VARIABLES

ALEATORIAS

SUS

DISTRIBUCIONES DE PROBABILIDAD
OBJETIVOS

Definir variable aleatoria, variable aleatoria discreta.

Concepto de funcin de probabilidad y funcin acumulativa de probabilidad.
Comprender el concepto de valor esperado, varianza y desviacin estndar.
Tener claro el concepto y aplicacin de la distribucin binomial.

Se ha definido un experimento E como una accin que produce resultados y dichos resultados
conforman el espacio muestral

S. El inters

hasta aqu ha sido buscar la probabilidad de un

elemento o evento contenido en el espacio muestral, pero dicho espacio, es una coleccin
generalmente de elementos cualitativos y, por tanto, dificultan enormemente la posibilidad de
generalizacin. En esta unidad se pretende transformar los elementos de

S en nmeros reales

que faciliten su manejo y permitan dar un trato generalizado. Con este propsito se van a
definir los siguientes conceptos:

1.

Variable aleatoria: Sea E un experimento con un espacio muestral asociado a S. Sea

X una aplicacin sobre S, que asigna a cada s S un nmero real X (s). Bajo estas

caractersticas, se dice que X es una variable aleatoria.

Ejemplo:
Sea E el experimento que consiste en lanzar dos monedas, entonces su espacio muestral

S, sera:
S= {ss,sc,cs,cc}
Se define la variable aleatoria X como el nmero de caras obtenidas entonces,

X (ss) = 0, X (sc) = X (cs) = 1, X (cc) = 2

En una terminologa menos rigurosa, la variable aleatoria es la que cuenta, el nmero
de veces que se repite una determinada caracterstica en cada elemento del espacio

muestral. En el ejemplo anterior, la caracterstica de inters es cara, quiere decir que el

primer elemento de S es ss, entonces se cuentan las caras y resultan ceros caras, el
segundo elemento de S, es sc al contar cada cara resulta una e igualmente sucede los
mismo con el tercer elemento que es CS y, por ltimo, el cuarto elemento es cc y, por
tanto, al contar caras resulta 2. Por lo anterior, la variable X que cuenta caras da como
resultado:

X = {0, 1, 2}
Estos son valores que estn en el espacio de los reales.
1. Variable aleatoria discreta: Sea X una variable aleatoria, si el nmero posible de valores
de X, est contenido en un espacio finito, entonces se dice que X es una variable
aleatoria discreta. Por lo anterior, los valores de X se pueden listar como x1, x2,.. xn. El
ejemplo dado para ilustrar el concepto de variable aleatoria, que corresponde a una
variable aleatoria discreta, est definida en un espacio finito.
2. Funcin de probabilidad: Sea X una variable aleatoria discreta, si a cada xi, se le asigna
un nmero P xi, tal que

- P xi 0
-

=1
Entonces se dice que Px es la funcin de probabilidad de X. El conjunto de valores (Xi,
Pxi) usualmente se denomina distribucin de probabilidad.
De acuerdo con lo anterior, se dice que la funcin de probabilidad, Px, es la que
describe el comportamiento probabilstico de una variable aleatoria discreta.
Con el ejemplo que se trae del experimento de lanzar dos monedas se tiene:
S= {cuenta caras}
S= {ss, sc, cs, cc}
X = {0, 1, 2}

Px = {

P [x=0] = P(ss) =
P [x=1] = P(sc cs) =
P [x=2] = P(cc) =
Cuando x=0, contiene solo la imagen de ss, cuando x=1 contiene las imgenes de sc y
cs y cuando x=2, contiene las imgenes de cc, considerando que las monedas son
correctas, entonces sus resultados son equiprobables, es decir, todos tienen la misma
ya que solo uno de los cuatro posibles resultados del

probabilidad, as P [x=0] =

experimento tiene su imagen en cero y as se puede continuar para

P [x=1] =

, dos de los cuatro posibles resultados de

ltimo, P [x=2] =

S,

tiene su imagen en 1 y, por

porque solo uno de los cuatro posibles resultados tienen su

imagen en dos.

Ejemplo:
En una oficina trabajan tres ingenieros y dos contadores, se va a enviar a un curso a
dos de los trabajadores sea X el nmero de contadores seleccionados, hallar la
distribucin de la probabilidad de X.
Solucin:
El experimento E consiste en seleccionar al azar dos trabajadores de los cinco que
conforman el grupo.
El espacio muestral asociado

estar conformado por todos los posibles arreglos de

tamao dos que se puedan realizar con las cinco personas. En estos arreglos no se
tiene en mente el orden, por tanto, el total de arreglos es igual a las C 5,2 = 10.
Los posibles arreglos son los siguientes:

X = {nmero de contadores seleccionados}

X

Px

3/10

6/10

1/10

La funcin de probabilidad Px, se encuentra de la siguiente forma:

Los elementos del espacio muestral I1I2, I1,I3, I2I3

tienen su imagen en X=0,

considerando que son equiprobables los elementos de

S,

entonces la probabilidad

de X=0 es igual a la suma de las probabilidades de los elementos que tiene su

, hay seis elementos de

que tiene su imagen en 1,

y solo hay un elemento de

que tiene su imagen en 2,

imagen en cero, es decir

entonces P[ x = 1] =
entonces P[ x = 2] =

3. Funcin acumulativa de probabilidad.

Como su nombre lo indica, acumula la

probabilidad desde el primer valor de la variable hasta uno cualquiera de los otros
valores.
Se simboliza con P[X] = P[X<X0] =

x0

px
x =1

Ejemplo
Retomando el ejemplo anterior se tiene:
X

Px

3/10

6/10

1/10

La funcin acumulativa de probabilidad para este ejemplo quedara de la siguiente

forma:
P[X] = 0

para X < 0

P[X] = 3/10

X<1

P[X] = 9/10

X<2

P[X] = 1

X2

Como la variable no toma valores inferiores a cero, su probabilidad acumulada es cero y

como tampoco toma valores superiores a 2, su probabilidad para 2 ms es 1.
4. Valor esperado o esperanza matemtica. El valor esperado es el mismo promedio o
media. Se simboliza con E[X] =
E[X] =

x px =
i

Para continuar con el ejemplo anterior se tiene:

E[X] = (0)(3/10) + (1)(6/10) + (2)( 1/10) = 8/10 = 0.8
Lo anterior indica que si el experimento se repitiera por muchas veces, se esperara en
promedio seleccionar 0.8 contadores.
Ejemplo
En una rifa organizada a beneficio de una organizacin de caridad, se vendern
10.000 boletas a $5.000 cada una. El premio es un automvil que vale $30.000.000.
Si usted compra una boleta cul ser su ganancia esperada?

Solucin:
Su ganancia X toma dos posibles valores. Una prdida de $5.000 o una ganancia de $
29.995.000 con probabilidades de

9999/10000 y 1/10.000 respectivamente. La

distribucin de probabilidad sera la siguiente:

Xi

Px

XPx

-5.000

9.999/10.000

-49.995.000/10.000

29.995.000

1/10.000

29.995.000/10.000
-2.000

De acuerdo con lo anterior, E[X] = = -$2.000, espera tener una perdida de $2.000. Se
debe tener en cuenta que el valor esperado es el promedio de la poblacin, es decir, si
se realiza la rifa por un nmero muy grande de veces, se tendra un promedio de
perdidas de -$2.000.
El valor esperado tiene algunas propiedades, las ms importantes son las siguientes:

E[K] = K , el valor esperado de una constante es igual a la constante.

E[K + X] = K + E[X] , el valor esperado de una constante ms una variable es

igual a la constante ms el valor esperado de la variable.

E[KX] = KE[X] , el valor esperado de una constante por una variable, es igual a la
constante por el valor esperado de la variable.

6. Varianza y desviacin estndar. Si X es una variable aleatoria discreta con media , su

varianza
V[X] = 2 = E[(X )2] =

(x ) p = x
2

px 2

Y la desviacin estndar, ser la raz cuadrada positiva de la varianza, = 2

Empleando el ejemplo que se us para ilustrar el clculo del valor esperado se tiene:

Px

3/10

6/10

1/10

XPx

6/10

2/10

8/10

X2Px

6/10

4/10

10/10

2 =

.36 = 0.6

px 2 = 10/10 (8/10)2 = 0.36

La varianza tiene varias propiedades de las cuales se van a destacar las siguientes:

V[X] 0

La varianza siempre es positiva.

V[K] = 0

La varianza de una constante es igual cero.

V[K+X] = V[X]

La varianza de una constante ms una variable es igual a la

varianza de la variable.

V[KX] = k2V[X]

La varianza de una constante por una variable es igual a la

constante al cuadrado por la varianza de la variable.

Ejemplo
Un ingeniero est interesado en estimar el costo total de un proyecto para el que
pretende presentar una propuesta. Estima que los materiales costarn $25.000 y su
trabajo $900 el da. Si la duracin del proyecto es X das, el costo de sus honorarios
ser de $900(X) y el costo total del proyecto sera:
C = 25.000 + 900X
El ingeniero, por su experiencia, estima la duracin probable del proyecto segn la
siguiente tabla:
Duracin X das

10

11

12

13

14

Probabilidad

0.1

0.3

0.3

0.2

0.1

a) Hallar la media y la varianza de la duracin, X

b) Hallar la media, la varianza y la desviacin estndar (o desviacin tpica) del costo
total C.
Solucin:
a)

= E[X] =

xp

= (10)(0.1) + (11)(0.3) + (12)(0.3) + (13)(0.2) + (14)(0.1) = 11.9

das
2= x 2 px 2

2 = (102 ) ( 0.1) + (112 ) ( 0.3) + (122 ) ( 0.3) + (132 ) ( 0.2 ) + (142 ) ( 0.1) 11.92 = 1.29 La
varianza es de 1.29 das cuadrados.
b)

La media, la varianza y la desviacin estndar del costo seran aplicando las

propiedades dadas:
La media del costo es:

c = E[25.000 + 900 x] = 25.000 + 900 x

c =
25.000 + ( 900 )(11.9 ) =
35.710

La varianza del costo

2
=
V [25.000 + 900 x=
] 9002 x2
c

=
c2

810.000 )(1.29 )
(=

1.044.900

La desviacin estndar o tpica

=
c

=
c2 1.022, 20

DISTRIBUCIN BINOMIAL
Sea E un experimento que produce solamente dos resultados A y con p(A) = p y P () = 1-p,
sea X una variable aleatoria que cuenta con el nmero de veces que A aparece en las n
repeticiones del experimento, entonces bajos estas caractersticas de dice que X tiene una
distribucin binomial o que est distribuida binomialmente con parmetros n y p.
En smbolos X b (n,p)
Por tanto, para que X tenga distribucin binomial, se debe de originar en un experimento
que solo produzca dos posibles resultados, y que sus n repeticiones sean independientes o
lo que es lo mismo la probabilidad de xito (de A) sea constante para cualquier nmero de
repeticiones del experimento.
Si X tiene distribucin binomial la funcin de probabilidad ser:

En donde:
n= nmero de repeticiones independientes del experimento
r= es un valor particular de X
Las combinaciones de n elementos tomados de r en r
p= probabilidad de xito
1-p = probabilidad de no xito

Se habla de probabilidad de xito como la probabilidad de ocurrencia de un de los dos posibles

resultados del experimento, el de nuestro inters, por tanto el otro resultado no xito
tendr la probabilidad de 1-p.
Ejemplo:
El 20 % de los vuelos nacionales presentan atrasos en sus itinerarios, si se selecciona 3 vuelos
nacionales al azar cul es la probabilidad que ninguno de los tres presente retrasos?
En este caso se puede identificar el experimento como seleccionar un vuelo nacional al azar.
Este experimento produce solo dos resultados: el vuelo presenta retrasos o no presenta
retrasos. La probabilidad que presente retrasos es de 0.2 y, por tanto, que no represente
retrasos de 0.8. El experimento se repite por tres veces en forma independiente ya que se
seleccionan tres vuelos y es de suponer que el resultado de cada uno de los vuelos no tiene
que ver con los dems. Sea X la variable que cuenta el nmero de vuelos seleccionados que
llegan con retrasos, entonces X sigue una distribucin binomial con parmetros n=3 y p=
0.2

X b (3, 0,2).

P [X=0] es decir que ningn vuelo llegue con retraso es:

P [X=0] =

0.20 0.83 = 0.512

De idntica forma se puede calcular la probabilidad que X tome los valores 1,2 o 3 es decir que
slo uno llegue con retraso, o 2 o 3 lleguen con retraso.
Los resultados seran:
X
Px

0.512 0.384 0.096 0.008

Todos los Px son positivos y suman 1.

Si X tiene una distribucin binomial, entonces:
E[x] = = np
Con el ejemplo anterior
E[x] = 3x0.2 = 0.6 =
V[x] = 3x0.2x0.8 = 0.48 = 2

V[x] =2 = np (1-p)

Ejemplo:
Un vendedor ha establecido, de acuerdo con sus registros de ventas, que de cada 5 visitas
que realiza, efecta dos ventas, cul es la probabilidad de que en las 8 prximas visitas
que realice, efectu:
a) 5 ventas
b) Al menos 2 ventas
c) Mximo 3 ventas
d) Cuntas ventas espera realizar?
e) Cul es la varianza y la desviacin estndar del nmero de ventas?
Solucin:
Como de cada 5 visitas efecta 2 ventas, entonces la probabilidad que realice una venta es p =
2/5 = 0.4. Entonces la variable X que cuenta el nmero de ventas que efecta en las 8
prximas visitas, sigue una distribucin binomial, X b (8, 0.4).

a) P [X=5] =

0.45 0.63 = 0.1239

b) P [X2] = 1- P [ X<2]
= 1- [P [ X= 0] + P [ X= 1]]
=

0.40 0.68 +

0.41 0.67

= 1- [0.0168+ 0.0896]
= 0.8936
Esta pregunta se ha resuelto aplicando la regla del complemento, ya que es ms corto aplicar
este procedimiento.

c) P [X3] =
= 0.0168 + 0.0896 + 0.2090 + 0.2787
= 0.5941
La anterior simbologa indica que se deben sumar los resultados de la expresin para cuando r
vale cero, uno, dos y tres.

d) E[X] = np = 8x 0.4 = 3.2

Es decir, espera realizar 3.2 ventas, en promedio, har en promedio 3.2 ventas.
e) V[X] = 2 = 8X0.4X0.6 = 1.92
==

= 1.3856

A manera de resumen de la distribucin binomial, se puede decir que una variable aleatoria
sigue una distribucin binomial, cuando procede de un experimento que solo puede dar dos
posibles resultados y las n repeticiones del mismo son independientes.
X b (n, p)
P [x=r] =

pr (1-p)n-r

=1
E[X] = np =
V[x] = np (1-p) = 2