Buen día les envió algunos ejemplos que deberán estudiar y analizar en

esta semana los cuales les ayudarán a resolver la actividad de la semana

de forma correcta. Que tengan un excelente día y quedo a sus órdenes
para cualquier duda que surja la cual estaré resolviendo en un plazo
máximo de 24 horas. Saludos.
M. A. N. Alejandra Colorado Sánchez.

Unidad 5: Variables aleatorias discretas

Una variable discreta es aquella que puede tomar solo algunos valores válidos. Por ejemplo, el
número de habitantes de una ciudad (obligatoriamente entero positivo) o comúnmente la estatura
de una persona en metros y centímetros.
Variables Aleatorias
- Una variable aleatoria es una función que asocia un número real a cada elemento del
espacio muestral.
- Una variable aleatoria es una variable que toma valores numéricos determinados por el
resultado de un experimento aleatorio.
Se usan letras mayúsculas para denotar la variable aleatoria y letras minúsculas para denotar los
valores.

Ejemplo
Se tienen 3 pantallas de televisión a la cual se les hará una revisión para verificar su estado donde
se tiene la siguiente clasificación
𝑵 = 𝒏𝒐 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒐, 𝑫 = 𝑫𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒐𝒔
El espacio muestral nos brinda una descripción detallada de los posibles resultados
𝛀 = {(𝑵 𝑵 𝑵 ), (𝑵 𝑵 𝑫), (𝑵 𝑫 𝑵), (𝑵 𝑫 𝑫 ), ( 𝑫 𝑵 𝑵), (𝑫 𝑵 𝑫 ), (𝑫 𝑫 𝑵), (𝑫 𝑫 𝑫)}
Sea la variable aleatoria los aparatos defectuosos
Espacio muestral D
NNN 0
NND 1
NDN 1
NDD 2
DNN 1
DND 2
DDN 2
DDD 3
Ejemplo
El encargado de un almacén le devuelve tres cascos de seguridad seleccionados aleatoriamente a
tres obreros del taller, quienes ya se lo habían probado previamente. Suponiendo que el orden
de los obreros, Pérez, Gonzales y Hernández es la forma correcta de recibir el casco original, señale
los posibles órdenes en que los tres obreros reciben un casco y encuentre los valores de m y de
la variable aleatoria M que representa el número de asociaciones correctas
Espacio muestral m
PGH 3
PHG 1
HPG 0
HGP 1
GPH 1
GHP 0

En los ejemplos anteriores, el espacio muestral tiene un número finito de elementos

Las variables aleatorias pueden ser discretas o continuas:
- Discretas: el conjunto de posibles valores es numerable. Suelen estar asociadas a
experimentos en que se mide el número de veces que sucede algo.

- Continuas: el conjunto de posibles valores es no numerable. Puede tomar todos los

valores de un intervalo. Son el resultado de medir.

Distribución discreta de probabilidad

Una variable discreta sume cada uno de sus valores con cierta probabilidad.

Es conveniente representar todas las probabilidades de una variable aleatoria X con una función
de valores numéricos x, y que se represente por 𝒇(𝒙), 𝒈(𝒙), 𝒉(𝒙), etc. Por lo tanto 𝒇(𝒙) =
𝑷(𝑿 = 𝒙), al conjunto de pares ordenados (𝒙, 𝒇(𝒙))se le llama función de probabilidad o
distribución de probabilidad de la variable aleatoria discreta.

La distribución de probabilidad de la variable discreta debe satisfacer los siguientes parámetros.

1) 𝒇(𝒙) ≥ 𝟎
2) ∑𝒙 𝒇(𝒙) = 𝟏
3) 𝑷( 𝑿 = 𝒙 ) = 𝒇(𝒙)
Ejemplo
Una tienda departamental compra un lote de 25 lavadoras sabiendo que 10 de ellas están
defectuosas, si se hace una revisión al azar y se toman 5 de estas lavadoras, calcule la distribución
de probabilidad para el numero de lavadoras defectuosas
Solución
15 lavadoras sin defecto, 10 lavadoras defectuosas
Si X es la variable aleatoria cuyos valores x son los números posibles de lavadoras defectuosas.
Entonces x sólo puede asumir los valores de 0, 1, 2, 3, 4 y 5
𝟏𝟓 𝟏𝟒 𝟏𝟑 𝟏𝟐 𝟏𝟏 𝟏𝟑
𝑷(𝑿 = 𝟎) = ( ) ( ) ( ) ( ) ( ) = = 𝟎. 𝟎𝟓𝟔 = 𝟓. 𝟔%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟐𝟑𝟎
𝟏𝟎 𝟏𝟓 𝟏𝟒 𝟏𝟑 𝟏𝟐 𝟏𝟑
𝑷(𝑿 = 𝟏) = ( ) ( ) ( ) ( ) ( ) = = 𝟎. 𝟎𝟓𝟏 = 𝟓. 𝟏%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟐𝟓𝟑
𝟏𝟎 𝟗 𝟏𝟓 𝟏𝟒 𝟏𝟑 𝟑𝟗
𝑷(𝑿 = 𝟐) = ( ) ( ) ( ) ( ) ( ) = = 𝟎. 𝟎𝟑𝟖 = 𝟑. 𝟖%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟏𝟎𝟏𝟐

𝟏𝟎 𝟗 𝟖 𝟏𝟓 𝟏𝟒 𝟔
𝑷(𝑿 = 𝟑) = ( )( )( )( )( ) = = 𝟎. 𝟎𝟐𝟕 = 𝟐. 𝟕%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟐𝟓𝟑
𝟏𝟎 𝟗 𝟖 𝟕 𝟏𝟓 𝟑
𝑷(𝑿 = 𝟒) = ( ) ( ) ( ) ( ) ( ) = = 𝟎. 𝟎𝟏𝟏 = 𝟏. 𝟖%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟐𝟓𝟑
𝟏𝟎 𝟗 𝟖 𝟕 𝟔 𝟔
𝑷(𝑿 = 𝟓) = ( ) ( ) ( ) ( ) ( ) = = 𝟎. 𝟎𝟎𝟒𝟕 = 𝟎. 𝟒𝟕%
𝟐𝟓 𝟐𝟒 𝟐𝟑 𝟐𝟐 𝟐𝟏 𝟏𝟐𝟔𝟓

x 0 1 2 3 4 5

P( M = m) 𝟎. 𝟎𝟓𝟔 𝟎. 𝟎𝟓𝟏 𝟎. 𝟎𝟑𝟖 𝟎. 𝟎𝟐𝟕 𝟎. 𝟎𝟏𝟏 𝟎. 𝟎𝟎𝟒

Variable discreta
Es aquella que puede tomar solo algunos valores válidos. Por ejemplo, el número de habitantes de
una ciudad (obligatoriamente entero positivo) o comúnmente la estatura de una persona en metros
y centímetros.

Distribución de probabilidad
Es la relación entre los valores que pueden tomar una variable y la probabilidad que le corresponde.
Por ejemplo, si en una caja hay 5 canicas rojas, 7 verdes y 3 azules la distribución de probabilidad es
5/15, 7/15 y 3/15 para las canicas rojas verdes y azules respectivamente. En el caso de las variables
continuas la relación que maneja generalmente por medio de una función de densidad de
probabilidad, cuya integración entre menos infinito y más infinito produce un área de uno (100%).
 Distribuciones de probabilidad
Para Variables discretas Para variables continuas
Distribución binomial. Distribución uniforme.
Distribución geométrica. Distribución exponencial.
Distribución Hipergeométrica. Distribución normal.
Distribución binomial negativa o de Pascal.
Distribución de Poisson.

Media y varianza de una variable aleatoria discreta

El valor esperado de una variable aleatoria discreta: representa el valor promedio que se espera
suceda, al repetir el experimento en forma independiente una gran cantidad de veces. El valor
esperado se interpreta físicamente como el centro de masa o centro de gravedad de la distribución
de probabilidad, por lo que es igual a la media o promedio aritmético, los cuales se representan con
la letra  (media).

La varianza de una variable aleatoria discreta: evalúa la dispersión de la distribución de

probabilidad o grado en que se separan del promedio los valores de la variable aleatoria “X”.

Ejemplo: Se desea calcular la media 𝜇𝑍 en el caso del lanzamiento de dos dados con variables
aleatorias z, y grafique en una función de distribución.

La media de una variable aleatoria se expresa como 𝜇𝑥

Fórmula

𝑋1 𝑥 𝑃 (𝑋1 ) + 𝑋2 𝑥 𝑃 (𝑋2 ) + … … + 𝑋𝑛 𝑥 𝑃(𝑋𝑛 )

𝜇𝑥=
𝑃(𝑋1 ) + 𝑃(𝑋2 ) + … … . . + 𝑃(𝑋𝑛 )

Solución:
La tabla que se muestra a continuación significa en la variable “x” los valores que te puede salir al
tirar dos dados. Es decir, empezamos en dos ya que al lanzar los dos dados el numero dos es el valor
menor que puedes obtener o bien el número tres, o cuatro, o cinco y así sucesivamente hasta el
doce.
El valor que sale en P(x) resulta de la cantidad de tiradas que puedes hacer para obtener el valor
que se encuentra en “x”. En otras palabras, para obtener un dos solo puedes hacer la tirada (1,1) es
decir una tirada por eso es que en el numerador está el número 1 y el 36 que es el denominador se
obtiene sumando las combinaciones de cada tirada.
 X 2 3 4 5 6 7 8 9 10 11 12
P(X) 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36

Ahora empleando la formula multiplico el valor de “x” por el valor de la probabilidad de que suceda
el evento es decir P(x) y sumo esos resultados obteniendo lo siguiente:

1 2 3 4 5 6 5 4 3 2 1
𝜇𝑍 = 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 =7
36 36 36 36 36 36 36 36 36 36 36

𝜇𝑍 = 0.055 + 0.166 + 0.330 + 0.555 + 0.833 + 1.160 + 1.110 + 1.00 + 0.833 + 0.611 + 0.330 =
= 6.999 ≈ 7 Si lo haces en fracción te queda 252/36 = 7
Por último, realizo la gráfica de distribución de probabilidad.

En la gráfica se observa cómo el 7 es la línea máxima por lo tanto se comprueba que la media es 7.

Varianza de una variable aleatoria discreta

Evalúa la dispersión de la distribución de probabilidad o grado en que se separan del promedio los
valores de la variable aleatoria “X”.

La varianza de una variable aleatoria discreta se denota como 𝜎 2𝑋 (o valor de x) y se define como la
media ponderada de las diferencias. Es decir, la media ponderada de los valores 𝑥1 𝑦 𝑥 respecto a
la media 𝜇𝑋 elevada al cuadrado ( (𝑥1 − 𝜇𝑋 )2 y algebraicamente son

𝜎 2 𝑥 = 𝑣𝑎𝑟(𝑥) = (𝑥1 − 𝜇𝑋 )2 𝑃(𝑥1 ) + (𝑥2 − 𝜇𝑋 )2 𝑃(𝑥2 ) + ⋯ … . +(𝑥𝑛 − 𝜇𝑋 )2 𝑃(𝑥𝑛 )

Ejemplo: Calcule en el lanzamiento de dos dados la varianza y la desviación estándar.
Solución: (resta del valor de “x” menos la media) el resultado de esta resta se eleva al cuadrado y a
este resultado se le multiplica por la probabilidad de que ocurra el evento (P(x)) se suman todos los
valores y así se obtiene la varianza.
Para obtener la desviación estándar solo saca la raíz cuadrada de la varianza. A continuación, se
muestra la sustitución en la formula y el resultado obtenido.

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

1 2 3 4 5
𝜎 2 𝑥 = 𝑣𝑎𝑟(𝑥) = (2 − 7)2 + (3 − 7)2 + (4 − 7)2 + (5 − 7)2 + (6 − 7)2 +
36 36 36 36 36
6 5 4 3 2 1
+(7 − 7)2 + (8 − 7)2 + (9 − 7)2 + (10 − 7)2 + (11 − 7)2 + (12 − 7)2 = 5.883
36 36 36 36 36 36
𝜎𝑍 = 2.420 → √5.883

Distribución binomial (Variables aleatorias discretas)

Distribución de probabilidad binomial: es aquella en la cual los resultados posibles son solo dos.
Por ejemplo, articulo bueno o defectuoso, alumno probad a reprobado.

Ejemplo: Se tienen 10 bolas en una caja, 3 son rojas y 7 son azules si se hacen “n” extracciones con
restitución (una vez que se extrae la bola se regresa a la caja) cada extracción constituye un ensayo
de Bernoulli y las “n” extracciones un experimento, por lo tanto p= 0.3 y q= 0.7
Ya que la suma de 0.3+0.7= 1 es decir al 100%, recuerde que p= éxitos y q= fracasos. Calcule la
distribución de la probabilidad binomial para este evento.
 1.- Determine la probabilidad de obtener exactamente cero bolas rojas.
Nota: es decir que todas salgan azules (fracaso)
Fórmula

𝑛!
𝑏 (𝑥; 𝑛; 𝑝) = 𝑃 𝑥 𝑞 𝑛−𝑥 ( )=
(𝑛 − 𝑥)! 𝑥!
x = Cantidad inicial de éxitos

n = Total

p = Éxitos (cantidad de bolas del color deseado) valor en decimal y proporcional al 100%

q = Fracasos (cantidad de bolas del color no deseado) valor en decimal y proporcional al 100%

𝑏 (0,10,0.3) =
10 10!
( 0 ) 0.30 𝑥 0.710 ((10−0)!0!) =0.0282

3628800
1 𝑥 0.02824 ( ) = 0.02824
3628800(1)

2.- Determinar la probabilidad de extraer exactamente 10 bolas rojas

10!
𝑏 (10,10,0.3) = 0.310 𝑥 0.70 ((10−10)!10!) = 5.9049 𝑥10−6 = 0. 0000059049

3628800
0. 0000059049𝑥1 ((1)3628800) = 0.0000059049

3.- La probabilidad de obtener exactamente 4 bolas rojas.

10!
𝑏 (4,10,0.3) = 0.34 𝑥 0.76 ((10−4)! 4!) = 0.2001

3628800 3628800
0. 0081𝑥 0.117649 ( )=( ) = 210
(720)24 17280

= 0.0081 𝑥 0.117649 𝑥 210 = 0.200120949

Distribución Hipergeométrica
Es una variante de la distribución de probabilidad binomial.
Tiene poco valor practico, aunque es muy adecuada para calcular probabilidades en poblaciones
pequeñas, en esta los resultados no pueden presentarse más de una vez es decir el muestreo es sin
remplazo.
Fórmula

(𝑁 − 𝑇)! 𝑇!
( )( )
(𝑛 − 𝑥)! ( 𝑁 − 𝑇 − 𝑛 + 𝑥)! 𝑥! (𝑇 − 𝑥)!
𝑃(𝑥 ⁄𝑁, 𝑇, 𝑛) =
𝑁!
𝑛! (𝑁 − 𝑛)!

x = es el número deseado de éxito

N = es número de elementos de la población

T = es número total de éxitos de la población

n = número de elementos de la muestra

Ejemplo: De un grupo de 100 personas, 20 son mujeres. Si se selecciona al azar 30 personas ¿Cuál
es la probabilidad de que en la selección allá exactamente 8 mujeres?
La muestra excede el 20% de la población y el muestreo de los elementos de la población se realiza
sin remplazo por eso se usa la distribución hipergeométrica y no la binomial.

Datos y sustitución en la fórmula:

En la parte inferior se muestra paso a paso la sustitución de la parte del numerador y posteriormente

x=8

N = 100

T=20

n = 30

del numerador, y como los factoriales son valores muy grandes utiliza la hoja llamada tabla de
factoriales que se encuentra dentro del material de apoyo para esta semana o bien puedes realizar
los cálculos en una hoja de Excel a que en la calculadora será imposible realizar estas operaciones.
Procedimiento para realizar la parte del numerador de la formula.

(100 − 20)! 20!

∗ ( )
(30 − 8)! ( 100 − 20 − 30 + 8)! 8! (20 − 8)!
𝑃(8⁄100, 20, 30) = = 0.1162 = 11.62%
100!
30! (100 − 30)!

7.1569 𝐸 118 2.4329 𝐸 18

= ( )( )
(1.124 𝐸 21)(2.3505 𝐸 78) (40320) (479001600)

7.1569 𝐸 18 2.4329 𝐸 18
= ( )( )=
2.6420 𝐸 99 1.9313 𝐸 13

(2.7 E 19) (125,972.1) = 3.4012E24 RESULTADO NUMERADOR

Procedimiento para realizar la parte del denominador de la formula.

9.3326 𝐸157
= ( )
2.6255 𝐸 32(1.1979 𝐸100)
9.3326 𝐸157
( ) = 𝟐. 𝟗 𝐄𝟐𝟓 𝐑𝐄𝐒𝐔𝐋𝐓𝐀𝐃𝐎 𝐃𝐄𝐍𝐎𝐌𝐈𝐍𝐀𝐃𝐎𝐑
3.2 𝐸 132
3.4012 𝐸 24
𝐃𝐈𝐕𝐈𝐃𝐎 𝐍𝐔𝐌𝐄𝐑𝐀𝐃𝐎𝐑 𝐘 𝐃𝐄𝐍𝐎𝐌𝐈𝐍𝐀𝐃𝐎𝐑 = 1.1728𝐸 − 1
2.9 𝐸25
= 0.1172 𝑥 100 = 11.7%
Distribución de Poisson
Es aquella en la cual la media se representa en unidades de tiempo o espacio. Por ejemplo,
automóviles por hora, manzanas por auto.

Se ajusta perfectamente a las necesidades de calcular la probabilidad de que en un día cualquiera

se presente más de un cierto número de eventos por ejemplo reclamaciones de una póliza de
seguros o la probabilidad de que la demanda de servicios a la hora pico exceda la capacidad de los
nuevos equipos.
Se usa para simplificar el cálculo que implica la distribución binomial si n es grande y “np” es
pequeño 𝑛𝑝 < 7

Formula
𝜆 ∗∗ 𝑥
𝑃( 𝑥 𝑒𝑥𝑖𝑡𝑜) = =
𝑥! (2.718281828) ∗∗ 𝜆

Los dos asteriscos juntos significan que

se está elevando la variable que se encuentra enfrente.

𝑥 = 𝑒𝑠 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜𝑠
𝜆 = 𝑒𝑠 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛 𝑙𝑜𝑠 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
e = base de los logaritmos
Ejemplo
En una carretera pasan en promedio 27 autos por hora. Determine la probabilidad de que circulen
entre 24 y 37 autos por hora.

Solución:

La media de flujo de autos es de 27 (𝜆 = 27) x es lo que se desea calcular de 24 a 37.

Esta fórmula ingrésala a tu calculadora tal y como esta y te dará el resultado.

En la calculadora aparece la letra “e”, esta letra representa la base de los logaritmos y tiene un valor
de 2.718281828 así que en tu calculadora en lugar de poner este valor puedes escribir directamente
la letra “e”
27 ∗∗ 24
𝑃(24 é𝑥𝑖𝑡𝑜𝑠) = = 0.0682
24! (2.718281828 ∗∗ 27)

𝑃(25 é𝑥𝑖𝑡𝑜𝑠) = 0.0737

𝑃(26 é𝑥𝑖𝑡𝑜𝑠) = 0.0765
𝑃(27 é𝑥𝑖𝑡𝑜𝑠) = 0.0765
𝑃(28 é𝑥𝑖𝑡𝑜𝑠) = 0.0738
 𝑃(29 é𝑥𝑖𝑡𝑜𝑠) = 0.0687
𝑃(30 é𝑥𝑖𝑡𝑜𝑠) = 0.0618
𝑃(31 é𝑥𝑖𝑡𝑜𝑠) = 0.0539
𝑃(32 é𝑥𝑖𝑡𝑜𝑠) = 0.0454
𝑃(33 é𝑥𝑖𝑡𝑜𝑠) = 0.0372
𝑃(34 é𝑥𝑖𝑡𝑜𝑠) = 0.0295
𝑃(35 é𝑥𝑖𝑡𝑜𝑠) = 0.0228
𝑃(36 é𝑥𝑖𝑡𝑜𝑠) = 0.0171
𝑃(37 é𝑥𝑖𝑡𝑜𝑠) = 0.0125

Definiciones básicas de la unidad.

Distribución geométrica: es cualquiera de las dos distribuciones de probabilidad siguientes:

1.- La distribución de probabilidad del número “X” en el ensayo de Bernoulli necesaria para obtener
un éxito. Contenido del conjunto (1, 2, 3, 4…….)
2.- La distribución de probabilidad del número “Y=X-1” de fallos antes del primer éxito. Contenido
del conjunto (0, 1, 2, 3, 4…….)

Distribución binomial negativa o de Pascal: es una distribución de probabilidad discreta.

Distribución de probabilidad exponencial: Variante de la distribución de probabilidad de Poisson.

Valor esperado de una variable aleatoria discreta: representa el valor promedio que se espera
suceda, al repetir el experimento en forma independiente una gran cantidad de veces. El valor
esperado se interpreta físicamente como el centro de masa o centro de gravedad de la distribución
de probabilidad, por lo que es igual a la media o promedio aritmético, los cuales se representan con
la letra  (media).

Funciones estadísticas: son utilizadas por las variables aleatorias continuas y discretas, y permiten
determinar las probabilidades de un suceso, partiendo del modelo estadístico al que ese suceso se
ajusta.
Bibliografía:
Antonio., N. (2010). Probabilidad y estadística para ingeniería y ciencias. Mc Graw Hill.
Devore, J. L. (2004). Probabilidad y estadística para ingeniería y ciencias. Thomson.
Mendenhall, W. (1997). Probabilidad y estadística para ingeniería y ciencias. Pearson.
Navidi, W. C. (2006). Estadística para ingenieros. Mc Graw Hill. .
Ojeda, R. L. (2007). Probabilidad y Estadística básica para ingenieros. Ecuador.
Sánchez., O. (2000). Probabilidad y Estadística. México: Mc Graw Hill. .