Estadística y Probabilidad Básica

Odette Pantoja Díaz

Capítulo 4
Variables Aleatorias Discretas
1. Variable Aleatoria
El concepto de una variable que es aleatoria se asocia directamente con los
conceptos de probabilidad.

Una variable aleatoria (VA) es aquella variable que toma diferentes valores
numéricos mediante un proceso de contar o medir, como producto de un
experimento aleatorio.
Esta variable es un valor o magnitud que cambia de una ocurrencia a otra sin
seguir una secuencia predecible, es decir, en forma aleatoria.

Formalmente, Hildebrand y Lyman, proponen la siguiente definición de

variable aleatoria: “Dado un espacio muestral S, una variable aleatoria es
una regla (función) que asigna un valor numérico a cada resultado de S ”.
1. Variable Aleatoria
Por otro lado, dado que una variable aleatoria toma valores numéricos
producto de un proceso de contar o bien de un proceso de medir, entonces,
con base en ello, estas variables se clasifican en variables aleatorias discretas
o continuas.

Variables aleatorias discretas son aquellas que toman un número limitado

de valores, generalmente números enteros que son producto de un conteo.
Ejemplo: número de contribuyentes que son atendidos diariamente.

Variable aleatoria continua es aquella que toma cualquier valor numérico

producto de una medición, el cual está referido a un rango o intervalo de
valores, es decir, es aquella variable que puede tomar un valor entero, un
entero y una fracción, o bien una fracción de una unidad.
Ejemplo: el gasto en fotocopias y libros
2. Distribución de probabilidades de una
variable aleatoria discreta
Una distribución de probabilidades de una variable aleatoria discreta es el
conjunto de todos los posibles resultados numéricos de un experimento a los
que se puede asignar un valor de ocurrencia o probabilidad.

Propiedades:
• La probabilidad Px (x) de cada valor que presenta la variable X debe tomar
un valor numérico en el intervalo 0 <= PX (x) <= 1
• La suma de las probabilidades para todos los valores (xi) de X es igual a 1;
• Como cada valor de X es un suceso mutuamente excluyente, sus
probabilidades son aditivas, es decir, P(X =x1 U X=x2) = Px (x1) + Px (x2)
2.1 Valor esperado de una variable aleatoria
discreta
Es una media ponderada de todos los resultados posibles que presenta esta
variable aleatoria. En esta media ponderada, los ponderadores o pesos son
las probabilidades que están relacionadas con cada uno de los valores
numéricos de la variable.

Matemáticamente, este valor esperado se puede expresar así:

donde:
• Xi = i-ésimo valor numérico de la variable aleatoria discreta X.
• P(Xi ) = probabilidad de ocurrencia del i-ésimo resultado de la variable
aleatoria discreta X.
2.1 Valor esperado de una variable aleatoria
discreta
Ejemplo:
Una franquicia de helados lanza al mercado un nuevo helado sabor mandarina. El comportamiento
de las ventas se muestra en el cuadro siguiente. ¿Qué cantidad de helados de este sabor espera
vender esta franquicia en esta ciudad en los próximos días?
2.2 Varianza y desviación estándar de una
variable aleatoria discreta
Varianza
Matemáticamente, la varianza de una variable aleatoria discreta puede
expresarse como

donde:
• Xi = i-ésimo valor numérico de la variable aleatoria discreta X.
• E(X) = media o valor esperado de la variable aleatoria discreta X.
• P(Xi ) = probabilidad de ocurrencia del i-ésimo resultado de la variable
aleatoria discreta X.
2.2 Varianza y desviación estándar de una
variable aleatoria discreta
Desviación Estándar
Matemáticamente, la desviación estándar (𝜎) de una variable aleatoria
discreta se define como:

donde:
• Xi = i-ésimo valor numérico de la variable aleatoria discreta X.
• E(X) = media o valor esperado de la variable aleatoria discreta X.
• P(Xi ) = probabilidad de ocurrencia del i-ésimo resultado de la variable
aleatoria discreta X.
2.2 Varianza y desviación estándar de una
variable aleatoria discreta
Conclusión: el administrador de esta franquicia esperaría vender un promedio de
32.5 helados de mandarina por día, con una variación aproximada de este
promedio de 1.5 helados; esto es, entre 31 y 34 helados de este sabor por día.
3. Distribución de probabilidad binomial o
Bernoulli
Esta distribución de probabilidad se ocupa de experimentos en donde
su resultado solo puede tomar un solo valor de dos posibles, por lo que
estos resultados son mutuamente excluyentes.

Los dos posibles resultados es una binomial y, los resultados de este

tipo de experimentos reciben normalmente los nombres de éxito y
fracaso. Sin embargo, un éxito no significa necesariamente un resultado
deseable.
3. Distribución de probabilidad binomial o
Bernoulli
Propiedades
1. Cada experimento tiene solamente dos resultados posibles (éxito o fracaso).
Estos resultados son, como ya se observó, mutuamente excluyentes.
2. Los resultados de cada experimento pueden obtenerse mediante dos métodos
de muestreo. Cada observación puede seleccionarse, ya sea a partir de una
población infinita sin reemplazo, o bien a partir de una población finita con
reemplazo.
3. La probabilidad de que un resultado se clasifique como éxito recibe el nombre de
p. Este valor de probabilidad es el mismo entre una observación y otra (población
finita con reemplazo).
Por tanto, 1- p, llamada probabilidad de fracaso (q), también es constante en todas
las observaciones.
4. Un resultado particular, ya sea éxito o fracaso, de cualquier experimento es
independiente del resultado que se dé en cualquier otro experimento.
3. Distribución de probabilidad binomial o
Bernoulli
Cálculo de probabilidades en una distribución binomial
Matemáticamente, un experimento que presenta un proceso de
Bernoulli puede definirse mediante los siguientes símbolos:
• p = probabilidad de tener un éxito.
• q = (1 - p) = probabilidad de tener un fracaso.
• r = número de éxitos deseados al realizar un proceso de Bernoulli.
• n = número total de ensayos o intentos utilizados (este número es fijo
durante el experimento).
y calcularse con la siguiente relación:

2
3. Distribución de probabilidad binomial o
Bernoulli
3. Distribución de probabilidad binomial o
Bernoulli
Ejemplo 1:
En un cuestionario acerca del empleo se pregunta: ¿Usted trabaja
actualmente? Se ha considerado que 65% de los entrevistados
responderá “Sí”. Se hicieron ocho cuestionarios del estudio. ¿Qué
probabilidad hay de que en cinco de ellos respondan afirmativamente?
Ejemplo 1:
En un cuestionario acerca del empleo se pregunta: ¿Usted trabaja
actualmente? Se ha considerado que 65% de los entrevistados
responderá “Sí”. Se hicieron ocho cuestionarios del estudio. ¿Qué
probabilidad hay de que en cinco de ellos respondan afirmativamente?

=DISTR.BINOM(5;8;0,65;FALSO)
3. Distribución de probabilidad binomial o
Bernoulli
Ejemplo 2:
En una planta de Colgate y Palmolive, una máquina que llena tubos de
pasta dental los llena correctamente 85% de las veces. Se quiere
calcular la probabilidad de obtener exactamente seis tubos de doce (la
mitad de una caja) llenos de manera correcta.
3. Distribución de probabilidad binomial o
Bernoulli
Ejemplo 3:
El dueño de una microempresa ha estado estudiando los retardos de
sus seis empleados. Con base en ello, ha determinado la probabilidad
de una llegada tarde en 0.35. Para este problema se construye una
distribución binomial en forma gráfica.
Ejemplo 3:
El dueño de una microempresa ha estado estudiando los retardos de
sus seis empleados. Con base en ello, ha determinado la probabilidad
de una llegada tarde en 0.35. Para este problema se construye una
distribución binomial en forma gráfica.
Se calcula la probabilidad de 0, 1, 2, 3, 4, 5 y 6 llegadas tarde.
3. Distribución de probabilidad binomial o
Bernoulli
Media y desviación estándar de una distribución binomial
La media de una distribución binomial se calcula mediante la siguiente ecuación:
μ = 𝑛𝑝
donde:
n = número total de ensayos o intentos utilizados en el experimento.
p = probabilidad de tener un éxito.

y la desviación estándar de una distribución binomial se calcula como

𝜎= 𝑛𝑝 1 − 𝑝 ≈ 𝜎 = 𝑛𝑝𝑞
donde:
n = número total de ensayos o intentos utilizados en el experimento.
p = probabilidad de tener un éxito.
q = probabilidad de tener un fracaso.
3. Distribución de probabilidad binomial o
Bernoulli
Ejemplo 4:
Una máquina empacadora produce 15% de paquetes defectuosos. Si se
toma una muestra aleatoria de 45 paquetes, ¿cuál es la media y
desviación estándar de esta distribución?
4. Distribución de probabilidad
hipergeométrica
Una de las características de la distribución binomial es que la probabilidad
de éxito debe ser la misma para cada ensayo sucesivo, lo que se debe a que
se trata de un proceso en el que el número de ensayos es finito y con
reemplazo de los elementos que forman el experimento.
Sin embargo, en la práctica el muestreo se realiza sin reemplazo; es decir, los
resultados no son independientes, y en cada nueva observación se obtendrá
un nuevo valor de probabilidad.
La distribución de probabilidad hipergeométrica surge al seleccionar una
muestra sin reemplazo de una población finita conocida y que representa
una proporción relativamente grande de la población, de tal forma que la
probabilidad de éxito cambia de una selección a otra.
4. Distribución de probabilidad
hipergeométrica
Propiedades

Puede establecerse que una distribución de probabilidad se puede

manejar como una distribución de probabilidad hipergeométrica si:

• Se selecciona una muestra de una población finita sin reposición.

• El tamaño de la muestra n es mayor que 5% del tamaño de la
población (N).
4. Distribución de probabilidad
hipergeométrica
Cálculo de probabilidades en una distribución hipergeométrica
La relación matemática que permite calcular una distribución de
probabilidad hipergeométrica es:
4. Distribución de probabilidad
hipergeométrica
Ejemplo 5:
El administrador del establo Santa Clara cuenta con diez vacas Holstein
de alto rendimiento, pero al revisarlas el veterinario, detecta en cuatro
de ellas una enfermedad contagiosa. ¿Qué probabilidad hay de que en
una muestra de tres vacas, dos de ellas presenten la enfermedad
contagiosa?
Ejemplo 5:
El administrador del establo Santa Clara cuenta con diez vacas Holstein
de alto rendimiento, pero al revisarlas el veterinario, detecta en cuatro
de ellas una enfermedad contagiosa. ¿Qué probabilidad hay de que en
una muestra de tres vacas, dos de ellas presenten la enfermedad
contagiosa?

4! 4! 4∗3∗2! 12
= 2! = 2!2! = = =6
4−2 ! 2!2! 2

6! 6! 6∗5!
= 1! = 5! = =6
6−1 ! 5!

10! 10! 10∗9∗8∗7!

= 3! = 3!∗7! = = 120
10−3 ! 3!∗7!
Ejemplo 5:
El administrador del establo Santa Clara cuenta con diez vacas Holstein
de alto rendimiento, pero al revisarlas el veterinario, detecta en cuatro
de ellas una enfermedad contagiosa. ¿Qué probabilidad hay de que en
una muestra de tres vacas, dos de ellas presenten la enfermedad
contagiosa?

=DISTR.HIPERGEOM.N(2;3;4;10;FALSO) = 0,3
4. Distribución de probabilidad
hipergeométrica
Ejemplo 6:
Una compañía automotriz fabrica a la semana 50 vehículos
especializados todo terreno para una gran variedad de ejércitos en el
mundo. El supervisor de calidad reporta 40 vehículos sin ningún
problema y 10 que al menos presentaron algún defecto. El gerente de
calidad selecciona al azar una muestra de cinco vehículos. ¿Qué
probabilidad hay de que cuatro de ellos operen sin problemas?
4. Distribución de probabilidad
hipergeométrica
Media Varianza
La media en la distribución de
probabilidad hipergeométrica se define la varianza está definida con la relación
como:
𝑛𝑦 𝑦 𝑁−𝑦 𝑁−𝑛
𝜇= 𝜎2 =𝑛
𝑁 𝑁 𝑁 𝑁−1

donde y/N = p, la cual tiende al valor de

la media en una distribución binomial
(u= np) si el tamaño de la población (N)
es muy grande con respecto al tamaño
de la muestra (n).
4. Distribución de probabilidad
hipergeométrica
Ejemplo 7:
Una compañía que vende carcazas para teléfonos celulares empaca su
producción en cajas de 500 carcazas. La empresa produce las carcazas
en color negro y gris claro. En una caja se empacan 300 negras y 200
gris claro. ¿Cuál es la probabilidad de obtener en una muestra de 12
carcazas, siete negras y cinco gris claro?
Si se extraen 60 muestras de 12 carcazas de la caja, ¿cuál es el
promedio de muestras y su desviación estándar que presenta esta
composición (siete negras y cinco grises)?
4. Distribución de probabilidad
hipergeométrica
Solución:
La probabilidad de que la muestra se
componga de siete carátulas negras y
cinco carátulas grises es 0.229801.

Al extraer 60 muestras de tamaño 12, el

promedio de muestras que presenta esta
composición es de:

De lo anterior se deduce que

aproximadamente 14 muestras
presentarán esta característica.
5. Distribución de probabilidad de Poisson
Esta distribución mide la frecuencia relativa de un evento en función a una unidad
de tiempo, a una de espacio, o bien a una de volumen, también se le conoce como
ley de eventos improbables, ya que a medida que sucedan más eventos por
tiempo, espacio o volumen, es menor su probabilidad de ocurrencia.

La distribución de Poisson permite describir el comportamiento de la probabilidad

en problemas como:
• Número de llegadas de clientes por hora a un banco, un restaurante o una tienda.
• Número de accidentes por semana.
• Número de imperfecciones por centímetro cuadrado.
• Número de bacterias por mililitro de agua.
5. Distribución de probabilidad de Poisson
Propiedades

Esta distribución de probabilidades de Poisson es el resultado de las siguientes hipótesis:

• Los eventos suceden uno a la vez, es decir, la probabilidad de que ocurran dos o más
eventos en el mismo instante es cero.
• La probabilidad de ocurrencia del evento de interés es constante para dos intervalos
distintos de tiempo, espacio o volumen.
• El número de eventos por tiempo, espacio o volumen permanece constante. Esto
significa que el número esperado de eventos en un lapso de tiempo, espacio o volumen
es el mismo en cualquier otro lapso de tiempo, espacio o volumen. Por ejemplo, si a un
banco llegan 12 clientes por hora, este mismo comportamiento se observa en cualquier
hora laborable.
• La ocurrencia de un evento de interés en un lapso de tiempo, espacio o volumen es
independiente de su ocurrencia en algún otro lapso de tiempo, espacio o volumen.
5. Distribución de probabilidad de Poisson
Cálculo de probabilidades en una distribución de Poisson
La función de probabilidad de Poisson puede expresarse de la siguiente
manera:
𝜆𝑥 𝑒 −𝜆 𝜆𝑥
𝑃 𝑥 = o 𝑃 𝑥 =
𝑥! 𝑥!𝑒 𝜆
5. Distribución de probabilidad de Poisson
Ejemplo:
La Dirección General de Administración de las escuelas de educación ha observado que en
los últimos seis meses del ciclo escolar, en la zona norte de la ciudad, se presentan un
promedio de cinco accidentes escolares por semana en las zonas de escaleras de estas
escuelas. El administrador está preocupado, ya que no sabe si esto se deba a un mal diseño
de los edificios escolares o a otra causa. Por lo anterior, decide calcular algunas
probabilidades que le permitan estimar el comportamiento de los accidentes escolares de
las próximas semanas.

El administrador se pregunta: ¿cuál es la probabilidad de tener exactamente 0, 1, 2, 3, 4 o 5

accidentes?
¿Qué probabilidad hay de que sucedan menos de tres accidentes? Si la probabilidad de que
sucedan más de tres accidentes es mayor que 0.65, el administrador presentará un
proyecto para revisar el diseño de la infraestructura escolar ante el departamento de
construcción de escuelas
Probabilidad de que no ocurran accidentes (X=0):

Probabilidad de que ocurra 1 accidente (X=1):

Probabilidad de que ocurran 2 accidentes (X=2):

Probabilidad de que ocurran 3 accidentes (X=3):

Probabilidad de que ocurran 4 accidentes (X=4):

Probabilidad de que ocurran 5 accidentes (X=5):

P(X=0)=POISSON(0;5;FALSO) = 0,006737947

P(X=1)=POISSON(1;5;FALSO) = 0,033689735

P(X=2)=POISSON(2;5;FALSO) = 0,084224337

P(X=3)=POISSON(3;5;FALSO) = 0,140373896

P(X=4)=POISSON(4;5;FALSO) = 0,17546737

P(X=5)=POISSON(5;5;FALSO) = 0,17546737
¿Qué probabilidad hay de que sucedan menos de tres accidentes? (sin incluir el 3)

P(X<3) = P(X=0) + P(X=1) + P(X=2)

P(X<3) = 0,006737947 + 0,033689735 + 0,084224337
P(X<3) =0,12465 =POISSON(2;5;VERDADERO)

P(X≥3) = 1- 0,12465 = 0,875

CONCLUSIÓN
Como la probabilidad de que sucedan más de tres accidentes es mayor a 0.65, es necesario que el administrador
presente un proyecto para revisar el diseño de la infraestructura escolar ante el departamento de construcción
de escuelas.
5. Distribución de probabilidad de Poisson
Media y varianza de una distribución de probabilidad de Poisson
Con base en la definición de la distribución de probabilidades de Poisson se establece que
la media o valor esperado es igual que 𝜆 (lambda).

E(x)= 𝜆

La varianza para esta distribución de probabilidad también es igual que 𝜆.

𝜎2 = 𝜆

Y la desviación estándar para esta distribución de probabilidad es igual que:

𝜎= 𝜆
5. Distribución de probabilidad de Poisson
Ejemplo:
En una sucursal del banco Aztek ubicada en el centro de la ciudad llega
un promedio de seis clientes por minuto. Si se considera una
distribución de Poisson, ¿qué desviación estándar de clientes se tiene
en esta sucursal?
Ejemplo:
En una sucursal del banco Aztek ubicada en el centro de la ciudad llega
un promedio de seis clientes por minuto. Si se considera una
distribución de Poisson, ¿qué desviación estándar de clientes se tiene
en esta sucursal?

En promedio arriban seis clientes por minuto, con una dispersión de más y menos 2.45 clientes.
En cada minuto se puede esperar la llegada de entre cuatro y ocho clientes.