Parte II

Teoría de la Probabilidad
Tema 3: Las variables aleatorias
discretas
Eva Romero Ramos
eva.romero@uem.es
Universidad Europea de Madrid
 1. Concepto de Variable Aleatoria
Ejemplo 1.-
Arrojamos una moneda 5 veces y sale c++c+. En muchos casos
nos interesa el número de caras que ha salido y no la
secuencia exacta. Por eso hacemos, {cara}=1 y {cruz}=0, y
decimos que el número de caras ha sido 4. Es decir, asignamos
valores numéricos a los sucesos, con lo cual el manejo
matemático es más sencillo.
Una variable aleatoria es una cantidad variable cuyos valores
dependen del azar y para la cual existe una distribución de
probabilidad.
Una función de una o varias variables aleatorias es a su vez
variable aleatoria.
 Función de distribución
Una variable aleatoria queda definida cuando conocemos su campo de
variación y el conjunto de probabilidades con que toma valores en ese
campo.

Si la variable aleatoria X está definida en el intervalo S, diremos que

P( X x) F ( x) si X S . F(x) recibe el nombre de función de distribución
y proporciona la cantidad de probabilidad que hay en el punto x y a su
izquierda, hasta el extremo inferior del campo de variación de la variable.

Por su definición no puede ser negativa, al ser una probabilidad, ni

decreciente, pues es acumulativa. Además, por ser una probabilidad, está
acotada: 0 F ( x) 1 .
 Propiedades de la Función de
Distribución
• 1. F ( ) 0; F ( ) 1.

• 2. P( x1 X x2 ) F ( x2 ) F ( x1 )

• 3. La función es monótona no decreciente, es decir que

F ( x1 ) F ( x2 ) cuando x1 x2.
2. Distribución de probabilidad para
v.a. discretas
Una variables aleatoria es de tipo discreto cuando su campo de
variación se compone de un número finito o numerable de puntos
(llamados puntos de salto), existiendo en ellos probabilidad positiva
de ocurrir.
La cantidad de probabilidad recibe el nombre de función de cuantía
de la variable aleatoria y la designamos de la siguiente forma:
P(X=xi)=pi, siendo el campo de variación de la variable el conjunto
de puntos para los cuales P(X=xi)>0.

La suma de todas las probabilidades debe ser igual a la unidad, es

decir:
P( X xi ) pi 1
i 1 i 1

La función de distribución es igual a

F(x) P(X x) P( X xi)
xi x
Ejemplo 2.- En un dado trucado la variable aleatoria puntuación
tiene la siguiente distribución de probabilidad:
Función de Cuantía
xi 1 2 3 4 5 6
P(X=xi) 0.10 0.40 0.10 0.20 0.05 0.15
Calcular la función de distribución. 0 x 1
0.10 1 x<2
0.50 2 x<3
F ( x) 0.60 3 x<4
0.80 4 x<5
0.85 5 x<6
1 x 6
Ejemplo 3.- Considérese un dado no trucado. Hállese para la variable
aleatoria X “puntuación obtenida al lanzar el dado”:
a) Función de cuantía.
Función de Cuantía
xi 1 2 3 4 5 6
P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6

b) Función de distribución. 0 x 1
1 1 x<2
6
2 2 x<3
6
F ( x) 3 3 x<4
6
4 4 x<5
6
5 5 x<6
6
1 x 6
Ejemplo 3.-
a) Las siguientes probabilidades: P(X=3), P(X≥3), P(X<3),
P(4<X<5), P(3<X≤5), P(1≤X<4) y P(1≤X≤4)

P(X=3)=1/6

P(X≥3)=1-F(3)+P(X=3)=1-3/6+1/6=4/6

P(X<3)=F(3)-P(X=3)=3/6-1/6=2/6

P(4<X<5)=F(5)-F(4)-P(X=5)=5/6-4/6-1/6=0

P(3<X≤5)=F(5)-F(3)=5/6-3/6=2/6

P(1≤X<4)=F(4)-F(1)-P(X=4)+P(X=1)=4/6-1/6-1/6+1/6=3/6

P(1≤X≤4)=F(4)-F(1)+P(X=1)=4/6-1/6+1/6=4/6
 3. Esperanza de v.a. discreta

E( X ) xi pi
i

Ejemplo 4.-
Una variable aleatoria puede tomar los valores 1,2 y 3 con
probabilidades 0’20; 0’30 y 0’50 respectivamente.
Calcule su esperanza matemática.

E( X ) xi pi 1·0, 2 2·0,3 3·0,5 2,3

i
 Esperanza matemática
 La esperanza se puede interpretar como el valor medio de la
distribución teórica de probabilidades del fenómeno
estudiado

 Dicho de otra manera, es el valor hacia el que tendería la

media aritmética si el número de observaciones fuera
suficientemente grande.

 ►Por tanto: NO CONFUNDIR la esperanza matemática (que es

un valor teórico) con la media aritmética de un conjunto de
datos observados.
 Propiedades de la Esperanza
matemática
1. E(a)=a
2. E(X1 ± X2 ± …. ± Xn)= E(X1) ± E(X2) ± … ±(E Xn)
3. E(X1·X2·….·Xn)=E(X1)·E(X2)·…·E(Xn) si y sólo si las v.a. son
independientes .
4. Si representamos E(X)=µ, entonces: E(X-µ)=0.
Por esta propiedad se dice que la esperanza es el centro de
gravedad de la distribución.
5. E(X+a)=E(X)+a.
6. E(bX)=b·E(X)
► Utilizando las propiedades 6 y 7 concluimos que:
Si Y=a+ bX se cumplirá que: E(Y)=a+bE(X).
 Varianza
2 2 2 2
V (X ) 2 E( X ) E( X ) .
Si V(X) es pequeña, la esperanza será representativa del
conjunto de valores de la distribución y la dispersión será
pequeña.
En distribuciones de probabilidad discretas:

n 2 n n 2

V (X ) xi x pi xi 2 pi xi pi
i 1 i 1 i 1
 Propiedades de la Varianza
2
1. V ( X ) 0
2 2 2 2
2. V ( X ) 2 2 1 E ( X ) .
3. Varianza de la suma de variables aleatorias, caso general:
V(X+Y)=V(X)+V(Y)+2Cov(X;Y)
V(X-Y)=V(X)+V(Y)-2Cov(X;Y)
Donde Cov(X;Y) es la covarianza de las v.a. X e Y
Su signo indica el sentido de la relación que pueda existir entre esas
variables aleatorias.
Si la covarianza es positiva significa que cuando la variable X se
incrementa positivamente también lo hace la variable Y y viceversa,
y cuando una decrezca, la otra también decrecerá. Por el contrario,
si es negativa, cuando una variable crece la otra decrece.
 Propiedades de la Varianza
4. Varianza de la suma de variables aleatorias, casos particulares:
 Si la covarianza es nula:
Cov(X;Y)=0  V(X+Y)=V(X)+V(Y)
V(X-Y)=V(X)+V(Y)
 Si las variables son estadísticamente independientes:
La independencia estadística entre v.a. implica que Cov(X;Y)=0, por
tanto, se cumple el anterior punto. Sin embargo, una Cov(X;Y)=0 no
implica necesariamente independencia entre X e Y.
5. V(X a)=V(X)
6. V(bX)=b2V(X)
►V(-X)=V(X)
►V(a+bX)=b2V(X)
Ejemplo 5.- Considérese un dado no trucado. Hállese la esperanza y la
varianza para la variable aleatoria X “puntuación obtenida al lanzar
el dado”.
Función de Cuantía
xi 1 2 3 4 5 6
P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6

1 1 1 1 1 1
E( X ) xi pi 1· 2· 3· 4· 5· 6· 3,5
i 6 6 6 6 6 6
n
2 2 2 1 2 1 2 1
V (X ) xi pi E x 1· 2 · 3·
i 1 6 6 6
2 1 2 1 2 1
4 · 5 · 6 · 3,52 15,16 12, 25 2,92
6 6 6
 Desviación Típica o estándar
VAR( x)

 Su utilidad radica en el hecho de estar expresada en las mismas

unidades de medida que la esperanza de la v.a., lo que facilita la
valoración de la dispersión que mide.

Ejemplo 6.- Considere un dado no trucado y calcule la desviación

típica para la variable aleatoria X “puntuación obtenida al lanzar el
dado”.

V (X ) 2,92 1, 71
 Propiedades de la desviación
Típica o estándar
1. ≥0 por definición
2. (C)=0
3. 2 1
2

4. Si las variables X e Y son independientes, entonces

X Y V ( X ) V (Y )

5. X a X

6. bX b X
 5. Distribuciones de Probabilidad
 Vamos a estudiar modelos de distribuciones de probabilidad que
pueden representar el comportamiento teórico de diferentes
fenómenos aleatorios que aparecen en el mundo real, con el
objetivo de explicar y predecir estos fenómenos.

 Analizaremos los modelos que subyacen más frecuentemente en

los fenómenos aleatorios, comenzando por aquellos donde la v.a.
sea de tipo discreto.
 Distribución Binomial (0,1) o de
Bernoulli [B(p) ó B(0,1)]
 Se aplica a procesos de carácter dicotómico, donde sólo existen dos
sucesos posibles y, por consiguiente complementarios; como
situaciones de éxito o fracaso.
 Ocurre un resultado o el otro, pero sólo puede ocurrir uno de los
dos.
 Ejemplos:
 Se lanza una moneda al aire: puede salir cara o cruz.
 Se lanza un dado al aire y estamos interesados en que salga un 5: puede salir
un 5 o no.
 En un proceso productivo, una pieza puede ser defectuosa o no.
 Un ciudadano puede votar a un partido político o no.
 Un estudiante de Estadística puede aprobar o no.
 Un acusado de un crimen puede resultar absuelto o condenado.
 Distribución Binomial (0,1) o de
Bernoulli [B(p) ó B(0,1)]
 Llamaremos a las dos alternativas: A (1) y A* (0).
 Campo de variación: X = {0, 1}
 P(A)=P(X=1)=p y P(A*)= P(X=0)=q=1-p
 Función de cuantía: P( X x) p x q 1 x para x=0 y x=1.

0 x 0
 Función de distribución:
F ( x) q 0 x 1
2
1 x 1
E( X ) xi pi p
i 1

2
2 2
V (X ) E( X ) E( X ) xi2 pi p2 p q
i 1
 Distribución Binomial (0,1) o de
Bernoulli [B(p) ó B(0,1)]
Ejemplo 10.- La probabilidad de que un individuo se contagie de gripe
es 0,3. Determínese la media y varianza de esta variable y la
probabilidad de que no se contagie.

X Bernouilli(0,3)

E ( X ) p 0,3
Var ( X ) pq 0,3·0, 7 0, 21
 Distribución Binomial (n,p)
 Describe situaciones que se presentan si un mismo suceso
dicotómico se observa o se repite n veces, y si los posibles
resultados en cada ocasión son independientes de los que puedan
lograrse en las demás.
 La variable aleatoria nos dará el número de veces que se presenta
la posibilidad A cuando repetimos el experimento n veces.
 Ejemplos:
 Se lanza 7 veces una moneda y nos interesa el número de caras que
obtenemos.
 Se lanza 10 veces un dado y nos interesa el número de 5 que salen.
 Tenemos 20 estudiantes en clase de estadística y nos interesa el número de
aprobados.
 Distribución Binomial (n,p)
 La distribución Binomial (n;p) se forma como suma de n v.a.
Bernoulli independientes entre sí. Es decir:
X=X1+X2+...+Xn
donde: X i iid B (1; p )
 Campo de variación: X 0,1,2,..., n
 Función de cuantía: P( X x) n x n x
p q
x
E( X ) np
PROPIEDAD:
V ( X ) npq La suma de dos v.a. binomiales
independientes es otra v.a. binomial.
Y X1 X2 B(n1 n2 ; p)
siendo: X 1 B(n1; p) y X 2 B(n2 ; p)
 Distribución Binomial (n,p)
Ejemplo 11.- La probabilidad de que un alumno que empieza sus
estudios acabe su carrera es 30%. Si en un curso se encuentran 10
alumnos, ¿cuál es la probabilidad de que acaben 2?

X Binomial (10;0,3)

10 10!
P( X 2) 0,32 ·0, 710 2
·0,32 ·0, 78 0, 23
2 2!· 10 2 !
 Distribución Binomial (n,p)
Ejemplo 12.- En el proceso de fabricación de un producto, la
probabilidad de que un elemento sea defectuoso es 0,12. El
producto se vende en lotes de 50 unidades. Calcúlense, en un lote,
las probabilidades de los sucesos siguientes:
(a) Ningún elemento defectuoso.

X Binomial (50;0,12)
50 50!
P( X 0) 0,120 ·0,8850 ·0,120 ·0,8850 0, 001675
0 0!· 50 0 !
(b) Diez elementos defectuosos.
50 50!
P( X 10) 0,1210 ·0,8850 10
·0,1210 ·0,8840 0, 038
10 10!· 50 10 !
 Distribución Binomial (n,p)
(c) El número de elementos defectuosos está comprendido
entre 25 y 26, ambos incluidos.

P(25 X 26) P X 25 P X 26
11 12 11
4,94·10 6, 47·10 5,58·10

50
P( X 25) 0,1225 ·0,8850 25
4,94·10 11

25

50
P( X 26) 0,1226 ·0,8824 6, 47·10 12

26
 Distribución de Poisson (λ)
 En su origen, esta distribución se ha determinado como límite de la
B(n; p) en el caso que n→∞ y p tendiera a cero, pero luego se vio
que podía aplicarse a fenómenos aleatorios concretos.
 Actualmente se utiliza para modelizar situaciones como:
 El número de llamadas que se reciben, en un intervalo de tiempo dado, en
una centralita de teléfonos.
 La probabilidad de que en una cartera de una Compañía de Seguros se
presenten simultáneamente muchos siniestros a la vez.
 El número de clientes que entran en el Banco durante un Periodo de tiempo
determinado.
 El parámetro será el número medio de llamadas durante el
período de tiempo determinado. Debe tomar siempre un valor
positivo.
 Distribución de Poisson (λ)
 Campo de Variación: x={0,1,2,…}
 Función de cuantía: P( X x) e x
E(X )
x!
V (X )
 Propiedades:
 La suma de variables aleatorias Poisson independientes es también
n
una v.a. Poisson. Y X X ... X Poisson .
1 2 n j
j 1

donde X j Poisson( j )
 Si X1 y X2 son v.a. Poisson independientes con parámetros 1 y 2,
la distribución de la variable X1 condicionada a la variable suma
X1+X2 es una distribución binomial.
1
X1 / X1 X2 B( X 1 X 2; )
1 2
 Distribución de Poisson (λ)
Ejemplo 13.- El número medio de llamadas telefónicas que se reciben
en una centralita en cada minuto es de 2. Determínese la
probabilidad que se reciban más de 5 llamadas en un minuto.

X Poisson(2)

5
e 2 2i
P( X 5) 1 P( X 5) 1 0,9834 0, 0166
i 0 i!