1 VARIABLES ALEATORIAS DISCRETAS

1. Variables aleatorias discretas

Ya vimos que una V.A. es una funcion definida sobre el espacio muestral que toma valores
numericos. Cuando los valores observados de la V.A. pueden ser un numero
finito o 8 numerables
de valores hablamos de V.A. discreta.
1 Una variable aleatoria Y se dice discreta si puede tomar solo un numero
Definicion finito o infinito
numerable de valores distintos.
Ejemplos de este tipo de variables son: la cantidad de bacterias en una unidad de control, el
numero
de lamparitas defectuosas de un lote de 100.
Las observaciones muestrales suelen estar dadas por observaciones de V.A.. Hay algunas V.A. que
aparecen con mucha frecuencia en la practica, es por ello que el util
conocer la probabilidad para
los distintos valores que puede asumir una V.A. discreta conocida.

1.1. Distribuciones de probabilidad de una V.A.

Notaremos con mayusculas
X, Y, las V.A. y con minusculas
x, y los valores que puede asumir
dicha variable aleatoria.
Por ejemplo definamos Y como el valor que puede obtenerse al arrojar un dado, una vez arrojado
el dado el valor obtenido lo notamos y.
Y es aleatorio mientras que y no lo es.
pY yq se lee como el conjunto de los puntos de S tales que la variable aleatoria Y
La expresion
le asigna el valor y. Entonces ahora tiene sentido hablar de PpY yq.
2 La probabilidad de que Y tome el valor y, PpY yq, se define como la suma de las probabili-
Definicion
dades de todos los puntos muestrales de S que tienen asignado el valor y.

Algunas veces se nota PpY yq como ppyq. Notese

que ppyq es una funcion
que asigna probabili-
dades a cada valor de y por eso a veces se la denomina funcion
de probabilidades de Y.

Definicion 3 La distribucion de probabilidad para una variable aleatoria discreta Y se puede representar
por una formula, una tabla o una grafica que indique las probabilidades ppyq correspondientes a cada uno
de los valores de y.

Nota 1 ppyq 0, @y pero si no es asigna una probabilidad estrictamente positiva para algun
valor de y se
entiende que ppyq 0.

Ejemplo 1 Un capataz cuenta con 3 hombres y 3 mujeres bajo su mando. Desea elegir 2 trabajadores al azar
para una tarea. Sea Y la v.a. que representa el numero
de mujeres en su seleccion. Encontrar la distribucion
de probabilidad de Y.

Solucion: Elegir 2 en 6 hay 62 2!6!4! 15 maneras distintas. El espacio muestral S contiene 15

`

puntos muestrales con igual probabilidad.

1
PpEi q , i 1, , 15.
15
Los valores de Y con probabilidad distinta de cero son 0, 1 y 2. Luego existen 30 32 3 formas de
` `

seleccionar Y 0 mujeres (el numero

de maneras de seleccionar 0 mujeres de 3 multiplicado por
la cantidad de maneras de elegir 2 hombres entre 3).
Existen 3 puntos muestrales a los que se le asigna el valor Y 0, de modo que se tiene

pp0q PpY 0q 30 32 15
` ` 1 3
15 15
pp1q PpY 1q 31 31 15
` ` 1 1
3 3 15 35
pp2q PpY 2q 32 30 15 15 .
` ` 1 1
3 1 15

EMM (2014) E.M.Mancinelli - V.Vansteenkiste 1

1.1 Distribuciones de probabilidad de una V.A. 1 VARIABLES ALEATORIAS DISCRETAS

Si queremos expresar esto a traves de una formula

tendramos
`3` 3
y 3y
ppyq .
15
{{

Teorema 1 Para cualquier distribucion de probabilidad de una variable aleatoria discreta, debe cumplirse
lo siguiente:
1q 0 ppyq 1@y,
2q ppyq 1, donde la sumatoria se realiza sobre todos los valores de y con probabilidad distinta de 0.
y

Como se menciono en reiteradas oportunidades, lo que se obtiene en este caso es un modelo,

es decir las distribuciones de probabilidad son un modelo y no una verdadera distribucion de
frecuencias de una poblacion. Es decir que la distribucion de probabilidad para una variable
aleatoria es un modelo teorico
para la distribucion
emprica de datos asociados a una poblacion
real.
Si el modelo es una representacion exacta de la realidad, las distribuciones teoricas
y empricas son
equivalentes, por lo tanto tiene sentido intentar encontrar la media y la varianza para una variable
aleatoria y as obtener medidas descriptivas para al distribucion de probabilidad ppyq.
4 Sea Y una variable aleatoria discreta con funcion de probablidad ppyq. Entonces el valor
Definicion
esperado de Y o esperanzade Y , notada como EpYq esta definida por

EpYq yppyq.
y

Nota 2 Este valor existe si la serie es convergente y esto se obtiene si

EpYq |y| ppyq 8.
y

Esta convergencia se cumplira para todos los casos que vamos a utilizar.
Si ppyq es exactamente la distribucion
de frecuencias de la poblacion se tiene que EpYq .
Hay veces en las que se necesita calcular la esperanza no de una variable aleatoria, sino de una
funcion
de dicha variable, por ejemplo si pensamos en la varianza recordamos que es la media del
cuadrado de las desviaciones es decir pY q2 , por lo tanto se necesita el siguiente resultado
Teorema 2 Sea Y una variable aleatoria discreta con funcion de probabilidad ppyq, y sea gpyq una funcion
a valores reales de y. Entonces la esperanza de la variable aleatoria gpYq esta dada por

ErgpYqs gpyqppyq.
y

Demos: Supongamos que Y asume un numero finito de valores, sean y1 , , yn y que gpYq asume
los valores g1 , , gm , con m n. As resulta gpYq una variable aleatoria tal que

PrgpYq gi s ppy j q p pgi q.
y j : gpy j qgi

Usando la definicion
de esperanza se tiene que
m
m
m
n

ErgpYqs
gi p pgi q gi ppy j q gi ppy j q gpy j q ppy j q,
i1 i1 y j : gpy j qgi i1 y j : gpy j qgi j1

como queramos ver.

2 E.M.Mancinelli - V.Vansteenkiste EMM (2014)

1 VARIABLES ALEATORIAS DISCRETAS 1.2 Distribucion
de probabilidad binomial

Definicion 5 La varianza de una variable aleatoria Y se define como el valor esperado de la variable
aleatoria pY q2 . Es decir
2 VpYq ErpY q2 s.

estandar
La desviacion de Y, , es la raz cuadrada positiva de la varianza de Y.

Para calcular la esperanza y varianza de una variable aleatoria con distribuciones conocidas es
conveniente manejar algunas herramientas dadas en el siguiente teorema-

Teorema 3 Sea Y una variable aleatoria discreta con distribucion de probabilidad ppyq. Entonces se verifica:
iq Sea c una constante real, entonces Epcq c.
iiq Sea gpYq una funcion a valores reales de la variable aleatoria Y y sea c una constante, entonces

ErcgpYqs cErgpYqs.

iiiq Sean g1 pYq, , gk pYq funciones reales de la variable aleatoria Y, entonces

Erg1 pYq ` ` gk pYqs Erg1 pYqs ` ` Ergk pYqs.

ivq VpYq 2 ErpY q2 s ErY2 s 2 .

Demos: iq Epcq

cppyq c ppyq c.
y y
iiq y iiq inmediatos usando definicion
de esperanza.
ivq ErpY q s ErY 2Y ` 2 s ErY2 s ` Er2Ys ` Er2 s ErY2 s 2ErYs 2
2 2 2

ErY2 s 2 .

Veremos a continuacion algunos ejemplos especficos de variables aleatorias, detallando las

formulas
para sus distribuciones de probabilidad, sus medias y sus varianzas.

1.2. Distribucion
de probabilidad binomial
Existen experimentos que consisten en la observacion
de una serie de pruebas identicas e
independientes que pueden tener uno de dos resultados posibles. Por ejemplo, un artculo esta
bueno o defectuoso, cada una de n personas entrevistadas puede estar a favor o no de un cierto
candidato.

6 Un experimento binomial es aquel que tiene las siguientes caractersticas:

Definicion

1. Consta de n pruebas identicas,

2. Cada prueba tiene dos resultados posibles. Se los llama a uno e xito y al otro fracaso

3. La probabilidad de tener un exito en una sola prueba es igual a p y permanece constante de una prueba
a la otra. La probabilidad de un fracaso es q 1 p.

4. Las pruebas son independientes.

5. La variable aleatoria bajo estudio es Y, el numero

de exitos observados en n pruebas.

Ejemplo 2 Supongamos que el 40 % de una gran poblacion es votantes esta a favor del candidato Fulano.
se toma una muestra aleatoria de n 10 votantes y se observa Y: cantidad que favorecen a Fulano. Es este
un experimento binomial?

EMM (2014) E.M.Mancinelli - V.Vansteenkiste 3

1.2 Distribucion
de probabilidad binomial 1 VARIABLES ALEATORIAS DISCRETAS

Solucion: La eleccion
de las personas es aleatoria de modo que podemos considerar que tenemos
10 pruebas identicas, con resultados a favor (E) o en contra (F). La proba de estar a favor es de 0,40,
es la misma para cada prueba ya que la poblacion es mucho mayor que el tamano de la muestra
que es de 10. Finalmente la variable aleatoria de interes Y esta dada por la cantidad de e xitos en n
pruebas. {{

Calculemos la probabilidad de una n-upla cualquiera, podemos suponer que en ella tenemos y
e xitos y n y fracasos, luego la probabilidad de esa n-upla sera
p p p1 pq p1 pq p y p1 pqny .
y veces ny veces
`n
Se pueden tener y n-uplas con y e xitos y n y fracasos, luego la probabilidad de observar y e xitos
y n y fracasos sera
n y
p p1 pqny .
y

Definicion 7 Una variable aleatoria Y tiene una distribucion binomial, basada en n pruebas, con proba-
bilidad de exito p si y solo si

n y
ppyq p p1 pqny , y 0, 1, , n; 0 p 1.
y
Nota 3 Los puntos muestrales no son equiprobables.
La expresion binomial proviene del hecho que las probabilidades ppyq, y 0, , n son los terminos del
desarrollo del binomio
n
n y ny
n
pp ` qq p q ,
y0
y

ademas ppyq satisface las propiedades necesarias para una funcion de probabilidades, a saber:
1. 0 ppyq, y 0, 1, 2, , n,
n `
n
p y qny pp ` qqn 1

2. ppyq y
y y0

Ejemplo 3 Por experiencia se demuestra que el 30 % de todas las personas que padecen una cierta enferme-
dad se recuperan. Se desarrollo un nuevo tratamiento. Se seleccionan al azar 10 personas con la enfermedad
en cuestion y se les administra el tratamiento, poco tiempo despues 9 de dichos individuos se recuperan.
Supongase que el tratamiento es completamente ineficaz Cual es la probabilidad de que al menos 9 de 10
personas se recuperen?.

Solucion: Consideremos la variable aleatoria Y: cantidad de personas que se recuperan. Si el tra-

tamiento no funciona, la probabilidad que un enfermo se recupere naturalmente es de p 03, el
numero
de pruebas es n 10.

10
PpY 9q pp9q p0,3q9 p0,7q 0,000138
9

10
PpY 10q pp10q p0,3q10 p0,7q0 0,000006
10
PpY 9q pp9q ` pp10q 0,000138 ` 0,000006 0,000144
Podemos concluir que la probabilidad es muy pequena, entonces o estamos en presencia de un
evento muy raro o bien el tratamiento es util
para la recuperacion
de la enfermedad. {{

4 E.M.Mancinelli - V.Vansteenkiste EMM (2014)

1 VARIABLES ALEATORIAS DISCRETAS 1.2 Distribucion
de probabilidad binomial

Teorema 4 Sea Y una variable aleatoria binomial basada en n pruebas y con una probabilidad de exito dada
por p. Entonces
EpYq np, 2 VpYq npq.

Demos: Segun
la definicion
de esperanza se tiene que
n n
n y ny n y ny
EpYq yppyq y p q y p q ,
y y0
y y1
y

pues el primer termino es 0. Simplificando y sacando factor comun

se tiene que
n n
n! y ny
pn 1q!
p q np p y1 qny .
y1
pn yq!py 1q! y1
pn yq!py 1q!

Llamando z y 1 podemos reescribir lo anterior como

n1 n1
n 1
pn 1q!
np z nz1
pq pz qn1z .
z0
pn z 1q!z! z0
z

Esta ultima
expresion
dentrode la sumatoria es la funcion
de probabilidad binomial basada en
n 1 pruebas, de modo que ppyq 1, y resulta
y

EpYq np.

Calculemos ahora la varianza, por resultado previo sabemos que 2 VpYq EpY2 q 2 . El
calculo directo de EpY2 q no sale tan directamente como sera esperable, por lo cual utilizaremos la
siguiente igualdad
ErYpY 1qs Ery2 Ys ErY2 s EpYq.
Calculemos
n n
n! n!
ErYpY 1qs ypy 1q p y qny p y qny
y2
y!pn yq! y2
py 2q!pn yq!

Ahora estamos en situacion

similar a lo hecho anteriormente, y haciendo el cambio de variables
z y 2 se tiene

n n2
pn2q! pn2q!
npn 1qp2 ppy2q qny npn 1qp2 pz qn2z

py2q!pnyq! z!pn2yq!

y2 z0
n `
n2
npn 1qp2 pz qn2y npn 1qp2 .

z
y2

As queda

2 VpYq EpY2 q 2 npn 1qp2 ` np n2 p2 npp1 pq npq,

como queramos probar

Nota 4 Cuando n 1 en la distribucion binomial se habla de distribucion de Bernoulli

EMM (2014) E.M.Mancinelli - V.Vansteenkiste 5

1.3 Distribucion
geometrica 1 VARIABLES ALEATORIAS DISCRETAS

1.3. Distribucion
geometrica
La variable aleatoria con distribucion geometrica se define para un experimento similar al
binomial. Son pruebas identicas e independientes, cada prueba puede tener dos resultados, e xito
o fracaso, la probabilidad de e xito en una prueba es p constante. Lo que vara es la variable
aleatoria propiamente dicha, en este caso Y representa el numero
de la prueba en la cual ocurre
el primer e xito, de este modo, el experimento puede terminar en la primera prueba o prolongarse
indefinidamente.
El espacio muestral S para este experimento consta de los siguientes elementos

E1 E,
E2 FE,
E3 FFE,
..
.
Ek FF FE,
k1

como la variable aleatoria Y es el numero

de pruebas hasta el primer e xito, Y 1 contiene a E1 y
en general Y k contiene solo
a Ek . As

ppyq ppE y q PpFF FEq.

y1

de y eventos independientes da lugar a la distribucion

La probabilidad de la interseccion geometri-
ca

8 Una variable aleatoria Y tiene una distribucion

Definicion geometrica de probabilidad si y solo si

ppyq q y1 p, y 1, 2, , 0 p 1.

Esta distribucion
se usa como modelo para la longitud de tiempo de espera.

Ejemplo 4 Supongase que se da mantenimiento al motor de un avion de manera periodica y de tal manera
que las diferentes partes se cambian en diferentes momentos, as la probabilidad de falla del motor durante
cualquier intervalo de una hora de operacion es la misma para todo intervalo de 1 hora que se considere.
Si definimos la variable aleatoria Y como el numero
de intervalos de 1 hora hasta el primer desperfecto del
motor, estamos en presencia de una distribucion geometrica. Si p 0,02, cual es la probabilidad de que el
motor funcione bien durante 2 horas.
8 8
Solucion: PpY 3q

ppyq, como se tiene que ppyq 1 se tiene que
y3 y0

PpY 3q 1 pp0q pp1q 1 p qp 1 0,02 0,98 90,02 0,9604.

{{

Teorema 5 Sea Y una variable aleatoria discreta con distribucion de probabilidad geometrica. Entonces

1 1p
EpYq , 2 VpYq .
p p2

Demos: Por la definicion

de la esperanza tenemos
8
8

EpYq yq y1 p p yq y1 .
y0 y0

6 E.M.Mancinelli - V.Vansteenkiste EMM (2014)

1 VARIABLES ALEATORIAS DISCRETAS 1.4 Distribucion
de probabilidad de Poisson

de q es una serie de potencias, por lo cual dentro de su radio de

Esta serie vista como funcion
convergencia podemos derivar. As resulta
8 8 8
d y1 d y1
q pq q yq y1 .
dq y1 y1
dq y0

As se tiene que
8
d y1 d q d 1q`q 1
EpYq p q p p 2
.
dq y1 dq 1 q dq p1 qq p

La prueba de la varianza sale de manera similar.

1.4. Distribucion
de probabilidad de Poisson
Supongamos que queremos encontrar la distribucion de probabilidad del numero
de accidentes
de auto en un cruce en un perodo de una semana. En principio no habra relacion entre esto y una
variable aleatoria binomial sin embargo...
Supongamos que partimos el perodo de una semana en n subintervalos de una duracion suficien-
temente pequena como para que en cada uno de ellos pueda producirse a lo sumo un accidente con
probabilidad positiva. Sea p la probabilidad de un accidente en cualquiera de los subintervaloes,
as:
P(ningun
accidente en un subintervalo) 1 p,
P(un accidente en un subintervalo) p,
P(mas de un accidente en un subintervalo) 0.
El numero
total de accidentes en una semana es igual al numero
de subintervalos en los que se
produjo un accidente. Si la ocurrencia de accidentes es independiente de un intervalo en otro, la
variable aleatoria que representa el numero
total de accidentes tiene una distribucion
binomial.
No conocemos ni n ni p pero parece razonable pensar que son inversamente proporcionales.
Tomemos np y tomando lmite en ppyq cuando n 0 se tiene

npn1qpny`1q y
n qny
`n
lm ppyq lm p y p1 pqny lm p q p1
n8 n8 y n8 y! n
n npn1qpny`1q
lm ny p1 n qny
n8 y!
n y1
lm p1 n qn p1 n qy p1 n1 qp1 n2 q p1 n q
y! n8
n
e
y!

Las variables aleatorias con esta distribucion se denominan variables aleatorias de Poisson. La
convergencia de la funcion de probabilidad binomial hacia la de Poisson tiene importancia ya que
para valores de n muy grandes puede utilizarse la distribucion de Poisson como una aproximacion
para las binomiales para n y p tales que np 7.
La distribucion de Poisson es un buen modelo para las variables aleatorias que representan su-
cesos raros, que ocurren con poca frecuencia en el tiempo, el espacio, etc. Por ejemplo accidentes
automovilsticos, industriales, arribos de clientes a un servicio, errores de tipeo cometidos por una
secretaria al escribir una pagina, etc.

9 Una variable aleatoria Y tiene una distribucion

Definicion de probabilidad de Poisson si y solo si

y
ppyq e , y 0, 1, 2, 0.
y!

EMM (2014) E.M.Mancinelli - V.Vansteenkiste 7

1.4 Distribucion
de probabilidad de Poisson 1 VARIABLES ALEATORIAS DISCRETAS

Teorema 6 Sea Y una variable aleatoria con distribucion de Poisson, con parametro . Entonces

EpYq , 2 VpYq .

Ejemplo 5 Cierto tipo de a rbol tiene retonos

dispersos de manera aleatoria sobre un a rea extensa, con
densidad promedio de 5 retonos
por hectarea. Cual es la probabilidad que en un gran bosque al elegir al azar
10 parcelas de una hectarea, no se encuentre ningun
retono?

Solucion: Si la distribucion
de retonos
es aleatoria, entonces el numero
de retonos Y se
por region,
puede representar por una variable aleatoria de Poisson con 5. As

0 5
PpY 0q pp0q e 0,006738
0!
La probabilidad que Y 0 para las 10 hectareas sera pe5 q10 , ya que el la probabilidad de la
interseccion
de eventos independientes, con lo que queda el producto de las probabilidades. {{

Referencias
[1] Mendenhall W., Estadstica para Administradores, Grupo Editorial Iberoamerica, 1990.
[2] Mendenhall W., Sheaer R., Wackerly D., Estadstica Matematica con Aplicaciones, Grupo Editorial Iberoamerica,
1994.
[3] Mendenhall W., Sincich T., Probabilidad y Estadstica para Ingeniera y Ciencias, Prentice-Hall Hispanoamericana, 1997
[4] Meyer P.L., A first course in Probability, Macmillan Publishing Company, 1992.
[5] Ross S. A First Course in Probability, Macmillan Publishers, 1988.

8 E.M.Mancinelli - V.Vansteenkiste EMM (2014)