ESTADISTICA “CA”- ESTADISTICA “C”

ESTADISTICA “D”

Tema 3: Variables Aleatorias y Modelos

Discretos de Probabilidad

Prof. Dra. Fernanda Villarreal

fvillarreal@uns.edu.ar
1
6-3

Variable aleatoria
Dado un experimento aleatorio E, el espacio
muestral  es una descripción de los resultados
posibles.

Una variable aleatoria proporciona un medio para

describir los resultados experimentales empleando
valores numéricos.

La variable que asocia un número a cada resultado

del espacio muestral  se denomina variable
aleatoria.

“Una variable aleatoria es una descripción numérica

del resultado de un experimento”.
• Así como no se conoce con anticipación el
resultado de un experimento aleatorio lo
mismo ocurre con el valor que tomará una
variable aleatoria, el valor depende del azar.

• Las variables aleatorias se designan con letras

mayúsculas, tal como X, y con una letra
minúscula x a un valor posible.
El valor numérico de la variable aleatoria depende
del resultado del experimento.
Una variable aleatoria puede ser discreta o
continua, depende del tipo de valores numéricos
que asuma.
Ejemplo: Arrojamos una moneda dos veces.
Definimos la variable aleatoria X: número de caras
en los dos lanzamientos.
El conjunto de los posibles valores de la variable se
denomina recorrido.
X = 0, 1, 2
 Comenzamos con:
Variable Aleatoria Discreta
• A una variable aleatoria que asuma ya sea un
numero finito de valores o una sucesión infinita
de vales tales como 0,1,2…., se le llama variable
aleatoria discreta.
• Ejemplos:
▪ X: número de caras en los dos lanzamientos.
▪ Y: n° de computadores que tienen defecto en una
inspección de 3 computadoras. X: 0,1,2,3.
▪ Z: nº de accidentes de tránsito en una carretera
durante un fin de semana. Y:0,1,2...,etc.
6-4

EJEMPLO
• Considere un experimento aleatorio en el que se lanza tres
veces una moneda. Sea X: número de caras en 3
lanzamientos. Sea C el resultado de obtener una cara y K el
de obtener una cruz.
• El espacio muestral para este experimento será:

 ={(C1,C2,C3) (C1,C2,K3), (C1,K2,C3), (C1, K2,K3),

(K1,C2,C3), (K1,K2,C3), (K1,C2,K3), (K1,K2,K3)}
• Entonces, los valores posibles de X (número de caras) son x
= 0, 1, 2, 3.
• Al conjunto de los posibles valores que puede asumir la
variable se denomina recorrido de la variable.
 DISTRIBUCIÓN DE PROBABILIDAD DE
UNA VARIABLE ALEATORIA DISCRETA
• Antes de realizar el experimento no sabemos qué
valor va a tomar la variable pero podemos evaluar la
probabilidad de que tome un valor particular.
• La distribución de probabilidad de una variable
aleatoria X es el conjunto de valores posibles de X,
junto con la probabilidad asociada a cada uno de
estos valores
• Designamos con P(X = xi) = pi a la probabilidad de
que X tome el valor particular xi, la distribución de
probabilidad es el conjunto de pares (xi; pi).
Como a cada valor de X le corresponde un valor de
probabilidad, entonces existe una función fX(x)
llamada función de probabilidad de X que satisface
las siguientes propiedades:
1. fX(x) = P(X = x)
2. fX(x) 0 x
3.  fX(x) = 1

La función de probabilidad da la probabilidad de

cada valor de la variable aleatoria.
6-5

Ejemplo

Recordando el ejemplo de las tiradas de la

moneda:
• El resultado “cero caras” ocurrió una vez.

• El resultado “una cara” ocurrió tres veces.

• El resultado “dos caras” ocurrió tres veces.

• El resultado “tres caras” ocurrió una vez.

 DISTRIBUCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
Una distribución de probabilidad es la enumeración
de todos los resultados que asume la variable con sus
correspondientes probabilidades. Para el ejemplo
1,00

0,80
X 0 1 2 3

Probabilidad
0,60
P(X=x) 1/8 3/8 3/8 1/8
0,40

0,20

0,00
0 1 2 3
Número de caras en tres lanzamientos

Una ventaja importante de definir una variable aleatoria y su correspondiente

distribución de probabilidad es que una vez que se conoce la distribución de
probabilidad, es relativamente fácil determinar la probabilidad de diversos eventos que
pueden ser útiles para tomar decisiones.
Función de distribución acumulada
• La función de distribución de una variable aleatoria
discreta X, designada con FX(x) es: FX(x)=P(X≤x)
• Para el ejemplo en donde X: N° de caras en 3
lanzamientos de una moneda:
0 si x < 0

• FX(0)=P(X≤0)=1/8 1
si 0 ≤ x < 1
8
• FX(1)=P(X≤1)=4/8 4
Otra forma de FX(x) = si 1 ≤ x < 2
• FX(2)=P(X≤2)=7/8 expresar
8

7
• FX(3)=P(X≤3)=8/8 8
si 2 ≤ x < 3

1 si x ≥ 3
6-10

Esperanza matemática o valor esperado de una

variable aleatoria discreta.
• La esperanza matemática o valor esperado de una
variable aleatoria es el promedio esperado o media
aritmética esperada de sus valores posibles.
Así como calculamos la media aritmética como medida de centralización de valores
observados en una distribución de frecuencias, ahora definimos la media de la
variable pero correspondiente a una distribución de probabilidad.

• Sea X una variable aleatoria discreta, la esperanza, valor

esperado ó media esperada de X se nota E(X) ó  y es:
 = E(X) =  xi pi

La interpretación del promedio o media aritmética esperada es el valor que se

espera obtener en promedio, si el experimento aleatorio que determina el valor de
X es repetido muchas veces en las mismas condiciones.
 Ejemplo de la moneda

Para el ejemplo anterior donde se lanza tres veces una

moneda recordemos:
X 0 1 2 3

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

E(X)=0*1/8+1*3/8+2*3/8+3*1/8=1.5 caras
6-11

Varianza de una variable aleatoria discreta

• La variancia es una medida de dispersión de los valores

de la variable de la variable aleatoria con respecto a la
esperanza de dicha variable.
• En el caso de una variable aleatoria discreta la formula
para calcular la varianza es la siguiente:

V(X)=σ2=  [xi- E(X)]2 pi = E(X2) – [E(X)]2

Para el ejemplo:
V(X)=[02*1/8+12*3/8+22*3/8+32*1/8]-1.52= 0.75

El desvío estándar (σ) es la raíz cuadrada de la varianza.

• Al igual que para muestras, podemos
comparar la variabilidad de 2 o más variables
aleatorias mediante el coeficiente de
variación:
 Otro Ejemplo
Consideremos el experimento de seleccionar un día de operación de
una concesionaria y definimos la variable aleatoria de interés como:
X:número de automóviles vendidos en un día.
De acuerdo con datos del pasado X es un variable aleatoria discreta
que puede tomar los valor 0,1,2,3,4 o 5.
Esto se justifica a partir de la siguiente información: Durante los
últimos 300 días de operación, los datos de ventas muestran que hubo
57 días en los que no se vendió ningún automóvil, 117 días en los que
se vendió 1 automóvil, 72 días en los que se vendieron 2 automóviles,
42 días en los que se vendieron 3 automóviles, 12 días en los que se
vendieron 4 automóviles y 3 días en los que se vendieron 5
automóviles.
A partir de los datos del pasado, se elaboró la distribución de
probabilidad empírica de la variable aleatoria X: número de
automóviles vendidos en un día.
X 0 1 2 3 4 5
P(X=x) 0.18 0.39 0.24 0.14 0.04 0.01
• E(X)=1.5 automóviles por día.
• Por lo tanto aunque se sabe que en un día las
ventas pueden ser de 0, 1, 2, 3, 4, o 5, la
concesionaria prevé que a la larga se venderán
1.50 automóviles por día.
• Si en un mes hay 30 días de operación, el valor
esperado, 1.5 se emplea para pronosticar que
las ventas en promedio mensuales será de
30*1.5=45 automóviles
• V(X)=1.25
• σ=1.118 automóviles
• La desviación estándar se mide en las mismas
unidades que la variable aleatoria X y por
tanto suele preferirse para describir la
variabilidad de una variable aleatoria.
 PROPIEDADES DE LA ESPERANZA
MATEMÁTICA
Establecemos a continuación algunas propiedades de la
esperanza.

Teniendo en cuenta algunas de las propiedades anteriores si

definimos Y=aX+c siendo a y c constantes y X una variable
aleatoria, la esperanza de Y se resolvería de la siguiente forma:
E(Y)= E(aX+c)= E(aX)+E(c)=aE(X)+c
 PROPIEDADES DE LA VARIANZA
Enunciamos a continuación algunas propiedades de la varianza.

Teniendo en cuenta algunas de las propiedades anteriores si definimos

Y=aX+c siendo a y c constantes y X una variable aleatoria la varianza de
Y se resolvería de la siguiente forma:

V(Y)= V(aX+c)= V(aX)+V(c)=a2V(X)

 Ejemplo
En una rotisería se preparan tablas de fiambres por
encargue. Actualmente con los recursos existentes la
rotisería puede preparar un máximo de dos tablas por
día. La experiencia indica que en un día es tan probable
que en la rotisería sea encargada una tabla como dos
tablas, y la probabilidad de que no sea encargada
ninguna es 0.10. A partir de esta información:
a) ¿Cuántas tablas de fiambre se espera sean encargadas
diariamente en la rotisería?
b) Si el jornal diario del cocinero que prepara estas tablas está
compuesto por una suma fija de $1000 más un adicional de $500
por cada tabla preparada. ¿Cuál será el jornal diario que espera
recibir el cocinero y su desvío estándar?.
 Ejemplo
a) ¿Cuántas tablas de fiambre se espera sean encargadas diariamente en la rotisería?¿cual
será su desvío estándar? Si definimos X: N°de tablas de fiambre encargadas por día

X 0 1 2
P(X=x) 0.10 0.45 0.45

E(X)=0*0.10+1*0.45+2*0.45=1.35 tablas de fiambre que se espera sean encargadas

diariamente en la rotisería
V(X)=[(02*0.10+12*0.45+22*0.45)–(1.35)2]=0.4275 por lo tanto el desvío estándar será
σ=0.654 tablas
b) Si el jornal diario del cocinero que prepara estas tablas está compuesto por una suma fija
de $1000 más un adicional de $500 por cada tabla preparada. ¿Cuál será el jornal diario que
espera recibir el cocinero y su desvío estándar?.
Si definimos la variable aleatoria Y: Jornal diario que recibe el cocinero que prepara las tablas
Y=1000+500 X siendo X: N° de tablas de fiambre encargadas por día
Utilizando propiedades de esperanza y varianza
E(Y)=E(1000+500X)=E(1000)+E(500X)=1000+500 E(X)=1000+500*1.35=$1675 jornal diario que
espera recibir el cocinero.
V(Y)= V(1000+500 X)=V(1000)+V(500X)=V(1000)+5002V(X)=0+ 5002 * 0.4275=$2106875 por lo
tanto σ =$326.92
Distribuciones de probabilidad Básicas
(Modelos discretos)

23
 Distribución Binomial
• Algunos experimentos consisten en la
observación de una serie de pruebas o ensayos
idénticos e independientes, los cuales pueden
generar uno de dos resultados.

• Por ejemplo, 1) cada articulo que sale de una

línea de producción es o bien defectuoso o bien
no defectuoso, 2) cada una de las 100 personas
encuestadas antes de una elección local estará a
favor o en contra de un partido político
determinado.
 Definición
• Un experimento se denomina binomial si satisface las
siguientes 4 condiciones:
1. El experimento consiste en una serie de n ensayos
idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de
estos resultados se le llama éxito (E) y al otro fracaso (F).
3. La probabilidad de éxito P(E), que se denota: p, no
cambia de un ensayo a otro. Por ende la probabilidad de
fracaso P(F), que se denota con:1-p, tampoco cambia de
un ensayo a otro.
4. Los ensayos son independientes.
• Si se presentan las propiedades 2,3 y4 se dice
que los ensayos son generados por un proceso
de Bernoulli. Si además se presenta la
propiedad 1, se trata de un experimento
Binomial.
Ejemplo:
Se arroja una moneda 5 veces y se llama éxito al
suceso “sale cara”
 Variable aleatoria Binomial
Dado un experimento binomial que consta de n
ensayos o pruebas y en el cual P(E)=p, se
denomina v.a Binomial a la variable:
X:“numero de éxitos en n ensayos”

Para el ejemplo anterior:

X: numero de caras que aparecen en los 5
lanzamientos de la moneda.
 Ejemplo moneda
1. El experimento consiste en 5 ensayos idénticos; cada ensayo consiste en
lanzar una moneda.

2. En cada ensayo hay dos resultados posibles: cara o cruz. Se puede

considerar cara como éxito y cruz como fracaso.

3. La probabilidad de éxito y la probabilidad de fracaso son iguales en todos

los ensayos siendo p=0.50 y 1-p=0.50

4. Los ensayos o lanzamientos son independientes porque al resultado de un

ensayo no afecta a lo que pase en los otros ensayos o lanzamientos.

La variable aleatoria que interesa es

X: número de caras que aparecen en 5 ensayos.
X puede tomar los valores 0, 1, 2,3,4 o 5.
 Otro ejemplo
Considere a un vendedor de seguros que visita 5
familias elegidas en forma aleatoria. El resultado
correspondiente de la visita a cada familia se
clasifica como éxito si la familia compra un
seguro y como fracaso si la familia no compra
ningún seguro. Por experiencia el vendedor sabe
que la probabilidad de que una familia compre
un seguro es 0.40.
• Al revisar las propiedades de un experimento binomial aparece:
1. El experimento consiste en 5 ensayos idénticos; cada ensayo
consiste en visitar a una familia.
2. En cada ensayo hay dos resultados posibles: la familia compra un
seguro (éxito) o la familia no compra (fracaso)
3. Las probabilidad de que haya compra y de que no haya compra se
supone que son iguales en todas las visitas siendo p=0.40 y 1-
p=0.60.
4. Los ensayos son independientes porque las familias se eligen en
forma aleatoria.

Como estos 4 puntos se satisfacen, este ejemplo es un experimento

binomial. La variable aleatoria que interesa es X: n° de ventas al visitar
a las 5 familias. En este caso los valores que puede tomar X son
0,1,2,3,4,5.
Función de probabilidad Binomial
Para el ejemplo del vendedor de seguros la notación de la
variable es X: n° de ventas al visitar a las 5 familias.

X~B(n,p) indica que la v.a X tiene distribución binomial

con parámetros n y p

En nuestro ejemplo X~B(5,0.40)

5!
Prob( X = x ) = (0.4) x (0.6)5− x
x!(5 − x)!
para x = 0, 1,..., 5
Las probabilidades para el número de éxitos (ventas
logradas) al visitar 5 familias:

P(X=0) = 5! (0,4)0(0,6)5 = (0,6)5 = 0,0778

0! 5!

P(X=1) = 5! (0,4)1(0,6)4 = (5)(0,4)(0,6)4 = 0,2592

1! 4!

P(X=2 ) = 5! (0,4)2(0,6)3 = (10)(0,4)2(0,6)3 = 0,3456

2! 3!
P(X=3) = 5! (0,4)3(0,6)2 = (10)(0,4)3(0,6)2 = 0,2304
3! 2!

P(X=4) = 5! (0,4)4(0,6)1 = (5)(0,4)4(0,6) = 0,0768

4! 1!

P(X=5) = 5! (0,4)5(0,6)0 = (0,4)5 = 0,0102

5! 0!

A partir de estos resultados podemos construir la distribución

de probabilidad Binomial para la variable X: n° de ventas al
visitar a las 5 familias.

X 0 1 2 3 4 5
P(X=x) 0,0778 0,2592 0,3456 0,2304 0,0768 0,0102
 Esperanza y varianza de una variable
aleatoria Binomial
Se X una v.a binomial basada en n ensayos y
con probabilidad de éxito p, X~B(n,p).
Entonces:

• E(X)=n*p
• V(X)=n*p*q
Para nuestro ejemplo del vendedor de seguros
E(X)=5*0.40=2 indica que de cada 5 familias visitadas en
promedio en 2 se logra la venta del seguro.
V(X)=5*0.40*0.60
Tabla Distribución Binomial
 Ejemplo uso de tabla Distribución
Binomial
• El Ministerio de Trabajo reporta en su ultimo informe que el
10% de la población económicamente activa esta
desempleada. Si se tomara una muestra aleatoria de 15
personas de esta población económicamente activa y se
definiera como variable de estudio X: Nº de personas
desempleadas en la muestra de 15. ¿Cuál sería la
probabilidad resultante para cada uno de los siguientes
casos?

X: Nº de personas desempleadas en la muestra de 15

personas. X~B(15,0.10)

P(X=3)=0.1285
P(x  3)=1-P(X<3)=1-[P(X=0)+P(X=1)+P(X=2)]=1-0.816=0.184
P(x  1) = 1-P(X=0)=1-0.2059= 0.7941
P(x  2)=P(X=0)+P(X=1)+P(X=2)=0.816
 Ejemplo Binomial integrador
Un inspector de control de tráfico reporta que el 70% de los vehículos que pasan por un punto de verificación
tienen sus papeles en regla. De los próximos 10 vehículos que pasan por el punto de verificación:
a) ¿Qué tan probable es que el Nº de vehículos entre 10 que tienen todos los papeles en regla sea:
I) más de 7?
II) por lo menos 7?
b) ¿Qué tan probable es que el Nº de vehículos entre 10 que NO tienen todos los papeles en regla sea:
I) a lo sumo 7?
II) menos de 7?

c) ¿Cuál es el Nº esperado de vehículos entre 10 con todos los papeles en regla? ¿Y el correspondiente
para los vehículos que NO tienen todos los papeles en regla?

d) ¿Cuál es el desvío estándar del Nº de vehículos con todos los papeles en regla? ¿Y el correspondiente
para los vehículos que NO tienen todos los papeles en regla?

e) ¿Qué tan probable es que el Nº de vehículos entre 10 que tienen todos los papeles en regla coincida con su valor
esperado?

Se adjunta archivo con resolución

 Distribución de Poisson
Un experimento aleatorio que consiste en contar ocurrencias
o éxitos en un intervalo de tiempo dado o en una región
especifica se denomina experimento o proceso de Poisson. Se
observan eventos discretos en un medio continuo. El intervalo
puede ser de cualquier longitud: un día, una semana, un
minuto, etc. y la región especifica puede ser un segmento de
línea, una superficie, una pieza, un volumen, etc.
Ejemplos:
1)Numero de accidentes por mes en una planta fabril
2) Numero de clientes que llegan a un banco en una hora
3) Numero de automóviles que llegan en un lapso de 15
minutos a una estación de peaje.
• Un experimento se denomina Poisson si satisface las siguientes
cuatro condiciones:
1) El experimento consiste en contar el número de veces que ocurre
un determinado suceso durante un intervalo de tiempo o espacio
(área, volumen, peso, distancia o cualquier otra unidad de medida
dada)
2) Los sucesos que ocurren en un intervalo de tiempo o espacio son
independientes de los que ocurren en cualquier otro intervalo
disjunto.
3) La probabilidad de que un suceso se presente, es proporcional a la
longitud del intervalo.
4) La probabilidad de que dos o mas sucesos se presenten en un
intervalo muy pequeño es tan pequeña que puede despreciarse.
2) El número promedio de eventos es proporcional a la longitud del intervalo
Media y variancia de la Distribución de
Poisson

µ= E(X)=λ
2= Var(X)=λ
= λ
Tabla Distribución de Poisson
 Ejemplo Poisson
A partir de datos suministrados por la Comisión Nacional Reguladora de
transporte (CNRT) se sabe que el promedio de camiones que llegan a un
puesto de Revisión Técnica Obligatoria (RTO) es de 2 por hora. Si suponemos
que la variable aleatoria X: número de camiones que llegan por hora a un
puesto de verificación técnica obligatoria sigue una distribución de Poisson y
además como dato extra se conoce que las instalaciones pueden atender
como máximo 4 camiones por hora. A partir de esta información:
1) Calcular la probabilidad de que en una hora dada no lleguen camiones
X: número de camiones que llegan por hora a un puesto de verificación técnica obligatoria X  P(=2)
P(X=0)=0.1353

2) Calcular la probabilidad de que en una hora dada lleguen a lo sumo 3 camiones

X: número de camiones que llegan por hora a un puesto de verificación técnica obligatoria X  P(=2)
P(x  3)=P(X=0)+P(X=1)+P(X=2)+P(X=3)=0.8571

3) Calcular la probabilidad de que en una hora dada queden camiones sin atender
X: número de camiones que llegan por hora a un puesto de verificación técnica obligatoria X  P(=2)
P(X>4)=1-P(X  4)=1-0.9473=0.0527
 Otro Ejemplo Poisson
Una empresa posee un número telefónico gratuito a disposición de los clientes para registrar las
quejas relacionadas con algún producto comprado a la empresa. Se reciben en promedio 0.4
llamadas por minuto. Suponiendo que la variable aleatoria número de llamadas que recibe la
empresa a su número gratuito en un período específico posee una distribución de Poisson:

1) ¿Cuál es la probabilidad de que la empresa no reciba llamadas al número gratuito en un intervalo de un

minuto?
X: número de llamadas que recibe la empresa a su número gratuito en un intervalo de un minuto X  P(=0.4)

P(X=0)= 0.6703
2) ¿Cuál es la probabilidad de que la empresa reciba más de 2 llamadas al número gratuito en un intervalo de 5
minutos?
X: número de llamadas que recibe la empresa a su número gratuito en un intervalo de 5 minutos X  P(=2)

P(X>2) = 1-P(X 2)= 1-0.6767=0.3233

3) ¿Cual es la probabilidad de que la empresa reciba al menos una llamadas al número gratuito entre las 12:15 y
las 12:18 horas de la mañana?
X: número de llamadas que recibe la empresa a su número gratuito en un intervalo de 3 minutos X  P(=1.2)

P(X≥ 1)=1-P(X=0)= 1-0.3012=0.6988

Obsérvese que dado que el recorrido de la variable es infinito numerable para calcular P(X>x)o P(X≥x) debe
recurrirse a la probabilidad del complemento.
 Otro Ejemplo Poisson
• Un nuevo proceso de producción automatizado causa,
en promedio, 1.5 fallas por día. Debido a los altos
costos asociados con cada falla, la dirección de la
empresa está preocupada con la posibilidad de tener
3 o más fallas por día. Si suponemos que la v.a N° de
fallas por día posee una distribución de Poisson ¿Qué
tan probable es que esto ocurra un día cualquiera?
X=n° de fallas por día X  P(=1.5)
P(X≥3)=1-P(X<3)=1-[P(X=0)+P(X=1)+P(X=2)]=1-[0.2231+0.3347 +0.2510]=0.1912