Francisco Roa Familia Pgina 1

Estadstica INDUSTRIAL II (EST-123)

Variables aleatorias Discretas y sus distribuciones

I. Algunos conceptos bsicos

1. Variable: magnitud que cambia su valor en un intervalo dado de valores.
2. Las variables pueden ser continuas o reales y discretas o discontinuas.
3. Discretas o discontinuas son aquellas que no admiten fracciones en los valores que toman
en su intervalo de definicin o dominio. Ejemplo: cantidad de caras que sale de lanzar cuatro
veces una moneda, cantidad de crditos seleccionados por estudiantes, cantidad de personas
por hogar, cantidad de asignaturas cursadas por estudiante, un producto es comprado o no es
comprado, un producto es defectuoso o bueno, etc.
4. Variables aleatorias o probabilsticas son variables cuyos valores son resultados del azar,
es decir que sus valores estn asociados a los elementos del espacio muestral
correspondientes a un fenmeno no determinstico. Suelen definirse sobre los resultados de
un fenmeno no determinstico o aleatorio.
5. Distribucin de probabilidades de una variable aleatoria discreta.
Veamos el ejemplo siguiente:
Se lanza tres veces una moneda y se anota lo que puede ocurrir....
El espacio muestral de ese experimento o fenmeno no determinstico puede identificarse
como:
{ } , , , , , , , S CCC CCE CEC ECC EEC ECE CEE EEE =
Si X es la variable que indica la cantidad de cara que sale, entonces X es una variable
aleatoria que puede tomar los valores del 3 al 0, es decir que
: 3, 2, 2, 2, 1, 1, 1, 0 X . De otra forma se puede expresar que:
X(CCC) = 3, X(CCE) = 2, X(CEC) = 2, X(ECC) = 2, X(EEC) = 1, X(ECE) = 1, X(CEE) = 1 y
X(EEE) = 0. Eso significa que X es una funcin que asigna un valor a cada resultado del
ensayo.
X
i
X
i
n
i
f
i
( ) P X
i

X(CCC) = 3 3 1 1/8 0.125
X(CCE) = 2 2 3 3/8 0.375
X(EEC) = 1 1 3 3/8 0.375
X(EEE) = 0 0 1 1/8 0.125
Total 8 8/8 1.000
Francisco Roa Familia Pgina 2

Leyenda:
X
i
: Un valor cualquiera de la variable.
n
i
: Frecuencia absoluta de un valor cualquiera
f
i
: Frecuencia relativa de un valor cualquiera de la variable X.
( ) P X
i
: Probabilidad de ocurrir de un valor cualquiera de la variable.
( ) f P X
i i
: La frecuencia relativa de un valor cualquiera de la variable X tiende a ser su
probabilidad de ocurrir.
Del cuadro anterior, al conjunto de pares de valores , ( ) X P X
i i
(

, o lo que es lo mismo:
X
i
( ) P X
i

3 0.125
2 0.375
1 0.375
0 0.125
Total 1.00
se conoce con el nombre de distribucin de probabilidades de la variable aleatoria,
discreta(X) si cumple las dos condiciones siguientes:

1. ( ) 0
2. ( ) 1
1
P X
i
n
P X
i
i
>

=
=

Practica V:
Resolver los ejercicios del 4.1 al 4.5 del Cap. 4 de Probabilidad y Estadstica de Miller &
Freund.
6. Valor esperado, esperanza matemtica ( ) E X o media aritmtica( )
X
de una variable
aleatoria discreta. Se define como:
( ) ( ) ( ( ... (
1 1 2 2
1
) ) )
n
E X X P X X P X X P X X P X
X i i n n
i

= = = + + +
=
=
Aplicndola a la distribucin de probabilidad del ejemplo anterior:
4
( ) 3( 0.125) 2( 0.375) 1( 0.375) 0( 0.0125)
1
X P X
X i i
i

= = + + + =
=

= 0.375 + 0.75 + 0.375 + 0.000 = 1.5 1.5 ( )
X
E X = =
Francisco Roa Familia Pgina 3

7. La Varianza de una variable
2
( )
X
o aleatoria discreta se define como
2
2 2
( ) ( ) E X E X
X
o = =
(


Ya se tiene el valor de ( ) 1.5 E X
X
= = , y solo hay que calcular el valor del trmino
2
( ) E X
y a ambos trminos aplicarlo a la expresin de la varianza.
2 2 2 2
( ) ( ) ( ) ... ( )
1 2 1 2
E X X P X X P X X P X
n n
= + + + =
2 2 2 2 2
( ) ( 3) ( 0.125) ( 2) ( 0.375) (1) ( 0.375) ( 0) ( 0.125) E X = + + + =
= 1.125 + 1.5 + 0.375 + 0.000 = 3
2
( ) 3 E X =
Aplicando los trminos:
2
( ) 3 E X =
(

y ( ) 1.5 E X = en la formula
2
2
2
( ) ( ) E X E X
X
o =
( (
=


2
2
3 1.5
X
o = =
( (

9 - 2.25 = 0.75
2
0.75
X
o = es el valor de la varianza.
8. La desviacin estndar es la raz cuadrada de la varianza:
2
0.75 0.866
X X
o o = = =
0.866
X
o =
9. Funcin de distribucin de probabilidades acumuladas de una variable aleatoria
discreta o discontinua ( ( )
x
F o por P X x s o simplemente Funcin de distribucin: Es
una funcin que presenta las probabilidades acumuladas, de una variable aleatoria discreta,
desde 0 hasta un valor k.
En el caso de la distribucin de probabilidades de la variable aleatoria discreta:
X
i
( ) P X
i

( )
x
F
3 0.125 0.125
2 0.375 0.500
1 0.375 0.875
0 0.125 1.000
Total 1.00
Nota: Se representa la funcin de distribucin con cualquiera de los
smbolos: ( )
x
F por P X x s
En realidad, para este caso, la funcin de distribucin es el conjunto de pares de valores
siguientes:
Francisco Roa Familia Pgina 4

X
i

( )
x
F
0 0.125
1 0.500
2 0.875
3 1.000

Con esta funcin se facilitan los clculos de probabilidades de valores de la variable
considerada. Por ejemplo, si se dese la probabilidad de que, de lanzar 3 veces la moneda:
a. Salga ms de 1 ves cara
( 1) 1 ( 1) 1 0.500 0.500 P X P X = s = =
b. Salga por lo menos 2 caras
( 2) 1 ( 2) 1 0.500 0.500 P X P X > = = =
c. Salga a lo sumo 2 caras
( 2) 0.875 P X s =
d. Salga al menos una cara
( 1) 1 ( 0) 1 0.125 0.875 P X P X > = s = =

II. Patrones o Distribuciones de probabilidades de variables
aleatorias discretas importantes.

Entre las variables aleatorias discretas existen diversos patrones, modelos o distribuciones
importantes de los cuales se estudiaran, en este curso, las siguientes:
1. Proceso Bernoulli.
2. Distribucin Binomial.
3. Distribucin Hipergeomtrica.
4. Distribucin Poissn.
Desarrollo
1. La distribucin o proceso Bernoulli

Se produce sobre un ensayo o fenmeno no determinstico que puede tomar solo dos
resultados: xito o fracaso, alto o bajo, frio o caliente, defectuoso o bueno, etc. Las
modalidades (xito o fracaso, o cualquieras otras) son convencionales. El ensayo de Bernoulli
es observado en una sola repeticin.
Ejemplo
Se dispone de un lote de artculos y se realiza el ensayo de Bernoulli con observar un artculo
tomado al azar en ese lote. El artculo es bueno (B) o defectuoso (D). Suponga que la
probabilidad de que sea bueno es p, entonces: 0 < p < 1.
1,
( )
0,
si el articulo es bueno
X articulo
si el articulo es defectuoso
=

La expresin anterior se puede interpretar como que X es la funcin que examina a un artculo
seleccionado al azar. El resultado del examen 1 si el artculo es bueno, es decir P (B) = P
(X=1) = p, y es 0 si el artculo es defectuoso, es decir que P (D)=P (X=1) = (1-p).
El proceso o experimento de Bernoulli consta de dos resultados posibles y la distribucin de
probabilidad de la variable aleatoria (X) de Bernoulli, viene dada por:
Francisco Roa Familia Pgina 5

(1 )
( ) *
k k
P X k p q

= =
El valor esperado o esperanza matemtica( ( ) ) E X
X
= de la distribucin de probabilidad
de Bernoulli es ( ) E X p
X
= =
Y la varianza es
2
(1 ) p p
X
o =
2. La distribucin binomial

La distribucin binomial es un conjunto de n repeticiones del proceso de Bernoulli. Cada
repeticin es independiente de las dems; la probabilidad de xito (p) es constante en todas y
cada una de las n repeticiones que se realicen.
Para recordar el concepto de independencia, suponga que una tmbola contiene 5 bolas, de
las cuales 3 son negras y 2 blancas. Se extrae, al azar, una tras otra. Se definen los eventos:
{ } A La primera bola es negra = ;
{ }
'
" " A La primera bola no es negra = (Observe el apostrofe
en A, indicando que se trata del complemento del evento A).
{ } B La segunda bola es negra = ;
Suponga que cada bola extrada es retornada a la urna:
P(A) = 3/5 = 0.60; P (B/A) = 3/5 = 0.60, ( / 3 / 5 0.60
'
) P B A = = (observe el apostrofe en A).
Que la probabilidad de B no vare, ocurra o no A, indica que el evento B es independiente del
evento A. La probabilidad de ocurrir B es constante en todas las repeticiones del ensayo.

Pero, si las bolas extradas no se retornan a la urna:
P(A) = 3/5 = 0.60, P (B/A) = 2/4 = 0.50, ( / 2 / 5 0.40
'
) P B A = = , es decir que el evento B no
es independiente del evento A. La probabilidad de que ocurra B depende de si el evento A
haya o no ocurrido. En este caso, la probabilidad de ocurrencia del evento B no es constante;
su probabilidad vara dependiendo de que haya ocurrido o no el evento A en cada repeticin
del ensayo.

Vulvase al ensayo de lanzar tres veces una moneda....
El espacio muestral:
{ } , , , , , , , S CCC CCE CEC ECC EEC ECE CEE EEE =
Es evidente que la moneda tiene una probabilidad constante de ser C o de ser E.
Se trata de una moneda balanceada con p(C) = P(E) = 0.5, y si se asume que cuando cae C
es un xito y cuando cae E es un fracaso, entonces la probabilidad de una cantidad de k
xitos en n repeticiones del ensayo viene dada por:
( )
( )
( )
k n k
n
P X k p q
k

= = , donde K
puede tomar los valores: 0, 1, 2,3,, n

Francisco Roa Familia Pgina 6


Ejemplo

Se dispone de un lote de 4 artculos, 2 defectuosos y 2 buenos. Se enumeran del 1 al 4 y
sus nmeros se introducen en una tmbola. Se realizan 6 extracciones al azar, con
reemplazo. Eso quiere decir que en cada extraccin, hasta la sexta, el artculo elegido cada
vez se retorna a la urna. Se desea saber la probabilidad de que al completar las 6
extracciones:
a. Hayan resultado 6 extracciones de artculos buenos.
{ }
A la primera extraccion es un articulo bueno = , { }
B la segunda extraccion es un articulo bueno = ,, y as
sucesivamente hasta la sexta extraccin, { }
F la sexta extraccion es un articulo bueno =
Las probabilidades de ocurrencia de los eventos P(A) = 0.5 = P(B) = 0.5 = = P(F) = 0.5
( )
6 ( 6 6)
6
( 6) ) ( 0.5) ( 0.5)
6
P X

= = =
6 ( 6 6)
6! 720
( 6) ( 0.5) ( 0.5) ( 0.015625)(1) 0.015625
( 6 6)!6! 720
P X

= = = =

P(X=6) = 0.015625 (probabilidad de que las 6 extracciones correspondan a artculos buenos).
b. Hayan resultado 5 extracciones de artculos buenos:
5 ( 6 5) 6! 720
( 5) ( 0.5) ( 0.5) ( 0.0625)( 0.5) 0.09375
( 6 5)!5! 120
P X

= = = =

, y Asi sucesivamente, se
realizan los clculos para las probabilidades de que resulten X = 4 extracciones de artculos
buenos, X=3 extracciones de artculos buenos, X=2 extracciones de artculos buenos, X=1
una sola extraccin de articulo bueno y de X=0 (ninguna extraccin de articulo bueno, al hacer
6 extracciones, con reemplazos, de los cuatro artculos de la tmbola. De ese modo queda
completada la distribucin de probabilidades de la variable aleatoria binomial cantidad de
extracciones de artculos buenos (X) de la tmbola. La distribucin binomial completa se
muestra en el cuadro que sigue a continuacin:
X
i
( ) P X
i

0 0,015625
1 0.09375
2 0.234375
3 0.3125
4 0.234375
5 0.09375
6 0.015625
Total 1.00000
La distribucin binomial, como todas las distribuciones de probabilidades, tiene que cumplir
las dos condiciones:
Francisco Roa Familia Pgina 7

1. ( ) 0
2. ( ) 1
1
P X
i
n
P X
i
i
>

=
=

2.1. Funcin de distribucin de probabilidades acumuladas de una variable aleatoria
binomial o simplemente la Funcin de distribucin en el caso de la binomial [B (k; n, p)], a
veces representada simblicamente por ( )
x
F o por P X x s . Es una funcin que presenta las
probabilidades de una variable aleatoria binomial, acumuladas desde 0 hasta un valor k.

X
i





F
x


0 0,015625
0,015625
1 0,09375
0,109375
2 0,234375
0,343750
3 0,3125
0,656250
4 0,234375
0,890625
5 0,09375
0,984375
6 0,015625
1,000000
Total 1,00

Del cuadro anterior, la funcin de distribucin se reduce a las siguientes dos columnas:

X
i



F
x


0
0,015625
1
0,109375
2
0,343750
3
0,656250
4
0,890625
5
0,984375
6
1,000000

Para representar o identificar a la funcin de distribucin de una variable aleatoria
cualquiera, binomial u otra, es costumbre utilizarse solo el smbolo F
x
. Con esta funcin se
facilitan los clculos de probabilidades de valores de la variable considerada. Por ejemplo, si
se desean las probabilidades de que, de lanzar 6 veces la moneda:
a) Salga ms de 2 veces cara
( 2) 1 ( 2) 1 0.343750 0.65625 P X P X = s = =
b) Salga por lo menos 2 caras
( 2) 1 ( 2) 1 0.109375 0.890625 P X P X > = = =
c) Salga a lo sumo 4 caras
( 4) 0.890625 P X s =
d) Salga entre 3 y 5 veces cara
(3 5) ( 5) ( 2) 0.984375 0.343750 0.640625 P X P X P X s s = s s = =
e) Salga al menos una cara
( ) P X
i
Francisco Roa Familia Pgina 8

( 1) 1 ( 0) 1 0.015625 0.984375 P X P X > = s = =
2.2. Media aritmtica poblacional (
X
) en la distribucin binomial:
Tambin conocida como valor esperado o esperanza matemtica ( ) E X
(

viene dada por la
sumatoria de los productos de los valores de la variable por sus correspondientes probabilidades
de ocurrir, lo que simblicamente puede expresarse como:
( ) E X = ( ) ( ... (
1 1
1
) ( ) )
2 2
n
X P X X P X X X P X
i i n n
i
P X
x

= + + +
=
= =
X
i
( ) P X
i
( ) X P X
i i

2
X
i

2
( ) X P X
i i

0 0,015625 0,000000 0 0,00000
1 0.09375 0,093750 1 0,09375
2 0.234375 0,468750 4 0,93750
3 0.3125 0,937500 9 2,81250
4 0.234375 0,937500 16 3,75000
5 0.09375 0,468750 25 2,34375
6 0.015625 0,093750 36 0,56250
Total 1.00000 3 10,50000

El resultado es 3, como se observa en la lnea inferior de la tercera columna del cuadro
anterior. Para verificarlo, favor sustituir los valores correspondientes, en la formula anterior, y
se verificara, como se ve a continuacin:
( ) ( ... (
1 1
1
) ( ) )
2 2
n
X P X X P X X X P X
i i n n
i
P X
x

= + + +
=
= =
= (0)*(0,015625)+(1)*( 0.09375)+(2)*( 0.234375)+. . . +(6)*( 0.015625) = 3.
3
X
=
2.3. La varianza
2
( )
X
o en la distribucin binomial:

2
2
( ) ( )
2
E X E X
X
o =
(
=


Ya se conoce que 3
X
=
Ahora se procede al clculo del valor del trmino
2
( ) E X
2 2 2
2
( ) ( ( ... (
1 2 1 2
) ) ) E X X P X X P X X P X
n n
= + + +
(
=


2
( ) ( 0) (1) ( 2) ( 6)
2 2 2 2
( 0.015625) ( 0.0.09375) ( 0.234375) ... ( 0.015625) 10.5 E X =
(
+ + + + =


2
( ) 10.5 E X =
(


Francisco Roa Familia Pgina 9

Se aplica la formula
2
2
2
( ) ( ) E X E X
X
o =
( (
=


2
2
1.5 10.5 3
X
o = =
( (



2
1.5
X
o = .
2.4. La desviacin estndar es la raz cuadrada de la varianza:

2
1.5 1.23
X X
o o = = =
1.23
X
o =
Formulas especiales para el clculo de la media y de la varianza en la distribucin
binomial:
* n p
X
= ; n = 6, p = q = 0.5;
6 * 0.5 3
X
= = 3
X
= .
2
1.5
X
o = 1.23
X
o =
Queda verificado que con ambas formulas, las anteriores y las especiales (en la binomial)
para el clculo de la media aritmtica y la varianza generan idnticos resultados.
Practica VI:
Resolver los ejercicios del 4.10-a), 4.10-b), 4.10-f), 4.11, y del 4.13 al 4.27, 4.30, 4.32, y del
4.35 hasta el 4.40 del Cap. 4 del libro Probabilidad y Estadstica de Miller & Freund.

3. Distribucin Hipergeomtrica

La distribucin Hipergeomtrica se define bajo el concepto de dependencia, contrario a la
distribucin binomial, que como se vio anteriormente, se define en base al criterio de
independencia.
A continuacin, un ejemplo que ilustra el concepto de distribucin hipergeometrica:
Suponga que se dispone de un lote de N piezas en almacn, de las cuales a presentan
pequeos defectos. Se elige una muestra aleatoria de n de las referidas piezas y se desea
saber la probabilidad de que x de esas piezas presenten pequeos defectos.
En este caso las piezas se extraigan al azar, una tras otra, sin reemplazo, es decir, sin
retornarlas al lote de donde se tengan disponibles. Se puede recordar el comportamiento
variable de las probabilidades de los eventos, es decir, las relaciones de dependencias de los
eventos al realizarse las extracciones sin reemplazo.

Francisco Roa Familia Pgina 10

Este es el esquema en el que se define la distribucin hipergeometrica, con el esquema o
modelo que aparece a continuacin: ( , , , ) ( )
a N a
k n k
h a x n N P X k
N
n
| || |
| |

\ .\ .
= =
| |
|
\ .
, donde:
X : Es la variable aleatoria considerada.
N : Total de artculos para el estudio.
a: Cantidad de artculos defectuosos, en este caso con pequeos defectos.
n : Muestra aleatoria de artculos para el estudio.
x : Cantidad de xitos o artculos objetivo en la muestra (n), en este caso artculos con
pequeos defectos.

Ejemplo.

Suponga un lote de 100 piezas en almacn, de las cuales 10 presentan pequeos defectos,
se elige una muestra aleatoria de 6 y se desea:
a) La distribucin de probabilidades Hipergeomtrica correspondiente.
b) La funcin de distribucin | |
( )
x
F o por P X x s de la distribucin Hipergeomtrica.
c) Determine la probabilidad de que:
1. Ninguna de las 6 piezas presente pequeos defectos.
2. Las 6 piezas presenten pequeos defectos.
3. Al menos 1 pieza presente pequeos defectos.
4. Ms de 1 presente pequeos de defectos.
5. A lo sumo 3 piezas presenten pequeos defectos.
( , , , ) ( )
a N a
x n x
h a k n N P X k
N
n
| || |
| |

\ .\ .
= =
| |
|
\ .
; 10, 2, 6, 100 a x n N = = = = , a partir de aqui es hacer
las sustituciones y calcular

En la distribucin hipergeometrica, la media aritmtica (
X
), tambin conocida como
esperanza matemtica o valor esperado, viene dada por: .
X
a
n
N
= ;
10
. 6 0.6
100
X
a
n x
N
= = = .
La varianza (
2
X
o ) por:
2
2
. .( ).( )
.( 1)
X
n a N a N n
N N
o

=

2
2
6.10.(100 10).(100 6)
100 .(100 1)
X
o

=

, y su raz
cuadrada:
2
X X
o o = , la desviacin estndar.

4. Distribucin de Poissn

Dada a conocer en 1837 por el matemtico francs Simen Dennis Poisson (1781-1840). Esta
distribucin se utiliza para el estudio del comportamiento de un fenmeno en una unidad de
tiempo, de rea o de volumen. Tambin se utiliza en el diseo de lmites de control de calidad.

Caractersticas del fenmeno sobre el que se define el proceso o distribucin de Poisson:
Francisco Roa Familia Pgina 11

a. Interesa el nmero (x) de veces que ocurre un evento en particular durante una unidad de
tiempo, rea, volumen, peso, distancia, o cualquier otra unidad de medida. Puede entenderse
que en tales circunstancias N es considerablemente grande, es decir que N o .
b. La probabilidad de que un evento ocurra en una unidad dada de medida, tiende a cero
( 0) p , y es la misma para todas las unidades.
c. El nmero de eventos que ocurren en una unidad de medida es independiente del nmero de
los que ocurren en otras unidades.

La distribucin de probabilidades para la variable aleatoria de Poisson est dada por:
!
, 0
x
e
x
P

= , donde 2.71828... e= ; es la cantidad esperada y la varianza de la

cantidad esperada de eventos en la unidad de medida considerada, es decir que:
2
( )
x x
E X o = = =

Ejemplo

1. Se pudo verificar que 2 de cada 1000 de las llamadas que reciben los funcionarios de la
universidad se producen alrededor de las 4 de la madrugada.
a) Calcule la distribucin de probabilidad de Poissn.
b) Construya la funcin de distribucin | |
( )
x
F o por P X x s de Poissn.
c) Determine la probabilidad de que un funcionario de la universidad:
1. No reciba llamada alrededor de las 4 de la maana.
2. Reciba, exactamente, una llamada alrededor de las 4 de la maana.
3. Reciba ms de una llamada alrededor de las 4 de la maana.
4. Reciba a lo sumo 3 llamadas alrededor de las 4 de la maana.
5. Reciba por lo menos una llamada alrededor de las 4 de la maana.
6. Reciba tres o ms llamadas alrededor de las 4 de la maana.

Practica VII
Resolver los ejercicios del 4.49 al 4.57
del Cap. 4 de Probabilidad y Estadstica de Miller & Freund.