S, y el otro se llama fracaso, F.

3. La probabilidad de éxito en un solo intento es igual a p y es igual de un intento a otro. La

probabilidad de fracaso es igual a (1 - p) q.

4. Los intentos son independientes.

5. Estamos interesados en x, el numero de éxitos observado durante los n intentos, para x 0,

1, 2, ..., n.
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

Muchos experimentos prácticos resultan en datos similares a que salgan cara o sello al tirar la
moneda.

Ejemplos:
Ø Un sociólogo está interesado en la proporción de maestros de escuelas primarias que sean
hombres.
Ø Una comerciante en bebidas tradicionales está interesada en la proporción de quienes
toman horchata y que prefieren la marca de ella.
Ø Un genetista está interesado en la proporción de la población que posee un gen vinculado a
la enfermedad de Alzheimer.
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

Ø Si X es variable aleatoria binomial, se denota:

X ∼ B(n, p)
La variable aleatoria ‘x’ sigue una distribucion binomial, con un numero de intentos o ensayos y con
una probabilidad de éxito en cada uno de los intentos o ensayos.

Ø Un experimento binomial consta de n intentos idénticos con probabilidad p de éxito en cada

intento. La probabilidad de k éxitos en n intentos es:

P(x = k) = Cnkpkqn-k= n! pkqn-k

k!(n-k)!

Formulas centro y dispersión distribución binomial

Media: µ = np
Varianza: !2 = npq
Desviación estándar: ! = √ npq
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

Ejercicio 5.- Encuentre P(x = 2) para una variable aleatoria binomial con n = 10 y p = .1.
Solución: P(x(k) = 2) es la probabilidad de observar 2 éxitos y 8 fracasos en una secuencia de 10
intentos. Se podrían observar 2 éxitos primero, seguidos de 8 fracasos consecutivos:
Espacio muestral sería = E E F F F F F F F F

= 10! .12*.910-2
La variable aleatoria x, el número de éxitos en n 2!(10-2)!
intentos, tiene una distribución de probabilidad con
este centro y dispersión: = 10*9*8*7*6*5*4*3*2*1
2*1(8*7*6*5*4*3*2*1) .01*.43046721
Media: µ = np = 90
Varianza: !2 = npq .01*.43046721
2
Desviación estándar: ! = √ npq
= 0.1937
µ = n*p = 10 * 0.1 = 1
# Usando R
!2 = npq = 10 * 0.1 * 0.9 = 0.9 dbinom(x=2, size=10, prob=0.1)
! = √ npq = √ 10 * 0.1 * 0.9 = 0.949 [1] 0.1937102
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 6.- ¿Cuál es la probabilidad de obtener 2 aciertos en 5 preguntas objetivas,
considerando que el encuestado responde al azar?
Solución: P(x(k) = 2) es la probabilidad de observar 2 aciertos y 3 errores en una secuencia de 5
preguntas. Se podrían observar 2 aciertos primero, seguidos de 3 errores consecutivos:
Espacio muestral sería = A A E E E

= 5! .52*.55-2
2!(5-2)!
= 5*4*3*2*1 .25*.125 # Usando R
2*1(3*2*1) dbinom(x=2, size=5, prob=0.5)
= 20 [1] 0.3125
*0.03125
2
= 0.3125
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 7.- Tenemos un lote de frascos con plántulas in vitro, donde el frasco puede estar
contaminado o no. Asumamos que la probabilidad de contaminación de un frasco en cultivo
in vitro es del 8% (dependiendo de la especie y las condiciones de laboratorio).
¿Cuál es la probabilidad que en un lote de 20, no existan más de 5 frascos contaminados?
Solución: Probabilidad de contaminación p=.08 por lo tanto la probabilidad de no contaminación va a
ser q = 1-p = 1-.08 = .92 . Tenemos también un tamaño (intentos o size=20) de 20 frascos. Y me pide
la probabilidad de encontrar hasta 5 frascos contaminados: P(x<=5)
= 20! .080*.9220-0 Valores (x(k) = contaminados): 0, 1, 2, 3, 4, 5, 6, 7, 8, 9….....20
0!(20-0)!
# Usando R
= 20*19*18*17…..*1 dbinom(x=c(0,1,2,3,4,5), size=20, prob=0.08)
1*0.1886933
1(20*19*17*17…..*1) [1] 0.18869333 0.32816231 0.27109061 0.14143858
0.05227078 0.01454491
= 20
1
*0.01640811 sum(dbinom(x=c(0,1,2,3,4,5), size=20, prob=0.08))
x=0= 0.1886933 x=3= 0.1414386 [1] 0.9962005
x=1= 0.3281622 x=4= 0.05227078 pbinom(q=5, size=20, prob=0.08)
x=2= 0.2710906 x=5= 0.01454491 [1] 0.9962005
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 7.- Un investigador nota que los niños recién nacidos en cierta ciudad, presentan
deficiencia respiratoria DR en 3 de 20 nacimientos. La tasa de incidencia es del 5%. ¿Cuál es
la probabilidad de observar al menos 3 recién nacidos con deficiencia respiratoria?
Solución: Probabilidad de DR p=.05. Tenemos también un tamaño (intentos o size=20) de 20
nacimientos. Y me pide la probabilidad de observar mínimo 3 pacientes con DR: P(x>=3)
Valores (x(k) = pacientes con DR): 0, 1, 2, 3, 4, 5, 6, 7, 8, 9….....20

# Usando R
sum(dbinom(x=c(3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20), size=20, prob=0.05))
[1] 0.07548367

1-sum(dbinom(x=c(0,1,2), size=20, prob=0.05))

[1] 0.07548367

1-pbinom(q=2, size=20, prob=0.05)

[1] 0.07548367

pbinom(q=2, size=20, prob=0.05, lower.tail=FALSE)

[1] 0.07548367
 LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD
Ejercicio 8.- Genere 20 observaciones (resultados/valores) aleatorias, de una pregunta
objetiva.

Solución: El ejercicio pide generar 20 valores o resultados de una pregunta objetiva. Una pregunta
objetiva tiene dos posibles valores: si/no, verdadero/falzo, 1/0. Por lo tanto tiene una probabilidad de
p=0.5.

rbinom(n=20, size=1, prob=0.5)

[1] 1 1 0 0 1 0 1 1 0 1 1 1 0 0 1 0 0 1 0 1
 LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD

Su distribución de probabilidad da un buen modelo para datos que representa el número de

sucesos de un evento especificado en una unidad determinada de tiempo o espacio. A
continuación veamos algunos ejemplos de experimentos para los cuales la variable aleatoria x
puede ser modelada por la variable aleatoria de Poisson:

Ø El número de llamadas recibidas por un conmutador durante un tiempo determinado.

Ø El número de bacterias por volumen pequeño de fluido.
Ø El número de llegadas de clientes al mostrador de una caja de pago en un minuto
determinado.
Ø El número de descomposturas de una máquina durante un día determinado.
Ø El número de accidentes de tránsito en un crucero dado durante un tiempo determinado.
 LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD

Ø Si X es variable aleatoria de Poisson, se denota:

X ∼ P(λ)
La variable aleatoria ‘x’ sigue una distribucion de Poisson, dado un argumento lambda o promedio.

Sea µ el número promedio de veces que ocurre un evento en cierto tiempo o espacio. La
probabilidad de k sucesos de este evento es

para valores de k 0, 1, 2, 3, .... La media y desviación estándar de la variable

aleatoria de Poisson x son:

Media = µ (lambda λ )
Desviación estándar = ! = √ µ
 LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD

Ejercicio 9.- El número promedio de accidentes de tránsito en cierto cruce de carretera es dos
por semana. Suponga que el número de accidentes sigue una distribución de Poisson con λ =
2.
a) ¿Cuál es la probabilidad de que no haya accidentes en este cruce durante 1 semana?
Solución.- El promedio de accidentes por semana es λ = 2. El inciso me pide calcular la probabilidad
de que no exista ningún accidente P(x=0)

## usando RStudio
P(x=0) = 20*e-2 dpois(x=0,lambda=2)
0! [1] 0.1353353
P(x=0) = 1*0.1353353
1
P(x=0) = 0.1353353
 LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD
Ejercicio 9.- El número promedio de accidentes de tránsito en cierto cruce de carretera es dos
por semana. Suponga que el número de accidentes sigue una distribución de Poisson con λ =
2.
b) ¿Cuál es la probabilidad de que a lo sumo haya tres accidentes en esta sección de carretera
durante un periodo de 2 semanas?
Solución.- El promedio de accidentes por semana es λ = 2. El inciso me pide calcular la probabilidad
de que existan hasta máximo 3 accidentes P(x<=3). Si el promedio de accidentes por semana es de λ =
2; en este caso, el promedio de accidentes en dos semanas sería = λ = 2*2 = 4. X:0,1,2,3,4,5…...

## usando Rstudio
sum(dpois(x=c(0,1,2,3),lambda=4))
P(x=0) = 40*e-4 [1] 0.4334701
0!
P(x=0) = 1* 0.01831564 ppois(q=3,lambda=4)
P(x=1) = 0.07326256 [1] 0.4334701
1
P(x=2) = 0.1465251
P(x=0) = 0.01831564 P(x=3) = 0.1953668
 LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD
Ejercicio 10.- El número de enfermos que solicitan atención de urgencia en un hospital
durante un periodo de 24 horas tiene una media de λ = 43 pacientes. Se sabe que el servicio
colapsará si el número de enfermos excede de 50. Hallar la probabilidad de colapso.
Solución.- Se trata de una distribución P(43). La probabilidad es: P(x>50)
## usando Rstudio P(x<=50)
ppois(q=50,lambda=43) Pasados los 50 enfermos la probabilidad
[1] 0.8723318 1-P(x<=50) = P(x>50) de colapso es de 0.127682

1-ppois(q=50,lambda=43)
ppois(q=50,lambda=43, lower.tail=FALSE)
[1] 0.1276682
[1] 0.1276682

Ejercicio 11.- El número promedio de apariciones de especies aves, en un periodo de tiempo

de 5 a 8 am es de 5 apariciones (lambda=5). Genere una muestra de 20 valores aleatorios con
esta distribucion:
X~P(n=20,lambda=5) ## usando Rstudio
rpois(n=20,lambda=5)
[1] 4 4 3 8 8 2 4 11 5 5 10 2 3 2 8 1 5 3 2 7
 RESOLVER CON LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

Ejercicio 11.- La probabilidad de éxito de una determinada vacuna es 0.72. Calcula la

probabilidad de que una vez administrada a 15 pacientes. Sea X: “vacuna exitosa”

a) Ninguno sufra la enfermedad. (en todos la vacuna tuvo éxito)

b) Todos sufran la enfermedad. (en todos la vacuna no tuvo éxito)

c) Dos de ellos contraigan la enfermedad. (en 13 la vacuna tuvo éxito)

 RESOLVER CON LA DISTRIBUCIÓN DE POISSON DE PROBABILIDAD

Ejercicio 12.- El número promedio de apariciones de especies aves, en un periodo de tiempo

de 5 a 8 am es de 5 apariciones (lambda=5): calcular la probabilidad de que:

a) No aparezca ninguna especie. P(x=0)

b) Aparezcan 5 especies. P(x=5)

c) Aparezcan mas de 4 especies P(x>4)