Clase 6: Variables aleatorias discretas

21 de marzo de 2024
Variables aleatorias

Definición
Una variable aleatoria X es una función que asigna a cada elemento
del espacio muestral Ω un valor numérico: X ∶ Ω → R.

Notación
En general, denotaremos a las variables aleatorias con letras
mayúsculas X, Y, Z (como variables, aunque sean funciones).

Ejemplo 1
Se tiran dos dados. Consideremos las siguientes variables aleatorias:
X = “mayor número obtenido”.
Y = “suma de los dos números obtenidos”.
Z = “cantidad de veces que salió un número par”.
Variables aleatorias

El conjunto de valores que toma la variable X es {1, 2, 3, 4, 5, 6}.

La variable Y toma valores {2, 3, 4, . . . , 12}.
La variable Z toma valores {0, 1, 2}.
Algunos eventos pueden definirse en base a estas variables aleatorias.
Por ejemplo,
A = “el mayor número obtenido es menor a 4” = {ω ∈ Ω ∶ X(ω) < 4}.
B = “la suma de los números es 9” = {ω ∈ Ω ∶ Y(ω) = 9}.
Variables aleatorias

Ejemplo 2
Supongamos que en una ciudad la máxima cantidad de lluvia que
puede caer en un día es 160 mm. Consideremos la variable aleatoria
W = “cantidad de lluvia caída en un día (en mm)”.
El conjunto de valores que toma la variable W es el intervalo [0, 160].
El evento A=“la cantidad de lluvia es superior a 100 mm” se
representa en base a esta variable:

A = {ω ∈ Ω ∶ W(ω) > 100}.

Variables aleatorias

Las variables aleatorias convierten los espacios muestrales en

números, identificando los elementos que tienen alguna característica
que nos interese.
De ese modo, en vez de pensar en el espacio muestral, pensamos en el
conjunto de números que toma la variable aleatoria. O sea, son
números con distinta probabilidad de ocurrir.
Por eso usamos la siguiente notación para eventos de un espacio
muestral que puedan describirse mediante alguna variable aleatoria:
Notación
Respecto al Ejemplo 1:
A = {ω ∈ Ω ∶ X(ω) < 4} se nota: A = {X < 4}.
B = {ω ∈ Ω ∶ Y(ω) = 9} se nota: B = {Y = 9}.
Respecto al Ejemplo 2:
A = {ω ∈ Ω ∶ W(ω) > 100} se nota: A = {W > 100}.
Variables aleatorias discretas

Definición
Un conjunto infinito decimos que es numerable si sus elementos
pueden escribirse de la forma: x1 , x2 , . . . , xn , . . . (o sea, subindicados
con todos los números naturales).

Los ejemplos de conjuntos numerables que aparecerán en la materia

son: N (conjunto de los números naturales); N0 (los naturales unión el
0); N≥m (los naturales mayores o iguales que algún número m).
Definición
Decimos que una variable aleatoria X es discreta si el conjunto de los
valores que toma es finito o numerable.
Variables aleatorias discretas - Ejemplos

Las variables aleatorias X, Y y Z del Ejemplo 1 son discretas.

La variable W del Ejemplo 2 no es discreta.
Para una variable discreta nos interesa la probabilidad de cada uno de
los valores que toma.
Tomemos la variable del Ejemplo 1: X = “mayor número obtenido”.
Recordemos que al tirar dos veces un dado el cardinal del espacio
muestral resulta #(Ω) = 62 = 36.
▸ P(X = 1) = P( salió 1 y 1) = 36 1
.
▸ P(X = 2) = P( salió 1 y 2; 2 y 1 ó 2 y 2) = 3
36 = 1
12 .
▸ P(X = 3) = P( salió 1 y 3; 3 y 1; 2 y 3; 3 y 2 ó 3 y 3) = 5
36 .
▸ P(X = 4) = 7
36 ; P(X = 5) = 9
36 = 14 ; P(X = 6) = 11
36 .
Función de probabilidad puntual

Definición
Para una variable aleatoria X discreta que toma valores
x1 , x2 , . . . , xn , . . . definimos su función de probabilidad puntual pX
como:
pX (xk ) = P(X = xk ); para todo k.

Para la variable X del Ejemplo 1 obtuvimos:

pX (1) = 36
1
; pX (2) = 36
3
; pX (3) = 36
5
; etc.
Observemos que para el conjunto A = {X < 4} tenemos:

1+3+5 9 1
P(A) = pX (1) + pX (2) + pX (3) = = = .
36 36 4
Función de probabilidad puntual

La probabilidad de un evento relativo a una variable aleatoria discreta

se obtiene sumando probabilidades puntuales.
Recordemos que la variable X tomaba los valores del 1 al 6. Entonces:
9 + 11 20 5
P(X ≥ 5) = pX (5) + pX (6) = = = .
36 36 9
Notemos además que:

pX (1) + pX (2) + pX (3) + pX (4) + pX (5) + pX (6) =

1 + 3 + 5 + 7 + 9 + 11 36
= = = 1,
36 36
lo cual es claro pues
pX (1) + pX (2) + pX (3) + pX (4) + pX (5) + pX (6) = P(Ω).
Función de probabilidad puntual

Propiedades de la función de probabilidad puntual

Sea X una variable aleatoria discreta que toma valores
x1 , x2 , . . . , xn , . . . Entonces:
1. 0 ≤ pX (xk ) ≤ 1, para todo k.
2. ∑k pX (xk ) = 1 (pues ∑k pX (xk ) = P(Ω)).
Función de distribución acumulada

Para cualquier variable aleatoria (no solo para las discretas) podemos
definir la siguiente función:
Definición
Sea X una variable aleatoria. Definimos su función de distribución
acumulada FX ∶ R → [0, 1] como:

FX (x) = P(X ≤ x) para todo x ∈ R.

Notemos que el conjunto {X > x} es el complemento de {X ≤ x}.

Entonces:
P(X > x) = 1 − FX (x).
Función de distribución acumulada

La función de distribución acumulada de la variable X del Ejemplo 1

es:

⎧
⎪ 0 si x < 1
⎪
⎪
⎪
⎪
⎪
⎪
1
si 1 ≤ x < 2
⎪
⎪
⎪
36
⎪
⎪
4
= 1
si 2 ≤ x < 3
⎪ 36 9
FX (x) = ⎨ 9
= 1
si 3 ≤ x < 4
⎪
⎪
⎪
36 4
⎪
⎪
16
= 4
si 4 ≤ x < 5
⎪
⎪
⎪
36 9
⎪
⎪
25
si 5 ≤ x < 6
⎪
⎪
⎪
36
⎩ 1 si x ≥ 6
Función de distribución acumulada

Si X es una variable aleatoria discreta que toma valores

x1 , x2 , . . . , xk , . . .

su función de distribución acumulada se calcula:

FX (x) = ∑ pX (xk ).
xk ≤x

Propiedades
La función de distribución acumulada FX satisface:
▸ FX es creciente.
▸ lı́mx→+∞ FX (x) = 1.
▸ lı́mx→−∞ FX (x) = 0.
Distribución Binomial

Vamos a empezar a ver los modelos de distribuciones de variables

aleatorias discretas más usuales.

Un experimento con dos resultados posibles (que denominamos

“éxito” y “fracaso”) se repite en forma independiente n veces, siendo
p la probabilidad de éxito en cada repetición.
Sea X = # éxitos en las n repeticiones.
La variable aleatoria X tiene distribución denominada Binomial de
parámetros n (# repeticiones) y p (probabilidad de éxito).
Notación: X ∼ Bi(n, p).
Distribución Binomial - Ejemplos

Ejemplos
1. Tiramos 12 veces una moneda. Sea X = # caras. Entonces
X ∼ Bi(12, 12 ).
2. Tiramos 20 veces un dado. Sea Y = # veces que salió 1.
Entonces Y ∼ Bi(20, 61 ).
3. De una línea de producción se extraen 30 piezas con reposición.
Sea Z = # piezas defectuosas. Entonces Z ∼ Bi(30, p), donde p
es la proporción de piezas defectuosas de toda la producción.
Distribución Binomial

Volvemos al caso general X ∼ Bi(n, p).

Los valores que toma X son: 0, 1, 2, . . . n.
Por lo tanto X es discreta. Su función de probabilidad puntual, para
cada k ∈ {0, 1, . . . , n} está dada por:

pX (k) = P(X = k) = P(k éxitos y n − k fracasos)

n
= ( )pk (1 − p)n−k .
k
Distribución Binomial

Ejemplos
1. X = # caras en 12 tiros de una moneda, X ∼ Bi(12, 12 ). Hallar la
probabilidad de obtener exactamente 5 caras.

12 1 5 1 7
pX (5) = ( ) ( ) (1 − ) ≅ 0,1933.
5 2 2

2. Y = # veces que salió 1 en 20 tiros de un dado, Y ∼ Bi(20, 16 ).

Hallar la probabilidad de obtener a lo sumo dos veces el 1.

P(Y≤2)= pY (0)+pY (1)+pY (2) =

=(20)( 61 ) ( 56 ) +(20)( 61 ) ( 56 ) +(20 )( 16 ) ( 65 ) ≅0,3286.

0 20 1 19 2 18
0 1 2
Distribución Binomial

Ejemplo
Un bit (0 ó 1) de información se transmite por un canal con ruido. La
probabilidad de que el mensaje recibido sea incorrecto es 0,1. Para
mejorar la probabilidad de éxito, cada bit se envía 5 veces en forma
independiente y se registra el que se recibió más veces. ¿Cuál es la
probabilidad de que el mensaje llegue correctamente?
Definimos la v.a. X = # veces que se recibió correctamente el
mensaje. Resulta X ∼ Bi(5, 0,9) y queremos calcular P(X ≥ 3):

P(X≥3)=pX (3)+pX (4)+pX (5)=

= (53)(0,9)3 (0,1)2 +(54)(0,9)4 (0,1)1 +(55)(0,9)5 (0,1)0 ≅0,99144.

Función de distribución acumulada de la Binomial

La función de distribución acumulada de una distribución binomial no

tiene una fórmula explícita. Para ahorrarnos el trabajo de calcular y
sumar muchos términos de la forma (nk)pk (1 − p)n−k usaremos tablas
(disponibles en la página de la materia) para algunos valores de n y p.
Distribución Bernoulli

Es un caso particular de la distribución Binomial. Si n = 1, la

distribución Bi(1, p) se denomina Bernoulli de parámetro p y se nota
Bernoulli(p).
O sea, se realiza un experimento con probabilidad p de éxito. Sea
X = # éxitos. Entonces X ∼ Bernoulli(p). Esta variable aleatoria toma
únicamente los valores 0 y 1. De hecho, vale 1 con probabilidad p y
vale 0 con probabilidad 1 − p. O sea,

pX (0) = 1 − p; pX (1) = p.

El nombre de distribución Bernoulli es en honor al matemático Jacob

Bernoulli (Suiza, 1655-1705).
Si bien es muy simple la distribución Bernoulli, es muy útil por
ejemplo por su relación con la Binomial que veremos en la próxima
página.
Distribución Binomial
Sea X = # éxitos en n repeticiones independientes de un experimento
(que tiene probabilidad p de éxito). Entonces X ∼ Bi(n, p).
Consideramos las siguientes variables aleatorias:
▸ X1 = # éxitos en la primera repetición del experimento.
▸ X2 = # éxitos en la segunda repetición del experimento.
▸ X3 = # éxitos en la tercera repetición del experimento.
...
▸ Xn = # éxitos en la n-ésima repetición del experimento.
Entonces
X1 ∼ Bernoulli(p), X2 ∼ Bernoulli(p), . . . , Xn ∼ Bernoulli(p).
Además: X = X1 + X2 + ⋯Xn .

Toda variable aleatoria Bi(n, p) es la suma de n variables aleatorias

Bernoulli(p).