EJEMPLO

Un banco local revisa su política de tarjetas de crédito con objeto de retirar algunas
de ellas. En el pasado aproximadamente 5% de los tarjetahabientes incumplieron,
dejando al banco sin posibilidad de cobrar el saldo pendiente. De manera que el
director estableció una probabilidad de 0.05 de que un tarjetahabiente no cumpla. El
banco encontró también que la probabilidad de que un cliente que es cumplido no
haga un pago mensual es 0.20. Por supuesto la probabilidad de no hacer un pago
mensual entre los que incumplen es 1.

a. Dado que un cliente no hizo el pago de uno o más meses, calcule la probabilidad
de que el cliente no cumpla.
b. El banco deseará retirar sus tarjetas si la probabilidad de que un cliente no cumpla
es mayor que 0.20. ¿Debe retirar el banco una tarjeta si el cliente no hace un pago
mensual?
 VARIABLE ALEATORIA
Para un espacio muestral dado S de algún experimento, una variable aleatoria (va, o rv,
por sus siglas en inglés) es cualquier regla que asocia un número con cada resultado en
S. En lenguaje matemático, una variable aleatoria es una función cuyo dominio es el
espacio muestral y cuyo rango es el conjunto de números reales.

Ejemplo: sea el experimento de lanzar una moneda tres veces y observar si cae cara o
sello.

S = {CCC, CSC, CCS, SCC, SCS, SSC, CSS, SSS}

Si defino X: número de caras que resultan de lanzar una moneda tres veces, entonces la
notación X(s) = x significa que x es el valor asociado con el resultado s por la va X. Para
el ejemplo:
 VARIABLE ALEATORIA
Para un espacio muestral dado S de algún experimento, una variable aleatoria (va, o rv,
por sus siglas en inglés) es cualquier regla que asocia un número con cada resultado en
S. En lenguaje matemático, una variable aleatoria es una función cuyo dominio es el
espacio muestral y cuyo rango es el conjunto de números reales.

Ejemplo: sea el experimento de lanzar una moneda tres veces y observar si cae cara o
sello.

S = {CCC, CSC, CCS, SCC, SCS, SSC, CSS, SSS}

Si defino X: número de caras que resultan de lanzar una moneda tres veces, entonces la
notación X(s) = x significa que x es el valor asociado con el resultado s por la va X. Para
el ejemplo:

X(SSS) = 0 X(SCS, SSC, CSS) = 1 X(CSC, CCS, SCC) = 2

X(CCC) = 3
Distribución de probabilidad para v.a discretas
La distribución de probabilidad o función masa de probabilidad (fmp) de una variable
discreta se define para cada número x como p(x) = P(X = x) = P(todas las s ∈ S: X(s) = x).

Para el ejemplo de los tres lanzamientos de una moneda:

Distribución de probabilidad para v.a discretas
La distribución de probabilidad o función masa de probabilidad (fmp) de una variable
discreta se define para cada número x como p(x) = P(X = x) = P(todas las s ∈ S: X(s) = x).

Para el ejemplo de los tres lanzamientos de una moneda:

x 0 1 2 3
P(X = x) 1/8 3/8 3/8 1/8

En palabras, para cada valor posible x de la variable aleatoria, la función masa de

probabilidad especifica la probabilidad de observar dicho valor cuando se realiza el
experimento. Se requieren las condiciones p(x) ≥ 0 y σtodas las x posibles p(x)=1 de
cualquier función masa de probabilidad.
 FUNCIÓN DE DISTRIBUCIÓN
ACUMULATIVA
La función de distribución acumulativa (fda) F(x) de una variable aleatoria discreta X con
función masa de probabilidad p(x) se define para cada número x como:

F(x) = P(X ≤ x) = σy: y≤x 𝑝(𝑦)

Para cualquier número x, F(x) es la probabilidad de que el valor observado de X será

cuando mucho x.

Para el ejemplo del experimento de lanzar una moneda tres veces:

 FUNCIÓN DE DISTRIBUCIÓN
ACUMULATIVA
La función de distribución acumulativa (fda) F(x) de una variable aleatoria discreta X con
función masa de probabilidad p(x) se define para cada número x como:

F(x) = P(X ≤ x) = σy: y≤x 𝑝(𝑦)

Para cualquier número x, F(x) es la probabilidad de que el valor observado de X será

cuando mucho x.

Para el ejemplo del experimento de lanzar una moneda tres veces :

F(0) = P(X ≤ 0) = P (X = 0) = 1/8

F(1) = P(X ≤ 1) = P (X = 0 ó 1) = p(0) + p(1) = 1/8 + 3/8 = 4/8
F(2) = P(X ≤ 2) = P (X = 0 ó 1 ó 2) = p(0) + p(1) + p(2) = 1/8 + 3/8 + 3/8 = 7/8
F(3) = P(X ≤ 3) = P (X = 0 ó 1 ó 2 ó 3) = p(0) + p(1) + p(2) + p(3) = 1/8 + 3/8 + 3/8 + 1/8 = 1
 DISTRIBUCIÓN BINOMIAL
1. n repeticiones de un ensayo Bernoulli (dos posibles resultados, los cuales se denotan
como éxito (E) y falla (F)). El número n se debe fijar.

2. Los ensayos son independientes, de modo que el resultado en cualquier ensayo

particular no influye en el resultado de cualquier otro ensayo.

3. La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se

denota por 𝜋.
 VARIABLE ALEATORIA BINOMIAL
La variable aleatoria binomial X asociada con un experimento binomial que consiste en n
ensayos se define como

X = el número de los E entre los n ensayos

𝑛𝐶𝑥 𝜋 𝑥 (1 − 𝜋)𝑛−𝑥 𝑥 = 0,1,2, … , 𝑛

𝑃 𝑋=𝑥 =ቐ
0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Si X ~ Bin(n, 𝜋), entonces E(X) = n 𝜋, V(X) = n 𝜋(1 - 𝜋).

 Ejemplo 1.2.9
Las posibilidades de que un bit transmitido de un canal de transmisión digital se reciba
con error es de 0.1. Suponga además que los ensayos de transmisión son
independientes. Sea X la v.a que denota el número de bits con error en los siguientes
cuatro bits transmitidos.

1. Determine los posibles valores que puede asumir la variables.

2. Es el experimento dado binomial, explique.
3. Determina P(X = 2) y P(X ≤ 3).
4. Determine la probabilidad de que cuando más se transmitan dos bits con error.
5. ¿Cuál es la probabilidad de que por lo menos cuatro bits sean transmitidos con
error?
6. Determine el número de bits con error esperados.
7. Encuentre la varianza del número de bits con error.
 Distribución de Poisson
El modelo de Poisson sirve para describir una serie de fenómenos cuyos eventos se
presentan como resultado de contar ya sea en el tiempo, el espacio o el volumen.

Definición 1.2.7. Proceso de Poisson

Dado un intervalo de números reales, suponga que ocurren conteos al azar a lo largo
del intervalo. Si puede hacerse la partición del intervalo en subintervalos con una
longitud lo suficientemente pequeña tal que se cumplan los siguientes aspectos:

1. La probabilidad de más de un conteo en un subintervalo muy pequeño es cero.

2. La probabilidad de un conteo en un subintervalo es la misma para todos los
subintervalos y proporcional a la longitud del subintervalo.
3. El conteo en cada subintervalo es independiente de los conteos en los demás
subintervalos.
 Distribución de Poisson
Se dice que una variable aleatoria X tiene una distribución de Poisson con parámetro
𝜆 (𝜆 > 0) si la función masa de probabilidad de X es

𝑒 −𝜆 𝜆𝑥
f(x) = x = 0, 1, 2, . . .
𝑥!

E(X) = V(X) = 𝜆

En cualquier experimento binomial en el cual n es grande y p es pequeña, B(x, n, 𝜋) ≈

Poi(x, 𝜆), donde 𝜆 = n 𝜋. Como regla empírica, esta aproximación puede ser aplicada con
seguridad si n > 50 y n 𝜋 < 5.
EJEMPLO 1.2.11. Desarrolle cada uno de los siguientes numerales.

3. El número promedio de homicidios en cierta metrópoli es de 2 por día. Determinar

la probabilidad de que un día dado haya:

a) No más de 3 homicidios en un día dado.

b) Exactamente 3 homicidios en dos días.
c) No haya homicidios en tres días.
d) Más de 2 homicidios en un día.
e) Entre 1 y 3 homicidios inclusive en un día.