Universidad de Los Andes

Facultad de ciencias Econmicas y Sociales

Departamento de Estadstica
Prof. Anna Gabriela Prez de Rivas
TEMA 4 - MODELOS DE VARIABLES ALEATORIAS DISCRETAS
Introduccin
Es posible modelar los resultados de diversos sistemas fsicos y de experimentos
en general mediante experimentos aleatorios y con variables aleatorias. Puede
analizarse la distribucin de probabilidad de las variables aleatorias que aparecen
en estos sistemas, y es factible utilizar los resultados del anlisis en aplicaciones y
ejemplos diferentes.
Una distribucin de probabilidad o modelo de probabilidad de una variable
aleatoria permite representar de manera simplificada un fenmeno real y
establecer afirmaciones probabilsticas sobre ese fenmeno.
Existen distribuciones de probabilidad que se han hecho populares y se les han
asignado nombres especficos, debido a que se adecuan a diversos fenmenos
reales. Una distribucin de probabilidad discreta
o modelo discreto de
probabilidad se define como el conjunto de valores que puede tomar una variable
discreta acompaado de sus respectivas probabilidades. Entre las ms conocidas
estn:
-

Distribucin Uniforme Discreta.

Distribucin de Bernoulli.
Distribucin Binomial.
Distribucin de Poisson.

Distribucin Uniforme Discreta

La variable aleatoria discreta ms sencilla es aquella que toma slo un nmero
1
finito de valores posibles, cada uno con la misma probabilidad, as P( X = x) =
n
X = x1 , x 2 ,......., x n
Supngase que X es una variable aleatoria discreta uniforme sobre los enteros
consecutivos a, a+1, a+2,, b, con a b. El rango de X contiene (b-a+1) valores
1
cada uno con probabilidad
. El valor esperado de X y la varianza estn
(b a + 1)
dados por: E ( X ) =

a+b
(b a + 1) 2
y Var ( X ) =
2
12

Ejemplo: La variable aleatoria X tiene una distribucin uniforme discreta sobre los
enteros 1 X 4 .
Calcule la media y la varianza.
P( X = x) =

1
4

X = 1,2,3,4

La media es:
(4 + 1) 5
E( X ) =
= = 2.5
2
2
La varianza es:
(4 1 + 1) 2 1 16 1 15
Var ( X ) =
=
=
= 1.25
12
12
12
Distribucin de Bernoulli
Un experimento de Bernoulli es aquel experimento en el cual slo hay dos
posibles resultados denotados por xito (E) y fracaso (F). La probabilidad de xito
se denota por p y la probabilidad de fracaso se denota por q y se obtiene mediante
q = 1-p.
Ejemplos de experimentos de Bernoulli:
a) Al lanzar un dado, se considera xito obtener 1 o 6 y fracaso obtener 2, 3, 4
o 5.
b) Registrar que un alumno apruebe (E) o no un examen (F).
c) Determinar si un producto es defectuoso (E) o no (F).
d) Anotar si una persona es mayor de edad (18 aos) o no.
Una variable aleatoria X representa el xito en un experimento Bernoulli, tanto
slo puede tomar los valores 0 y 1 y su distribucin de probabilidad est dada por:
P( X = x) =

1-p
p
0

s X = 0
s X = 1
en otro caso

Tambin puede expresarse como:

P( X = x) = p X (1 p) 1 X

x = 0,1

Media:

= E ( X ) = 0 * (1 p) + 1* p = p

Varianza

2 = E( X 2 ) 2
E ( X 2 ) = 0 2 * (1 p ) + 12 * p = p

2 = p p 2 = p (1 p ) 2 = p (1 p )
La distribucin de Bernoulli depende solamente del valor de la probabilidad de
xito p y a este valor se le denomina el parmetro de la distribucin.
Ejemplo: Suponga que se lanza un dado y se representa como xito si sale 1 o 6
y el fracaso si no se obtiene ni 1 ni 6, es decir que sale 2,3,4 o 5 . Encuentre la
media y la varianza.

p=2

6
(Prob. de ganar)

1 p = 4

6
(prob. de perder)

P( X = x) = 4/6 si X = 0
2/6 si X = 1
0 en otro caso
Media:
E( X ) = p = 2 = 1
6
3

Varianza:
Var ( X ) = p (1 p) =

2 4 8 2
* =
=
6 6 36 9

Distribucin Binomial
Un experimento binomial es aquel que cumple con las siguientes propiedades:
i)
Consiste en n ensayos de Bernoulli, es decir, en la repeticin de n
veces de un experimento que consta de dos posibles resultados, que se
denotan xito y fracaso.
ii)
La probabilidad de xito p y por ende la de fracaso (1-p) se mantienen
constantes en cada uno de los n ensayos de Bernoulli.
iii)
Los n ensayos de Bernoulli son independientes entre si, es decir, el
resultado de uno no afecta el resultado de los dems.
El suceso consistente en obtener x xitos y n-x fracasos al realizar n experimentos
de Bernoulli puede presentarse de muchas formas, ya que los xitos y los fracasos
pueden aparecer en cualquier orden. El nmero de tales secuencias son las
3

 n
combinaciones de n elementos tomados de x en x y se denota , y cada una de
x
x
n x
tales combinaciones tiene probabilidad igual a p (1 p ) . As, la funcin de
probabilidad de la variable aleatoria X que representa el nmero de xitos en n
ensayos de un experimento binomial sigue una distribucin de probabilidad dada
por:
n
P( X = x) = p x (1 p ) n x
x

x = 0, 1, 2,......, n

Ejemplos de Experimentos binomiales son:

a) Lanzar un dado 10 veces, para conocer el nmero de xitos, se
considera xito obtener un 1 o un 6 y fracaso cualquier otro nmero.
b) Registrar que 20 alumnos aprueben o no un examen..
c) Responder al azar un cuestionario de 20 preguntas de verdadero y
falso.
d) Registrar si 15 objetos son defectuosos o no.

La distribucin binomial tiene 2 parmetros n y p y se utiliza la notacin

X ~ B(n; p ) para indicar que la variable X sigue una distribucin binomial con
parmetros n y p.
En algunos textos a la probabilidad de fracaso 1-p se le llama q.
Media y Varianza:
La variable binomial X se obtiene como la suma de n variables independientes de
Bernoulli Y1 , Y2 , K , Yn,
X = Y1 + Y2 + KYn
Se sabe que la media y la varianza de la distribucin de Bernoulli son p y p(1-p)
respectivamente, y utilizando las propiedades de la media y la varianza de
variables aleatorias independiente, se tiene que:
E ( X ) = E (Y1 + Y2 + K Yn ) = E (Y1 ) + E (Y2 ) + K + E (Yn )
= p + p + K + p = np

V ( X ) = V ((Y1 + Y2 + K Yn ) = V (Y1 ) + V (Y2 ) + K + V (Yn )

= p (1 p) + p (1 p ) + K + p (1 p ) = np (1 p )

Ejemplo: Para cada uno de los siguientes escenarios, establezca si es razonable

o no usar la distribucin binomial como modelo de variable aleatoria.



Un proceso produce miles de partes para motores de automviles. Sea X el

nmero de partes que no cumplen con las especificaciones de diseo de
una muestra de 30 partes tomadas al azar del proceso.
Sea Y la variable aleatoria que denota el nmero de accidentes que ocurren
en las carreteras de la zona andina durante un mes.
Cuatro componentes electrnicos idnticos estn conectados a un
controlador. Sea X la variable aleatoria que denota el nmero de
componentes que pueden fallar en un momento determinado

Ejemplo: En una materia aprueban generalmente el 70% de los alumnos. Si se

inscriben 10 alumnos,
a) Calcule el nmero esperado de alumnos aprobados y la varianza.
Si X es el nmero de estudiantes aprobados => X ~ B (10;0,7); por lo tanto:

E ( X ) = np = 10 * 0,70 = 7 alumnos
V ( X ) = np(1 p ) = 10 * 0,70 * 0,30 = 2,1 alumnos2
b) Cul es la probabilidad de que aprueben 8 alumnos?
n
P( X = x ) = p x (1 p ) n x x = 0, 1, 2,......, 10
x
10!
10
P( X = 8) = (0,7) 8 (0,3) 10 8 =
* 0,05765 * 0,09
8! (10 8)!
8
10 * 9 * 8!
=
* 0,00519 = 45 * 0,00519 = 0,23
8!*2!
0,23 es la probabilidad de que aprueben 8 alumnos.

c) Cul es la probabilidad de que aprueben ms de 7 alumnos?

10
10
10
P( X 8) = 0,7 8 0,3 2 + 0,7 9 0,31 + 0,7 10 * 0,3 0
8
9
10
10!
= 0,23 +
* 0,7 9 * 0,3 + 0,7 10
9!*1!
= 0,23 + 0,12 + 0,03 = 0,38

d) Cul es la probabilidad de que aprueben como mximo 7 alumnos?

P ( X 7) = 1 P ( X 8) = 1 0,38 = 0,62

Uso de las Tablas Binomiales

Para facilitar el clculo de probabilidades binomiales existen las tablas de la
Distribucin de Probabilidad Binomial donde aparecen las probabilidades de X = x
para las diferentes combinaciones de n y p.
Ejemplo: Calcule las partes b, c y d del ejemplo anterior, pero ahora con las
tablas. X ~ B(10;0,7) .
En algunas tablas, si p > 0,5 se trabaja con la variable Y que denota el nmero de
fracasos, as Y ~ B(n;1 p) Y ~ B(10;0,3)
Y = nmero de alumnos que no aprueban.
Por lo tanto:
P( X = 0) = P(Y = n)
P( X = 1) = P (Y = n 1)
P( X = x) = P(Y = n x)
P( X = n) = P(Y = 0)

b) P ( X = 8) = P (Y = 2) = 0,2335
c)
P( X 8) = P(Y 2) = P(Y = 0) + P(Y = 1) + P(Y = 2)

= 0,0282 + 0,1211 + 0,2335

= 0,3828
d)
P( X 7) = P(Y 3) = 1 P(Y 2) = 1 0,3828
= 0,6172

Distribucin de Poisson
Definicin 1: Dado un intervalo de nmeros reales, supngase que el conteo de
ocurrencias es aleatorio en dicho intervalo. Si ste puede dividirse en
subintervalos suficientemente pequeos tales que:
- La probabilidad de ms de una ocurrencia en el subintervalo es cero.
- La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos, y es proporcional a la longitud de stos.

El conteo de ocurrencias en cada subintervalo es independiente del de los

dems subintervalos.

Entonces el experimento aleatorio recibe el nombre de Proceso de Poisson

Si el nmero promedio de ocurrencias en el intervalo es > 0, la variable aleatoria
X que es igual al nmero de ocurrencias en el intervalo tiene una distribucin
Poisson con parmetro , y la funcin de masa de probabilidad de X est dada
por:

P ( X = x) =

e x
X = 0,1,2,....
x!

>0

Definicin 2: Para que una variable aleatoria X siga una distribucin de Poisson
es necesario considerar un evento R que ocurre en el tiempo o en el espacio y que
cumpla con las siguientes condiciones:
1) El nmero de veces que ocurre R en cualquier unidad de tiempo o
espacio, es independiente del nmero de veces que ocurre en cualquier
otra unidad de tiempo o espacio, que no est superpuesta con la
anterior.
2) La probabilidad de que el evento R ocurra 2 o ms veces
simultneamente en una unidad de tiempo o espacio muy pequea, se
asume que es igual a cero.
3) El nmero promedio de veces que ocurre R en una determinada unidad
de tiempo o espacio es constante con sta, pero vara
proporcionalmente cuando se modifica la unidad.
Una variable aleatoria X tiene una distribucin de Poisson si sta representa el
nmero de veces que ocurre el evento R en una unidad de tiempo o espacio
determinado.
La distribucin de Poisson depende de un solo parmetro y se utiliza la
notacin X ~ P( ) para indicar que X sigue una distribucin de Poisson con
parmetro .
Ejemplos de v.a de Poisson:
1) Nmero de llamadas telefnicas que llegan a una estacin de polica en
una hora.
2) Nmero de accidentes de trnsito diarios en cierta va.
3) Nmero de aviones que llegan a un aeropuerto por hora.
4) Nmero de huspedes que llegan a un hotel por da.
5) Nmero de atracos denunciados por semana.

Media y Varianza:

La media y la varianza son iguales.

2 =

Ejemplo: En la emergencia de un hospital llegan en promedio 5 pacientes por

hora. Calcule las siguientes probabilidades:
- No lleguen pacientes en 1 hora.
Suponiendo que la distribucin de Poisson es aplicable a este caso y la variable
aleatoria X representa el nmero de pacientes que llegan a la emergencia en 1
hora, entonces se dice que X ~ P( = 5)
e 5 * 5 0
= e 5 = 0,0067
0!
- Lleguen como mnimo 2 pacientes en 1 hora.
P( X = 0) =

P( X 2) = 1 P( X 1)

= 1 [P( X = 0) + P( X = 1)]
= 1 P( X = 0) P( X = 1)
e 5 51

= 1 0,0067
1!
= 1 0,0067 0,0337
= 0,9596
- Lleguen 6 pacientes en 2 horas.
Como se cambi la unidad de tiempo a 2 horas, el promedio de pacientes que
llegan a la emergencia pasa a ser = 5 * 2 = 10 . Si Y representa el nmero de
pacientes que llegan al hospital en 2 horas entonces Y ~ P ( = 10) .

P(Y = 6) =

e y e 10 *10 6 e 10 *10 6
=
=
= 0,0631
Y!
6!
720

Uso de las Tablas de Poisson

Existen tablas estadsticas donde estn tabuladas las probabilidades de Poisson
para diferentes valores de . La P( X = x) se encuentra en la interseccin del valor
de y X.
Ejemplo: Calcule mediante la tabla de la distribucin de Poisson, las
probabilidades indicadas en el ejemplo anterior.
a) X ~ P( = 5)

P( X = 0) = 0,00674

b) X ~ P ( = 5)
P( X 2) = 1 P( X 1)

= 1 [( P( X = 0) + p( X = 1)]
= 1 (0,00674 + 0,03369)
= 0,95957

c) Y ~ P ( = 10)
P (Y = 6) = 0,06306
Ejercicios Propuestos
1. La variable aleatoria X tiene distribucin uniforme discreta sobre los enteros
91 X 100. Escriba la distribucin de probabilidad, y determine la media y
la varianza.
2. Sea X una variable aleatoria discreta, los valores que puede tomar la
variable son: , , y cada uno con la misma probabilidad. Escriba la
distribucin de probabilidad, y determine la media y la varianza.
3. La variable aleatoria X tiene distribucin binomial con n = 10 y p = 0.5.
Calcule las siguientes probabilidades:
a. P(X=5)
b. P(X 2=
c. P(X 9)
d. P(3 X 5)
4. Las lneas telefnicas del sistema de reservacin de una aerolnea estn
ocupadas el 40% del tiempo. Suponga que los eventos donde las lneas
estn ocupadas en llamadas sucesivas son independientes. Suponga
adems que se hacen 10 llamadas al sistema de reservacin:
a. Cul es la probabilidad de que al llamar exactamente tres veces las
lneas estn ocupadas.
b. Cul es la probabilidad de que al menos en una de las llamadas las
lneas no estn ocupadas.
c. Cul es el nmero esperado de llamadas en las que todas las lneas
estn ocupadas.
5. Suponga que la probabilidad de que alguien que se conecte por Internet a
un sitio especfico en un centro comercial a realizar una compra es 0.20. Si
el sitio tiene 10 personas con acceso en un momento determinado, calcule
las siguientes probabilidades:
a. Ninguna de las personas compra un artculo
b. Exactamente dos personas compran
c. Por lo menos dos personas compran
d. A lo ms dos personas compran

e. Si ahora la probabilidad cambia a 0.1 cul sera su respuesta en a y

en d.
6. El nmero de llamadas telefnicas que llegan a la central telefnica de un
centro de convenciones se modela como una variable aleatoria Poisson,
suponga que el nmero de llamadas que se reciben en promedio por hora
son 10. Calcule las siguiente probabilidades:
a. Que se reciban exactamente 5 llamadas en una hora
b. Que se reciban tres llamadas o menos en una hora.
c. Que se reciban exactamente 15 llamadas en 2 horas
d. Que se reciban exactamente 5 llamadas en 30 minutos
7. Suponga que el nmero de errores en la transmisin de cierta informacin
diariamente es una variable aleatoria Poisson. Suponga adems que el
promedio de errores de transmisin diarios es de 2.4, cul es la
probabilidad de que en un da particular:
a. No hayan errores de transmisin
b. Ocurra exactamente un error de transmisin
c. Ocurran dos o ms errores
d. Ocurran menos de tres errores.
8. Se supone que el nmero de defectos en los rollos de tela de cierta
industria textil es una variable aleatoria Poisson con una media de 1
defecto por cinco metros cuadrado de tela. Determine las siguientes
probabilidades:
a. De tener dos defectos en cinco metros cuadrado de tela
b. De tener un defecto en 10 metros cuadrados de tela
c. De que no hayan defectos en 20 metros cuadrados de tela

10