Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

• Variables aleatorias. Variable aleatoria discreta: rango y
distribución de probabilidad.
Variable aleatoria continua: rango y función de densidad.
Función de distribución acumulada. Valor esperado y varianza.
Propiedades.
• Experimento de Bernoulli. Distr Hipergeométrica. Distr
Binomial. Distr Geométrica (Pascal). Distr Binomial Negativa.
Distr Poisson.
Variable aleatoria

Es una función del espacio muestral en los números reales, es

decir,
X :   IR
La variable aleatoria atribuye a cada elemento del espacio
muestral Ω un número que no es aleatorio o imprevisible, sino
fijo y predeterminado.
Lo que es aleatorio es el experimento sobre cuyo espacio
muestral se define la variable aleatoria.
Rango de la variable aleatoria

Es el conjunto de los valores posibles de la variable aleatoria,

es decir,

RX  { X (w) / w   }
Tipos de variable aleatoria

Una variable aleatoria es discreta

 Si puede asumir un conjunto finito o infinito numerable
de valores diferentes.

Una variable aleatoria es continua

 Si puede asumir cualquier valor en un intervalo.
 Ejercicio
Indique el tipo de variable y su rango
Variable aleatoria Tipo Rango
W = número de libros defectuosos en
discreta 0, 1, … , 100
un lote de 100 unidades
X = número de veces que debe picarme
discreta 1, 2, …
mosquitos hasta contraer el dengue
Y = tiempo que puede pasar un
humano debajo del agua sin respirar continua ]0, 15[
(en minutos)
Z = dinero gastado en almorzar por un
5.00, 5.05, 5.10,
alumno el presente día, en nuevos discreta
resnickscity.wordpress.com
5.20,…
soles
Evento (X=a)

El evento ( X  a)

Se define como:

(X  a)  { w  / X (w)  a }
Variable aleatoria discreta

Una variable aleatoria es discreta si el conjunto de valores que

puede tomar es finito o infinito numerable.

Una variable aleatoria discreta asume cada uno de los valores

con cierta probabilidad que se denota:

P X  x 
Variable aleatoria discreta
Ejemplo de variables aleatorias discretas:

 Número de barcos que llegan

a un puerto diariamente.
 Cantidad de preguntas
correctamente contestadas
en una prueba de evaluación.
 Cantidad de guacamayos que viven en la
reserva nacional Pacaya y Samiria.
Ejemplo de Variable aleatoria discreta

Sea Ω el espacio obtenido al lanzar

una moneda dos veces y observar si Ω
sale cara (c) o sello (s) cada vez.

Ω = {(c,c), (c,s), (s,c), (s,s)}.

Sea X el número de caras obtenidas.

X es una variable aleatoria discreta. El evento (X = 0) = {(s,s)}
El rango de RX = {0, 1, 2}. El evento (X = 1) = {(c,s), (s,c)}
El evento (X = 2) = {(c,c)}
 Variable aleatoria discreta

Si X es una variable aleatoria La función de distribución

discreta, la función de probabilidad acumulada de X es dada por:
de X es dada por:
fX(x) = P( X = x ) FX(x) = P( X ≤ x )
= P ( { w Є Ω / X(w) = x} ) = P ( { w Є Ω / X(w) ≤ x} )
Se cumple:
0 ≤ fX(x) ≤ 1 = Σ{uЄRx / u≤x} fX(u)

 f x   1
xR X

Si x ∉ ℝ: f(x) = 0
Valor Esperado de una Variable aleatoria discreta

El valor esperado E(X) de una variable aleatoria discreta X con

distribución de probabilidad f(x) se define por:

 X  E X   
x R

x f x 
X

El valor esperado E(X), también, se le conoce como media o

promedio de la variable X, denotada por μX.
Se utiliza como el valor que representa la v.a. X
Valor Esperado de una Función de Variable aleatoria discreta

Sea G(X) una función que transforma una variable aleatoria discreta X
en una nueva variable aleatoria. El valor esperado de G(X) es:
EG X   
x R

G  x f  x 
X

Si G(x) = x Si G(x) = (x - μ)2

E X    x f  x   X 
E X  X 2   E X 2   X 2
x R
 X
 V X    X 2

Es la Varianza de X, y su raíz es la desviación

Es la media ponderada de X, utilizada estándar de X, ambas son medidas de dispersión de
como un valor representativo de la v.a. X la v.a. X
Ejemplo
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria X
con función de distribución:
x 0 1 2 3 4 Determine k, donde k = f (4)
f(x) 0.08 0.12 0.40 0.25 k

Como:  f x   1 , entonces: k  f 4

x  0 ,..., 4
 1  f (0)  f (1)  f (2)  f (3)
 1  0.08  0,12  0,40  0.25
 0.15
Ejemplo
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria X
con función de distribución:
x 0 1 2 3 4 Calcule el valor esperado
f(x) 0.08 0.12 0.40 0.25 0.15 de X
 X  EX    x f x 
xR X

 0  0.08  1 0.12  2  0.40  3  0.25  4  0.15

 2.27
Ejemplo
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria X
con función de distribución:
x 0 1 2 3 4 Calcule la varianza y desviación
f(x) 0.08 0.12 0.40 0.25 0.15 estándar de X

X 2 E X 2   X2   x 2f  x    X2
x R X

 0 2  0.08  12  0.12  2 2  0.40  32  0.25  4 2  0.15  2.27 2

 1.2171

 X    1.1032
2
X
Ejemplo
Un jugador lanza un dado, si sale un número de puntos mayor
a cuatro gana 10 nuevos soles y si no, pierde cinco nuevos
soles. Calcule e interprete el valor esperado de la ganancia.
X = Número de la cara Superior x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
E G  X    G x  f x 
G(x) -5 -5 -5 -5 10 10
xR X

 (5) / 6  (5) / 6  (5) / 6  (5) / 6  (10) / 6  (10) / 6

 4(5) / 6  2(10) / 6 Interpretación:
 20 / 6  20 / 6  0 Lo que se espera en este juego
es ni ganar ni perder.
Ejercicio
La demanda diaria de un producto perecible puede modelarse por una variable
aleatoria discreta X cuya distribución de probabilidad está dada por la tabla:
x 12 24 36 48 60
f(x) 0.15 0.25 0.30 0.20 0.10
G(x) 240 480 720 1056 1320

Se obtiene por cada unidad demandada de producto 20 nuevos soles de utilidad. Si

la cantidad demandada en un día es mayor a 36 unidades, se obtiene una utilidad
adicional de dos nuevos soles por unidad demandada de producto. Se tiene
siempre más de 60 productos en su almacén al inicio del día. Calcule la desviación
estándar de la utilidad por la demanda diaria de productos.

 X  E X  
 x f  x   715.2 X 2 E X 2   X2   x 2f  x    X2
x R
 x R X  X   X2  327.897
X

 619027.2  715.2 2  107516.2

Variables Aleatorias Independientes

En la práctica, uno encuentra más de una variable definida

sobre un mismo espacio muestral.
Diremos que dos variables aleatorias X e Y son
independientes, si para cualesquiera subconjuntos A y B del
rango de estas variables que no tengan probabilidad 0 se
cumple que:

Naturalmente, esta definición puede extenderse a más de dos

variables.
 Ejercicio
Suponga que se lanzan dos dados y se define la v.a. X como el mayor valor
obtenido. Muestre que la función de probabilidad de X tiene la forma:
1 Ω {1,1} {1,2} {1,3} {1,4} {1,5} {1,6}
𝒇𝑋 𝑥 = 2𝑥 − 1 {2,1} {2,2} {2,3} {2,4} {2,5} {2,6}
36 {3,1} {3,2} {3,3} {3,4} {3,5} {3,6} 𝑛 Ω = 36
X 1 2 3 4 5 6 {4,1} {4,2} {4,3} {4,4} {4,5} {4,6}
P(X=x) 1/36 3/36 5/36 7/36 9/36 11/36 {5,1} {5,2} {5,3} {5,4} {5,5} {5,6}
Fx 1/36 4/36 9/36 16/36 25/36 36/36 {6,1} {6,2} {6,3} {6,4} {6,5} {6,6}

1 𝑥−1 𝑥−1 1 11 1
𝑃 𝑋 = 𝑥 = 𝑃 𝑋1 = 𝑥 𝑃(𝑋2 < 𝑥) + 𝑃 𝑋1 < 𝑥 𝑃(𝑋2 = 𝑥) + 𝑃 𝑋1 = 𝑥 𝑃(𝑋2 = 𝑥) = 6 + + 6 6 = 36 2𝑥 − 1
6 6 6

Halle su valor esperado y desviación estándar y Grafique de su función de

distribución acumulada.
E 𝑋 = ∑6𝑥=1 𝑥 𝑓 𝑥 𝑉 𝑋 = E 𝑋2 − E 𝑋 2 𝜎𝑋 = 𝑉 𝑋
= 21.97 – (4.47)2 = 1.4
= 4.47
= 1.97
Propiedades del Valor Esperado y de la Varianza de
Variables Aleatorias
Las siguientes son alguna de las propiedades del valor esperado
de la varianza. Aquí X e Y son v.a's y a y b son constantes:
Ejemplo
Sean X, Y, W variables aleatorias independientes tales que:
 E(X) = 10 y Var(X) = 4;
 E(Y) =25 y Var(Y) = 9;
 E(W) = 50 y Var(W) = 16.

Calcule la esperanza y varianza de las siguientes variables

aleatorias:
E[R] = 3 E[X] + 8 = 38 Var[R] = 32 Var[X] = 36
• R = 3X + 8
E[T] = E[X] + E[Y] + E[W] = 85 Var[T] = Var[X] + Var[Y] + Var[W] = 29
•T=X+Y+W
• S = 2X - 3Y E[S] = 2 E[X] -3 E[Y] = -55 V[S] = 22 V[X] + (-3)2 V[Y] = 97

• V = 5X + Y – 2W E[V] = 5 E[X] + E[Y] - 2 E[W] = -25 V[V] = 52 V[X] + 12V[Y] + (-2)2 V[W] = 173
Ejercicio
Sea X una variable aleatoria con media μx y desviación
estándar σx. Se define la variable aleatoria estandarizada:
X  X
Z
X

 X  X 
E[ Z ]  E    1 /  X {
E]   X }  0
[X
 X  X

 X  X 
Var[ Z ]  Var    1 /  2
X {Var
 [X ]  Var[  X ]}  1
 X  X2

0

Modelo Discreto – Experimento de Bernoulli

Un experimento de Bernoulli es un experimento aleatorio con

dos únicos resultados posibles denominados:
 éxito (E) o
 fracaso (F).
La probabilidad de éxito:
P(E) = p
La probabilidad de fracaso:
P(F) = 1 - p
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

• Variables aleatorias. Variable aleatoria discreta: rango y
distribución de probabilidad.
Variable aleatoria continua: rango y función de densidad.
Función de distribución acumulada. Valor esperado y varianza.
Propiedades.
• Experimento de Bernoulli. Distr Hipergeométrica. Distr
Binomial. Distr Geométrica. Distr Binomial Negativa (Pascal).
Distr Poisson.
Experimento de Bernoulli - ejemplos

Lanzar un dado y observar si sale seis

• E = Sale 6. Luego, P(E) = 1/6

Revisar un artículo y verificar si es defectuoso en una línea de

producción que produce el 0,1% de artículos defectuosos.
• E = El artículo es defectuoso. Luego, P(E) = 0,001

Ofrecer una póliza de seguros a un cliente y anotar si la compra.

Por experiencia se sabe que el 5% de los clientes compra la póliza.
• E = El cliente compra la póliza. Luego, P(E) = 0,05
 Distribución Hipergeométrica
Un experimento hipergeométrico en extraer al azar y sin sustitución n elementos
de un conjunto de N elementos, de los cuales r son éxitos y N - r son fracasos.
Se define la v.a. hipergeométrica como:
X = número de éxitos observados en la muestra (de tamaño n).
La función de probabilidad de la variable X es:
C xr C nNxr
f ( x )  P X  x   N
, R x  max 0, n  r  N  ,..., min n , r 
Cn
Se denota X ~ H (N, r, n) y se lee que la variable aleatoria X sigue una distribución
hipergeométrica con parámetros N, r y n.
r r 1  r  N  n 
Media  X  E X   n Varianza  X2 V X   n   
N N  N  N  1 
 Ejemplo
En un equipo de fútbol hay 18 jugadores de los cuales cuatro consumen
sustancias prohibidas. Calcule la probabilidad de detectar a por lo menos
uno de los jugadores que usan sustancias prohibidas, si la directiva del
club ha realizado una prueba antidoping a dos jugadores.
X = número de jugadores con substancias prohibidas
 X = 0, 1, 2 con: X ~ H( N = 18, r = 4, n = 2 )

C 04C 214
P X  1  1  P X  0  1 
C 218
 Ejercicio
En cierta ciudad hay un total de N empresas que están en condición de
morosas con la SUNAT. Un inspector tiene una base de datos con 10
registros de empresas morosas y un colega suyo toma una muestra al azar
de 8 empresas morosas y encuentra que X de ellas ya figuran en la base.
Ω = empresas morosas, con n(Ω) = N, de las cuales r = 10 están en la base
n (muestra) = 8, X = número de empresas morosas que están en la base
 X = 0, 1, ..., 8 , con: X ~ H( N, r = 10, n = 8 )
Si resultó x = 2 y Ud. sabe que N vale 40 o 20,
C x C 8N x10
10
P X  x   N
Cual valor escogería?
C8
Si N = 20, P(x=2 / N=20) = 0.075
Si N = 40, P(x=2 / N=40) = 0.347
 Ejercicio
En un taller hay tres tipos de máquinas: A, B y C. De las 20 del tipo A, 4
están malogradas; de las 15 del tipo B, 2 están malogradas; y de las 10 del
tipo C, 3 están malogradas. Se escoge al azar y de manera independiente
una máquina de cada tipo. Si la variable X es igual al número de máquinas
malogradas escogidas, encontrar la media y la desviación estándar de la
variable X.
XA= número de máquinas del tipo A malogradas, con XA = 0, 1 y XA∼ 𝐻(𝑁 = 20, 𝑟 = 4, 𝑛 = 1)
XB= número de máquinas del tipo B malogradas, con XB = 0, 1 y XB∼ 𝐻(𝑁 = 15, 𝑟 = 2, 𝑛 = 1)
XC= número de máquinas del tipo C malogradas, con XC = 0, 1 y XC∼ 𝐻(𝑁 = 10, 𝑟 = 3, 𝑛 = 1)
X = XA + XB + XC
 E(X) = E[XA+ XB+ XC] = E[XA] + E[XB] + E[XC] = 4/20 + 2/15 + 3/10 = 0.63
 V(X) = V[XA+ XB+ XC] = V[XA] + V[XB] + V[XC] = 4/20 16/20 + 2/15 13/15 + 3/10 7/10 = 0.4855
 ϬX = 0.6968
Distribución Binomial

Un experimento binomial consiste en una serie de n

repeticiones de un experimento Bernoulli, donde n se fija
antes de realizar el experimento.
• Las pruebas son independientes entre sí por lo que el resultado
de un intento en particular no influye en el resultado de cualquier
otro.
• La probabilidad de éxito es constante de una prueba a otra y la
denotamos como p.
Distribución Binomial
Se define la variable aleatoria binomial X como el número de
éxitos observados en un experimento binomial, es decir:
X := Número de éxitos obtenidos en n repeticiones independientes
de un experimento de Bernoulli con probabilidad de éxito p.
La función de probabilidad de la v.a. binomial X es:

f x   PX  x   C xn p x 1  pnx ; x  0, 1, 2,, n

Se denota X ~ B (n, p) y se lee: X sigue una distribución binomial

con parámetros n y p.
Media  X  E X   np Varianza  X2 V X   np 1  p 
Distribución Binomial

Si p = 1/2

n=1 n=2 n=3 n=4 n=5

0.6 0.6 0.4 0.4 0.4

0.4 0.4
0.2 0.2 0.2
0.2 0.2

0 0 0 0 0

n=6 n=7 n=8 n=9 n=10

0.4 0.3 0.3 0.3 0.3

0.2 0.2 0.2 0.2

0.2
0.1 0.1 0.1 0.1

0 0 0 0 0
Distribución Binomial
Los siguientes son ejemplos de variables binomiales:
X1 = Número de artículos defectuosos en un lote de 500
• n = 500 E:= artículo defectuoso P(E) = 0,001  X1 ~ B(n = 500, p = 0,001)

X2 = Número de clientes que compran una póliza de seguro de vida de 20

visitados
• n = 20 E:= cliente compra la póliza P(E) = 0,08  X2 ~ B(n = 20, p = 0,08)

X3 = Número de solicitudes de crédito hipotecario aprobadas de 15 evaluadas

• n = 15 E:= crédito aprobado P(E) = 0,68  X3 ~ B(n = 15, p = 0,68)
 Ejemplo
En un proceso de fabricación artesanal de papel reciclado se estima, por
experiencia anterior, que el 3% de las hojas de papel producidas presentan
defectos en el teñido. Las hojas de papel se empacan en cajas de 50
unidades.
E = Hoja de papel tiene defecto, P(E) = 0.03,
n = 50 y X = número de hojas con defectos en el teñido en la caja de 50
hojas de papel reciclado, con X ~ B(n=50, p=0.03), X =0, 1, ... , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de que:
a. ninguna de las hojas presente defectos en el teñido

P X  0   C 0 0.03 0.97
50 0 50
 0.218
 Ejemplo
En un proceso de fabricación artesanal de papel reciclado se estima, por
experiencia anterior, que el 3% de las hojas de papel producidas presentan
defectos en el teñido. Las hojas de papel se empacan en cajas de 50
unidades.
E = Hoja de papel tiene defecto, P(E) = 0.03,
n = 50 y X = número de hojas con defectos en el teñido en la caja de 50
hojas de papel reciclado, con X ~ B(n=50, p=0.03), X =0, 1, ... , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de que:
b. la caja contenga exactamente tres hojas con defectos en el teñido

PX  3  C3 0,03 0,97

50 3 47
 0,126
 Ejemplo
En un proceso de fabricación artesanal de papel reciclado se estima, por
experiencia anterior, que el 3% de las hojas de papel producidas presentan
defectos en el teñido. Las hojas de papel se empacan en cajas de 50
unidades.
E = Hoja de papel tiene defecto, P(E) = 0.03,
n = 50 y X = número de hojas con defectos en el teñido en la caja de 50
hojas de papel reciclado, con X ~ B(n=50, p=0.03), X =0, 1, ... , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de que:
c. la caja contenga a lo más dos hojas con defectos en el teñido
2
P  X  2  
x 0
50 x
C x 0,03 0,9750 x
 0,811
 Ejemplo
En un proceso de fabricación artesanal de papel reciclado se estima, por
experiencia anterior, que el 3% de las hojas de papel producidas presentan
defectos en el teñido. Las hojas de papel se empacan en cajas de 50
unidades.
E = Hoja de papel tiene defecto, P(E) = 0.03,
n = 50 y X = número de hojas con defectos en el teñido en la caja de 50
hojas de papel reciclado, con X ~ B(n=50, p=0.03), X =0, 1, ... , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de que:
d. la caja contenga al menos una hoja con defectos en el teñido?

P X  1  1  P X  0  1  0.218  0.7819
 Ejercicio
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un
área rural. Si la probabilidad de que una persona cualquiera de esta zona
esté indocumentada es de 0.25.
Determine la distribución de probabilidades del número de encuestados
indocumentados de los 30 seleccionados.
E = Encuestado indocumentado, P(E) = 0.25, n = 30
X = número de personas encuestada indocumentadas
 X ~ B(n=30, p=0.25), X =0, 1, …, 30
Función de distribución de probabilidad:

f x   P X  x   C 0.25 0.75
30  x
, x  0, 1, 2,, 30
30 x
x
 Ejercicio
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un
área rural. Si la probabilidad de que una persona cualquiera de esta zona
esté indocumentada es de 0.25.
Determine la distribución de probabilidades del número de encuestados
indocumentados de los 30 seleccionados.
E = Encuestado indocumentado, P(E) = 0.25, n = 30
X = número de personas encuestada indocumentadas
 X ~ B(n=30, p=0.25), X =0, 1, …, 30
Probabilidad de entrevistar 5 o 6 indocumentados:

P  X  5  P  X  6   C 0.25 0.75 0.25 0.75

30 5 30  6
C  0.2502
30 5 30 6
5 6
 Ejercicio
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un
área rural. Si la probabilidad de que una persona cualquiera de esta zona
esté indocumentada es de 0.25.
Determine la distribución de probabilidades del número de encuestados
indocumentados de los 30 seleccionados.
E = Encuestado indocumentado, P(E) = 0.25, n = 30
X = número de personas encuestada indocumentadas
 X ~ B(n=30, p=0.25), X =0, 1, …, 30
Se espera encontrar cuantos indocumentados en 30 seleccionados?

E[ X ]  n p  30  0.25  7.5
 Ejercicio
Un médico estima que el 42% de los pacientes que atiende diariamente
requiere algún examen de laboratorio.
Si en un día en particular el médico debe atender 18 pacientes, estime la
probabilidad de que menos de siete de ellos requieran algún examen de
laboratorio.
E = Paciente requiere examen, P(E) = 0.42, n = 18
X = número de pacientes que requiere examen
 X ~ B(n=18, p = 0.42), X = 0, 1, ..., 18
Probabilidad de que menos de 7 requieran algún examen?
P X  6   C 0.42 0.58  C 0.42 0.58  C 0.42 0.58
18 0 18 18 1 17 18 2 16
0 1 2

 C3 0.42  0.58  C4 0.42  0.58  C5 0.42  0.58  C6 0.42  0.58

18 3 15 18 4 14 18 5 13 18 6 12
 Tarea en grupo
Se sabe que la probabilidad de que un artículo producido por una cierta
empresa sea defectuoso es de 0.01, independientemente de los otros.
Los artículos se venden en cajas de 12 unidades y tienen una garantía de
reemplazo por una caja nueva si se encuentra más de un artículo
defectuoso.
a) Calcule la probabilidad que la garantía aplique en una de estas cajas.
b) Si se venden 4 de estas cajas, calcule la probabilidad que la garantía
sea aplicada solamente en una de estas cajas.
c) Si se venden 1,000 de estas cajas, calcule el número esperado de cajas
en que se aplicaría la garantía.