Variable aleatoria

Es una descripción numérica del resultado de un

experimento aleatorio.
De acuerdo a lo anterior las podemos clasificar
como discretas o continuas.
Las discretas son variable aleatorias con un rango
finito (o infinito contable).
Las continuas son variables que pueden asumir
cualquier valor en un intervalo o conjunto de
intervalos.
Una forma de determinar si una variable es
continua o discreta es imaginarse que los valores de
esa variable son los puntos en una recta numérica.
VARIABLE ALEATORIA
Una variable aleatoria es un valor numérico determinado por el
resultado de un experimento.
Ejemplo 1: considere un experimento aleatorio en el que se
lanza tres veces una moneda. Sea X el número de caras. Sea H
el resultado de obtener una cara y T el de obtener una cruz.
El espacio muestral para este experimento será: TTT, TTH,
THT, THH, HTT, HTH, HHT, HHH.
Entonces, los valores posibles de X (número de caras) son x = 0,
1, 2, 3,
El resultado será: “cero caras” ocurrió una vez, “una cara”
ocurrió tres veces, “dos caras” ocurrió tres veces y “tres
caras” ocurrió una vez.
De la definición de variable aleatoria, la X definida en este
experimento, es una variable aleatoria.
VARIABLE ALEATORIA DISCRETA

Una variable aleatoria discreta

es una variable que puede
tomar sólo ciertos valores
diferentes que son el resultado
de la cuenta de alguna
característica de interés.
Ejemplo 2: sea X el número de
caras obtenidas al lanzar 3
veces una moneda. Aquí los
valores de X son x = 0, 1, 2, 3
 DISTRIBUCIONES DE
PROBABILIDAD

Una distribución de
probabilidad es la
enumeración de todos los
resultados de un
experimento junto con las
probabilidades asociadas.
Distribución Probabilística
La distribución de una variable X se define
como una descripción del conjunto de valores
posibles de X, junto con la probabilidad
asociada con cada uno de estos valores
Para una variable aleatoria discreta la
distribución de probabilidad se describe
mediante una función de probabilidad,
representada por f(x). Donde esta función
define la probabilidad de ocurrencia de cada
valor de la variable analizada
DISTRIBUCIONES PROBABILISTICAS

NÚMEROS DE PROBABILIDAD DE LOS

CARAS RESULTADOS
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125
Total 8/8 = 1

Características de una distribución de

probabilidad: La probabilidad de un resultado siempre
debe estar entre 0 y 1. La suma de todos los resultados
mutuamente excluyentes siempre es 1.
9
 FUNCIÓN DE PROBABILIDAD (V.
DISCRETAS)
 Asigna a cada posible valor de 40%

una variable discreta su 35%

probabilidad. 30%

 Recuerda los conceptos de frecuencia 25%

relativa y diagrama de barras. 20%

 Ejemplo 15%

10%
 Número de caras al lanzar 3
monedas. 5%

0%
0 1 2 3

10
 FUNCIÓN DE DISTRIBUCIÓN
 Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o
iguales.
 Piénsalo como la generalización de las frecuencias
acumuladas. Diagrama integral.
 A los valores extremadamente bajos les corresponden
valores de la función de distribución cercanos a cero.
 A los valores extremadamente altos les corresponden

valores de la función de distribución cercanos a uno.

 Lo encontraremos en los artículos y aplicaciones en

forma de “p-valor”, significación,…

11
 FUNCIÓN DE DISTRIBUCIÓN

 Es la función que asocia a cada valor de una variable, la

probabilidad acumulada de los valores inferiores o
iguales.
 Piénsalo como la generalización de las frecuencias
acumuladas. Diagrama integral.
 A los valores extremadamente bajos les corresponden
valores de la función de distribución cercanos a cero.
 A los valores extremadamente altos les corresponden

valores de la función de distribución cercanos a uno.

 Lo encontraremos en los artículos y aplicaciones en

forma de “p-valor”, significación,…

12
MEDIA DE UNA DISTRIBUCION DE
PROBABILIDAD
La media o esperanza matemática es una
medida de localización, que indica el valor
alrededor del cual fluctúa la variable aleatoria;
si ésta es continua, la media se define como:

µ = E(X) = Σ[x*P(X)]

13
VARIANZA DE UNA DISTRIBUCION
PROBABILISTICA

La varianza describe el grado de

dispersión en una distribución.

2 2
σ = E(X) = Σ[(X - µ) *P(X)]
Ejemplo 4
Una persona vende autos nuevos para una empresa. Generalmente negocia
el mayor numero de autos los sábados. Ha establecido la siguiente
distribución de probabilidad para el numero de autos que espera vender en
un sábado en particular.

NÚMEROS DE AUTOS VENDIDOS PROBABILIDAD P(X)

X
0 0.10
1 0.20
2 0.30
3 0.30
4 010
Total 1.00
1. ¿Qué tipo de distribución es esta?
2. En un sábado común, ¿Cuántos autos desea vender?
3. ¿Cuál es la varianza de la distribución?
15
Ejemplo 4 (continuación)

1. Es una distribución de probabilidad discreta (las respuestas

son mutuamente excluyentes).
2. El numero medio de autos vendidos:
µ = Σ[x*P(X)]=0(0.1) +1(0.2)+ 2(0.3)+ 3(0.3)+4(0.1)=2.1
NÚMEROS DE PROBABILIDAD X.P(X)
AUTOS VENDIDOS P(X)
X
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 2.10
Ejemplo 4 (continuación)
NÚMEROS DE AUTOS VENDIDOS PROBABILIDAD (PX) X.P(X)
X
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 E(X) =2.10

3. De nuevo es util una tabla para sistematizar los cálculos para la variancia. Su
valor es 1.290
NÚMEROS DE PROBABILIDAD (X - µ) (X - µ)2 (X - µ)2. P(X)
AUTOS VENDIDOS P(X)
X
0 0.10 0 – 2.1 4.41 0.441
1 0.20 1 – 2.1 1.21 0.242
2 0.30 2 - 2.1 0.01 0.003
3 0.30 3 – 2.1 0.81 0.243
4 010 4 – 2.1 3.61 0.361
2
Total 1.00 σ = 1.290

σ= 1.136 17
Ejemplo 6: (continua)
Solución 2. Cantidad media cobrada por el refresco.

X P(x) xP(x)
50 0.30 15.00
75 0.50 37.50
90 0.20 18.00
 
Solución 3:   70.50
(X - µ)*(X -
X P(x) (X - µ) µ)*P(x)
50 0.30 -20.5 126.075
75 0.50 4.5 10.125
90 0.20 19.5 76.05
VARIANZA
212.25
 DESVIACIO
    N 14.57 18
19
 Introducción
Existen muchas situaciones donde se espera que ocurra o no un
evento específico. Éste puede ser de éxito o fracaso sin dar paso a
un punto medio. Por ejemplo, en la producción de un artículo, éste
puede salir bueno o malo. Casi bueno no es un resultado de interés.
Para situaciones como éstas se utiliza la distribución binomial.

En este módulo se describe el uso de la distribución binomial para

obtener la probabilidad de ocurrencia de ese evento que representa
un resultado esperado.

El módulo va dirigido al estudiantado de Administración de Empresas

en sus distintas concentraciones.
 
 Utilidad

La distribución binomial se utiliza en situaciones cuya solución

tiene dos posibles resultados.

Por ejemplo: 

Al nacer un/a bebé puede ser varón o hembra.

En el deporte un equipo puede ganar o perder.

En pruebas de cierto o falso sólo hay dos alternativas.

 Utilidad
También se utiliza cuando el resultado se puede reducir a dos
opciones.

Por ejemplo:

Un tratamiento médico puede ser efectivo o inefectivo.

La meta de producción o ventas del mes se pueden o no lograr.
En pruebas de selección múltiple, aunque hay cuatro o cinco
alternativas, se pueden clasificar como correcta o incorrecta.

Estos ejemplos los podemos considerar como

“experimentos de Bernoulli”
 Propiedades de un
experimento de Bernoulli
1 - En cada prueba del experimento sólo hay dos posibles
resultados: éxitos o fracasos.

2 - El resultado obtenido en cada prueba es independiente de los

resultados obtenidos en pruebas anteriores.

3 - La probabilidad de un suceso es constante, la representamos

por p, y no varía de una prueba a otra. La probabilidad del
complemento es 1- p  y la representamos por q .

Si repetimos el experimento n veces podemos

obtener resultados para la construcción de la
distribución binomial.
 La distribución binomial

La distribución de probabilidad binomial es un ejemplo de

distribución de probabilidad discreta.
Esta formada por una serie de experimentos de Bernoulli. Los
resutados de cada experimento son mutuamente excluyentes.
Para contruirla necesitamos:
1 - la cantidad de pruebas n
2 - la probabilidad de éxitos p
3 - utilizar la función matemática.
 La función P(x=k)

A continuación vemos La función de probabilidad de la distribución

Binomial, también denominada Función de la distribución de
Bernoulli:

k - es el número de aciertos.
n - es el número de experimentos.
p - es la probabilidad de éxito, como por ejemplo, que salga
"cara" al lanzar la moneda.
1-p - también se le denomina como “q ”
 Ejemplo1 de la función
F(x=k)
¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda
10 veces?
El número de aciertos k es 6. Esto es x=6
El número de experimentos n son 10
La probabilidad de éxito p, es decir, que salga "cara" al lanzar la
moneda es 50% ó 0.50
La fórmula quedaría:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .
 Ejemplo 2 de la función
F(x=k)
¿Cuál es la probabilidad de obtener cuatro veces el número 3 al
lanzar un dado ocho veces?
El número de aciertos k es 4. Esto es x=4
El número de experimentos n son 8
La probabilidad de éxito p (probabilidad de que salga un 3 al
tirar el dado) es 1 / 6 (= 0.1666)
La fórmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el
números 3 al tirar un dado 8 veces es de 2.6%.
 Ejemplo 3
B(n,p)

En una fábrica de cámaras el 5% sale con defectos.

Determine la probabilidad de que en una muestra de 12 se
encuentren 2 cámaras defectuosas.

Solución :
Se trata de una distribución binomial de parámetros B(12,
0.05). Debemos calcular la probabilidad de que x sea igual a k
que en este caso es 2. Esto es P (k=2).
Busque en la parte izquierda de la tabla n=12, luego en la parte
superiror p=0.05 . La probabilidad estará en x=2
El resultado es 0.0988
 Ejemplo 4
B(n,p)

En una oficina de servicio al cliente se atienden 100 personas

diarias. Por lo general 10 personas se van sin recibir bien el
servicio. Determine la probabilidad de que en una encuesta a
15 clientes 3 no hayan recibido un buen servicio.

Solución :
Se trata de una distribución binomial de parámetros B(15, 0.10).
Debemos calcular la probabilidad  P(X=3).
El resultado es 0.1285
 La media μ y
desviación estándar σ

C a r a c t e r í s t ic a s d e la d is t r ib u c ió n
b in o m ia l
M e d ia
 = E (X ) = n p
.6
P (X ) n = 5 p = 0 .1
.4
 = 5 · 0 .1 = 0 .5 .2
0 X
 = 5 · 0 .5 = 0 .2 5
0 1 2 3 4 5

D e s v ia c ió n e s tá n d a r
P (X ) n = 5 p = 0 .5
  np ( 1  p ) .6
.4
.2
  5  0 . 1  ( 1  0 . 1 )  0 . 67 0 X
0 1 2 3 4 5
  5  0 . 5  (1  0 . 5 )  1 . 1 17
 En resumen
En este módulo hemos determinado la probabilidad binomial mediante el
uso de la función binomial, tablas de distribución y la calculadora del
enlace. Además, aprendimos que:

 La distribución binomial se forma de una serie de experimentos de

Bernoulli  

 La media (μ) en la distribución binomial se obtiene con el producto de

nxp

 La desviación estándar (σ ) en la distribución binomial se obtiene del

producto de n x p x q.

 El valor de q es el complemento de p y se obtiene con 1 – p.

 Glosario de términos
Distribución de probabilidad discreta - distribución con un número
finito de valores.

Distribución binomial – Distribución discreta que se aplica cuando se

realizan más de una vez y de forma independiente el experimento de
Bernoulli.

Experimento de Bernoulli – Experimento con dos posibles resultados

(éxito o fracaso).

Experimento independiente – Cuando el resultado de un experimento

no tiene influencia en el resultado de otro experimento
 Glosario de términos

Éxitos – Es la ocurrencia del evento de interés como cantidad de

defectos, llamadas recibidas, servicios completados.

Fracasos – Es el complemento de los éxitos. Es la ocurrencia del

evento que no es de interés.

Resultados mutuamente excluyentes – Son resultados que no

pueden ocurrir al mismo tiempo. Si un producto sale bueno, no puede
salir defectuoso al mismo tiempo.
34
 Se aplica a la toma de muestras sin
reposición de tamaño n sobre una población
de tamaño N, cuyos elementos son
clasificados en dos categorías: Defectuosos
(N1) y no defectuosos (N- N1).

N - N1 N1

35
 DISTRIBUCION HIPERGEOMETRICA

 N1  N  N1 
  
 x  n  x 
H (n, N , A)  P( X  x)  ( x  0,1,..., n)
N
 
n
• N Tamaño de la población
• N1 Número total de casos exitosos en la población
• x Número de éxitos que interesan (0,1,2,3,...)
• n Tamaño de la muestra
• C Símbolo de combinatoria

36
ESPERANZA MATEMATICA DE UNA VARIABLE
HIPERGEOMETRICA

µ = E(X) = n*N
N1

VARIANZA DE UNA VARIABLE

HIPERGEOMETRICA

σ2= E[(X - µ)2]

37
 Ejemplo:
En una linea durante un turno se ensamblaron 50 aparatos
de DVDs (N=50). Funcionaron sin problemas 40 (N1 =40) y
10 tuvieron al menos un defecto. Se selecciona al azar una
muestra de 5 (n=5). Utilizando la distribucion
hipergeométrica ¿Cuál es la probabilidad que tres (x=3) de
los cinco operarán sin problemas?

Solución:
• N=50; N1 = 40;x= 3; n= 5

P(X=3) = 0.210

38
Ejemplo:
Se acaba de recibir un embarque de 10 TV. Poco después
de recibirlos, el fabricante llamó para informar que por
descuido se habían enviado tres aparatos defectuosos.
Se decidió probar dos de estos ¿Cuál es la probabilidad
que ninguno de los dos este defectuoso?

39
Solución:
• N =
10
• N1 = P(X=2) = 0.466667
7
• n =
2
• x NÚMERO
= 2 QUE FUNCIONÓ PROBABILIDAD
CORRECTAMENTE
0 0.0666667
1 0.466667
2 0.466667

40
41
 DISTRIBUCIÓN DE POISSON

 También se denomina de sucesos raros.

 Se obtiene como aproximación de una distribución
binomial con la misma media, para ‘n grande’ (n>30)
y ‘p pequeño’ (p<0,1).en este caso, λ =np
 Queda caracterizada por un único parámetro λ
(lambda), que es a su vez su media y varianza.
 DISTRIBUCIÓN DE POISSON

 Distribución de Probabilidad Discreta

 x
e 
p( X  x) 
x!
Propiedades de la distribución Poisson
Promedio  
Varianza 2 
Desviación Estándar  
 CARACTERÍSTICAS DE POISSON
 En este tipo de experimentos los éxitos buscados
se expresan por unidad de área, tiempo, pieza,
etc,:
 # de defectos de una tela por m2
 # de aviones que aterrizan en un aeropuerto por
día, hora, minuto, etc.
 # de bacterias por cm2 de cultivo
 # de llamadas telefónicas a un conmutador por
hora, minuto, etc.
 # de llegadas de barcos a un puerto por día, etc.
44
 Ejemplo 1:
Si un banco recibe en promedio 6 cheques sin fondo por
día, ¿cuáles son las probabilidades de que reciba, a) cuatro
cheques sin fondo en un día dado, b) 10 cheques sin
fondos en dos días consecutivos?

Solución: a)
x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc.
µ = 6 cheques sin fondo por día
e = 2.718

e  x e-664
p ( X  4)  = = 0.13392
x! 4!
45
 Solución: b)
 x = variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc.
 λ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos días consecutivos
 Nota: λ siempre debe de estar en función de x siempre o dicho de
otra forma, debe tener unidades consistentes con respecto a x.

 x
e 
p( X  10)  = 0.104953
x!

46
 Ejemplo 2:
En la inspección de hojalata producida por un proceso
electrolítico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de identificar
a) una imperfección en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando más una imperfección en
15 minutos.

Solución: a)
x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
λ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3
minutos en la hojalata
e = e
 -0.6
x0.6 1

p ( X  1)  = 0.329307
1!
x!
47
Solución: b)
x = variable que nos define el número de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc.
µ = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos
en la hojalata.

e-110 e-111
P(x)= 1 - + = 0.26416
0! 1!

48
Solución: c)
x = variable que nos define el número de imperfecciones en
la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
µ= 0.2 x 15 = 3 imperfecciones en promedio por cada 15
minutos en la hojalata

e-3 30 e-3 31
P(x)= 1 - + = 0.1992106
0! 1!

49
Ejemplo 3: Cierta enfermedad tiene una probabilidad de ocurrir,
p=1/100.000. Calcular la probabilidad de que en una ciudad con
500.000 habitantes haya más de 3 personas con dicha enfermedad.

Solución :
 Si consideramos la v.a. X que contabiliza el número de personas
que padecen la enfermedad, es claro que sigue un modelo
binomial, pero que puede ser muy bien aproximado por un
modelo de Poisson, ya que n>30 y p<0,1. De modo que

  np  (500000)(1/100000)  5 ->X ->Poi(λ=5)

50
 Así el número esperado de personas que padecen la
enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una
gran dispersión, y no sería extraño encontrar que en realidad
hay muchas más personas o menos que están enfermas. La
probabilidad de que haya más de tres personas enfermas es:

P [X>3] = 1 – P[ X ≤ 3 ]
P [X>3] = 1 – P[ X = 0] - P[X=1] - P[ X = 2 ] - P[ X = 3 ]
P [X>3] = 0,735

51
Ejemplo 4: El número de enfermos que solicitan atención de
urgencia en un hospital durante un periodo de 24 horas tiene una
media de m = 43.2 pacientes. Unas obras en las instalaciones
mermarán las capacidades de atención del servicio, el cual se sabe
que colapsará si el número de enfermos excede de 50. ¿Cual es la
probabilidad de que colapse el servicio de urgencias del hospital? .

Solución :
 Bajo las condiciones del modelo de Poisson, se trata de una
distribución P(43.2). La probabilidad solicitada es

P (X>50) = 1 – P (X≤50)

P (X>50) = 0.1343
52