UNIVERSIDAD DE SANTIAGO DE CHILE

FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMÁTICA Y CIENCIAS DE LA COMPUTACIÓN

ANÁLISIS ESTADÍSTICO PARA INGENIERÍA

FRANCISCO VALENZUELA ROJAS

Primer Semestre 2017
Presentación 05: Variables aleatorias
Correo Electrónico: francisco.valenzuela.r@usach.cl

FRANCISCO VALENZUELA ROJAS 0

Definición de Variable Aleatoria

Sea  un experimento aleatorio, y  el espacio muestral asociado al experimento.

Una variable aleatoria es una función X :  R que asigna a cada elemento

 del espacio muestral, el número real X   .

 X R

 x  X  

FRANCISCO VALENZUELA ROJAS 1

Ejemplo: Definiendo el experimento   lanzamient o de dos monedas
El espacio muestral asociado a dicho experimento es   CC, CS , SC, SS 
donde C=Cara, S=Sello. Definiendo la variable X (en el fondo, la función) como:

X  número de caras obtenidas en los 2 lanzamient os

 R
X CC   2 CC
0
X CS   1 CS
1
X SC   1
Se tiene que
SC
X SS   0 2
SS
Como vemos: una variable aleatoria transforma los resultados de un espacio
muestral en números reales. Veremos que este cambio simplificará el trabajo
con probabilidades, lo que permitirá un tratamiento matemático y sistemático
de la probabilidad de eventos, los que pueden ser más complejos que en este
ejemplo.
FRANCISCO VALENZUELA ROJAS 2
A los valores posibles que puede tomar una variable aleatoria X, le llamamos
su recorrido. Matemáticamente, se denota por Rec X

En el ejemplo anterior: Si X = número de caras al lanzar 2 monedas

 R
CC
0
CS
1 Rec X  0,1,2
SC
2
SS

Como en el espacio muestral se define una función de probabilidad, la variable

aleatoria X induce un modelo de probabilidad en IR.

FRANCISCO VALENZUELA ROJAS 3

VARIABLES ALEATORIAS DISCRETAS

Si X es una variable aleatoria, en la cual el número posible de valores de X (es decir,

Rec X) es finito o infinito numerable, llamamos a X una variable aleatoria
discreta. Esto significa que se pueden anotar los posibles valores de X como
x1,x2,.., xn,… . En el caso finito, la lista termina y en el caso infinito numerable, la
lista continúa indefinidamente.

Ejemplo 1: En el experimento de lanzar dos monedas, al definir X como el número

de caras total obtenidas, se tiene que Rec X = {0,1,2}

Ejemplo 2: Una fuente radioactiva emite partículas α. Un contador observa la

emisión de estas partículas durante un periodo de tiempo determinado. Al
definir la variable aleatoria Y = número de partículas observadas, se aprecia que
Rec Y = {0,1,2,….n,…}. Podría pensarse que es imposible que en un intervalo de
tiempo definido, podrían emitirse más de N partículas. Sin embargo, se pensó
en un escenario idealizado, matemáticamente.

FRANCISCO VALENZUELA ROJAS 4

VARIABLES ALEATORIAS CONTINUAS

Si X es una variable aleatoria, en la cual el número de valores de X (es decir,

Rec X) es infinito no numerable (por ejemplo, un intervalo de números reales),
llamamos a X una variable aleatoria continua.

Ejemplo 1: En el experimento de medir el tiempo X, en horas, que demora un

estudiante en rendir una prueba cuya duración es de dos horas, se tiene que
Rec X = 𝟎, 𝟐

Ejemplo 2: Para el tiempo de duración Y, en horas, de un componente electrónico,

el recorrido de Y se puede representar como Rec Y = 𝟎, ∞ . Si bien es cierto un
componente no tiene una duración infinita, resulta matemáticamente más cómodo
idealizar la duración de los componentes.

FRANCISCO VALENZUELA ROJAS 5

 DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA DISCRETA

Si X es una variable aleatoria discreta, con recorrido Rec X. A cada resultado

posible xi asignamos un número pxi   P X  xi  , llamado probabilidad

de xi . Los números pxi , i  1,2,... deben cumplir con las siguientes

condiciones:

1. pxi   0, i Una función p que cumpla con estas condiciones

se llama función de cuantía de la variable aleatoria X.
2.  px   1
i La colección de pares xi , pxi  corresponde a la
x i RecX distribución de probabilidad de X.

FRANCISCO VALENZUELA ROJAS 6

Ejemplo 1: En el lanzamiento de dos monedas, honestas , definiendo como

X = número de caras totales obtenidas

Su distribución de probabilidad se muestra en la siguiente tabla:

x 0 1 2
p(x)=P(X=x) 1/4 1/2 1/4

Gráfico de la función p(x):

FRANCISCO VALENZUELA ROJAS 7

Ejemplo 2: En el lanzamiento de un dado dos veces, y definiendo como

X = suma de los puntos obtenidos

Note que Rec X = {2,3,4,5,6,7,8,9,10,11,12}. Rec X corresponde a los posibles

valores que puede tomar la variable aleatoria X (suma de los puntos obtenidos).
Para construir la distribución de probabilidades de X, a modo de ejemplo,
definamos el evento C = suma de los puntos igual a 4. Claramente,
C={(1,3),(2,2),(3,1)}, de lo cual, se ve que

P(C )  p4  P X  4 
3
36
Puesto que   i, j  / i  1,...,6, j  1,...,6 #   62  36

Procediendo de igual forma con todos los valores posibles de X, armamos la

siguiente distribución de probabilidad de X:

X 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

FRANCISCO VALENZUELA ROJAS 8

 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE PROBABILIDAD
PARA UNA VARIABLE DISCRETA
Una variable aleatoria X también tiene asociada otra función, llamada función
de distribución acumulada de probabilidades (simbolizada F(x), con efe mayúscula).

F  x   P X  x    p x  i
xi RecX / xi  x

Ejemplo: 1 Una tienda vende unidades de memoria flash, con 1 GB, 2GB, 4GB, 8GB
ó 16 GB de memoria. La siguiente tabla muestra la distribución de X = cantidad de
memoria de la unidad comprada:

x 1 2 4 8 16
p(x) 0,05 0,10 0,35 0,40 0,10

Calcularemos F(x), para cada uno de los 5 valores posibles de X, usando la

definición:
F 1  P X  1  P X  1  p1  0,05
F 2  P X  2  PX  1  X  2  p1  p2  0,15
F 4  P X  4  PX  1  X  2  X  4  p1  p2  p4  0,50
F 8  P X  8  p1  p2  p4  p8  0,90
F 16  P X  16  p1  p2  p4  p8  p16  1,00
FRANCISCO VALENZUELA ROJAS 9
Para cualquier otro número x, F(x) será igual al valor de F en el valor más
cercano posible de X, a la izquierda de x.

Ejemplo:

F 3,4  P X  3,4  P X  2  0,15

F 9,7   P X  9,7   P X  8  0,90

Quedando finalmente

0, x 1
0,05, 1 x  2

0,15, 2 x4
F x   
0,50, 4 x8
0,90, 8  x  16

1, x  16
FRANCISCO VALENZUELA ROJAS 10
Gráfica de la función de distribución acumulada de F(x)

FRANCISCO VALENZUELA ROJAS 11

Propiedades de la función de distribución F(x):

1)0  F  x   1
2) Pa  X  b   F b   F a 
 
3) Pa  X  b   F b   F a 
4) Pa  X  b   F b   F a 
 

5) Pa  X  b   F b   F a 


6) P X  a   F a   F a 

Donde  
F a   lim F x   P X  a 
x a

FRANCISCO VALENZUELA ROJAS 12

Ejemplo 2: Si X es una variable aleatoria discreta con función

k 0,4x 1
f x   
si x = {1,2,3,…}
, en otro caso
0
a) Calcular el valor de k, para que f(x) sea función de cuantía
b) Calcular P(X=3)
c) P(x>5), P(X>=5), P(X<4), P(X<=4)
d) P(3<=X<=5)
e) P(3<X<5)
f) P(X sea un número par)

Solución:

 
 

 pxi   1   k 0,4  1  k  0,4 x 1  1  k 1  0,4  0,42  ...  1

x 1
a)
x i RecX x 1 x 1

 1  1
 k    1  k  0,6 pues  ri  1 r
, r 1
 1  0,4  i 0

0,60,4x 1 si x  1,2,...
Finalmente: f x   P X  x   
0 en otro caso
FRANCISCO VALENZUELA ROJAS 13
b) P X  3  f 3  0,60,4
31
 0,096

c) P X  5  1  P X  5  1  F 5
5
 1   f x 
x 1
5
 1   0,60,4
x 1
n 1
1 r n
x 1
pues  r  i


 1  0,6 0,40  0,41  ...  0,4 4  i 0 1 r
 1  0,45 
 1  0,6   0,45  0,01024
 1  0,4 

P X  5  1  P X  5  1  F 4 
4
 1   f x 
x 1
4
 1   0,60,4
x 1

x 1


 1  0,6 0,40  0,41  0,4 2  0,43 
 1  0,4 4 
 1  0,6   0,4 4  0,0256
 1  0,4 
FRANCISCO VALENZUELA ROJAS 14
  0,60,4
x 1
P( x sea n  par) 
x2 , 4 , 6 ,...

 f 2   f 4   ...  f 2k   ...

 0,60,4   0,60,4   0,60,4   ...
1 3 5


 0,6   0,4 2 x 1
x 0

 

 0,6   0,4 2  0,4
x

x 0

 1 
 0,24 
 1  0,16 
2

7
 0,2857

FRANCISCO VALENZUELA ROJAS 15

 ESPERANZA MATEMÁTICA Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Dada la naturaleza de una variable aleatoria, se pueden obtener dos valores que dan
una idea de cómo se comportan, en cuanto a su tendencia central y su dispersión.

Si X es una variable aleatoria discreta, con función de distribución de probabilidad

f(x), se define la esperanza matemática (o valor esperado) de X como:

 X  E X    x  f x 
RecX
A su vez, la varianza de la variable aleatoria discreta X se define como:

Var  X     x   X 2
 f  x   E  X   X 2

RecX

De lo cual, se obtiene la desviación estándar:  X  Var  X 

Se puede demostrar que Var  X   E X 2   E X 

2

Esta expresión es útil para obtener de una manera más directa la varianza de una
variable aleatoria X.
FRANCISCO VALENZUELA ROJAS 16
Esperanza matemática de una función de una variable aleatoria

En ocasiones estaremos interesados en el valor esperado de una función de X,

más que de X en si misma (note que si X es una variable aleatoria, también lo
será g(X).

Se define: E g  X    g x   f x 
RecX

Esperanza y varianza cumplen las siguientes propiedades:

1. Si g(x)=c, entonces Eg  X   Ec   c

1I. Si g(x)=ax+b, entonces Eg  X   EaX  b  aE( X )  b

I1I. Si g(x)=c, entonces Var g  X   Var c   0

IV. Si g(x)=ax + b, entonces Var g  X   Var aX  b  a 2 Var ( X )

FRANCISCO VALENZUELA ROJAS 17

Ejemplo: Un vendedor ha descubierto que la probabilidad de hacer varias ventas
por día, tiene la siguiente función de cuantía:

Número de 1 2 3 4 5 6 7 8
ventas (xi)
Probabilidad 0,04 0,15 0,20 0,25 0,19 0,10 0,05 0,02
P(xi)

En este caso, el número de ventas diarias esperado es:

8
 X  E  X    xi  pxi   1 0,04  ...  8  0,02  4
i 1

Si suponemos que el vendedor obtiene una comisión de $1.500 por venta, entonces
Podemos calcular sus ganancias por concepto de comisiones, a través de la fórmula
G(Xi)=1.500Xi, luego la ganancia esperada es:

E g  X   E 1.500 X   1.500 E  X   6.000

FRANCISCO VALENZUELA ROJAS 18
En el mismo ejemplo anterior, calculamos la varianza de la variable
aleatoria X

   x
8
 pxi   12  0,04  ...  82  0,02  18,52
2 2
EX i
i 1

Por lo tanto:

 
Var X   E X 2  E  X   18,52  4 2  2,52
2
ventas2

A su vez, la varianza de la ganancia por comisiones resulta:

Varg  X   Var1.500 X   1.500 2 Var X   5.670.000 pesos2

Y la desviación Estándar de g(x) es:

 g  X   Varg  X   2.381,176 pesos

FRANCISCO VALENZUELA ROJAS 19

VARIABLES ALEATORIAS CONTINUAS

Se define la función de densidad o función de probabilidad de una variable

aleatoria continua X, al siguiente límite, si es que existe:

f : IR  IR
P x  X  x  x 
x  f  x   lim
x 0 x

Note que Px  X  x  x 

 
f x  lim
x 0 x

 lim
 
F  x  x   F x 
x 0 x
F  x  x   F x 
 lim
x 0 x
 F x 
FRANCISCO VALENZUELA ROJAS 20
Propiedades de una función de densidad de una variable aleatoria continua

1. f x   0, f x   0 si x  RecX

2.
 f x dx  1
RecX
o bien, 
f x dx  1

3. P  x  A   f x dx
x A

Pa  X  b  Pa  X  b  Pa  X  b  Pa  X  b   f x dx

b
4. a

5. P X  a   a f x dx  0
a (área bajo f(x), entre a y b)

6. F x   P X  x    f t dt , y por Teorema Fundamental del cálculo:

x

F x   f x 

FRANCISCO VALENZUELA ROJAS 21

IMPORTANTE:

1. En el caso continuo, no interesa obtener la probabilidad de que X tome un

P X  a   f x dx  0
a
valor específico. Esto, debido a que a

para cualquier valor “a” que asuma X. Más bien, el interés está puesto en la

probabilidad de que X varíe en un intervalo a, b , donde a < b

2. La función f no entrega probabilidad, quien lo hace es la función F.

FRANCISCO VALENZUELA ROJAS 22

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Ensayos de Bernoulli

Un ensayo de Bernoulli cumple con las siguientes condiciones:

•Puede repetirse en las mismas condiciones iniciales

•El experimento tiene dos tipos de resultados (generalmente llamados éxito y
fracaso)
•Los resultados obtenidos en distintas repeticiones son independientes.
•La probabilidad de éxito permanece constante

Definiendo como p a la probabilidad de que el i-ésimo ensayo sea éxito, y

de esta manera, (1-p) será la probabilidad de fracaso i-ésimo, esto es:

Si Ri es el resultado del i-ésimo ensayo, Ri = Ei o bien, Ri = Fi. Bajo el supuesto de

independencia, tenemos que

FRANCISCO VALENZUELA ROJAS 23

1. Distribución Geométrica

Esta distribución permite modelar la probabilidad de obtener el primer éxito en

una cantidad determinada de ensayos Bernoulli.

Definiendo la variable aleatoria X = número de veces que hay que realizar el

experimento hasta obtener el primer éxito, se tiene que las probabilidades
asociadas a cada evento son:

(supuesto de independencia)

.
.
.

FRANCISCO VALENZUELA ROJAS 24

Teorema: Si X se define como el número de ensayos necesarios hasta obtener
el primer éxito, entonces X tiene distribución geométrica de probabilidades, con
parámetro p, lo cual se anota X ~ Geom p  , siendo su función de distribución
de probabilidad la siguiente:
 p1  p x 1 si x  1,2,3,...
px   P X  x   
0 en otro caso

Para esta variable aleatoria, se tiene que su valor esperado es:

 
E  X    x  p1  p   p  x1  p 
x 1 x 1

x 1 x 1

d 
  p  1  p    p  1  p 
d x x

x 1 dp dp x 1
d 1   1  1
 p     p 2   p
dp  p 
1 p
 
Siguiendo un proceso similar, (o con funciones generatrices de momentos)
1 p
se desprende que Var  X  
p2
FRANCISCO VALENZUELA ROJAS 25
Ejemplo de aplicación de la distribución geométrica

Una embotelladora de bebidas ofrece a quien junte 5 tapas marcadas, un premio.

La embotelladora coloca una tapa marcada en una de cada 10 botellas. Podemos
suponer independencia (aprox.) en el hecho de que salgan tapas marcadas en
distintas bebidas, debido a la gran producción de esta embotelladora.

Si una persona compra bebidas de este tipo en forma sucesiva,

a) ¿Cuál es la probabilidad de que la primera tapa marcada la obtenga en la

quinta compra?
b) ¿Cuál es la probabilidad de que la primera tapa marcada la obtenga antes
de la cuarta compra?
c) ¿Cuál es la probabilidad de que la primera tapa marcada la obtenga después
de la tercera compra?

Solución: Definiendo X = número de compras necesarias hasta obtener

tapa marcada, se tiene que X ~ Geom p  , donde p=1/10 = 0,1 (probabilidad
de éxito).
0,10,9 x 1 si x  1,2,3,...
px   P X  x   
0 en otro caso
FRANCISCO VALENZUELA ROJAS 26
a) Probabilidad de que la primera tapa marcada la obtenga en la quinta
compra:

a) P X  5  0,10,9
51
 0,06561

b) Probabilidad de que la primera tapa marcada la obtenga antes de la cuarta

compra:

b) P X  4  P X  1  P X  2  P X  3
 0,10,9  0,10,9  0,10,9
11 2 1 31

 0,271
c) Probabilidad de que la primera tapa marcada la obtenga después de la
tercera compra
c) P X  3  1  P X  3
 1  P X  1  P X  2  P X  3

 1  0,10,9  0,10,9
11 2 1
 0,10,9
31

 0,729
FRANCISCO VALENZUELA ROJAS 27
2. Distribución Binomial
Bajo los mismos supuestos de los experimentos de Bernoulli, determinaremos
este modelo matemático para calcular probabilidades, entendiendo en este caso
que la variable aleatoria X será definida así:

X=número de éxitos observados en N ensayos independientes

Es claro en este caso que RecX  0,1,2,..., N 

Procediendo de igual manera que en el caso anterior:

=
(puesto que tenemos N eventos mutuamente excluyentes)

(supuesto de independencia)

(N sumandos)

FRANCISCO VALENZUELA ROJAS 28

 (unión de eventos mutuamente excluyentes)

sumandos

(supuesto de independencia)

sumandos con probabilidad de 2 éxitos y (N-2) fracasos, respectivamente

. Al generalizar para P X  x  , se tiene el siguiente:

Teorema: Diremos que X tiene distribución binomial de probabilidades, de

parámetros N y p, simbolizado como X ~ Bin N , p , si su función de distribución
de probabilidades tiene la forma:

 N  x
  p 1  p  x  0,1,..., N 
N x

p x   P X  x    x 
0
 en otro caso
FRANCISCO VALENZUELA ROJAS 29
Media (esperanza) de una variable aleatoria binomial:
N
N x
E  X    x    p 1  p 
N x

x 0 x
N
p x 1  p 
N!
  x
N x

x 1 x   x  1! N  x !
N
N  N  1!
 p x 1  p  Hacemos y=x-1
N x

x 1  x  1! N  x !
M=N-1
M
p y 1 1  p 
M!
 N
M y

y 0 y!M  y !
M
p y p1  p 
M!
 N
M y

y 0 y!M  y !
M  y
M
 Np    p 1  p 
M y

y 0  y 
 
f.d. de una distr.binomial, suma vale1

 Np
FRANCISCO VALENZUELA ROJAS 30
Varianza de una variable aleatoria binomial:
Para calcular la varianza de una v.a. binomial, usamos un método similar al anterior,
con la precaución de escribir x2 como x2=x(x-1)+x, debiendo calcular

 
E X 2  EX  X  1  E X 

Con un poco de álgebra, se puede verificar que

N
EX  X  1   xx  1 p x 1  p 
N! N x

x 0 N  x ! x!
 N N  1 p 2
de donde se tiene que

 
E X 2  EX  X  1  E X   N N  1 p 2  Np  N 2 p 2  Np 2  Np
Finalmente:

Var  X   E X 2   E X   N 2 p 2  Np 2  Np  N 2 p 2  Np1  p 

2

FRANCISCO VALENZUELA ROJAS 31

Ejemplo de aplicación de la distribución binomial:

Una compañía que produce cristal fino sabe por experiencia que el 10% de sus copas
de mesa tienen imperfecciones cosméticas y deben ser clasificadas como de
“segunda”

a) Entre seis copas seleccionadas al azar, ¿qué tan probable es que sólo una sea de
“segunda”?
b) Entre seis copas seleccionadas al azar, ¿qué tan probable es que por lo menos
dos sean de “segunda”?

Solución:
a) Definiendo como X = número de copas con imperfecciones cosméticas, entre 6
elegidas X ~ Bin 6;0,1 . En este caso, P(copa de segunda)= 0,1 . Luego:
 6 1
P X  1   0,1 0,9  0,3543
5

1
b) La probabilidad pedida es
 6  0  6 1 
P X  2  1  P X  2  1   0,1  0,9   0,1  0,9   0,1143
6 5

 0  1 
FRANCISCO VALENZUELA ROJAS 32
3. Caso particular de la distribución binomial: la distribución Bernoulli

En la fórmula anterior, si hacemos N=1, obtenemos la distribución de Bernoulli,

quedando la variable aleatoria definida como:

X = cantidad de éxitos en un ensayo. Claramente, Rec X = {0,1}.

Así el modelo queda:

 p x 1  p 1 x x  0,1
px   P X  x   
0 en otro caso

Para esta variable aleatoria, calculamos su media y varianza:

 X  E X    x  f x  0  f 0  1 f 1  p

RecX

 
E X 2  02  1  p   12  p  p

Var  X   E X 2   E X   p  p 2  p1  p 

2
Por lo tanto,
FRANCISCO VALENZUELA ROJAS 33
4. Distribución Binomial Negativa (también llamada Distribución de
Pascal). OPCIONAL.

Esta distribución es una generalización de la distribución geométrica. Aquí la

variable aleatoria X queda definida como

X = número de ensayos necesarios hasta obtener el r-ésimo éxito

Por cada evento posible, tenemos probabilidad pr de éxito, y (1-p)x-r de fracaso.

ahora, en cada evento posible, el último ensayo es éxito, por lo cual:
 x  1
Antes del último éxito existen   maneras posibles de tener , r-1 éxitos
 r  1 
entre (x-1) ensayos totales. Por lo tanto, la función de cuantía queda así:

 x  1 r
   p 1  p xr
si x  r , r  1, r  2,...
P X  x    r  1
0
 en otro caso
A la cual llamaremos distribución binomial negativa de probabilidades (o
Distribución de Pascal)
FRANCISCO VALENZUELA ROJAS 34
Media y varianza de una variable aleatoria binomial negativa

En base a la definición de la función de cuantía de la v.a. binomial negativa,

puede demostrarse que

 x  1 r
E  X    x   p 1  p  
xr r
x r  r  1 p

Y además
 
Var  X   E X 2  E  X 
2

r r  p  1  r 
2

 2
  
p  p
r 2  rp  r  r 2 (note la similitud
 con la distribución
p2 geométrica).
r 1  p 

p2
FRANCISCO VALENZUELA ROJAS 35
Ejemplo de aplicación de la distribución binomial negativa:

Si el 75% de las personas creen en un rumor acerca de los delitos de cierto

político:

a) ¿Cuál es la probabilidad de que la octava persona que escucha el rumor sea

la quinta en creerlo?
b) La décima quinta persona que escuche el rumor sea la décima en creerlo?

Solución a) Definiendo la v.a. X = n° de personas que deben escuchar el rumor,

hasta que aparezca la quinta en creerlo
 8  1
P X  5     0,755  0,253  0,1298
 5  1
Solución b) Definiendo la v.a. X = n° de personas que deben escuchar el rumor,
hasta que aparezca la décima en creerlo

15  1
P X  10     0,7510  0,255  0,1101
10  1

FRANCISCO VALENZUELA ROJAS 36

5. Distribución Hipergeométrica
Si se dispone de un lote de elementos clasificados en dos clases excluyentes, E y F,
donde existen M elementos en la clase E, de los N del total. De este lote, se
extrae una muestra al azar de n elementos, todos de una vez (o, equivalentemente,
sin reposición). N

Clase E Clase F
M elementos N – M elementos Note que:

x n-x

N
1. Podemos elegir la muestra de   maneras diferentes, cada una con
n
N
1  
probabilidad n . Todos los elementos tienen igual prob. de ser elegidos
en la muestra.
M 
 
2. Los x elementos de la clase E se pueden elegir de  x maneras distintas.

3. Por cada una de las formas de elegir elementos de E, los elementos de F se

N M 
pueden elegir de   maneras distintas.
 nx  FRANCISCO VALENZUELA ROJAS 37
Teorema:

Al definir la variable aleatoria X como

X = número de elementos que se extraen de la clase E, en la muestra

La probabilidad a calcular es

P X  x  
número de muestras con x elementos de E y (n - x) de F
número de muestras posibles
 M  N  M 
  

   
x n x
N
 
n
A la función anterior llamaremos distribución hipergeométrica de
probabilidades, de parámetros N, n y M.

Simbólicamente, X ~ Hiper n, N , M  . Note además que:

RecX  x  Z / max0, M   N  n   x  minn, M 

FRANCISCO VALENZUELA ROJAS 38

Media (esperanza) y varianza de una variable aleatoria hipergeométrica:

De acuerdo a la definición de la media, si X ~ Hiper n, N , M 

se puede demostrar que

 M  N  M 
  
n
 x  n  x  nM
EX    x  
x 0 N N
 
n

NM N  M  N  n 
Y además, Var  X   
N 2
N  1

Demostración: Ejercicio!

FRANCISCO VALENZUELA ROJAS 39

Ejemplo de aplicación de la distribución hipergeométrica:
Un ingeniero de control de calidad inspecciona una muestra tomada al azar de
dos calculadoras manuales de cada lote que llega, de tamaño 18 y acepta el lote
si ambas están en buenas condiciones de trabajo. De otra manera, se inspecciona
todo el lote y el costo se carga al vendedor.

a) ¿Cuál es la probabilidad de que un lote así se acepte , sin inspección adicional,

si contiene cuatro calculadoras que no están en condiciones de trabajo?

Solución: Definiendo la v.a. X=n° de calculadoras buenas en la muestra

de tamaño 2
X ~ Hiper 2,18,14 
14 calculadoras 4 calculadoras
buenas defectuosas 14  4 
  
x 2-x
P X  2   2  0 
 0,5948
18 
 
2
N=18 n=2

FRANCISCO VALENZUELA ROJAS 40

b) ¿Cuál es la probabilidad de que un lote así se acepte , sin inspección adicional,
si contiene ocho calculadoras que no están en condiciones de trabajo?

Solución: Al igual que en el caso anterior, la variable aleatoria sigue siendo

X=n° de calculadoras buenas en la muestra de tamaño 2

X ~ Hiper 2,18,10 
10 calculadoras 8 calculadoras
buenas defectuosas 10  8 
  
x 2-x
P X  2   2  0 
 0,2941
18 
 
2

N=18 n=2

FRANCISCO VALENZUELA ROJAS 41

c) ¿Cuál es la probabilidad de que un lote así se acepte , sin inspección adicional,
si contiene doce calculadoras que no están en condiciones de trabajo?

Solución: Como en los casos anteriores, la variable aleatoria sigue siendo

X=n° de calculadoras buenas en la muestra de tamaño 2

X ~ Hiper 2,18,6 
6 calculadoras 12 calculadoras
buenas defectuosas
 6 12 
x 2-x   
P X  2   2  0 
 0,098
18 
 
2
N=18 n=2

FRANCISCO VALENZUELA ROJAS 42

Procesos de Poisson

Ocurren en el tiempo o espacio sucesos que cumplen las siguientes

condiciones:

1. El número de sucesos que ocurren en un intervalo I1 de tiempo o espacio es

independiente del número de sucesos que ocurren en un intervalo I2
de tiempo, siempre que I1 e I2 sean disjuntos.

2. La probabilidad de que ocurra el suceso es constante, para dos intervalos de

tiempo o espacio I1 e I2 cualquiera.

FRANCISCO VALENZUELA ROJAS 43

6. Distribución de Poisson

Una variable aleatoria discreta X definida como el número de eventos aleatorios

independientes que ocurren a una rapidez constante sobre una unidad
de tiempo o espacio, tiene distribución de Poisson, de parámetro   0,
si su función de probabilidad está dada por:

 x e   Notación:
 si x  0,1,2,...
p x   P X  x    x!
X ~ Poisson 
0
 en otro caso

En esta distribución, el parámetro λ representa el número esperado de sucesos

que ocurren por unidad de tiempo o espacio.

Notemos que p(x) es una función de probabilidad, puesto que


x e   
x
 px   
RecX x 0 x!
e 
 x!
x 0
 e  e   1

FRANCISCO VALENZUELA ROJAS 44

Media y varianza de una variable aleatoria Poisson


x e   
x e   
y 1e   
y e
EX    x      
x 0 x! x 1 ( x  1)! y 0 y! y 0 y!

   x
E X 2

2

x e  


 y  1y 1e 
x 0 x! y 0 y!

y y e  
 y e 
   
y 0 y! y 0 y!
 2  

Var  X   E X 2   E X   2    2  
2

Esto es, la media (valor esperado) y varianza de una variable aleatoria Poisson
son iguales a 
FRANCISCO VALENZUELA ROJAS 45
Ejemplo: El número de fallas que ocurren en una red de agua potable entre las
las 20 y las 24 horas de un día se considera que es una variable aleatoria con
distribución de Poisson, con promedio de 24 fallas en ese periodo.

En este caso, el número esperado de fallas por unidad de tiempo (hora) es

24  fallas 
  6 
4  hora 

Por lo tanto, si X = número de fallas que ocurren por hora

 6 x e 6
 si x  0,1,2,...
p x   P X  x    x!
0
 en otro caso

Por ejemplo, la probabilidad de presentar 9 fallas por hora es

69 e 6
p9   P X  9    0,0688
9!
FRANCISCO VALENZUELA ROJAS 46
Si quisiéramos calcular la probabilidad de que entre las 21:00 horas y las 21:15
horas ocurran exactamente dos fallas, se tiene que nuestra nueva variable aleatoria
queda definida como

Y=número de fallas en un periodo de 15 minutos = ¼ hora

6  fallas 
De donde se tiene que    1,5 
4  periodo de 1/4 hora 
 1,5y e 1,5
 si y  0,1,2,...
Y el nuevo modelo es: p y   PY  y    y!
0
 en otro caso

Por lo tanto: 1,52 e 1,5

p2   PY  2    0,2510
2!

FRANCISCO VALENZUELA ROJAS 47

Si quisiéramos, por ejemplo, calcular la probabilidad de que la primera falla
ocurra antes de los primeros 20 minutos, entonces definimos la v.a. W como:

W= número de fallas que ocurren en los primeros 20 minutos (1/3 de hora)

Entonces el nuevo valor de λ es 6  fallas 

   2 
3  periodo de 1/3 hora 

Y el nuevo modelo queda:
 2 w e 2
 si w  0,1,2,...
pW   pW  w   w!
0
 en otro caso

PW  1  1  PW  1
Por lo tanto,  1  PW  0
20 e  2
 1  0,8647
0!
FRANCISCO VALENZUELA ROJAS 48