Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Universidad de El Salvador
Facultad de Ingeniera y Arquitectura
Unidad de Ciencias Bsicas
Probabilidad y Estadstica

Unidad III: Variables Aleatorias Discretas.

Por Oscar Daz

Variables Aleatorias y Distribuciones de Probabilidad.

n la mayora de experimentos aleatorios, el investigador enfoca su atencin en una o ms caractersticas

que varan de individuo en individuo. Por ejemplo, considere el experimento aleatorio que consiste en
seleccionar aleatoriamente un cliente que sale de un almacn en particular. Una variable numrica de
inters para el gerente del almacn podra ser el nmero de productos comprados por el cliente. La letra X puede
ser usada para denotar esta variable. Los posibles valores de X son 0, 1, 2, 3, y as sucesivamente. En este caso
los valores de X son puntos aislados de la recta real. Hasta que un cliente no haya sido seleccionado y el nmero
de productos no haya sido contado, el valor de X es incierto. Otra variable de inters para el gerente podra ser
Y nmero de minutos que el cliente espera en la cola para pagar. Un posible valor de y es 3.0 minutos y otro
podra ser 4.0 minutos, pero cualquier otro valor entre 3.0 y 4.0 es posible. Los posibles valores de Y forman un
intervalo de valores en la recta real.

DEFINICIN
Variable aleatoria: una variable numrica cuyos valores dependen del resultado de un experimento aleatorio.
Una variable aleatoria es discreta, si sus posibles valores son puntos aislados en la recta real y continua si
sus posibles valores son todos los puntos en algn intervalo.
Usaremos letras maysculas, del final del alfabeto, para representar variables aleatorias, y su respectiva letra
minscula para representar sus posibles valores. En la prctica, las variables aleatorias discretas generalmente
estn asociadas a experimentos aleatorios que involucran el conteo de alguna caracterstica (por ejemplo, el nmero de tems defectuosos, el nmero de veces que un servidor falla), mientras que las continuas estn asociadas
a experimentos aleatorios que involucran la medida de alguna caracterstica (por ejemplo, la altura y el peso de
un individuo, la temperatura).
Debido a que hay un lmite en la precisin de los instrumentos de medicin, como un reloj o una balanza, pareciera
que cualquier variable debiera considerarse como discreta. Por ejemplo, si la resolucin del instrumento (el cambio ms pequeo en el valor medido al cual responde el instrumento) solo permite lecturas a la libra ms cercana,
stas parecern puntos aislados en la recta real, como 2, 3, 6, 100 libras. Pero esto slo se debe a la resolucin
del instrumento y no porque un peso entre 2 y 3 libras no sea posible. En este caso la variable es continua.
En la siguiente figura se muestra un conjunto de posibles valores para cada uno de los tipos de variables aleatorias.

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Los posibles valores son puntos

aislados en la
Xrecta real.

Los posibles valores son todos los

puntos de un intervalo.
Posibles valores
de una variable
aleatoria discreta

Posibles valores
de una variable
aleatoria continua

Ejemplo 1: Una variable aleatoria discreta

Considere el experimento aleatorio en el cual se considera el tipo de libro, impreso (P) o digital (D), comprado por
cada uno de tres clientes sucesivos en una tienda de libros online. Se define la variable aleatoria X por
X nmero de clientes que compran en formato digital

El resultado en el cual el primer y el tercer cliente compra en formato digital y el segundo en formato impreso
puede ser abreviado como DPD. El valor asociado de la variable aleatoria es 2, ya que dos de los tres clientes
optaron por comprar en formato digital.
En la siguiente tabla se resume el comportamiento de la variable aleatoria X
Resultado
x

PPP
0

DPP
1

PDP
1

PPD
1

DDP
2

DPD
2

PDD
2

DDD
3

De inmediato notamos que los posibles valores de X son 0, 1, 2 y 3. A este conjunto de valores se le conoce como
el rango de la variable aleatoria. Adems, como los posibles valores son puntos aislados en la recta real, se trata
de una variable discreta.

Distribuciones de Probabilidad.
La distribucin de probabilidad de una variable aleatoria discreta, es un modelo que describe el comportamiento
a largo plazo de dicha variable. Por ejemplo, el gerente de la tienda podra estar interesado, adems de los posibles
valores de la variable aleatoria, de cmo sta se comportara si fuera observada para muchos clientes, es decir,
cul sera su valor ms comn? qu proporcin de las veces los clientes comprarn en formato digital? Una
distribucin de probabilidad proporciona respuestas a stas y otras preguntas.

DEFINICIN
La Distribucin de Probabilidad de una variable aleatoria discreta X proporciona la probabilidad asociada con
cada uno de los posibles valores de la variable aleatoria. Cada probabilidad es la proporcin a largo plazo en la
que el valor correspondiente de X ocurrir.
Ejemplo 2: Refrigeradoras de energa eficiente.
Suponga que cada uno de cuatro clientes seleccionados al azar que compran en un almacn de electrodomsticos
escoge cualquiera de dos modelos de refrigeradoras: el modelo de energa eficiente (E) o un modelo ms barato
que no posee la caracterstica de eficiencia de energa (G). Asuma que los clientes hacen su eleccin de manera
independiente uno del otro y que el 40% de todos los clientes seleccionan refrigeradoras del tipo energa eficiente.
2

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Construya la distribucin de probabilidad de la variable aleatoria

X = Nmero de refrigeradoras del tipo energa eficiente compradas por los cuatro clientes.
Solucin:
Con P (G ) 0.6 y P ( E ) 0.4 , un posible resultado del experimento aleatorio es GGEE (en este caso X 2 ). Como
las elecciones de los clientes son independientes, la regla del producto implica que:
P(GGEE ) P(el primero escoge G y el segundo escoge G y el tercero escoge E y el cuarto escoge E)
P(GGEE ) P(G ) P(G ) P( E ) P( E ) (0.6)(0.6)(0.4)(0.4) 0.0576

De manera similar P(GGGG ) P(G ) P(G ) P(G ) P(G ) (0.6)(0.6)(0.6)(0.6) 0.1296

En la siguiente tabla se muestran los 16 resultados posibles, la probabilidad de cada uno de ellos y el valor de la
variable aleatoria asociado a cada resultado.
Resultado
GGGG
EGGG
GEGG
GGEG
GGGE
EEGG
EGEG
EGGE

Probabilidad
0.1296
0.0864
0.0864
0.0864
0.0864
0.0576
0.0576
0.0576

Resultado
GEEG
GEGE
GGEE
GEEE
EGEE
EEGE
EEEG
EEEE

x
0
1
1
1
1
2
2
2

Probabilidad
0.0576
0.0576
0.0576
0.0384
0.0384
0.0384
0.0384
0.0256

x
2
2
2
3
3
3
3
4

La distribucin de probabilidad de X puede ser obtenida fcilmente a partir de esta informacin. Por ejemplo
p (0) P( X 0) P(GGGG ) 0.1296
p (1) P ( X 1) P ( EGGG ) P (GEGG ) P (GGEG ) P (GGGE ) 0.3456

Y as sucesivamente.
La distribucin de probabilidad se resume en forma tabular de la siguiente manera:
x
p( x)

0
0.1296

1
0.3456

2
0.3456

3
0.1536

4
0.0256

Cmo se interpreta esta distribucin de probabilidad? Por ejemplo, para interpretar p(3) 0.1536 piense que el
experimento se realiza repetidamente, cada vez con un nuevo grupo de clientes. A la larga, 15.36% de estos grupos
tendrn exactamente 3 clientes que compran refrigeradoras del tipo energa eficiente.
La distribucin de probabilidad puede ser usada para determinar la probabilidad de varios eventos que involucren
a la variable aleatoria X . Por ejemplo, la probabilidad que al menos dos de los cuatro clientes compren el modelo
con energa eficiente es
P ( X 2) P ( X 0 o X 3 o X 4) p (2) p(3) p(4) 0.5248

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Este resultado significa que, a largo plazo, un grupo de 4 refrigeradoras compradas incluir al menos dos del tipo
energa eficiente en aproximadamente el 52.48% de las veces.
Una distribucin de probabilidad muestra todos los posibles valores x de la variable aleatoria y los valores p( x)
para cada uno de ellos. Como ste ltimo valor es una probabilidad, y como se incluyen a todos los posibles valores
toda distribucin de probabilidad debe de satisfacer las dos siguientes propiedades:
1. Para cada uno de los posibles valores de X , 0 p ( x) 1
2. p( x) 1

Otras formas de representar una Distribucin de Probabilidad: Histogramas de

probabilidad.
Un histograma de probabilidad es una representacin grfica de una distribucin de probabilidad discreta. El grfico consiste de varios rectngulos centrados sobre cada posible valor de X , y el rea de cada rectngulo es
proporcional a la probabilidad del correspondiente valor. En la siguiente figura se muestra el histograma para el
ejemplo 2.

Media y Desviacin Estndar para una variable

aleatoria discreta.
Estudiamos una variable aleatoria para aprender algo de cmo sus valores
se distribuyen a lo largo de la escala de medicin. En la unidad I aprendimos que la media y desviacin estndar resumen el centro y la variabilidad de una serie de datos. De manera similar, la media y desviacin estndar de una variable aleatoria describen dnde se centra la distribucin
de probabilidad y cunto se dispersa con respecto al centro.

La media de una variable aleatoria discreta X , denotada por X , describe dnde se centra la distribucin
de probabilidad de X . Para su clculo usaremos la siguiente expresin

x p( x)

Para toda x

El trmino valor esperado, E ( X ) , se usa ms a menudo en lugar de media

La desviacin estndar de una variable aleatoria X , denotada por X , describe la variabilidad en la distribucin de probabilidad. Cuando su valor es pequeo, los posibles valores de X tendern a estar cercanos al
valor de la media. Un valor grande indicar una mayor variabilidad en los valores observados de X . Para su
clculo nos auxiliaremos de la varianza

X2

Para toda x

( x X ) 2 p( x)

x 2 p( x) ( X ) 2 entonces

Para toda x

X X2

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Ejemplo 3: Paneles para televisores.

Los televisores pantalla plana requieren pantallas de vidrio de alta calidad con muy pocas imperfecciones. Un
fabricante de televisores recibe paneles de vidrio de dos fabricantes diferentes. Sean

X = Nmero de imperfecciones en un panel de vidrio seleccionado aleatoriamente del fabricante 1

Y = Nmero de imperfecciones en un panel de vidrio seleccionado aleatoriamente del fabricante 2
Suponga que las distribuciones de probabilidad para X y Y son las siguientes:
x
p( x)

0
0.4

1
0.3

2
0.2

3
0.1

y
p( y)

0
0.2

1
0.6

2
0.2

3
0.0

X x p( x) 0(0.4) 1(0.3) 2(0.2) 3(0.1) 1

Y y p( y) 0(0.2) 1(0.6) 2(0.2) 3(0.0) 1

X2 x 2 p( x) X2

Y2 y 2 p( y ) Y2

X2 02 (0.4) 12 (0.3) 22 (0.2) 32 (0.1) 12 1

Y2 02 (0.2) 12 (0.6) 22 (0.2) 32 (0.0) 12 0.4

X X2 1

Y Y2 0.4 0.632

En la siguiente figura se muestran los histogramas para ambas variables aleatorias

Como el valor esperado de ambas distribuciones result ser 1, a la larga, para cualquiera de los proveedores el
nmero de imperfecciones es uno. Sin embargo, los histogramas muestran que la distribucin de probabilidad
para el primer fabricante 1 es ms dispersa que la del 2 (recuerde que las desviaciones eran 1 y 0.632 respectivamente). La mayor dispersin del primer fabricante significa que habr ms variabilidad en los valores observados
de X que en los de Y . Por ejemplo, ninguno de los valores observados de Y ser 3, pero cerca del 10% de los
valores observados de X sern 3. Parece ser que los paneles del fabricante 2 son de mejor calidad.

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Distribucin Acumulada para una Variable Aleatoria Discreta.

Una distribucin de probabilidad especifica la probabilidad de que la variable aleatoria sea igual a algn valor en
particular. Una funcin llamada funcin de distribucin acumulada, denotada por F ( x ) , especifica la probabilidad de que una variable aleatoria sea menor o igual que un valor dado.
F ( x) P( X x)

Ejemplo 4: Distribucin acumulada.

para el proveedor 1 del ejemplo 3 la distribucin de probabilidad del nmero de paneles con imperfecciones es
x
p( x)

0
0.4

1
0.3

2
0.2

3
0.1

La distribucin acumulada se construye de la siguiente manera:

Primero calculamos F ( x ) para cada posible valor
F (0) P ( X 0) 0.4
F (1) P( X 1) p (0) p (1) 0.4 0.3 0.7
F (2) P( X 2) p(0) p(1) p(2) 0.4 0.3 0.2 0.9
F (3) P( X 3) p(0) p(1) p(2) p(3) 0.4 0.3 0.2 0.1 1

Finalmente resumimos estos resultados de la siguiente manera

x0
0
0.4 0 x 1

F ( x) 0.7 1 x 2
0.9 2 x 3

x3
1

O en forma grfica

Usando la distribucin acumulada podemos calcular, por ejemplo:

P ( X 2) F (2) 0.9

P( X 2) 1 P( X 2) 1 F (2) 1 0.9 0.1

P( X 2) 1 P( X 2) 1 P( X 1)
1 F (1) 1 0.7 0.3

P(1 X 3) F (3) F (0) 1 0.4 0.6

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Algunas Distribuciones Discretas Especiales.

(d) P ( X 2) 1 P ( X 2) 1 [ P( X 0) P( X 1)]
P( X 2) 1 [0.9039 0.0922] 0.0038

Distribucin Binomial

Muchos tipos de problemas de probabilidad tienen solamente dos resultados o pueden ser reducidos a dos La distribucin de probabilidad binomial tambin se
resultados posibles.
puede representar por un grfico como el siguiente
Un experimento binomial satisface los siguientes supuestos: (a) El experimento consiste en un nmero fijo
de ensayos. (b) Cada ensayo puede ser clasificado como
xito o Fracaso. (c) Los ensayos son independientes y
(d) La probabilidad de xito se mantiene constante de
ensayo en ensayo.
La variable aleatoria X , que es igual al nmero de xitos en una secuencia de n ensayos tiene una distribucin de probabilidad dada por
n
f ( x) b( x; n, p) p x (1 p)n x
x

para x 0,1, , n

Adems
E ( x) np y X2 V ( X ) np(1 p)

Ejemplo 5: Distribucin Binomial. Basados en la experiencia, la probabilidad que cierto componente elctrico funcione adecuadamente es 0.98. Los componentes se muestrean uno a uno de la lnea de produccin.
En una muestra de 5 componentes Cul es la probabilidad de encontrar (a) cero, (b) exactamente uno, (c)
exactamente dos, (d) dos o ms defectuosos?

Como E ( x) np (5)(0.02) 0.1 , a la larga, si repetimos una y otra vez el experimento, tendremos 0.1 componentes defectuosos.

Distribucin Binomial Negativa.

En un experimento binomial, si X denota el nmero de
ensayos hasta que ocurran r xitos, entonces X tiene
una distribucin binomial negativa con distribucin de
probabilidad
x 1
f ( x) nb( x; r , p) p r (1 p) x r
r 1

para x r ,r 1,

Solucin: todos los requerimientos de la distribucin bir

r (1 p)
Adems E ( x)
y X2 V ( X )
nomial se cumplen, por lo que, con n 5 , p 0.02 y X
p
p2
= Nmero de defectuosos encontrados en la muestra de
Ejemplo 6 Distribucin Binomial Negativa: Se toman
5
muestras repetidas de una lnea de produccin de cierta
5
empresa. Los resultados de este experimento se consi(a) P( X 0) b(0;5,0.98) (0.02) 0 (0.98)5 0.9039
deran independientes, y se sabe que la probabilidad de
0
encontrar un producto defectuoso es de aproximada5

mente 0.15
(b) P( X 1) b(1;5,0.98) (0.02)1 (0.98) 4 0.0922
1

a) Cul es la probabilidad de se requieran no ms de 7
intentos para obtener tres productos defectuosos?
5
(c) P( X 2) b(2;5,0.98) (0.02) 2 (0.98)3 0.0030
b) Cul es el nmero promedio de productos mues 2
treados antes de obtener tres defectuosos?
7

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Solucin: Sea X el nmero de productos muestreados Ejemplo 7 Distribucin Hipergeomtrica: Diez ingeniehasta que se obtienen tres defectuosos. Entonces
ros aplican para un puesto de ingeniero residente. Cinco
de ellos poseen una maestra en energas renovables,
X nb(3;0.15)
dos poseen un doctorado y tres slo el grado de ingea) Una secuencia tpica de esta situacin es la si- nieros.
guiente, donde S = se obtiene un defectuoso.
F

Primer defectuoso

Segundo defectuoso

Tercer defectuoso. Este resultado detiene el experimento limitando los 7 ensayos.

Entonces se pide
6
P( X 7) (0.15)7 (1 0.15) 4 0.000013378
2

Si el encargado de recursos humanos selecciona tres

aplicaciones al azar, calcular la probabilidad de que:
a) Los tres posean maestra
Solucin: sea X =nmero de ingenieros con maestra en la muestra de tres. Entonces
5 5

3 0
10
1
P(X 3)

10
120 12


3

b) Uno posea doctorado

Solucin: Sea Y = nmero ingenieros con doctorado
en la muestra de tres. Entonces
2 8

Distribucin Hipergeomtrica.
1 2
(2)(28) 56
7
P (Y 1)

120
120 15
10
Cuando hacemos un muestreo sin reemplazo, la distri
bucin binomial no proporciona probabilidades exac3
tas, debido a que los ensayos no son independientes.
Mientras ms pequea sea la poblacin, menos exactas c) Ninguno tenga maestra o doctorado.
sern las probabilidades binomiales.
Solucin: Sea Z = nmero de ingenieros que no poseen
Si un lote de N objetos contiene K objetos clasificados maestra o doctorado. Entonces
como xitos y N-K objetos clasificados como fracasos, y
3 7
si se toma una muestra aleatoria de tamao n de stos

objetos al azar y sin reemplazo, entonces la variable P( Z 3) 3 0 1
120
10
aleatoria X = nmero de xitos en la muestra, tiene

una distribucin binomial cuya funcin de distribucin
3
K N K
En la siguiente grfica se muestra el histograma de pro

x n x

babilidad de X
es f ( x) h( x; n, K , N )
N

n
r
3
b) Se pide E ( x)
224241.2
p 0.000013378

Adems
E ( x) n

M
N

M
N n
n
N
N 1

X2 V ( X )

M
1
N

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura.

Distribucin de Poisson.

Solucin:

Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus principales aplicaciones hacen referencia a la modelizacin de situaciones
en las que nos interesa determinar el nmero de hechos
de cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas como las siguientes: Las ocurrencias deben de ser aleatorias y la
probabilidad de ocurrencia no debe de ser afectada por
la ocurrencia o no de un resultado previo, es decir que
los resultados son independientes.

Con 2

accidentes
, t 1 semana y t 2 . Y sea X =
semana
nmero de accidentes en una semana cualquiera.

a)

2
P( X 0)

e2

0!

b) P( X 1)

0.1353

e2

0.2707
1!
c) P ( X 2) P ( X 0) P ( X 1) P ( X 2)

22 e2
2!
P( X 2) 0.1353 0.2707 0.2707 0.6767
La probabilidad de que ocurran exactamente r eventos
en un determinado intervalo de tiempo o espacio bajo d) Con t (2)(4) 8 y Y = nmero de accidentes en
ciertas condiciones est dada por
un mes

t
f ( x) P( x; )

P( X 2) P( X 0) P( X 1)

e t

r!

Adems

P(Y 3)

e8

3!

0.0286

En la siguiente figura se muestra el histograma de probabilidad de X

E ( x) t y X2 V ( X ) t

Donde t (en unidades de tiempo, longitud, rea, volumen) es un intervalo de tiempo o espacio en el cual los
eventos ocurren, y es el promedio de ocurrencia por
unidad de tiempo o espacio (por lo que el producto t
es adimensional)
Ejemplo 8: Distribucin de Poisson. El nmero promedio de accidentes automovilsticos ocurridos en una semana en un cruce en particular es de 2. Asuma que se
cumplen todos los requerimientos para la distribucin
de Poisson.
a) Cul es la probabilidad de que no haya ningn accidente en cualquier semana en particular?
b) Cul es la probabilidad de que haya exactamente
un accidente en una semana cualquiera?
c) Cul es la probabilidad de que hayan no ms de 2
accidentes en una semana?
d) Cul es la probabilidad que haya 3 accidentes en un
mes?