4 Variables aleatorias discretas

Al realizar un experimento aleatorio, muchas veces no estamos interesados en

el resultado, sino en una función del mismo. Por ejemplo si tiramos dos veces
un dado, podemos estar interesados en saber cuál es la suma, cuántas veces
salió un valor en particular, cuál es el máximo de los dos valores observados,
etc.
Una variable aleatoria es una función que a cada elemento del espacio
muestral , le hace corresponder un número.
Ejemplos:
1) Se tira un dado dos veces y se observa X = "el número de veces que
sale as"
2) Se tira un dado dos veces y se observa Y = "el máximo de los dos
valores"
3) Se tira una moneda hasta que sale cara y se de…ne Z = "el número de
tiradas necesarias"
4) Se enciende una lámpara y se observa T = "el tiempo hasta que se
quema"
Todas estas son variables aleatorias, si consideramos el conjunto de valores
que puede tomar cada una de estas variables vemos que:
vX = f0; 1; 2g
vY = f1; 2; 3; 4; 5; 6g
vZ = f1; 2; 3; :::g
vT = (0; 1)
En los dos primeros ejemplos el conjunto de valores es …nito, en el tercero
es in…nito numerable y en el cuarto es no numerable.
Cuando el conjunto de valores que toma una variable aleatoria es …nito
o numerable, la variable se denomina discreta. Las variables X, Y y Z
de…nidas anteriormente son v. a. discretas. Una variable aleatoria continua
puede tomar cualquier valor en un intervalo de números reales, la T es una
v.a. continua.
Por el momento nos dedicaremos a estudiar las v. as. discretas.

Utilizaremos la siguiente notación: (X = a) es un evento de , que está

formado por todos los resultados para los que la variable X toma el valor a,
y (X a) es el formado por todos los resultados para los que la v.a. X toma
valores menores o iguales que a:

13
 En el primer ejemplo podemos de…nir los eventos:

8 9
>
> (2; 2); (2; 3); :::; (2; 6); >
>
< =
(3; 2); (3; 3); :::; (3; 6);
(X = 0) =
>
> ::: >
>
: ;
(6; 2); (6; 3); :::; (6; 6)
(1; 2); (1; 3); (1; 4); (1; 5); (1; 6);
(X = 1) =
(2; 1); (3; 1); (4; 1); (5; 1); (6; 1)
(X = 2) = f(1; 1)g

Si el espacio es equiprobale, es fácil ver que:

P (X = 0) = 25=36
P (X = 1) = 10=36
P (X = 2) = 1=36
En el segundo ejemplo
(Y = 1) = f(1; 1)g
(Y = 2) = f(1; 2); (2; 1); (2; 2)g
(Y = 3) = f(1; 3); (3; 1); (2; 3); (3; 2); (3; 3)g
(Y = 4) = f(1; 4); (4; 1); (2; 4); (4; 2); (3; 4); (4; 3); (4; 4)g
etc
Del mismo modo se pueden calcular las probabilidades P (Y = y), para
valores de y = 1; 2; 3; 4; 5; 6

Función de distribución. La función de distribución de una variable

aleatoria X (discreta o continua ) se de…ne como
F (x) = P (X x) para todo x:
Evidentemente es una función no decreciente, que toma valores entre 0 y 1,
y se veri…ca que para todo a < b
P (a < X b) = F (b) F (a):

14
 Función de frecuencia. La función de frecuencia de una variable
aleatoria discreta X se de…ne para todos los x 2 vX como:

f (x) = P (X = x):

Permite calcular probabilidades referidas a la X:

X
P (a X b) = f (x) 8 a; b;
a x b

donde la suma es sobre los valores x que toma X:

La función de frecuencia cumple
X
f (x) 0; f (x) = 1; (8)
x

Se relaciona con la función de distribución a través de

X
F (x) = P (X x) = f (k):
k x

Es evidente, entonces, que la función de distribución de una variable aleato-

ria discreta es escalonada, con saltos en los valores que toma la variable y
constante en el resto.

La función de frecuencia de la v.a.X del ejemplo está dada por:

x 0 1 2
p(x) 25=36 10=36 1=36

Se puede ver que veri…ca (8). La función de distribución para esta variable
es:

0 si x<0
25=36 si 06x<1
F (x) =
35=36 si 16x<2
1 si x>2

15
 La función de frecuencia de la Y del ejemplo se muestra en la siguiente
tabla:
y 1 2 3 4 5 6
p(y) 1=36 3=36 5=36 7=36 9=36 11=36
Que también veri…ca (8). La función de distribución para esta variable
es:
0 si x < 1
1=36 si 1 x<2
4=36 si 2 x<3
F (x) = 9=36 si 3 x<4
16=36 si 4 x<5
25=36 si 5 x<6
1 si x 6
La probabilidad de cualquier evento que se relacione con el máximo de las
dos tiradas puede calcularse usando la función de distribución. por ejemplo:
sean A el evento “el máximo de las dos tiradas es al o sumo 3”, B “el máximo
de las dos tiradas es 4”, C “el máximo es mayor que 2 y menor que 5”

P (A) = P (X 3) = F (3) = 9=36

P (B) = P (X = 4) = P (X 4) P (X 3) = F (4) F (3)
P (C) = P (2 < X < 5) = P (2 < X 4) = F (4) F (2)

Variables aleatorias independientes. El ejemplo de las dos mesas

de ruleta dado anteriormnte motiva la siguiente de…nición: Las variables
X; Y son independientes si para todo a; b; los eventos (X a) y (Y
b) son independientes. Para variables aleatorias discretas, la de…nición de
independencia es eqivalente a: para todo a; b; los eventos (X = a) y (Y = b)
son inependientes.
Esta noción será útil para representar los resultados de experimentos que
no se in‡uyen mutuamente.

Realice los ejercicios de 1 a 6

16
4.1 Distribución binomial
Supongamos que en un hospital hay 3 pacientes internados con determinada
enfermedad, a los cuales se les aplica el mismo tratamiento (estos individuos
no son parientes). Supongamos que la probabilidad de que un individuo sane
en una semana de tratamiento es p. Sea Y el número de individuos que
sanan en una semana de tratamiento. Y puede tomar los valores 0 (ninguno
sana en una semana), 1, 2 o 3 (todos sanan en una semana). Los posibles
resultados y sus respectivas probabilidades se resumen en la siguiente tabla.

Pac 1 Pac 2 Pac 3 Valor de Y Probabilidad de este resultado

N N N 0 (1 p)(1 p)(1 p) = (1 p)3
S N N 1 p(1 p)(1 p) = p(1 p)2
N S N 1 (1 p)p(1 p) = p(1 p)2
N N S 1 (1 p)(1 p)p = p(1 p)2
S S N 2 pp(1 p) = p2 (1 p)
S N S 2 p(1 p)p = p2 (1 p)
N S S 2 (1 p)pp = p2 (1 p)
S S S 3 ppp = p3

Si nos interesa unicamente saber cuantos pacientes sanan en la primera

semana de tratamiento (el valor de Y), y las respectivas probabilidades, se
puede resumir aun más.

Valor de Y Probabilidad
0 (1 p)3
1 3p(1 p)2
2 3p2 (1 p)
3 p3
esta es una manera de expresar la función de frecuencia de la variable aleato-
ria Y .
Este es un caso particular de la distribución binomial, en general si te-
nemos n repeticiones de un ensayo que puede tener solo dos resultados, que se
suelen llamar “éxito” y “fracaso”, la probabilidad de “éxito” p, es la misma
en cada repetición y los resultados de cada repetición son independientes, la
variable aleatoria que cuenta el número de “éxitos”en los n ensayos tiene dis-
tribución binomial con parámetros n y p (X s B(n; p)) Se puede demostrar

17
que su función de frecuencia es

n k
f (k) = P (X = k) = p (1 p)n k
(k = 0; 1; :::; n):
k

En el ejemplo dado anteriormente, cada paciente se considera un ensayo:

para cada paciente los posibles resultados son S (sana en una semana de
tratamiento) y N (no sana en una semana de tratamiento); la probabilidad
de sanar es p, la misma para cada individuo; y los resultados de los diferentes
individuos son independientes. X s B(3; p); donde p es la probabilidad de
que un individuo sane en una semana de tratamiento.

La distribución binomial es también útil cuando se toman muestras de

una población …nita. Supongamos por ejemplo una población de N = 10000
personas, de las cuales M = 4000 son fumadores. Se toma una muestra
aleatoria de n = 50 personas; sea X la cantidad de fumadores en la mues-
tra. Entonces la distribución de la variable aleatoria X es aproximadamente
binomial con n = 50 y p = M=N = 0:4: Esto se puede aplicar en general
cuando el tamaño N de la población es “grande”.

Realice los ejercicios de 7 a 9

4.2 Distribución de Poisson

Una variable aleatoria que toma los valores 0; 1; 2; : : : se dice que tiene dis-
tribución de Poisson con parámetro > 0, (X s P ( )) si su función de
frecuencia está dada por:
k
f (k) = P (X = k) = e (k = 0; 1; 2; : : :)
k!
La distribución de Poisson sirve para modelizar el número Y de eventos
“raros” que ocurren en el tiempo o en el espacio. Por ejemplo el número de
partículas emitidas por una sustancia radiactiva en un intervalo de tiempo, el
número de accidentes industriales ocurridos en un período, el número de bac-
terias en un volumen de agua, el número de árboles de determinada especie
distribuidos aleatoriamente en un área, etc.
Algunos de esos ejemplos son procesos temporales, interesa conocer cuán-
tas veces ocurre un evento en un intervalo de tiempo; y otros son procesos

18
espaciales, interesa conocer cuántos “puntos ”hay en un volumen o un área.
Se denomina proceso temporal de Poisson cuando cumple las siguientes ca-
racterísticas:
Invariancia: Las condiciones no cambian en el tiempo.
Falta de memoria: Lo que sucede en el intervalo de tiempo [0; t) no in‡uye
en lo que suceda en el intervalo [t; t0 ) para t0 > t:
Sucesos aislados: La probabilidad de que en un intervalo de tiempo muy
corto ocurra más de una vez el evento, es despreciable comparada con la
probabilidad de que ocurra una o ninguna vez.
Para un proceso de este tipo, si Xt es la variable aleatoria que mide el
número de veces que ocurre el evento en un intervalo de tiempo de longi-
tud t, puede verse que Xt es una variable aleatoria discreta cuya función de
frecuencia está dada por:
k
ct (ct)
f (k) = e
k!
entonces Xt tiene distribución de Poisson con parámetro = ct , donde c es
una constante positiva que está relacionada con el tipo de proceso.

Las características de un proceso espacial de Poisson se pueden expresar

como:
Homogeneidad espacial: La probabilidad de que un punto esté en una
región dada, sólo depende del tamaño de esa región (área o volumen) y no
de su forma o posición.
No interacción: lo que ocurre en una región es independiente de lo que
ocurre en otra, si no se superponen.
La variable aleatoria Xa que mide el número de “puntos” en una región
de área o volumen a, tiene distribución de Poisson con parámetro = ca

Ejemplo 4.1 Suponga que estamos midiendo la emisión de partículas radi-

activas, y que este es un proceso de Poisson con tasa 6 por minuto. ¿ Cuál
es la probabilidad de que en un período de 1/2 minuto ocurran al menos dos
emisiones?

Si X es la variable aleatoria que mide el número de emisiones en 1/2

minuto, esta tiene distribución de Poisson con = 6 0:5 = 3.
P (X 2) = 1 P (X < 2) = 1 (P (X = 0) + P (X = 1)) =
0 1
= 1 e 3 ( 30! + 31! ) = 1 0:05(1 + 3) = 1 0:2 = 0:8

19
Ejemplo 4.2 La distribución de plantas de cierta especie en una zona sigue
un proceso de Poisson con una tasa de 6 plantas por metro cuadrado.¿ De
qué medida debe ser tomado el radio r de una región circular de muestreo
para que la probabilidad de hallar al menos una planta de esa especie en la
región de muestreo sea 0:99 ?

Si la región de muestreo es circular de radio r, el área de esa región es

a= r2 , y la variable aleatoria Xa que mide el número de plantas en esa
región tendrá distribución de Poisson con = 6 r2 , entonces

P (X > 0) = 1 P (X = 0) = 1 exp( 6 r2 ) 0:99

y despejando: r2 ln 0:01=6 =) r 0:4943

Aproximación de Poisson a la binomial En muchas aplicaciones

tratamos con una variable aleatoria con distribución binomial donde n es
grande y p es pequeña, en esos casos el cálculo de los números combinatorios
es sumamente engorroso, y es útil tener alguna aproximación al valor de la
probabilidad. Puede demostrarse que en ese caso:
k
n k
f (k) = p (1 p)n k
'e ; donde = np
k k!

esta aproximación es aceptable si p < 0:10

Ejemplo 4.3 Se sabe que el peso al nacimiento muy bajo (<1500gr), es

una de las causas de morbilidad infantil. Se conoce que en determinada
población el porcentaje de niños con muy bajo peso al nacimiento es de 1.2%.
Si consideramos los 200 nacimientos en un hospital de esa población, ¿cuál
es la probabilidad de que el número de recién nacidos con muy bajo peso en
ese grupo sea mayor de 3?

La variable aleatoria X que cuenta el número de niños con muy bajo

peso entre los 200 nacimientos, tiene distribución binomial donde n = 200 y
p = 0:012, y se puede aproximar con una Poisson con = 2:4
2 3
P (X > 3) = 1 P (X 3) ' 1 e 2:4 (1 + 2:4 + 2:4 2!
+ 2:4
3!
) = 1 0:7787 =
0:2213

Realice los ejercicios de 10 a 14

20
4.3 Algunas medidas resumen de una variable aleato-
ria discreta
El valor medio o esperado de una variable aleatoria X se indica con EX y es
un “promedio ponderado” de los valores que toma, cada valor con un peso
dado por su probabilidad. Más formalmente, se de…ne:
para una variable discreta con función de frecuencia f; es
X
EX = xf (x);
x

donde x recorre todos los valores que toma X:

El signi…cado intuitivo del valor medio es el siguiente: imaginemos que
el experimento se repite un gran número N de veces, y se toma el promedio
de los valores de X observados; entonces EX es el límite de esos promedios
cuando N ! 1:
Si X es una variable aleatoria y h es una función cualquiera, h(X) es una
variable aleatoria cuya media se calcula como:
para una variable aleatoria X discreta con función de frecuencia f
X
Eh(X) = h(x)f (x)
x

Una consecuencia inmediata es que el valor medio tiene la propiedad de

linealidad: si a; b son constantes

E(aX + b) = aEX + b: (9)

Para cualquier variable aleatoria X , se de…ne la varianza de X como

var(X) = E(X EX)2 = EX 2 (EX)2

Cumple para todo a; b constantes:

var(aX + b) = a2 var(X)

La desviación típica de X es también una medida de dispersión, de…nida

como p
dt(X) = var(X):

21
Cumple para todo a; b constantes:

dt(aX + b) = jaj dt(X): (10)

Si X es constante: X c; entonces

EX = c y dt(X) = 0:

2
Si X tiene media y varianza ; se deduce de (9) y (10) que la “variable
normalizada”
(X )
Z=
tiene media 0 y varianza 1. En efecto
1 1 1
EZ = E(X )= (EX E )= ( ) = 0;

1 1
dt(Z) = dt(X )= dt(X) = = 1:

Se puede probar que la media y varianza de una variable X con distribu-

ción binomial son
EX = np; var(X) = np(1 p): (11)
y la media y varianza de una variable X con distribución de Poisson son

EX = ; var(X) = (12)

El cuantil- de la variable X con función de distribución F es el número

x( ) tal que
F (x( )) = :
Los cuantiles para =0.50, 0.25 y 0.75 se llaman mediana y cuartiles de X:
El cuantil de — digamos— = 0:45 se suele llamar también el percentil
del 45%.

Realice el resto de los ejercicios.

22
 Práctica 2

1. Sea X una varable aleatoria que toma los valores f0; 1; 2; 3; 4g

(a) ¿Cuál de las siguientes tres funciones pi (x) es realmente una fun-
ción de frecuencia legítima para X, y por qué las otras no lo son?

x 0 1 2 3 4
p1 (x) 0; 3 0; 2 0; 1 0; 05 0; 05
p2 (x) 0; 4 0; 1 0; 1 0; 1 0; 3
p3 (x) 0; 2 0; 4 0; 2 0; 3 0; 1
p4 (x) 0; 4 0; 1 0; 2 0; 1 0; 3

(b) Para la función de frecuencia legítima de la parte a), calcule

P (2 X 4); P (X 2); P (X = 6 0)
(c) Si p(x) = c(5 x) para x = 0; 1; 2; 3; 4 es otra función de frecuencia
¿cuál es el valor de c?

2. Se lanzan tres monedas, sea X = número de caras observadas

(a) Calcular la función de frecuencia de la variable aleatoria X

(b) Calcular la función de distribución

3. Un llavero contiene cuatro llaves de una o…cina, que son idénticas en

apariencia. Sólo una abre la puerta de la o…cina. Supongamos que
se selecciona una al azar y se prueba. Si no es la llave adecuada se
selecciona al azar una de las tres llaves restantes. Si esta última no es
la llave que corresponda, se selecciona al azar una de las dos restantes.
Sea X igual al número de llaves que se tienen que probar hasta encontrar
la llave que abre la puerta. Encuentre la función de frecuencia de X,
¿cuál es la media?

4. Un equipo electrónico contiene 6 transistores dos de los cuales son de-

fectuosos. Se seleccionan tres transistores al azar, se sacan del equipo y
se inspeccionan. Sea X el número de defectuosos observados. Encuentre
la función de frecuencia.

23
5. Sea X una variable aleatoria cuya función de distribución está dada
por:
0 si x < 1
0; 30 si 1 x < 3
0; 40 si 3 x < 4
F (x) =
0; 45 si 4 x < 6
0; 60 si 6 x < 12
1 si x 12

(a) Calcular P (3 < X 6); P (X < 6); P (X 4)

(b) Calcular la función de frecuencia.

6. Un jugador lanza un dado corriente. Si sale 1, 2, 3 o 5 gana 50 pesos;

pero si sale 4 o 6, pierde 150 pesos. Determinar la función de frecuencia
de Y = ganancia del jugador y gra…que.

7. Un sistema para detectar incendios utiliza tres celdas sensibles a la tem-

peratura que actúan independientemente, tal que una o más pueden ac-
tivar la alarma. Cada celda tiene una probabilidad p = 0:8 de activar la
alarma al alcanzar una temperatura de 100o C o más. Sea Y el número
de celdas que activan la alarma cuando se alcanza una temperatua de
100 a C o más.

(a) Encuentre la función de frecuencia de Y

(b) Encuentre la probabilidad de que la alarma funcione cuando la
temperatura alcance los 100o C

8. Un examen con “multiple choice” está compuesto por 15 preguntas,

con 5 respuestas posibles cada una, de las cuales sólo una es correcta.
Supóngase que uno de los estudiantes que realiza el examen contesta
las preguntas al azar. ¿Cuál es la probabilidad de que conteste correc-
tamente al menos 10 preguntas?

9. Considere un grupo de 7 individuos elegidos de un población de 65 a 74

años de edad. Se conoce que la prevalencia de diabetes en la población
de esa edad es de 0; 125.

(a) ¿Cuál es la probabilidad de que exactamente 4 de los individuos

de la muestra padezca diabetes?

24
 (b) ¿Cuál es la probabilidad de que ninguno de los individuos de la
muestra padezca diabetes?
(c) ¿Cuál es el número esperado de diabéticos en la muestra?

10. El número de solicitudes de asistencia recibido por un servicio de re-

molque de vehículos es un proceso de Poisson con tasa c = 4 por hora.

(a) Calcule la probabilidad de que se reciban 10 solicitudes entre las

16 y las 17 hs.
(b) Si los operadores de las grúas se toman un descanso de 30 min.
¿Cuál es la probabilidad de que no se reciba ninguna llamada de
asistencia durante ese período?

11. Una compañía de seguros recibe un número medio de 3 reclamos por

día. Suponiendo que la distribución del número de reclamos por día es
Poisson,

(a) calcule la probabilidad de que en un día se reciban menos de 3

reclamos,
(b) calcule la probabilidad de que en un día se reciban 4 reclamos,
(c) calcule la probabilidad de que en 3 de los próximos 5 días, reciba
4 reclamos.

12. Se supone que el número de bacterias en el agua de un estanque es

una variable aleatoria X con distribución de Poisson con media de 0,5
bacterias por mm3

(a) ¿Cuál es la probabilidad de que en un mm3 de agua del estanque

no haya ninguna bacteria?
(b) En 4 tubos de ensayo se toman muestras de agua del estanque (1
mm3 de agua en cada tubo). ¿Qué distribución sigue la variable Y
= "n de tubos de ensayo, entre los 4, que no contienen bacterias"?.
Calcular, aproximadamente, P (Y 2).
(c) Si sabemos que en un tubo hay bacterias, ¿cuál es la probabilidad
de que haya menos de tres?

25
13. En cierta ciudad, hay un promedio de 375 parásitos de diversos tipo en
1000 litros de água corriente. ¿Cuál es la probabilidad de encontrar al
menos un parásito en 1 litro de água? Se supone que la distribución de
parásitos en el agua se puede modelizar como un proceso de Poisson.

14. Sea X la variable aleatoria que representa la cantidad de niños, en un

grupo de 2000, que mueren antes de cumplir el primer año de vida. En
determinada población la probabilidad de que un niño muera antes del
año es de 0; 0085

(a) Cuál es el número medio de niños en ese grupo que morirá antes
del año de vida?
(b) Cuál es la probabilidad de que a lo sumo 5 de esos niños mueran
antes del año de vida?
(c) Cuál es la probabilidad de que mueran entre 15 y 20 de esos niños
antes del año de vida?

15. Calcular las medias y varianzas de las variables aleatorias de…nidas en

los ejercicios (1) a (6). Respecto del ejercicio 6, este juego le parece
conveniente?

16. Sea X s B(n; p); ¿para que valores de p se maximiza la V (X)?

17. Consideremos una enfermedad que se detecta mediante una prueba san-
guínea (la suponemos exacta); y sea p la probabilidad de que un indi-
viduo tenga esa enfermedad. Se seleccionan n individuos para analizar.
Primero se toma una parte de cada muestra de sangre, se mezclan estas
muestras y se realiza una sola prueba. Si ninguno tiene la enfermedad
esta prueba da un resultado negativo y no es necesario hacer más análi-
sis. Si por lo menos un individuo tiene la enfermedad, la prueba de la
mezcla dará un resultado positivo, y en ese caso será necesario hacer
las n pruebas individuales.¿Cuál es el número esperado de pruebas uti-
lizando este procedimiento?

18. Gra…que las funciones de frecuencia de variables aleatorias con distribu-

ción de Poisson, para = 0; 5; = 1; 0; = 4; 0 y = 10; 0. (Utilizar
la tabla de probabilidades acumuladas).

26
19. Sean X e Y las variables aleatorias que cuentan el número de veces que
sale 1 y el número de veces que sale 6, respectivamente, en 5 tiradas de
un dado. Veri…car si X e Y son independientes.

20. Un contrato de compra estipula que el número de artículos efectuosos

no debe superar el 10%. Se recibe un gran lote de productos, para in-
speccionar la calidad se seleccionan al azar 10 artículos y se considera el
lote aceptable cuando hay a lo sumo 2 artículos defectuosos en la mues-
tra seleccionada. Estudiar como varía la probabilidad de aceptación del
lote cuando la proporción real de defectuosos es 0; 05; 0; 10; 0; 20; 0; 25

27