TEMA 2.

- VARIABLES ALEATORIAS
DISCRETAS.- CURSO 22/23
 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias.
 2.2. Variables aleatorias discretas. Distribución de probabilidad.
Diagrama de barras. Cálculo de probabilidades.
 2.3. Función de distribución de una variable aleatoria cualquiera, F.
 2.3.1. Función de distribución para variables discretas.
 2.3.2. Propiedades de una función de distribución general. F .
Particularización para el caso de v.a. discretas.
 2.3.3. Obtención de la distribución de probabilidad de una v.a.
discreta a partir de su función de distribución F.
 2.4. Medidas asociadas a una variable aleatoria discreta.
 2.5. Independencia de variables aleatorias discretas.
 2.6. Variables aleatorias discretas que sirven como modelos en
situaciones reales.
 2.1. Concepto de variable aleatoria
Objetivo: Dado un experimento aleatorio, en vez de calcular
probabilidades de sucesos asociados al experimento, queremos
MEDIR alguna característica asociada al mismo.
Ejemplo 1:
a) Experimento aleatorio: lanzar dos monedas
X: número de caras al lanzar dos monedas
b) Experimento aleatorio: lanzar un dado
Y: Número de veces que hay que lanzar un dado hasta obtener un 5.
c) Experimento aleatorio: observación de la transmisión de un
mensaje.
Z: tiempo que transcurre hasta que un mensaje llega a su destino
en una red de comunicaciones.
 2.1. Concepto de variable aleatoria
Definición: Sea E el espacio muestral asociado a un
experimento aleatorio. Llamaremos VARIABLE
ALEATORIA a una función X : E  que cumple ciertas
condiciones “técnicas”.
• Esta función “convierte” la probabilidad P definida en S en
otra probabilidad, P*, definida en , que es el conjunto
donde trabajaremos desde este tema en adelante.
• A P* se le llama PROBABILIDAD INDUCIDA por P y es
una función de probabilidad: verifica los axiomas y TODAS
las propiedades derivadas. También sirven los conceptos y
fórmulas estudiadas en el tema anterior: probabilidades
condicionadas, teoremas de Probabilidad Total y Bayes,…
 2.1. Concepto de variable aleatoria
Ejemplo 2: A partir del experimento aleatorio que consiste en
lanzar dos monedas y dada la variable aleatoria que mide
X: número de caras al lanzar dos monedas, X : E  ,
a) Dar los valores que toma la variable X a partir de los
elementos del espacio muestral E.
b) Asignar probabilidades ( P* ) a cada uno de estos valores a
partir de la probabilidad (P ) de cada uno de los sucesos
elementales del espacio muestral E.

Observación: A partir de este momento, usaremos la notación

P para la probabilidad definida en .
 TIPOS DE VARIABLES
ALEATORIAS
Estudiaremos dos tipos de variables aleatorias:
1.- DISCRETAS: son aquellas que toman un
conjunto finito o numerable de valores.
Las variables X: número de caras al lanzar dos monedas e
Y: Número de veces que hay que lanzar un dado hasta
obtener un 5 del ejemplo 1 lo son. Las estudiaremos en este
tema 2.
2.- CONTINUAS: son aquellas que toman valores
en intervalos de la recta real.
La variable Z: tiempo que transcurre hasta que un mensaje
llega a su destino en una red de comunicaciones del ejemplo
1 es continua. Se estudiarán en el tema 3.
 TIPOS DE VARIABLES
ALEATORIAS
Objetivo del tema: Estudiar todo lo relacionado con
variables aleatorias discretas:

 Caracterización.
 Cálculo de probabilidades.
 Medidas características.
 Modelos de variables discretas que aparecen
habitualmente en situaciones reales.
 2.2. VARIABLES ALEATORIAS
DISCRETAS
Definición: Llamaremos distribución de probabilidad de
una variable discreta X al conjunto de valores que toma, xi ,
junto con sus probabilidades, pi = P(X = xi ), i = 1,2,3,…. Los
valores pi se llaman función de masa y verifican:

1. pi  0 2.  pi  1
i 1
Los valores xi se llaman puntos de masa.
(si X toma un número finito de valores, la serie de la
definición es una suma finita).
IMPORTANTE : Una variable aleatoria discreta queda
totalmente definida y caracterizada si conocemos su
distribución de probabilidad.
 REPRESENTACIÓN GRÁFICA DE UNA
VARIABLE ALEATORIA DISCRETA

Para una variable aleatoria discreta X con distribución de

probabilidad  xi , pi  , el gráfico que se utiliza es el diagrama
de barras: sobre el eje OX se dibujan los valores xi y, sobre
ellos, se levantan barras de altura pi .
Observación: En el ejemplo 2 se obtuvo la distribución de
probabilidad de la variable aleatoria (v.a.) X: número de
caras al lanzar dos veces una moneda. Vamos a dibujar el
diagrama de barras asociado.
xi 0 1 2
pi 1/4 1/2 1/4
 2.2. VARIABLES ALEATORIAS
DISCRETAS
Cálculo de probabilidades: Para una variable aleatoria
discreta X con distribución de probabilidad  xi , pi  , i  I
P  X  A    pi , A 
xi A

Ejemplo 3: Para la variable X: número de caras al lanzar dos

veces una moneda, calcular la probabilidad de que se obtenga:
a) Al menos una cara.
b) Más de una cara.
c) Más de una cara y menos de dos.
d ) P(1  X  2)
e) P(1  X  0.5)
 2.2. VARIABLES ALEATORIAS
DISCRETAS
Teorema: Cualquier conjunto de valores  xi , pi  , i  I
tales que
pi  0 y  pi  1
iI

son la distribución de probabilidad de una variable aleatoria

discreta y definen, por tanto, una variable aleatoria discreta.

Ejemplo 4: Si definimos una función X que toma los valores

-1, 2 y 7 y P(X = -1) = 1/6, P(X = 2) = 1/6 y P(X = 7) = 2/3,
X es una v.a. discreta aunque no sepamos de que experimento
aleatorio proviene ni lo que mide.
 2.3. FUNCIÓN DE DISTRIBUCIÓN DE
UNA VARIABLE ALEATORIA
(DEFINICIÓN GENERAL)
Hay DOS formas de caracterizar una variable aleatoria
discreta:
 Dando su Distribución de probabilidad (ya vista)

 Dando su Función de distribución (nueva)

Vamos a dar la definición general de función de distribución,

que vale tanto para v.a. discretas como v.a. continuas (tema 3)

Definición (general): Sea X : E  una variable aleatoria.

Llamaremos función de distribución asociada a la variable X a la
función FX :  definida como
FX  x   P  X  (, x]  P  X  x  , x 
 2.3.1. FUNCIÓN DE DISTRIBUCIÓN
PARA VARIABLES ALEATORIAS
DISCRETAS
Definición (v.a. discreta): Sea X una variable aleatoria
discreta con función de probabilidad  xi , pi  , i  I .
Entonces, la función de distribución de X se calcula como:

FX  x   P  X  x   P( X  (, x])   pi  x
xi  x

Observaciones:
1. F está definida para todo número x real. .
2. F(x) es la probabilidad del intervalo (- ∞,x], es decir, la
probabilidad ACUMULADA desde - ∞ hasta x.
 2.3.1. FUNCIÓN DE DISTRIBUCIÓN
PARA VARIABLES ALEATORIAS
DISCRETAS
Ejemplo 5: Para la variable X: número de caras obtenidas al
lanzar dos veces una moneda:
a) Calcular F(1) y ver que no coincide con P(X = 1).
b) Obtener la función de distribución, F, y representarla.
c) Calcular P(1  X  2) usando la función de distribución.
Observación: Las funciones de distribución de variables
aleatorias discretas:
a) Siempre son FUNCIONES ESCALONADAS.
b) Verifican unas propiedades que cumplen TODAS las
funciones de distribución tanto las asociadas a v.a. discretas
como las de v.a. continuas (tema 3). Estas propiedades están
recogidas en la transparencia siguiente.
 2.3.2.PROPIEDADES DE UNA
FUNCIÓN DE DISTRIBUCIÓN F
(GENERAL)
 1 lim F  x   F     0
X X
x

 2. lim FX  x   FX     1
x
 3. FX es monótona no decreciente (constante o creciente):
FX  x   FX  x  h  h  0
 4. FX es continua por la derecha:
lim FX  x  h   FX  x  ó lim FX  x   FX  x0 
ho xx0

Ejemplo 6: verificar que se cumplen estas propiedades para la

función de distribución obtenida en el ejemplo 5.
 TEOREMA
(v.a. discretas y v.a. continuas)
Teorema : Una función F :  es función de
distribución de alguna variable aleatoria, discreta o continua,
X  F verifica las cuatro propiedades anteriormente
enunciadas.
Ejemplo 7: La siguiente función F :  NO es función
de distribución de ninguna variable aleatoria: no es monótona
no decreciente.

0 x0
 2
x
F  x   0 x2
2
1 x2
 2.3.3. OBTENCIÓN DE LA DISTRIBUCIÓN DE
PROBABILIDAD DE UNA V.A. DISCRETA A PARTIR
DE SU FUNCIÓN DE DISTRIBUCIÓN F
Teorema : Sea X una variable aleatoria discreta con función
de distribución F. Entonces, su distribución de probabilidad
 xi , pi  P( X  xi ) viene dada por:
xi :puntos de discontinuidad de F
pi  F  xi   F  xi   : altura de la discontinuidad en xi

donde xi- es el valor más cercano a xi por la izquierda.

Ejemplo 8: A partir de la función de distribución de la
variable X: número de caras al lanzar dos veces una
moneda, obtener su distribución de probabilidad.
 2.3.3. OBTENCIÓN DE LA DISTRIBUCIÓN DE
PROBABILIDAD DE UNA V.A. DISCRETA A PARTIR
DE SU FUNCIÓN DE DISTRIBUCIÓN F
Conclusiones:
1.- Una variable aleatoria discreta se puede definir
mediante su distribución de probabilidad  xi , pi  o mediante
su función de distribución F, indistintamente. Entonces,
• Si conocemos  xi , pi  podemos obtener F.
• Si conocemos F podemos obtener  xi , pi 
2.- Si nos piden calcular probabilidades asociadas a una
variable discreta y sólo conocemos su función de
distribución, es mejor calcular previamente su distribución
de probabilidad porque os resulta más sencillo.
 2.4. MEDIDAS ASOCIADAS A UNA
VARIABLE ALEATORIA DISCRETA

 Medidas de centralización: Dan una idea de los

valores centrales o centro de la distribución.
La más importante es la MEDIA, llamada también
ESPERANZA o VALOR ESPERADO.

 Medidas de dispersión: Dan una idea de la

“distancia” de la distribución de los valores de la
variable aleatoria a algún valor central.
Las que miden “distancia” de la variable a la media
son la VARIANZA, la DESVIACIÓN TÍPICA y el
COEFICIENTE DE VARIACIÓN.
 MEDIA O ESPERANZA DE UNA
VARIABLE ALEATORIA DISCRETA X

Estadística descriptiva: Dado un conjunto de datos x1, x2 ,..., xn,

sabemos calcular la media aritmética de los mismos
1 n 1 k k
x   xi   xi  ni   xi  f i
n i 1 n i 1 i 1

Definición: Sea X una v.a. discreta con distribución de

probabilidad  xi , pi  , i  1, 2,... Llamaremos esperanza
matemática o media de la variable aleatoria X al valor

  E[ X ]   xi pi  
i

Observación: si el conjunto de valores que toma X es finito, la

serie de la definición es una suma finita.
 VARIANZA DE UNA VARIABLE ALEATORIA
CUALQUIERA X

Estadística descriptiva: Para un conjunto de datos x1, x2 ,..., xn, la

varianza de los datos es 1 n
V  x  x
2
i
n i 1

Definición: Sea X una variable aleatoria discreta o continua con

media E[X ] = . Llamaremos varianza de X , V(X), al valor
V ( X )    E[ X  E  X  ]  E[ X    ]
2 2 2

Propiedades de la varianza de una v.a. X discreta o continua:

1. V(X)  0 y se mide en unidades u2 (si X se mide en u).
2. Sea la v.a. Y = aX + b, a.b números reales, entonces:
 E[Y] = E[aX+b ] = a E[X] + b
 V(Y) = a2 V(X)
 DESVIACIÓN TÍPICA Y COEFICIENTE DE
VARIACIÓN DE UNA VARIABLE ALEATORIA
CUALQUIERA X

Definición: Sea X v.a. cualquiera y V(X) su varianza.

Llamaremos desviación típica de X a   dt  X    V  X 
Viene medida en las mismas unidades que X.
Estadística descriptiva: Para un conjunto de datos x1, x2 ,..., xn, el
coeficiente de variación es CVX   V / x . Este coeficiente es
adimensional, mide la dispersión relativa de los datos y se da en %. Se
usa también para comparar la dispersión entre dos conjuntos de datos
distintos.
Definición: Sea X v.a. discreta o continua, con media E[X] y varianza
V(X) su varianza. Llamaremos coeficiente de variación de X a
  V X 
CVX  
 EX 
 CÁLCULO DE LA VARIANZA DE UNA
VARIABLE ALEATORIA DISCRETA X

La forma de cálculo de la varianza de una variable aleatoria es:

V ( X )  E[ X  E  X  ]  E[ X 2 ]   E[ X ]
2 2

Cálculo del término E[ X 2 ] en variables DISCRETAS:

Si X es discreta con distribución de probabilidad  xi , pi , el
término que hace falta para calcular la varianza de X , E[ X 2 ] ,
se calcula como: 
E  X 2    xi2  pi
i 1
Entonces, 2

 

V ( X )  E[ X 2 ]  E 2 [ X ]   xi2  pi    xi  pi 
i 1  i 1 
 EJEMPLO

Ejemplo 9: Para la v.a. X: número de caras al lanzar dos veces

una moneda, calcular:
1. La esperanza o media de X.
2. La varianza, la desviación típica y el coeficiente de
variación.
3. Para la variable aleatoria Y definida a partir de X como
Y = 2X + 3, calcular E[Y] y V(Y).
2.5. INDEPENDENCIA DE VARIABLES
ALEATORIAS DISCRETAS
 Dos sucesos A y B son independientes si la ocurrencia de uno de
ellos no modifica la probabilidad del otro, es decir,
P  A / B   P  A
 Dos variables X e Y discretas serán independientes cuando
conocer el valor que toma una de ellas, por ejemplo, X = xi, no
modifica la distribución de probabilidad de la otra variable, Y.
Definición: Sean X e Y v.a. discretas con distribuciones de
probabilidad respectivas,
 xi , P( X  xi ) e  y j , P(Y  y j )
Entonces, X e Y son independientes sí y sólo sí
P Y  y j / X  xi   P Y  y j  para todo xi , y j
 2.5. INDEPENDENCIA DE VARIABLES
ALEATORIAS DISCRETAS
Teorema: A y B son sucesos independientes si y sólo sí:

P  A  B   P  A  P  B 
Teorema: X e Y, v.a.discretas son independientes si y sólo sí:

 
P  X  xi   Y  y j   P  X  xi , Y  y j   P  X  xi   P Y  y j 

para todos xi e yj.

Teorema: (generalización) Sean X1,X2,...,Xn v.a. discretas.

Entonces, X1,X2,...,Xn son independientes si y sólo sí:
P  X 1  x1   X n  xn   P  X 1  x1   P  X 2  x2   ...  P  X n  xn  ,
 x1 , x2 , ..., xn
 PROPIEDADES DE ESPERANZAS Y
VARIANZAS para v.a. X1,X2,...,Xn
CUALESQUIERA
Sean X1,X2,...,Xn variables aleatorias discretas o continuas y sean
a1,a2,...,an y b números reales. Entonces,
1.- SIEMPRE se verifica que:

E  a1 X1  a2 X 2   an X n  b   a1E[ X 1 ]  a2 E[ X 2 ]   an E[ X n ]  b.

(generalización de la propiedad E[aX+b] = aE[X]+b)

2.- SOLAMENTE si X1,X2,...,Xn son INDEPENDIENTES:

V  a1 X 1  a2 X 2  an X n  b   a12V  X 1   a2 2V  X 2    an 2V  X n 
(generalización de la propiedad V(aX+b) = a2V(X))
Ejemplo 10: Se sacan dos bolas con reemplazamiento de una
urna en la que hay 3 bolas numeradas del 1 al 3 y se consideran
las variables aleatorias:
X: resultado obtenido en la primera bola
Y: Suma de los resultados obtenidos en ambas bolas.
con distribuciones de probabilidad respectivas:
yi pi
xi pi ¿Cómo se obtienen las
2 1/9 distribuciones de X e Y?
1 1/3
3 2/9
2 1/3
4 3/9 E = {B1B1 , B1B2 , B1B3 ,
3 1/3 B2B1 , B2B2 , B2B3 ,
5 2/9
B3B1 , B3B2 , B3B3}
6 1/9
a) ¿Son X e Y independientes, intuitivamente?

a) Calcular P(Y  6 / X  3) ¿Son X e Y independientes?

Justificar la respuesta.

b) En caso que sea posible, calcular la media y la varianza de

la variable Z = X – 2Y + 3.
 2.6. VARIABLES ALEATORIAS DISCRETAS
QUE SIRVEN COMO MODELOS EN
SITUACIONES REALES.

 2.6.1. Distribución uniforme discreta de parámetro n.

 2.6.2. Distribución Binomial de parámetros n y p.
 2.6.3. Distribución Geométrica de parámetro p.
 2.6.4. Distribución de Poisson de parámetro .
 2.6. VARIABLES ALEATORIAS DISCRETAS
QUE SIRVEN COMO MODELOS EN
SITUACIONES REALES.

De cada estas variables, vamos a ver:

1. Situaciones en las que se utiliza y definición.
2. Distribución de probabilidad xi , pi . (No se calculará
el cálculo de la función de distribución por ser una
forma equivalente de definir una variable aleatoria
discreta)
3. Medidas: media ,  xi  pi , y varianza (formulario)
4. Cálculo de probabilidades. Uso de tablas, donde está
recogida la función de distribución de la v.a.
5. Propiedades específicas de la v.a.
 2.6.1. Distribución uniforme discreta de
parámetro n

Definición: Diremos que X sigue una distribución uniforme

discreta de parámetro n si toma un número finito de valores x1,
x2, …, xn todos ellos con la misma probabilidad 1/n.
Este modelo recoge situaciones de máxima incertidumbre.
Ejemplo 11: Las siguientes variables siguen una distribución
uniforme discreta:
X: número que se obtiene al elegir aleatoriamente un número
entero entre 1 y 4.
Y: número que se obtiene en el sorteo de la lotería de Navidad.
Z: resultado que se obtiene en el lanzamiento de un dado
 2.6.2.Distribución Binomial de parámetros n y p.
Notación: X B  n, p 

Condiciones: Se realiza un experimento aleatorio:

• Nos interesa observar si se verifica o no un cierto suceso
A que tiene probabilidad p, P(A) = p.
• P(A) = p, se mantiene constante al repetir el experimento
• Se repite el experimento n veces de forma
independiente.
Definición: En la situación anterior, la v.a. definida como

X: número de veces que ocurre el suceso A (éxito) en las n

repeticiones del experimento.

se dice que tiene distribución BINOMIAL de parámetros n y p.

 2.6.1.Distribución Binomial de parámetros n y p.
Notación: X B  n, p 

Ejemplo 12: Se define la variable aleatoria

X: número de veces que sale un 5 al lanzar 2 veces un dado
a) Razonar que sigue un modelo binomial B(n=2,p=1/6).
b) Obtener la distribución de probabilidad de X usando los
conocimientos del tema 1.

Ejemplo 13: Se sacan 4 bolas sin reemplazamiento de una urna

en la que hay 5 bolas blancas y 3 negras. Se define la variable
X: número de bolas blancas obtenidas en las cuatro extracciones.
La variable X NO es binomial porque no se mantiene constante la
probabilidad de obtener una bola blanca en las 4 extracciones.
 PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL
Notación: X B  n, p 

1. La distribución de probabilidad para X B  n, p , 0 < p < 1,

Valores que toma : 0, 1, 2,..., n
n k
Función de masa : P  X  k     p 1  p  , k  0,1, 2, ..., n
nk

k 
n
Además, P  X  k   0 y P X  k  1
k 0

2. Media y varianza:
E[ X ]  np y V ( X )  np(1  p)
3. Propiedad de reproductividad para el parámetro n para p fijo:
Si X 1 B  n1 , p  , X 2 B  n2 , p  ,..., X k B  nk , p  , independientes
 X 1  X 2  ...  X k B  n1  n2  ...  nk , p 
 REPRODUCTIVIDAD DE LA DISTRIBUCIÓN BINOMIAL
Notación: X B  n, p 

Ejemplo 14: Sean

X1: número de veces que sale 5 al lanzar 6 veces un dado

X2: número de veces que sale 5 al lanzar 8 veces más un dado,

a) Razonar que estas variables aleatorias siguen una

distribución binomial y dar sus parámetros.
b) Decidir, intuitivamente, si X1 y X2 son independientes.
c) ¿Qué mide la variable aleatoria Y definida como
Y = X1 + X2 ?
Obtener su distribución de probabilidad.
 TABLAS DE LA DISTRIBUCIÓN BINOMIAL,
0< p ≤ 0.5 y n ≤ 10

Las tablas dan la función de distribución de X:

F (k )  P( X  k )   pi
xi  k

Ejemplo 15: Si X B  6,1/ 3 calcular:

P ( X  3), P ( X  3), P  X  3 ,
P (2  X  4), P (2  X  4), P  2  X  4  , P  2  X  4  ,
P  X  2 , P  X  2
2.6.3 Distribución geométrica de parámetro p
Notación: X G  p

Definición: Sea un experimento aleatorio para el que se

verifican las siguientes condiciones (son las mismas que para
definir la distribución binomial):

• Se observa si se verifica o no un cierto suceso A que tiene

P(A) = p, 0 < p < 1.
• La probabilidad p se mantiene constante al repetir de forma
independiente el experimento. Entonces, la variable:

X: número de veces que hay que repetir el experimento ANTES

de que ocurra por primera vez el suceso A (primer éxito)

se dice que tiene distribución GEOMÉTRICA de parámetro p

 2.6.2. Distribución geométrica de parámetro p
X G  p

Ejemplo 16: Se define la variable aleatoria

X: número de veces que hay que lanzar un dado antes de

que salga por primera vez un 5

a) Justificar que tiene distribución geométrica con p = 1/6.

b) Calcular la probabilidad de tener que lanzar el dado
exactamente 2 veces antes de obtener un 5.
c) Obtener la distribución de probabilidad de X. Comprobar
que la suma de probabilidades vale 1.
 PROPIEDADES DE LA DISTRIBUCIÓN
GEOMÉTRICA

1. La distribución de probabilidad para X G  p  es

P  X  k   1  p   p, k  0,1, 2,3,...., 0  p  1
k


Además, P  X  k   0 y P X  k  1
k 0
2. La media y varianza son:

1 p 1 p
E[ X ]   k  1  p   p  , V (X )  2
k

k 0 p p
3. Esta distribución NO es reproductiva respecto de p.
4. No hay tablas de la distribución geométrica.
5. Para hacer cálculos del tipo P  X  k  usaremos que
P  X  k   1  p  ó P  X  k   1  P  X  k 
k
 PROPIEDADES DE LA DISTRIBUCIÓN
GEOMÉTRICA

6. La distribución geométrica es la única variable discreta que

verifica la propiedad de falta de memoria:
P  X  n  k / X  k   P  X  n  ,  n, k  0,1,2,...
P  X  n  k / X  k   P  X  n  ,  n, k  0,1,2,...
Observación: El suceso que condiciona SIEMPRE tiene que
ser del tipo X ≥ k. El suceso del que hay que calcular la
probabilidad puede ser: X > n+k, X ≥ n+k, X = n+k, X < n+k
ó X ≤ n+k.
Ejemplo 17: Sea X~G(0.2), calcular, usando la falta de
memoria:
P  X  6 / X  4  , P  X  8 / X  5 , P  X  8 / X  6 
 2.6.4. Distribución de Poisson de parámetro λ
Notación: X P   

Condiciones: Se observa cierto tipo de sucesos tales que

• los sucesos ocurren de forma independiente en el tiempo
• λ= número medio de sucesos/unidad tiempo, se mantiene
constante a lo largo del tiempo.

Definición: En estas condiciones, la v.a. X: número de

sucesos que ocurren en una unidad de tiempo, tiene
distribución de Poisson de parámetro λ. Su distribución de
probabilidad viene dada por
 k
P  X  k   e , k  0,1, 2,3,....,donde   0,  
k!

Además, P  X  k   0 y P X  k 1
k 0
Observación: A veces se trabaja en otras unidades continuas
distintas del tiempo: superficie, volumen,…
Ejemplo 18: Variables con distribución de Poisson
1. X: número de vehículos que llegan al peaje de una
autopista en 1 hora
2. Y: número de peticiones que llegan a un servidor web en 1
minuto
3. Z: número de defectos en una plancha de metal de 1 m2.

4. T: número de bacterias en 1 cm3 de un cultivo de

laboratorio.
 PROPIEDADES DE LA DISTRIBUCIÓN DE
POISSON

1. E[ X ]   y V ( X )  
2. Se dispone de tablas para calcular probabilidades. Estas
tablas recogen la función de distribución, F(k) = P( X ≤ k). Su
uso es idéntico al de la tabla de la binomial.
Sólo se dispone de tablas para λ ≤ 10.

3.La distribución de Poisson verifica la propiedad de

reproductividad
Si X 1 P  1  , X 2 P  2  ,..., X k P  k  , independientes
 X 1  X 2  ...  X k P  1  2  ...  k 
 PROPIEDADES DE LA DISTRIBUCIÓN DE
POISSON

Ejemplo 19: Sabemos que el número medio de vehículos que

llegan al peaje de una autopista es 5 cada 10 minutos y que
esta tendencia se mantiene constante en el tiempo. Entonces,

X1: nº de vehículos que llegan a un peaje en 1 hora ~ P(30)

X2: nº de vehículos que llegan al peaje en las dos horas

siguientes es P(60).

¿Qué distribución tiene la v.a. Y : nº de vehículos que llegan al

peaje en las tres horas?
 Procedimiento para abordar problemas
cuando hay que proponer un modelo para una
variable discreta

 1º Paso: DEFINIR UNA VARIABLE

ALEATORIA, X, QUE PERMITA ESCRIBIR LA
PREGUNTA QUE NOS HACEN EN TÉRMINOS
DE ELLA.

 2º Paso: VER SI ESTA VARIABLE X SIGUE

UNO DE LOS MODELOS DE DISTRIBUCIÓN
ESTUDIADOS EN EL TEMA.
 MODELOS ESTUDIADOS

 UNIFORME DISCRETA de parámetro n:

TOMA UN NÚMERO FINITO DE VALORES, x1, x2, …, xn
Todos con la misma probabilidad 1/n.

 BINOMIAL(n,p): TOMA UN NÚMERO FINITO DE

VALORES, 0, 1, 2,..., n.
X: NÚMERO DE VECES QUE OCURRE UN SUCESO A
(éxito) EN n REPETICIONES INDEPENDIENTES DE UN
EXPERIMENTO.
 MODELOS ESTUDIADOS:

 GEOMÉTRICA(p): TOMA UN NÚMERO INFINITO

NUMERABLE DE VALORES 0, 1, 2,.....
X: NÚMERO DE VECES QUE HAY QUE REALIZAR EL
EXPERIMENTO ANTES DE QUE OCURRA POR
PRIMERA VEZ EL SUCESO A (éxito).

POISSON(): TOMA UN NÚMERO INFINITO

NUMERABLE DE VALORES 0, 1, 2,.....
X: NÚMERO DE VECES QUE OCURRE UN SUCESO POR
UNIDAD DE TIEMPO (LONGITUD, VOLUMEN,...)
 EJEMPLOS DE APLICACIÓN

Ejemplo 20: En un puesto de servicio el número medio de

llamadas que se producen para avisar de una avería es de 2
por semana. Calcular la probabilidad de que en un mes
cualquiera (cuatro semanas) se produzcan menos de 10
llamadas para avisar de una avería.
Ejemplo 21: En un hospital se comprobó que la aplicación de
un nuevo medicamento en enfermos de cirrosis produce una
cierta mejoría en el 20% de los casos. Si se aplica el
tratamiento a 10 personas, calcular
a) la probabilidad de que mejoren más de 3
b) el número medio de personas que se espera que mejoren
con el nuevo medicamento.
 EJEMPLOS DE APLICACIÓN

Ejemplo 22: En una cadena de montaje se sabe que los empleados

montan erróneamente una pieza un 5% de las veces. Si suponemos
independiente el montaje de las distintas piezas
a) Calcular la probabilidad de que la primera pieza montada
erróneamente sea la cuarta.
b) Obtener el número medio de piezas que se montan antes de que se
monte de forma errónea una pieza.
Ejemplo 23: Un llavero contiene 4 llaves, de las cuales solo una abre
cierta cerradura. Para abrir la cerradura, se prueban las llaves, una a
una, y se descartan las que no abren.
a) Obtener la distribución de probabilidad de la v.a. X: número de
llaves probadas antes de abrir la cerradura.
b) ¿Cuántas llaves se espera probar antes de abrir la cerradura?