UNIDAD III

VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES

VARIABLE ALEATORIA DISCRETA.

Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puede
tomar es un conjunto, a lo sumo, numerable (discreta).

Ejemplos. Son Variables discretas

El numero de accidentes laborales en un año

El numero de errores en un mensaje transmitido.
El numero de piezas defectuosas producidas a lo largo de un día en una cadena de
producción.

Modelos de distribuciones de probabilidad para variables discretas. Según lo que hemos

visto, la forma en que se asigna probabilidad a los resultados de una variable aleatoria
discreta viene dada por la función de probabilidad.

A partir de ahora vamos a describir algunos de los modelos teóricos de probabilidad mas
habituales en el ámbito de las Ingenierías, comenzando por el caso de las v.a discretas.
VARIABLE ALEATORIA CONTINUA.

Una variable aleatoria es continua si el conjunto de valores que puede tomar sólo puede
encerrarse en intervalos, formando por tanto, un conjunto con un numero infinito no
numerables de elementos,

Ejemplos Son variables aleatorias continuas

• La tensión de fractura de una muestra de asfalto

• El grosor de una lamina de aluminio
• El pH de una muestra de lluvia
• La duración de una llamada telefónica
VARIABLE ALEATORIA CONTINUA.
Hay una diferencia fundamental entre las variables discretas y continuas; en las discretas
podemos, al menos, numerar los posibles valores y contar el numero de veces que sale
cada valor posible de una muestra. Sin embargo, por el carácter que tienen los intervalos
de números reales, por muy grande que fuera la muestra que tomaríamos de una variable
continua, jamás tendríamos mas de un valor de algunos puntos que puede tomar la
variable.

Por esa razón, en una variable continua no podemos definir una función empírica,
precisamente porque los valores de una variable continua no tiene masa de probabilidad.

Sin embargo, como sabemos, existe una representación análoga a la función masa
empírica que permite aproximar las probabilidades de los valores de una variable
continua: el histograma.
DISTRIBUCIÓN BINOMIAL.

Sea X una v.a discreta que toma los valores x = 0, 1,…, n. donde n es un numero
natural conocido. Se dice que X sigue una distribución binomial de parámetros n
y p (y se nota X →B (n,p)) si su función misma es,

𝑛 𝑥 𝑛−𝑥
𝑓 𝑥 = 𝑝 1−𝑝
𝑥

𝑛!
𝑓 𝑥 = 𝑝𝑥 1 − 𝑝 𝑛−𝑥 , 𝑥
= 0,1,2, … , 𝑛
𝑥! 𝑛 − 𝑥 !
DISTRIBUCIÓN BINOMIAL.
1. La ultima novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los lectores
ya la han leído. Un grupo de 4 amigos son aficionados a la lectura:

a. Cual es la probabilidad de que en el grupo hayan leído la novela 2 personas?

b. Y como máximo 2?

Fuente: http://www.vitutor.com/pro/3/b_g.html
 DISTRIBUCIÓN BINOMIAL.
2. Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de buena salud.
Según las tablas actuales, la probabilidad de que una persona en estas condiciones viva 30 años o mas es
2/3. Hállese la probabilidad de que, transcurridos 30 años, vivan:

a. Las cincos personas

b. Al menos tres personas
c. Exactamente dos personas
CARACTERIZACIÓN DE LA DISTRIBUCIÓN BINOMIAL.

Supongamos que un determinado experimento aleatorio se repite n veces de forma

independiente y que en ese experimento hay un suceso que denominamos éxito,
que ocurre con probabilidad constante p. En ese caso, la variable aleatoria X que
mide el numero de éxitos sigue una B(n,p).

En esta caracterización es importante observar que las dos hipótesis fundamentales

de esta distribución son:
• Los experimentos se repiten de forma independiente y
• La probabilidad del éxito es constante.
DISTRIBUCION GEOMÉTRICA.

Sea X una v.a discreta que puede tomar los valores x=0,1,2,… Se dice que sigue una
distribución geométrica de parámetro p (y se nota X →Geo(p)) con 0 < p < 1, si su función
es,
𝑥−1
𝑓 𝑥 =𝑝 1−𝑝 , 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2, …

Sea X → Geo(p). Entonces

EX = (1-p)/p
Var X= (1-p)/p^2

Caracterización de la distribución geométrica. Supongamos que un determinado

experimento aleatorio se repite sucesivamente de forma independiente y que en ese
experimento hay un suceso que denominamos éxito, que ocurre con probabilidad
constante p. En ese caso, la variable aleatoria X que cuenta el numero de fracasos hasta que
ocurre el primer éxito sigue una Geo(p).
DISTRIBUCION GEOMÉTRICA.

1. Se lanza un dado hasta que aparece el numero 6. Cual es la probabilidad de que el numero
de lanzamientos sean 3?

Solución.

Éxito 6
Probabilidad que salga el numero 6 es 1/6 (p=1/6 y q=5/6)
3−1
𝑥−1
1 5
𝑓 𝑋 =3 =𝑝 1−𝑝 = = 0.1157
6 6

2. La probabilidad de que cierto análisis clínico de una reacción positiva es 0,4. Los resultados
de los análisis son independientes unos de otros. Cual es la probabilidad de que la primera
reacción positiva ocurra antes del tercer análisis?

Solución.

El éxito es que salga una reacción positiva. P=0,4 y q=0,6. Si la primera reacción positiva debe
aparecer antes del tercer análisis, entonces

1−1 2−1
𝑓 𝑋 < 3 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 = 0.4 0.6 + 0.4 0.6 = 0.64
DISTRIBUCION GEOMÉTRICA.

3. Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos
tienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquina
encuentre su primer producto defectuoso en la octava ocasión que selecciona un
producto para su inspección. Definir éxito: salga defectuoso el producto.

Solución.

X=8
p = 0.05
q = 1 - 0.05 = 0.95

𝑓 𝑋 =8 =𝑝 1−𝑝 𝑥−1 = 0.05 0.95 8−1 = 0.0349

Fuente
:http://www.estadisticafacil.com/Main/DistribucionGeometrica#sthash.rgcerFd8.dpuf
DISTRIBUCION DE POISSON

Sea X una v.a discreta que puede tomar los valores de x = 0,1,2,…. Se dice que X sigue una
distribución de Poisson de parámetro λ (y se nota X→P(λ)) si su function es,

𝜆𝑥
𝑓 𝑥 = 𝑒 −𝜆 , 𝑥 = 0,1,2 …
𝑥!

Sea X→P(λ), entonces

EX = λ
VarX= λ

Caracterización de la distribución de Poisson. Consideremos el numero de éxitos en un

periodo de tiempo donde los éxitos acontecen a razón de λ veces por unidad de tiempo (en
promedio) y de forma independiente. En ese caso

X: numero de ocurrencias del suceso por unidad de tiempo

Es una variable de Poisson de parámetro λ, y se nota X→P(λ).

En esta caracterización, las hipótesis fundamental ahora son:
• La independencia de las realizaciones y
• El promedio constante de ocurrencias por unidad de tiempo
APLICACIONES DE POISSON

La distribucion de Poisson suele utilizarse como modelo para el numero de accidentes

ocurridos en los individuos de una población a lo largo de un periodo de tiempo. Lo que
mucha gente no termina de asumir es que hacer una suposición equivale a decir que todos
esos individuos tienen el mismo riesgo de tener un accidente y que el hecho de que un
individuo tenga un accidente no modifica para nada la probabilidad de sufrir un nuevo
accidente. Es evidente que en muchas situaciones de la vida real eso no es cierto, asi que el
modelo no será adecuado en ellas.

Otra aplicación muy común de la distribución de Poisson es al numero de partículas por

unidad de volumen en un fluido cuando una disolución esta realmente bien disuelta. En
caso de que los datos indiquen que la distribución de Poisson no es adecuada, podríamos
inferir que la disolución no esta bien disuelta.
DISTRIBUCION DE POISSON

1. En una clase de contabilidad el 3% de alumnos son muy inteligentes. Si ya se conoce que solo el 3% de los
alumnos de Contabilidad son muy inteligentes ¿ calcular la probabilidad de que si tomamos 100 alumnos al
azar 5 de ellos sean muy inteligentes. Lamba es igual a n * P ( tamaño de muestra multiplicado por la
probabilidad de éxito). n = Tamaño de muestra / x = Cantidad de éxitos / P = Probabilidad de éxito / e = base de
logaritmos = 2.718281828

n = 100 35
P = 0.03 P 𝑋=5 = 𝑒 −3 5! = 0.10081
lambda = 100 * 0.03 = 3
x=5
e = 2.718281828

2. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%, si se toma un
lote o muestra de 85 televisores , obtener la probabilidad de que existan 4 televisores con defectos.
n = 85
P = 0.02
X=4 −1.7 1.74
lambda = 1.7 P 𝑋=4 =𝑒 = 0.0635746
4!

3. En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 pericos al
azar 3 de ellos hablen ruso.
n = 20
3
p = 0.15 −3 3 = 0.2240418
X=3
P 𝑋 = 3 = 𝑒 3!
lambda =3

- See more at: http://www.estadisticafacil.com/Main/DistribucionDePoisson#sthash.7FKGjL8U.dpuf

𝑛 𝑛!
=
𝑟 𝑟! 𝑛 − 𝑟 !
1. En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad n
objetos que son defectuosos, si se selecciona de esta urna n objetos al azar, y sin reemplazo,
cual es la probabilidad de obtener x objetos defectuosos.

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si se
seleccionan 4 objetos al azar. Cual es la probabilidad de que 2 sean defectuosos?

Solución.
𝑟 𝑁−𝑟
N=10 objetos en total 𝑥 𝑛−𝑥
𝑃(𝑥) =
r=3 objetos defectuosos 𝑁
n=4 objetos seleccionados en muestra 𝑛
X=2 objetos defectuosos deseados en la muestra
𝑛 𝑛!
=
3 10 − 3 𝑟 𝑟! 𝑛 − 𝑟 !
𝑃 𝑥 = 2 4 − 2 = 3 ∗ 21 = 0.3
10 210
4

Fin de presentación
DISTRIBUCION DE POISSON
En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una
imperfección en 15 minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ....,
etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, .....,
etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

= 0.0498026 + 0.149408 = 0.1992106