UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

TEMA

6.- VARIABLE ALEATORIA

VARIABLE ALEATORIA DISCRETA
Contenidos
6.1. Introduccin
6.2.
Variable aleatoria discreta
6.2.1. Funcin de Probabilidad para una VAD
6.2.2. Funcin de Distribucin de Probabilidades Acumuladas de
una VAD
6.4.
Valor esperado o Esperanza
6.5.
Varianza de una variable aleatoria

6.1. INTRODUCCIN
A la Estadstica no le interesan los resultados individuales, su objetivo es el comportamiento en
masa o de las poblaciones. Esto significa que hay que visualizar la realizacin de un nmero muy
grande de experimentos aleatorios (o de muestras aleatorias) y sus posibles resultados asociados, para
informarse acerca de los parmetros o las explicaciones referidas a la poblacin de inters. En esta
seccin seguiremos avanzando para sentar las bases de la modelizacin de resultados sujetos al azar
que permitirn, a travs de la inferencia estadstica, enunciar ideas generales acerca de las poblaciones.
El concepto de experimento aleatorio, se utiliza para describir cualquier proceso mediante el cual
se generan observaciones cuyos resultados no se pueden predecir. La accin imaginaria de arrojar dos
monedas y observar el resultado ( 1 ) , as como la de sembrar tres semillas en una maceta y observar
lo que sucede con la su germinacin
un alumno

( 3 )

( 2)

o, medir la nota de aprobacin de Estadstica obtenida por

, o de medir los rendimientos de un proceso de elaboracin de pulpa en kg / hora

( 4 ) , constituyen ejemplos de un experimento aleatorio. En los dos primeros casos, los espacios
muestrales asociados estarn conformados por resultados cualitativos

1 S1 ={ ( S , S ) ; ( C , S ) ; ( S ,C ) ; (C ,C ) }
2 S2 ={ ( N , N , N ) ; ( G, N , N ) ; ( N , G , N ) ; ( N , N , G ) ; ( G, G , N ) ; ( G , N ,G ) ; ( N ,G , G ) ; ( G , G ,G ) }
Por tanto, estos espacios muestrales son de naturaleza cualitativa, en ellos para el primer caso S denota
sello y C denota cara, y para el segundo G denota germinada y N denota no germinada. En los
otros dos experimentos el espacio muestral asociado es de naturaleza numrica, por ejemplo se puede
indicar lo siguiente

{ xx N 6 x 10}
x
S ={ R x 0 }
x
3 S 3=
4

Sin embargo, habra que notar que en los experimentos vinculados a espacios de naturaleza cualitativa,
estamos interesados ms bien en el nmero de veces que se presenta cierto resultado de inters esto
es, por ejemplo 0,1 2 caras o bien 0, 1, 2 3 semillas germinadas, es decir que interesan resultados
numricos.

S 1= {0,1,2 } S 2= {0,1,2,3 }
Una primera interpretacin que se le puede dar al concepto de variable aleatoria es la siguiente:
es una variable que toma valores numricos de acuerdo con los resultados de un experimento, y ms
formalmente se dice que
Una variable aleatoria es una funcin que a cada elemento del espacio muestral le hace
corresponder un nmero real.
1
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

La variable puede tomar diferentes valores numricos y adems estos valores dependen de los
resultados experimentales que se producen por azar, por tanto ellos tambin presentan aleatoriedad.
Para la notacin simblica adoptaremos X mayscula para denotar la funcin variable aleatoria, S para
representar el conjunto espacio muestral y para representar el conjunto de los reales. Por lo tanto, s
es un elemento de S y x, minscula, es un elemento de .

Esquemticamente, podemos ilustrar a una VA cualquiera como:

S

X (s)

Se observa que la VA es una funcin que:

a) se aplica a un conjunto de partida, que es el espacio muestral (dominio) conformado por los
resultados de un experimento aleatorio (eventos de naturaleza cualitativa o cuantitativa), y
b) genera un conjunto equivalente o conjunto de llegada (codominio) conformado por eventos xi
que, como se dijo, pertenecen a , conjunto de los nmeros reales (eventos de naturaleza
cuantitativa).
En el experimento arrojar una moneda, el espacio muestral est constituido por slo dos
resultados posibles (variable dicotmica), cara (C) y sello (S); en tal caso la VA podra consistir en una
regla que refleje algn criterio de conveniencia: se asigna el valor 1 a cara, porque se apost a cara (se
ganar) y se asigna 0 a sello porque con este resultado gana el contrario (se perder).
Supongamos ahora el experimento de lanzar dos dados y registrar el puntaje total obtenido. El
espacio muestral se presenta en la siguiente tabla de doble entrada.
Tabla 6.1. Conjunto de los pares ordenados (si,sj) que pertenecen al espacio muestral S
Segunda tirada

Primera tirada

(1,1)

(1,2)

(1,3)

(1,4)

(1,5)

(1,6)

(2,1)

(2,2)

(2,3)

(2,4)

(2,5)

(2,6)

(3,1)

(3,2)

(3,3)

(3,4)

(3,5)

(3,6)

(4,1)

(4,2)

(4,3)

(4,4)

(4,5)

(4,6)

(5,1)

(5,2)

(5,3)

(5,4)

(5,5)

(5,6)

(6,1)

(6,2)

(6,3)

(6,4)

(6,5)

(6,6)

Podramos interesarnos en la ocurrencia de un evento A definido como "la suma de los puntos es
igual a 9". En el espacio muestral del experimento (Tabla 6.1 y Grfico 6.1) puede verse que hay cuatro
puntos muestrales que cumplen con esa condicin: s63, s54, s45 y s36, referidos respectivamente a los
pares ordenados (6,3), (5,4), (4,5) y (3,6). Significa que el evento A, es un evento compuesto formado
por cuatro eventos simples. Si ahora consideramos el espacio de valores de la variable aleatoria
X:puntaje total obtenido (Grfico 6.2) vemos que el evento la variable aleatoria toma el valor nueve
(X=xi, xi =9) est formado por la coleccin de cuatro valores 9 asociados con los anteriores puntos
muestrales. Es por tal razn que se suele utilizar la notacin conjuntista {x=9}, a los efectos de denotar
que se tiene una coleccin de eventos simples y a cada uno de ellos les corresponde el valor de variable
aleatoria 9.

2
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Grfic
o 6.2 Espac
Grfico 6.1 Espacio muestral para el lanzamiento de un par
de dados
legalesio de valores para la variable aleatoria "total de puntos al lanz ar dos dados"

resultados del 2 dado

resultados del 2 dado

resultados del 1 dado

resultados del 1 dado

Una situacin anloga se presenta si consideramos el experimento de seleccionar un alumno del

listado del curso de Estadstica del ciclo 2000, interesando la variable nota promedio entre la
clasificacin del primer y segundo parcial. El alumno en el primer parcial pudo tener una nota que vara
entre 0 y 10, y el segundo lo mismo (Grfico 6.3). Tambin en este caso, cada valor de la variable
aleatoria est asociado con una coleccin de puntos muestrales, por ejemplo, el promedio siete podra
surgir de (7,7); (8,6); (9,5); (10,4); (6,8); (5,9) o (4,10).

10

Grfico 6.3. Valor (7) que toma la variable aleatoria asociado a los eventos simples del espacio muestral S.

A partir de estos ejemplos, es importante remarcar lo siguiente:

1) Existe una relacin funcional entre los eventos simples del S y los valores de X.
2) Cada evento simple en el espacio muestral se corresponde con uno y slo un valor de la variable
aleatoria.
3) Es posible que a varios eventos simples en el espacio muestral del experimento, les corresponda
el mismo valor numrico de variable aleatoria.
Finalmente, lo ms importante de la variable aleatoria radica en lo siguiente: se dijo que el
principal objetivo de la estadstica es el estudio de los fenmenos de masa, y no de casos aislados. En
otras palabras, debemos recordar que nuestro objetivo es llegar a conocer la poblacin a partir de la cual
se extrajeron las muestras en estudio. La VA permitir describir, mediante modelos de probabilidad, a
todos los posibles resultados de un experimento aleatorio, tal como una distribucin de frecuencias
permiti describir la distribucin de todos los datos de una muestra.
Estamos ya en condiciones de introducir una definicin formal de VA.
Definicin 6.1
Sea un experimento aleatorio y el espacio muestral S, asociado con el experimento. Se llama
variable aleatoria a la funcin X que se define sobre S, X(s), y aplicada a cada uno de los elementos
pertenecientes al S, les asigna un nmero real.
En smbolos

X:S
S X(s)
Al espacio constituido por el conjunto de todos los posibles valores de la variable aleatoria X, se
lo suele llamar recorrido de la VA y se lo simboliza como RX. En cierto sentido podemos considerar a
este recorrido como otro espacio muestral, como ya se haba visto esquemticamente. Insistimos:
mientras los puntos muestrales del espacio S son los resultados experimentales que pueden ser
observables o eventos simples si (de naturaleza numrica o no), el nuevo espacio muestral (creado
artificialmente) est asociado con los valores de la variable aleatoria X que siempre son numricos.
3
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Diremos entonces que los eventos definidos en uno y otro espacio, son eventos equivalentes. Luego la
teora de probabilidad aplicada a eventos definidos en el espacio muestral, puede ser aplicada al clculo
de las probabilidades de ocurrencia de valores de variables aleatorias.

s2
s1

s3

s4
|

-2

-1

|
0

|
1

Rx

Una vez definida una variable aleatoria X y su recorrido RX, se pueden inducir probabilidades sobre
eventos asociados con RX, a partir de las que estn especificadas para los eventos equivalentes del
espacio muestral S.

6.2. VARIABLE ALEATORIA DISCRETA

Se vio al clasificar los espacios muestrales que:
a) Si un espacio muestral contiene un nmero finito de posibilidades o una serie interminable con
tantos elementos como nmeros enteros existen, se llama espacio muestral discreto.
b) Si un espacio muestral contiene un nmero infinito de posibilidades igual al nmero de puntos
en un segmento de lnea, se llama espacio muestral continua.
En correspondencia, las VA se clasifican en dos tipos: las variables aleatorias discretas y las
continuas.
Definicin 6.2.
Sea un experimento E y un espacio muestral S asociado al mismo, la variable aleatoria X es
discreta si el espacio S es discreto. Es decir, que X tomar valores contables (ya sea finito o infinito)
que podrn arreglarse en una secuencia que corresponde a los nmeros enteros positivos.
Algunas variables aleatorias discretas tpicas son el nmero de unidades defectuosas en una
industria conservera, el nmero de insectos encontrados en un brote, el nmero de frutos producidos por
una planta, el nmero de hectreas de una finca, etc. Al contrario, el tiempo de espera para ser atendido
en un supermercado, la cantidad de litros embotellados diariamente por una bodega, la temperatura
media diaria, el tiempo empleado para hacer una determinacin analtica, el pH, son algunos ejemplos
de variables aleatorias continuas.
A continuacin se ilustra el concepto a travs del experimento lanzar dos monedas y considerar
que la variable aleatoria de inters es X: nmero de caras obtenidas.
Los eventos simples que conforman el espacio muestral de este experimento son cuatro.
A1 = {(C,C)}, A2 ={(C,S)}, A 3 ={(S,C)} y, A4 = {(C,C)}, es decir

S 1={ A 1 , A 2 , A 3 , A 4 }= { ( S , S ) ; ( C , S ) ; ( S , C ) ; ( C ,C ) }
La variable aleatoria X dada slo toma tres posibles valores, digamos x 1, x2 y x3 donde x1 =0,
x2=1 y x3=2, es decir:

4
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Este resultado se deriva de aplicar la definicin de variable aleatoria.
A continuacin se muestra la correspondiente interpretacin grfica:
S

RX
X(C,C)A4 = {C,C}

(C,C)

2
(C,S)
X(C,S)
(S,C)
X(S,C)A4 = {C,C}

(S,S)
X(S,S)

Para este ejemplo, si las monedas son equilibradas, se tendr que P(C,S)=P(S,C)=P(CS)= P(SC)=
.=1/4. Por lo tanto, el evento compuesto aparece slo una cara tiene una probabilidad de ,
obtenida segn :
P(una cara) = P{(C,S) U (S,C)}= (1/4) + (1/4) = 1/2.
Si la variable aleatoria X toma valor x=1, equivalente al evento A={(C,S) U (S,C)} , podemos calcular la
probabilidad del evento dado como:
P(X=1) = P{(C,S) U (S,C)}= .
Grficamente, esto es:
S
(C,C)

RX
1

(S,S)

X(A)
1

(S,C)

1/2 P(X=xi)=P(X=1)=P(1 )=1/2

xi = 1
(C,S)
0

P (xi ) es una funcin, la funcin probabilidad: a cada valor x i de la VAD le hace corresponder un nmero
real entero entre cero y uno,
P(A1) = P(C,C) = . = = P (X = 2)
P (A2 U A 3)= P (C,S)U(S,C) = + = = P (X = 1)
P(A 4)= P (S,S) = . = = P(X = 0)
Hemos definido a una VA discreta y los resultados de la variable con sus respectivas
probabilidades. Con este soporte terico podremos calcular las probabilidades de que se produzcan
determinados valores de una variable aleatoria, mediante las denominadas funciones de probabilidad.

6.1.1. Funcin de Probabilidad para una VAD

Una vez especificados con claridad un experimento y sus resultados, se puede calcular la
probabilidad de la ocurrencia de cualquier valor de una variable aleatoria de inters. Por ejemplo,
supngase que se tienen 140 alumnos de Estadstica divididos en cuatro grupos. El tamao del grupo ha
sido fijado de acuerdo a la capacidad que tienen las aulas disponibles y es el siguiente:
Tabla 6.2 Cantidad de alumnos que cursan Estadstica divididos en grupos

Grupo
Cantidad de alumnos

1
25

2
45

3
40

4
30
5

Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Podemos determinar la probabilidad que se tiene de que al seleccionar al azar un alumno
provenga de un grupo en particular. Es decir, nos interesa determinar la probabilidad que corresponda a
cada uno de los posibles valores de la variable aleatoria X, que para este ejemplo son 1, 2, 3 y4.
A continuacin, en tabla 6.3, se presenta la serie de valores de la variable X y sus correspondientes
probabilidades, obtenidas aplicando el enfoque empirista, lo que constituye la distribucin de
probabilidades de X.
Tabla 6.3. Distribucin de probabilidades para
X en el ejemplo de la asignacin de los grupos
Resultado

Valor de x

Grupo 1

Grupo 2

Grupo 3

Grupo 4

Grfico 6.4: distribucin discreta de probabilidades por grupo

0.4

p(x)

0.3

P(x)

0.2
0.1

Suma

Se observa:

x
1)
2) Slo cuatro posibles valores (x =1, 2, 3
4), por lo tanto entre ellos se distribuye la
probabilidad total unitaria (todos el resto de los valores en la recta numrica real, tienen
probabilidad igual a cero)

Cuando se tiene una distribucin de probabilidades para una variable aleatoria X, podemos
hablar del modelo de probabilidades que describe el comportamiento de esa variable en la poblacin
objetivo de estudio. Entonces, estaremos interesados en condensar esa informacin en algunas
medidas descriptivas, fundamentalmente la media de una distribucin de probabilidades y su varianza,
denominadas esperanza matemtica y varianza de una variable aleatoria, respectivamente.
Seguidamente se muestra un diagrama que resume los conceptos vertidos acerca de cmo se
llega a un modelo poblacional probabilstico.

Especificar el
Experimento
E

Reconocer
todos los
resultados

Espacio
muestra
l
S

Asignar un
nmero
Cada uno de los
resultados

Variable
aleatoria X

Determinar
la
probabilidad
p ( x i ) (xi)

p(x)
X
Distribucin de
probabilidades

Grfico 6.5. El modelo probabilstico

En esta seccin se considerar el concepto de distribucin de probabilidad de una variable

aleatoria. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral
en forma tal que por P(X =x) se entender la probabilidad de que X tome el valor de x. De esta forma, al
considerar los valores de una variable aleatoria es posible desarrollar una funcin matemtica que
asigne una probabilidad a cada valor x de la variable aleatoria X. Esta funcin recibe el nombre de
funcin de probabilidad de la variable aleatoria X. El trmino ms general, distribucin de
probabilidades, se refiere a la coleccin de valores de la variable aleatoria y a la distribucin de
probabilidades entre stos.
Definicin 6.3
Sea X una variable aleatoria discreta. Se llamar a p(x) = P (X = x) funcin de probabilidad de la
variable aleatoria X, si satisface las siguientes propiedades:
1. p(x) 0 para
2. ip(xi) = 1
Las distribuciones de probabilidades pueden presentarse en forma tabular y grfica, como se
muestra en el siguiente ejemplo:
Tabla 6.4: Correspondencia entre los resultados del lanzamiento de un par de dados y la variable aleatoria que
representa la suma de las caras
Resultado
(1,1)
(1,2), (2,1)

Valor de la
Variable aleatoria
2
3

N de casos
favorables
1
2

Probabilidad
1/36
2/36

6
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

(1,3), (2,2), (3,1)
(1,4), (2,3), (3,2), (4,1)
(1,5), (2,4), (3,3), (4,2), (5,1)
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)
(2,6), (3,5), (4,4), (5,3), (6,2)
(3,6), (4,5), (5,4), (6,3)
(4,6), (5,5), (6,4)
(5,6), (6,5)
(6,6)
Total

4
5
6
7
8
9
10
11
12
------

3
4
5
6
5
4
3
2
1
36

3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
1,00

Grfico 6.6. Distribucin de probabilidades para la suma de puntos al lanzar un par de dados
0.2
0.16
0.12

p(x)

0.08
0.04
0
0 1 2 3 4 5 6 7 8 9 10 11 12

x
A esta altura resulta conveniente analizar comparativamente el alcance de dos conceptos:
frecuencia relativa y funcin probabilidad. Tcnicamente, la diferencia consiste en que las frecuencias
son frecuencias instantneas acotadas a los resultados de una muestra, mientras que los valores de una
funcin de probabilidad pueden interpretarse como frecuencias relativas tericas a largo plazo para
todas las repeticiones concebibles de un experimento aleatorio. De este modo, las probabilidades se
relacionan con la poblacin. En la prctica, indican el porcentaje de veces respecto a un gran nmero de
observaciones en que se espera que se presenten los diferentes valores de una variable aleatoria.
Ntese que, dada una distribucin de probabilidad, es fcilmente evidente que algunos
resultados de una variable aleatoria sean ms probables que otros. Adems, la probabilidad de un
determinado resultado, o grupo de resultados, se puede determinar sin mucho esfuerzo. En trminos
prcticos, por lo general no es necesario molestarse en calcular cada una de las probabilidades para
obtener una distribucin probabilstica. Para ello se dispone de tablas y frmulas. En consecuencia, el
problema real no es cmo se derivan los valores?, sino cmo se utilizan las distribuciones para
resolver problemas?

6.1.2. Funcin de Distribucin de Probabilidades Acumuladas de una

VAD
Ahora, adems del hecho de que las distribuciones probabilsticas proporcionan un mtodo
sencillo para la determinacin de ciertas probabilidades, los tipos de distribucin se pueden considerar
como modelos que describen situaciones que comprenden resultados generados aleatoriamente.
Sin embargo, hacer referencia a la distribucin de probabilidades de X no slo implica la existencia de la
funcin de probabilidad, sino tambin la existencia de la funcin de distribucin de probabilidades
acumuladas de X.
Definicin 6.4.
Sea X una VAD, la funcin de distribucin acumulada de probabilidades F(x) de la variable
aleatoria discreta X est dada por:

F(x) = P(Xx) =

p (xi)

i =1,,k
Por lo tanto, en el caso discreto, una variable aleatoria X est caracterizada por la funcin de
probabilidad puntual p(x), la cual determina la probabilidad puntual de que X = x, y por la funcin de
distribucin acumulada F(x), la que representa la suma de las probabilidades puntuales hasta el valor x
de X, inclusive. Ntese que las definiciones anteriores son consistentes con los axiomas de probabilidad,
ya que esta funcin no es negativa para cualquier valor de la variable aleatoria y la suma de las
probabilidades para todos los valores de X es igual a uno.
Ejemplo 6.1. Considrese de nuevo el lanzamiento de dos dados. Si X es la variable aleatoria que
representa la suma de las caras, la funcin de probabilidad de X es
7
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

(1)
Con (1), pueden determinarse las probabilidades para varios valores de X contenidos en la tabla
6.4 y cuya grfica se muestra en el grfico 6.7. Adems, puede evaluarse la funcin de distribucin
acumulada de X de la siguiente forma:
F(1)= P (X 1) = 0
F(7)= P (X 7) =
21/36
F(2)= P (X 2) = 1/36
F(8)= P (X 8) =
26/36
F(3)= P (X 3) = 3/36
F(9)= P (X 9) =
30/36
F(4)= P (X 4) = 6/36
F(10)= P (X 10)= 33/36
F(5)= P (X 5) = 10/36
F(11)= P (X 11) = 35/36
F(6)= P (X 6) = 15/36
F(12)= P (X 12) = 1
Ntese que
P (X 7) = 1 F(7) = 15/36
P (X =7) = P (X 7) - P (X 6) = 6/36
P (4 X 9) = P (X 9) - P (X 3) = F(9) - F(3) = 27/36
En general, la funcin de distribucin acumulada F(x) de una variable aleatoria discreta es una funcin
no decreciente (o montona creciente) de los valores de X, de tal manera que cumple con las siguientes
propiedades:

1.
2.
3.

0 F ( x ) 1 para cualquier x
F ( x i ) F ( x j ) si xi > x j
P ( X > x )=1F ( x )

Adems, puede establecerse que para variables aleatorias de valor entero:

4.
5.

P ( X=x i ) =F ( x i )F ( x i1 )
P ( xi X x j ) =F ( x j ) F ( x i1 )

La grfica de la distribucin acumulada del ejemplo 6.1 se muestra en el grfico 6.7. En este
grfico es evidente que la funcin de distribucin acumulativa de una variable aleatoria discreta es una
funcin escaln, que toma un valor superior en cada salto.
Grfico 6.7. Representacin grfica de la funcin de distribucin acumulativa de la suma de las caras de dos dados

F(x)

10 11 12 13 14 15 16

Interpretacin
Se desprende que el concepto de frecuencia relativa acumulada y su representacin grfica, ya vistos,
tienen tambin su contrapartida en el estudio de las probabilidades. Una funcin acumulada describe
cmo se acumulan las probabilidades del mismo modo exactamente que la cuarta columna de la tabla
de distribucin de frecuencias describe la manera en que se acumulan las frecuencias relativas:
sumando todos los valores de estas frecuencias. El valor de la funcin acumulada es cualquier punto
dado xi, F(X = xi) representa la suma de todos los valores de la funcin de probabilidad correspondientes
a todos los valores de la variable aleatorias x que son menores o iguales a xi.
Ejemplo 6.2. Supngase que se lanza una moneda dos veces de tal forma que el espacio muestra es
S = {(C,C), (C,S), (S,C), (S,S)}. Represntese por X el nmero de caras que pueden resultar. Con cada
punto muestral podemos asociar un nmero para X como se muestra en la Tabla 6.5. As en el caso de
(C,C) (es decir 2 caras), x = 2 en tanto que para (S,C) (1 cara), x= 1. Se concluye que X es una variable
aleatoria.
Tabla 6.5: Correspondencia de los eventos simples de S del ejemplo 6.2 y los valores que toma la VAD X
Punto muestral
CC
CS
SC
SS

8
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

2

Debe observarse que tambin podran definirse otras muchas variables aleatorias en este
espacio muestral, por ejemplo X1:el cuadrado del nmero de caras, X 2 X2: el nmero de caras
menos el nmero de sellos, etc.

Retomando el ejemplo 6.2:

a) Hallar la funcin de probabilidad correspondiente a la variable aleatoria X.
b) Construir la grfica de la Funcin de probabilidad.

Solucin
(a) Suponiendo que la moneda es legal tenemos
1
1
1
1
P { ( CC ) }= P { ( CS ) }= P { ( SC ) } = P {( SS ) }=
4
4
4
4
Luego

P ( X=0 )=P { ( SS ) }=

1
4

1 1 2
P ( X=1 )=P {( CS ) ( SC ) } =P {( CS ) }+ P {( SC ) }= + =
4 4 4
1
P ( X=2 ) =P {( CC ) }=
4
As, la funcin de probabilidad est dada en la Tabla 6.5.

Tabla 6.5.: Funcin de probabilidad para el ejemplo 6.2

xi
p(xi)

0
1/4

1
2/4

2
1/4

(b) La grfica de la funcin de probabilidad puede representarse como se indica en la Grfico 6.8
Grfico 6.8. Funcin de probabilidad del nmerod de caras al lanzar dos veces un moneda legal
0.75
0.5

p(x)

0.25
0

Ejemplo 6.3. Sea la funcin de distribucin para la variable aleatoria X

Grf ico 6.9- Funcin de distribucin de probabilidades para el ejemplo 6.3
1
2/4

F(x)

1/4
0
-3

-2

-1

Los
aspectos
siguientes
acerca de la funcin de
distribucin anterior, que son verdaderos en general, deben notarse:
1. Las magnitudes de los saltos para p(x), en 0, 1, 2 son 1/4, 1/2, 1/4 que corresponden
exactamente a las ordenadas en la figura. Este hecho permite obtener la funcin de probabilidad a partir
de la funcin de distribucin.
2. Debido a la apariencia de la grfica 6.6 frecuentemente se la llama funcin escalera o
funcin escalonada o funcin paso.
9
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

VALOR ESPERADO Y VARIANZA DE UNA VAD

El valor esperado de una variable aleatoria X, simbolizado como
medio de X y est dado por:

E [ X ] , es el promedio o valor

E [ X ] == xi p ( xi ) i=1,2, , k
i=1

Varianza de X:
k

V [ X ] = = E [ ( X ) ] = x i p ( x i )
2

i=1

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

Contenidos
6.3 Introduccin
6.4 Distribucin uniforme
6.5 Distribucin Bernoulli
6.6 Distribucin binomial
6.6.1.Funcin de probabilidad, media y varianza de la
distribucin binomial
6.6.2.Grfico de la funcin de probabilidad
6.6.3. Grfico de la funcin de distribucin acumulada
6.6.4.Aplicaciones de la distribucin binomial
6.7 Distirbucin de Poisson
6.7.1. Parmetros de la distribucin de Poisson
6.7.2. Media y varianza de la distribucin de Poisson
6.7.3. Determinacin de la probabilidad

6.3

INTRODUCCIN

Se ha visto que las variables aleatorias se relacionan con los experimentos aleatorios, y que en todos los
casos se trata de variables numricas. En este captulo se desarrollarn modelos probabilsticos o
modelos estocsticos, que describen el comportamiento de variables aleatorias discretas y en el
prximo se introducirn modelos para el caso continuo. En ambos casos se trata de un tipo de modelo
formal que puede expresarse mediante una frmula, y que es muy utilizado en el mbito de las ciencias
aplicadas para explicar el comportamiento de los fenmenos aleatorios.
Un modelo probabilstico para el caso discreto, expresa la relacin entre los valores de una variable
aleatoria discreta y la probabilidad asociada a posibles valores de la misma. en cuyo caso tal regla de
correspondencia se denomina funcin de probabilidad. La informacin correspondiente se suele
10
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

organizar como una distribucin de probabilidad, la cual se refiere a la distribucin de las
probabilidades asociadas a cada uno de los valores de la variable aleatoria. Las distribuciones
probabilsticas se pueden representar a travs de una tabla o de una representacin grfica.
Entre los modelos de distribuciones de probabilidad de variables discretas se tiene a los siguientes:

Modelo uniforme (discreto). Modela la distribucin de probabilidades de una variable donde

todos sus posibles valores tienen la misma probabilidad de ocurrencia.

Modelo Bernoulli 1. Modela la distribucin de probabilidades para variables dicotmicas con

recorrido RX = {0,1}.

Modelo binomial. Modela la distribucin de probabilidades de una variable que se refiere a la

cantidad de xitos que se pueden lograr al realizar una cierta cantidad de experimentos simples
con probabilidad de xito constante y con repeticiones independientes.

Modelo multinomial. Este modelo puede considerarse una generalizacin de la distribucin

binomial, o sea aplicable al clculo de la probabilidad de obtener n1, n2, ..., nk ocurrencias en k
categoras (mutuamente excluyentes) de una muestra de tamao nc=n1+n2+...+ nk.

Modelo geomtrico. Modela la distribucin de probabilidades de una variable que se refiere a

realizar cierto nmero de experimentos antes de obtener un xito.

Modelo Poisson 2. Modela la distribucin de la probabilidad de que ocurra un evento raro en un

periodo de tiempo o cierto espacio.

En este curso se utilizarn los modelos uniforme y de Bernoulli para introducir algunos conceptos
bsicos, pero el inters se centrar en los modelos binomial y de Poisson.

6.4

DISTRIBUCIN UNIFORME

Se conoce que en el experimento de arrojar al aire un dado legal, todos los puntajes del 1 al 6, tienen la
misma probabilidad de aparecer, y que esta es igual a 1/6.
Se puede decir entonces que la distribucin uniforme se caracteriza porque todos los valores de un
Definicin 7.1. Distribucin uniforme discreta
Sea una variable aleatoria X, en la que cada uno de sus valores x1,x2,., tiene igual probabilidad de
ocurrencia. Luego, se dice que X es una variable aleatoria que se distribuye uniformemente sobre n
puntos cuya funcin de probabilidad es

1
P ( X=x )= p ( x )=u ( x ; k )= k siendok un nemro entero y x=x 1 , x 2 , , x k
0 en cualquier otro caso
sistema finito de valores posibles son igualmente probables.
Propiedades
Parmetros del modelo
Esperanza matemtica
o media

E [ X ] ==

k+1
2
2

Varianza

k 1
V [ X ] = =
12

Desviacin estndar

=V [ X ]

1
Jakob Bernoulli o Jacob Bernoulli (1654 - 1705), fue un matemtico y cientfico suizo cuya obra maestra fue Ars Conjectandi
(el Arte de la conjetura), un trabajo pionero en la teora de la probabilidad. Los trminos ensayo de Bernoulli y nmeros de
Bernoulli son resultado de su trabajo, publicado siete aos despus de su muerte.

2
Modelo descubierto por Simon-Denis Poisson (1781- 1840), un fsico y matemtico francs que se interes en el clculo de
las integrales y en la distribucin de las cargas elctricas sobre la superficie de los conductores. En 1837 public Recherches
sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en
materias criminales y civiles), donde describi la probabilidad de acontecimientos fortuito ocurridos en un tiempo o intervalo de
espacio, cuando la probabilidad de ocurrencia es muy pequea, pero el nmero de intentos es muy grande.

11
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Ejemplo 7.1: la variable aleatoria X asociada al experimento de tirar un dado sigue una distribucin
uniforme discreta, cuya media es 3,5 y varianza 5,8.

p(x)
1/6

Grfico 7.1. Distribucin de probabilidades de X

u (x;k= 6)

La expresin X u (x;k= 6) se lee: variable aleatoria X cuyos valores x siguen una distribucin de
probabilidades uniforme discreta con parmetro k=6.
1

6.5 DISTRIBUCIN BERNOULLI

Se conoce que los resultados en el experimento de arrojar al aire una moneda legal, corresponden a los
de una variable dicotmica: ocurre cara (C) u ocurre sello (S). Adems siendo legal, la probabilidad de
ocurrencia del evento que generalmente se considera xito es igual a , un valor que se mantendr
constante cada vez que se haga este tipo de experimento.
En la teora de probabilidad se considera como ensayo de Bernoulli a un experimento aleatorio que se
realiza una sola vez, donde se trata de observar si cierto suceso ocurre o no ocurre. Significa que el
espacio muestral slo tiene dos resultados, que suelen denominarse como evento xito y evento
fracaso, esto es S = {E, F}. Desde el punto de vista de la teora de la probabilidad, tales ensayos estn
modelados por una variable aleatoria dicotmica que puede tomar slo dos valores, 0 y 1, que suelen
aplicarse respectivamente para etiquetar los eventos fracaso y xito, o sea que x=0 si el suceso no
ocurre (se observ el evento fracaso) y x=1 en el caso que ocurra (se observ el evento xito).
Definicin 7.2 Distribucin Bernoulli

Sea una variable aleatoria X, asociada a la presencia de obtener un xito cuando se realiza un nico
experimento con dos posibles resultados (xito o fracaso). Luego, se dice que X es una variable
aleatoria que se distribuye uniformemente sobre n puntos cuya funcin de probabilidad es

P ( X=x )= p ( x )=b ( x ; ) =

si x=1
1 si x=0
0 en cualquier otro caso

Propiedades
Parmetros del modelo

Esperanza matemtica
o media

E [ X ] ==

Varianza

V [ X ] = 2= (1)

Desviacin estndar

= V [ X ]

Ejemplo 7.2. la variable aleatoria X asociada al experimento de tirar una moneda una vez sigue una
distribucin Bernoulli, si cara es el evento xito y sello el evento fracaso, la probabilidad de xito es
p=0,5 y la probabilidad de fracaso es q = 1-p = 0,5. La media es 0,5 y la varianza 0,25.
p(x)

0,5

Grfico 7.2. Distribucin de probabilidades de X

b (x; 0,5)

La expresin X b (x; 0,5) se lee: variable aleatoria X cuyos valores por siguen una distribucin
de probabilidades Bernoulli con parmetro = 0,5.
En forma anloga, el experimento de lanzar
0 un1 dado legal Xy considerar como evento xito la salida del
6, se asocia con una variable dicotmica, esto es S = {6, no 6}. La variable aleatoria X se referir a la
12
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

ocurrencia del 6, que se etiquetar con 1 (xito) en tanto que 0 representar que salga cualquier puntaje
que no sea 6 (fracaso). La probabilidad clsica indica que = 1 / 6, de este modo
P(6) = P(X = 1) = p (1) = 1 / 6 0,17
P(no 6) = P(X = 0) = p (0) = 1- p (0) 0,83

6.6 DISTRIBUCIN BINOMIAL

6.6.1 Generalidades.
Se considerar una encuesta de mercado, realizada para predecir las preferencias sobre
determinados productos alimenticios, la entrevista de un solo consumidor se parece, en muchos
aspectos, al lanzamiento de una sola moneda, porque el consumidor puede indicar que un producto le
parece bueno o bien caratularlo con una opinin diferente (regular, malo o desconocido). Otra situacin
parecida se dara en el caso de un socilogo rural que se interesa por la fraccin de casas rurales que
tienen electricidad donde cada casa podra resultar que est electrificada o no; o de un docente que se
interesa por la fraccin del nmero de alumnos que aprueba el curso cuando existe la posibilidad de que
un alumno apruebe o bien no apruebe.
En cada uno de los ejemplos dados, hay dos resultados posibles: el resultado de inters, que se llamar
xito y el resultado adverso que se considerar un fracaso. Si el estudio se hubiera realizado
consultando a un solo consumidor, o a una solo familia rural o a un solo alumno, el modelo probabilstico
que se utilizara para describir la correspondiente variable aleatoria habra sido el de Bernoulli. Pero, en
estos tres casos, siempre se recurrir al estudio de una muestra de tamao n, de modo que se estar
aplicando un ensayo de tipo Bernoulli n veces. Se trata entonces de un proceso repetitivo de ensayos
Bernoulli, que se llama proceso de Bernoulli.
Definicin 7.3.
Un proceso de Bernoulli tiene las siguientes propiedades:
1. Cada ensayo produce un resultado que se puede clasificar como xito (E) fracaso (F).
2. La probabilidad de un xito, que se denota con , permanece constante de un ensayo a otro
(ensayos independientes).
3. A priori se fija el nmero de repeticiones del ensayo (c).
Si en el ejemplo mencionado anteriormente sobre una encuesta de mercado, se entrevista a diez (c=10)
consumidores, y dado que: a) cada consumidor podr estar a favor (xito) no (fracaso) de un producto
en particular, b) debido a que se trabaja con una muestra seleccionada al azar, cada ensayo es
independiente de otro y, c)
, la probabilidad de xito permanece constante en cada ensayo ( = 0,5).
Puede decirse entonces que se est frente a un proceso Bernoulli en el que se repite 10 veces un
ensayo Bernoulli (c=10). El objetivo es llegar a modelar el comportamiento de X, es decir, la VAD
(variable aleatoria discreta) que representa el nmero de consumidores que estn a favor del producto
(Rx = {0,1, 2, 3, 4, 5, 6, 7, 8, 9, 10}).
Cuando se cumple todas las caractersticas definidas para un proceso Bernoulli, se dice que se trata de
un tipo de experimento denominado experimento Binomial.
Definicin 7.4.
Un experimento binomial es un experimento que posee las siguientes propiedades:
El experimento consta de una cantidad fija de c ensayos o pruebas idnticas.
Cada prueba puede tener uno de dos resultados. Es decir los resultados son dicotmicos
Debido a la falta de una mejor nomenclatura, llamaremos convencionalmente a un resultado
xito (E) y al otro fracaso (F).
La probabilidad del evento xito en una sola prueba es igual a , y permanece constante de
una prueba a otra. La probabilidad del evento fracaso es (1- ).
Las pruebas son independientes.
Interesa conocer x, que es el nmero de xitos observados en c pruebas.
Ejemplo 7.3: De un proceso de produccin que supondremos arroja un 25% de artculos defectuosos,
se seleccionan tres artculos al azar que se inspeccionan y se clasifican como defectuosos no
defectuosos. En el contexto de la inspeccin de calidad de los procesos productivos se suele designar
como xito al resultado: artculo defectuoso. El nmero de xitos es una variable aleatoria X que toma
valores enteros de 0 a 3. Es ste un experimento binomial?
13
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

El experimento consiste en c=3 ensayos o pruebas de Bernoulli que se repiten.
Cada ensayo es independiente de los otros (que un artculo sea defectuoso o no defectuoso no influye
en el resultado que arroja otro artculo).
Cada ensayo arroja un resultado que se puede clasificar como xito o fracaso. (cada artculo podr ser
defectuoso o no defectuoso).
La probabilidad de xito permanecer constante en cada prueba. (siempre que se seleccione un artculo,
ste tendr una probabilidad de 0,25 de ser defectuoso).
La variable aleatoria X representa el nmero de artculos defectuosos en todo el experimento. (R x = {0,
1, 2, 3}).
Por lo tanto, despus del anlisis de los tems anteriores, se concluye que se trata de un experimento
binomial. Los ocho resultados posibles del experimento anterior (2x2x2) y los valores de la variable
aleatoria X se reflejan en la siguiente tabla:
Resultado
xi
Ningn defectuoso
DDD
0
Uno defectuoso
DNN
1
1
1
NDN
NND
Dos defectuosos
DDN
2
DND
2
NDD
2
Tres defectuosos
DDD
3

6.6.2 Propiedades caractersticas de la distribucin binomial

El nmero de xitos en c experimentos de Bernoulli es una variable discreta que se asocia con una
variable aleatoria binomial. La distribucin de probabilidad de una variable binomial se llama
distribucin binomial, y los correspondientes valores de la funcin de probabilidad se denotan como
b( x ; c , ) , lo que indica que c (nmero fijo de ensayos Bernoulli) y (probabilidad del evento
xito) son los parmetros de tal distribucin. Se justificar ahora la expresin presentada.
Para desarrollar la frmula de la probabilidad de x xitos en c pruebas, para un experimento binomial:
1) se considerar un orden especfico de x xitos y (c-x) fracasos; la probabilidad de este resultado en
particular, debido a que las pruebas (c=3) son independientes se obtiene al multiplicar las
correspondientes probabilidades de los diferentes resultados para cada prueba experimental. Por otra
parte se conoce que cada xito ocurre con una probabilidad
y cada fracaso con probabilidad
x
( 1 ) . Por tanto, la probabilidad para el orden especfico es (1 )(cx ) .
Ilustracin: en el ejemplo de control de calidad productiva (c=3), se considerar el resultado (NDN), esto
es resulta N en la primera prueba; en la segunda D y en la tercera N. Como se conoce que
14
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

histricamente el proceso produce alrededor de un 25% de artculos defectuosos, se puede suponer que
la probabilidad de xito es = 1/4, de modo que 1- = 3/4. Luego:

Pero el resultado una sola de las tres unidades es defectuosa se corresponde con tres puntos del
espacio muestral.
2) Se debe determinar ahora el nmero total de puntos muestrales en el experimento que tiene x xitos
y (c-x) fracasos. Este nmero es igual al nmero combinatorio

( cx)

dado por la regla de conteo para

el caso sin reposicin y sin orden, que en este contexto recibe el nombre de coeficiente binomial.
Ilustracin: de esta manera las probabilidades asociadas a los valores posibles de la variable aleatoria
Por, de inters resultan ser
xi
0

P(X=x)=p(x
)
donde se observa que la probabilidad de dos artculos defectuosos calculada aplicando la funcin de
probabilidad es igual a

p ( X=2 ) =p ( 2 ) =b x=2; c =3, =

1
9
=
4 64

6.6.3 Funciones de probabilidad de la VAB

Definicin 7.5.
Sea X una variable aleatoria discreta que representa el nmero de xito en c ensayos y
probabilidad de xito con cualquiera de stos.

la

Se dice que X tiene una distribucin binomial con funcin de probabilidad:

15
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

b ( x ; c , )=C cx x ( 1 )( cx )= c x ( 1 )(c x ) siendo x=0,1,2, , c y 0 1

x

()

c!
x ( 1 )( c x ) para c entero ; 0 1
P ( X=x )= p ( x )=b ( x ; c , )= ( cx ) ! x !
0 para cualquier otro valor
donde
p(x): da la probabilidad de la ocurrencia de exactamente x veces el evento xito.
c: nmero fijo de pruebas
: probabilidad de xito en una sola prueba
: probabilidad de fracaso de una sola prueba
es el coeficiente binomial dado por
2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x, se
determina por la funcin de la distribucin acumulada
cx
P ( X x )=F ( x )=F ( x ; c , ) = c x ( 1 )( ) ; con i=1,2, (c +1)
x x xi
i

()

donde
F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.
Propiedades
Parmetros del modelo

c ,

Esperanza matemtica
o media

E [ X ] ==c

Varianza

V [ X ] = 2=c (1 )

Desviacin estndar

= V [ X ]

6.6.4 Aplicaciones de la distribucin binomial

Nota: Al graficar la funcin de probabilidad de una variable aleatoria discreta (grfico de lneas),
se debe tener en cuenta que en el eje de abscisas se representan los valores de la VAD X, y en el
eje de ordenadas se representan las probabilidades puntuales o probabilidades masa
correspondientes a dichos valores de la variable

p(xI)

Grfico 7.3. Funcin de probabilidad de una VAB

Otros ejemplos de distribuciones de VAB

16
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

(b)

(c)
Grfico 7.4. Distribuciones de probabilidad binomial para (a) c=10,

=0,10; (b) c=10,

=0,50; y (c) c=20,

=0,50

Notar: que la distribucin binomial resulta simtrica cuando

asimtrica positiva.

=1/2; mientras que si

1-

resulta

Grfico 7.5. Funcin de distribucin acumulada de una VAB

Nota: Al graficar la distribucin de probabilidad acumulada simbolizada como F(x), que se

corresponde con un grfico escalonado, para una variable binomial se debe tener en cuenta que
en el eje de abscisas se representan los valores de la VAD X, y en el eje de ordenadas se
representan las probabilidades acumuladas, F(x), correspondientes a dichos valores de la variable.
Ejemplo 7.4: Las observaciones durante un largo perodo muestran que la probabilidad de vida de
un cierto componente de la fauna silvestre en los primeros cinco aos de vida es de 0,2.
Supngase que un investigador procura una muestra de cuatro animales de la especie y le quiere
hacer seguimiento del ciclo de vida.
Cul es la probabilidad de que exactamente dos animales sobrevivan?
Cul es la probabilidad de que al menos dos animales sobrevivan?
Cul es la probabilidad de que todos los animales sobrevivan?
a)

b)

c)

Ejemplo 7.5: Se inspeccionan los grandes lotes de productos que llegan a una planta manufacturera a
fin de encontrar artculos defectuosos, mediante un plan de muestreo. Se selecciona una muestra
aleatoria de n artculos de cada uno de los lotes y se inspeccionar la muestra, anotando el nmero x de
17
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

defectuosos. Si X es menor que o igual a algn nmero de aceptacin a especificado, se aceptar el
lote. Si X es mayor que a, se rechazar el citado lote. Supngase que un fabricante utiliza un plan de
muestreo con c = 10 y a = 1. Si el lote contiene exactamente 5% de artculos defectuosos, cul es la
probabilidad de que el lote sea aceptado? Cul es la probabilidad de que sea rechazado?
Bajo la suposicin de que el lote contiene 5% de defectuosos, la probabilidad de que un artculo,
extrado de l sea defectuoso, es
muestra de c=10 artculos es:

=0,05. Entonces la probabilidad de observar x defectuosos en una

Se ha especificado que el lote ser aceptado, cuando x sea menor o igual que al nmero de aceptacin
a=1. Por lo tanto, la probabilidad de aceptacin de un lote con estas caractersticas es:

Ejemplo 7.6: Una representacin grfica de la probabilidad de aceptacin del lote, contra la fraccin de
defectuosos
, se llama curva caracterstica de operacin de un plan de muestreo para aceptacin
de lotes. Calcular la probabilidad de aceptacin de lotes en el caso de un plan de muestreo con un
tamao muestral c=5 y un nmero de aceptacin a=0 para las fracciones de defectuosos del lote
considerando =0,1; 0,3 y 0,5.

Con los resultados se puede trazar la curva de operacin caracterstica para el plan de muestreo
(3 puntos intermedios de la curva). Adicionalmente se que la probabilidad de aceptacin tiene que ser
igual a 1 cuando

=0 y tiene que ser 0 cuando

=1.

p
Grfico 7.6. Curva caracterstica de operacin para c=5 y a=0

1.2.1.

Tablas de probabilidad para la distribucin binomial

El clculo de probabilidades binomiales es un trabajo tedioso cuando c es grande. Para simplificar los
clculos, se recurre a una tabla de la funcin de distribucin F(x), que da la suma de las
probabilidades binomiales desde x=0 hasta x=c, para c = 5, 10, 15, 20 y 25, y diferentes valores de

Para mostrar como utilizar la tabla, supngase que se desea encontrar la suma de las probabilidades
binomiales desde x = 0 hasta x = 3, para un experimento binomial con c = 5 pruebas y
se quiere calcular

=0,3. Es decir,

donde
Para entrar en la tabla, primero hay que localizar a c=5. Luego, ya que los valores tabulares dan
, se busca el valor tabulado en la fila correspondiente a x=3 y en la interseccin con la columna
de

=0,3 se encuentra el valor tabulado buscado: 0,9692, que corresponde a la suma de las

probabilidades binomiales desde x=0 hasta a=3 (para c=5 y

=0,3), esto es

18
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

F(3) =

= 0,9692.

Tabla 7.1. Fragmento de una tabla de valores de la funcin de distribucin acumulada binomial
c
x

0.01
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.99
c
5
0
0
1
1
2
0,8369
---2

19
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

3
0,9692
--3
4
4

La tabla puede utilizarse tambin para encontrar una probabilidad binomial especfica, por ejemplo p(3)
para c=5,

=0,6. En este caso se procede segn

Por lo tanto, un valor individual de p(x) es igual a la diferencia entre dos sumas que son entradas
adyacentes, dadas en una columna de la tabla.
Ejemplo 7.7. Obtener la media y la desviacin tpica para la distribucin de probabilidad binomial
relacionada con un experimento donde c=10 y
intervalo

=0,1 y calcular la probabilidad de que X caiga en el

La media y la desviacin tpica para la distribucin de probabilidad de la VAB resultan

El valor paramtrico de

indica el centrado del grfico de probabilidades y el intervalo

muestra que x=0, 1, 2. Por lo tanto, la probabilidad de que x caiga en el intervalo

es igual a

Esta probabilidad acumulada se encuentra en la tabla de la funcin de distribucin de la VAB para c=10,
p=0,1 y x=2, como 0,930.
Si consideramos la distribucin de probabilidad como una distribucin de frecuencias relativas para una
poblacin terica de valores x, entonces 93% de todas las observaciones en la poblacin caern en el
intervalo
. Este resultado concuerda con el Teorema de Tchebysheff y razonablemente bien con
la Regla Emprica.
Ejemplo 7.8. Suponga que un docente investiga sobre las caractersticas de los resultados de una
prueba de opcin (o eleccin) mltiple. Una calificacin de 0 en una prueba objetiva indica que el alumno

20
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

no pudo recordar el o los conceptos involucrados de la prueba en el momento en que se realiz el
examen. Tambin puede suceder que se obtenga el puntaje asignado habiendo contestado
correctamente por pura suerte, ya que se desconoca el tema. Por consiguiente, un alumno sin saber
puede obtener en una prueba de opcin mltiple una calificacin final muy por arriba de O. Si se toma
una prueba de esta clase con 100 preguntas, cada una con seis respuestas posibles,
cul ser la calificacin esperada para una persona que no tiene conocimiento del material para la
prueba?
Entre qu limites caern las calificaciones de no conocimiento?
a) Sea
igual a la probabilidad de una opcin correcta en una sola pregunta y sea X el nmero de
respuestas correctas para las 100 preguntas (c=100). Suponiendo que el no conocimiento indica que la
persona escoger al azar una de las seis respuestas posibles para cada pregunta, resulta
=1/6.
Entonces para c=100 preguntas, la calificacin esperada para un estudiante con ningn conocimiento, es
E(x), donde

Para evaluar la variacin de las calificaciones de no conocimiento, se necesita conocer el valor de ,

donde

= c (1 )= (100)

( 16 )( 56 )=3,7

b) Por el conocimiento del Teorema de Tchebysheff y de la Regla Emprica 3 se puede esperar que la
mayora de las calificaciones de no conocimiento caigan en el intervalo
, o bien [16.7 2 x 3,7],
o sea desde 9,3 hasta 24,1. Este resultado puede compararse con la calificacin de cero para una
persona sin conocimiento que se somete a una prueba objetiva de recordar.
.

6.7 DISTRIBUCIN DE POISSON

6.7.1 Generalidades
Despus de conocida la aplicacin hecha por S. D. Poisson, se encontr que la distribucin de
Poisson describa con mucha precisin la probabilidad de las muertes producidas en el ejrcito prusiano
a causa de las coces de los caballos, as como del nmero de suicidios de mujeres y nios. Una
aplicacin ms contempornea ha sido la modelacin del nmero de bombas arrojadas por aviones con
impacto/cuadrcula territorial durante la segunda guerra mundial y el nmero de avistajes de objetos
voladores no identificados/espacio geogrfico. En el campo profesional de las carreras de la Facultad
tambin encuentra importantes aplicaciones asociadas a eventos raros, que son aquellos con baja
probabilidad de ocurrencia como la distribucin de fallas en relacin al control de calidad (n de
defectos/artculo, n de reparaciones en mantenimiento industrial, etc.), o el patrn de la variabilidad
correspondiente a la distribucin de la abundancia de especmenes de aves y de insectos en fracciones
espaciales (reas en: m2, km2, etc.), cabezas de ganado por hectrea, cantidad de huevos de un insecto
en una oviposicin, as como el nmero de bacterias por muestra de agua potable o de nemtodos por
unidad de volumen del suelo y otros. Tambin la distribucin de probabilidades discreta de Poisson
tiene actualmente un amplio abanico de aplicaciones en el rea de la investigacin de operaciones, con
relacin al nmero de llegadas o solicitudes de servicio por unidad de tiempo en los puestos de peaje de
una va frrea, en las cajas registradoras o cajas bancarias, o la utilizacin de las pistas de aterrizaje de
un aeropuerto. En medicina la variable nmero de llegada de infartados a un centro de atencin es una
variable Poisson.

Muestra

3
Un histograma para p(x) con c=100, =1/6 tendr forma de pico de montaa. Por lo tanto, se esperara que la Regla Emprica
funcionara bien.

21
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Grfico 7.7. Parte de un rollo de papel y rea base para contar la ocurrencia de fallas.

Se llaman experimentos de Poisson a aquellos experimentos que arrojan valores numricos de una
variable aleatoria X referidos al nmero de ocurrencias durante un intervalo dado de espacio o tiempo. El
intervalo temporal puede tener cualquier longitud razonable al caso, como puede ser un minuto, un da,
una semana, un mes o incluso un ao, y el intervalo espacial podra corresponderse con un segmento
de una lnea, un rea o un volumen.
Definicin 7.6
Un experimento de Poisson se deriva del proceso de Poisson y tiene las siguientes propiedades:
El nmero de resultados que ocurren en un intervalo o regin especfica es independiente del nmero
que ocurre en cualquier otro intervalo o regin del espacio disjunto.
La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin pequea
es proporcional a la longitud del intervalo o al tamao de la regin, y no depende del nmero de
resultados que ocurren fuera de este intervalo o regin.
La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caiga en tal regin
pequea es insignificante
Para utilizar la distribucin de Poisson en clculo de las probabilidades para modelar el comportamiento
de una VA, se requiere cumplir con cuatro supuestos bsicos:
1) debe ser posible dividir el intervalo de tiempo considerado en un nmero grande de pequeos
subintervalos, de manera que la probabilidad de ocurrencia en cada uno de ellos sea muy pequea.
2) la probabilidad de una ocurrencia en cada uno de los subintervalos debe permanecer constante a lo
largo del perodo que est considerndose.
3) la probabilidad de dos o ms ocurrencias en cada subintervalo tiene que ser suficientemente pequea
como para ignorarla.
4) una ocurrencia (o no ocurrencia) en un subintervalo no debe afectar a otra ocurrencia (o no
ocurrencia) en cualquiera de los otros subintervalos; es decir, las ocurrencias deben ser independientes.
Consideremos el nmero de llegadas por hora a un banco.
A continuacin se ilustran estos conceptos:
Suposicin
Ejemplo del banco
Es posible dividir el intervalo de tiempo considerado en pequeos subintervalos.
La probabilidad de una ocurrencia permanece constante a lo largo de los intervalos.
La probabilidad de dos o ms ocurrencias en un subintervalo es suficientemente pequea como para
ignorarla.
Las ocurrencias son independientes.
Puede dividirse la hora en subintervalos de un segundo cada uno.
Se elige una hora en la que es razonable prever que el flujo de clientes es constante.
Es imposible que dos personas entren al banco simultneamente (o sea, en el mismo segundo)
Las llegadas al banco no estn incluidas por las dimensiones de la cola.
Resulta importante identificar que la unidad de medicin de tiempo o de rea presenta caractersticas de
continuidad, pero que la variable aleatoria nmero de ocurrencias es discreta. Adems, cabe notar que
es imposible contar las ocurrencias del evento complementario, por ejemplo el nmero de accidentes
que no ocurrieron, el nmero de llamadas que no se realizaron o el nmero de defectos que no se
presentaron en un centmetro cuadrado.

6.7.2 Propiedades caractersticas de la distribucin de Poisson

El nmero de xitos en c experimentos de Bernoulli es una variable discreta que se asocia con una
variable aleatoria El lmite inferior del nmero de acaecimientos en todas esas situaciones es cero, y el
lmite superior - por lo menos tericamente- es infinito, aun cuando en la mayora de los ejemplos
presentados sera difcil imaginar un nmero ilimitado de ocurrencias. De este modo, la variable Poisson,
que toma valores de cero a un nmero infinito de ocurrencias por unidad, puede no representar
exactamente cualquiera de los procesos aleatorios mencionados en pginas anteriores, pero en muchas
oportunidades se ha demostrado que el modelo de Poisson resulta til para aproximar estrechamente
tales procesos.

22
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

6.7.3 Funciones de probabilidad de la VAP

Definicin 7.7.
Sea X una variable aleatoria discreta que representa el nmero de ocurrencias con relacin a una
base temporal o espacial.
1) Se dice que X tiene una distribucin Poisson con funcin de probabilidad:

donde
p(x): da la probabilidad de que el evento x suceda exactamente k veces.
: es un parmetro positivo que representa una tasa media de veces que puede
ocurrencia de un fenmeno en el intervalo considerado
e: es la base de los logaritmos naturales (e = 2,71828 ...)

esperarse la

2) La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico de x, se
determina por la funcin de la distribucin acumulada
; para xi.= 0,1, 2, 3, .

(7.4)

donde
F(x): da la probabilidad de la ocurrencia de x veces o menos del evento xito.
Propiedades
Parmetros del modelo

Esperanza matemtica
o media

E [ X ] ==

Varianza

V [ X ] = 2=

Desviacin estndar

= V [ X ]

El nico parmetro necesario para caracterizar una poblacin descrita por la distribucin de Poisson es
la tasa media de ocurrencia de los sucesos, simbolizada con la letra griega lambda (). Puede definirse
lambda como la tasa media de ocurrencia por unidad de temporal o espacial considerada.
As, si =1,0 se refiere a la llegada de los clientes la un banco, la ley de probabilidad de Poisson est
indicando que a largo plazo se produce a razn de 1,0 clientes por minuto, con una varianza de llegadas
tambin igual a 1,0.

Aplicaciones de la distribucin Poisson

En el grfico 7.8 se ilustra una tpica distribucin de probabilidades de una VA Poisson. Obsrvese que
casi toda la probabilidad se concentra cerca del origen (valores 0, 1), y que la probabilidad de observar
grandes valores de la variable aleatoria es muy pequea. Cuando se dice que una variable aleatoria est
distribuida segn el modelo de Poisson, se suele interpretar que una distribucin de frecuencias relativas
de ocurrencias respecto a esa variable, tiene un patrn de variabilidad que se puede representar
aproximadamente o razonablemente con tal modelo.

23
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Grfico 7.8. Distribucin de probabilidades de una VA Poisson para =1,0

Debe notarse que an cuando se considera que la VAP toma un nmero infinito de valores, tal como
ocurre con todas las funciones de masa discretas slo un nmero discreto de valores de x tienen
probabilidades positivas, y los valores de probabilidad resultan muy pequeos a medida que los valores
de x se diferencian ms respecto a . Las grficas tpicas de las distribuciones de Poisson muestran una
asimetra marcadamente positiva, pero cuando no tiene un valor muy cercano a cero, la forma de la
distribucin de Poisson es bastante simtrica. Tambin por los axiomas de probabilidad se sabe que la
suma de las probabilidades correspondientes a todos los valores de x debe ser igual a 1,0. En casos
prcticos debido a que no se consideran infinitos valores de la variable, la suma solo resulta aproximada
a 1,0.
Para las aplicaciones prcticas del modelo Poisson, es necesario determinar empricamente la
tasa media a la que ocurren los sucesos. Esto es, hay que conocer el valor de , quiz sobre la base de
un estudio previo de la situacin (muestra). Una vez conocido el valor de , se pueden utilizar las
funciones de probabilidad de Poisson para determinar la probabilidad de que tengan lugar exactamente
x ocurrencias o sucesos en el intervalo de tiempo especificado o bien la de un evento compuesto (X<5,
etc.).
Muchas veces ms que interesarse en valores especficos, interesa obtener conocimiento sobre
el patrn de variabilidad de la VA vinculada con un fenmeno aleatorio de inters. En este caso el
estudio tambin se inicia con la toma de una muestra, la obtencin de su distribucin de frecuencias y el
clculo de los estadgrafos media y desviacin tpica. Luego se procede a realizar un ajustamiento del
modelo Poisson y se obtienen valores de frecuencias tericas, tratando de tomar alguna idea acerca de
la distribucin poblacional correspondiente a la poblacin de donde se extrajo la muestra. Con posterior
ayuda de herramientas que proporcionar la Inferencia Estadstica, se podr establecer una conclusin
probabilstica al respecto.
Ejemplo 7.10: Las observaciones durante un perodo muestras que la probabilidad de vida de un
cierto componente de la fauna silvestre en los primeros cinco aos de vida es de 0,2 ( ) . A partir
de este conocimiento, puede calcularse la probabilidad de que sobrevivan x animales en ese
perodo.
Ejemplo 7.11 Un zologo sabe por experiencia que en ciertas condiciones, la tasa media de insectos
xilfagos que puede encontrarse en rboles que presentan una incipiente podredumbre es de =600. Se
supone que los insectos van colonizando el fuste del forestal en forma constante a razn de 1 insecto
por unidad de volumen de madera. Se desea determinar la probabilidad de encontrar:
a) exactamente dos insectos en una unidad de volumen seleccionada al azar.
Siendo = 1 y x = 2, luego

Cuando ms 2 insectos (2 o menos)

La probabilidad buscada se obtiene sumando los valores correspondientes a x = 0, 1 y 2.

Ejemplo 7.12 Se realiz un experimento de Poisson que consisti en observar la cantidad de
clientes que pas por una caja registradora de un supermercado en el horario nocturno. Se
considera que las llegadas de los clientes a las cajas pueden seguir una distribucin de Poisson durante
ciertos periodos de tiempo.
24
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Los datos obtenidos se presentan en las dos primeras columnas de la siguiente tabla, construida para
describir estadsticamente la muestra.
Tabla 7.3. Distribucin muestral del nmero de clientes que llega a una caja mercadista
(1)
Cantidad de llegadas (x)
(2)
N de clientes
(3)
Frec. relativas
f/n
(4)

f
n

(5)

x2

(6)

x2

f
n

0
0
0.01
0.00
0
0.00
1
8
0.08
0.08
1
0.08
2
19
0.19
0.38
4
0.76
3
23
0.23
0.69
9
2.07
4
17
0.17
0.68
16
2.72
5
15
0.15
0.75
25
3.75
6
8
0.08
0.48
36
2.88
7
3
0.03
0.21
49
1.47
8
3
0.03
0.24
64
1.92
9

25
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

2
0.02
0.18
81
1.62
10
1
0.01
0.10
100
1.00
Total
100
1.00
3.79
18.27

Utilizando el enfoque empirista de la probabilidad, se obtendrn los parmetros de la distribucin

probabilstica de la variable Poisson empleando las frecuencias relativas para ponderar los valores de la
variable.

E [ X ] = x i f i=3,79 clientes /u . de tiempo

V [ X ] = 2= E [ X 2 ] ( E [ X ] ) = x2i f i ( x i f i ) =18,27( 3,79 )

2

=3,91 ( cientes / u . de tiempo )

Recurdese que, en la distribucin de Poisson, y 2 toman el mismo valor, pero su interpretacin

respectivamente es con relacin al centrado y a la variabilidad. Se observa que el resultado obtenido es
favorable al supuesto de que las llegadas de los clientes a las cajas pueden seguir una distribucin de
Poisson durante ciertos periodos de tiempo. Dado que se tienen datos muestrales (n=100) nunca se
obtendrn valores exactamente iguales, pero como hay escasa diferencia esto da confianza respecto a
la suposicin planteada.
Otro anlisis a realizar para obtener mayor informacin consiste en realizar un ajustamiento del modelo
Poisson. Se emplear con esta finalidad una tabla cuyo encabezamiento es el siguiente:
Tabla 7.4. Ajustamiento del modelo Poisson a la distribucin
del nmero de clientes que llega a una caja mercadista
(1)
Cantidad de llegadas
(xi)
(2)
N de clientes
observados
(ni)
(3)

p ( xi )
(4)
N de clientes esperados

La columna ltima de esta tabla contiene las frecuencias tericas ( n^ i ) , calculadas utilizando el
modelo Poisson. Esta serie de frecuencias debe compararse con las correspondientes frecuencias
observadas de la segunda columna (ni), Cuanto mayor sea la similitud, significa que se tiene ms
informacin emprica a favor de la suposicin planteada inicialmente, y contrariamente, si se observan
discrepancias notables se comenzar a sospechar que habr que describir el comportamiento de la
variable observada utilizando otro modelo para acercarse al conocimiento de la verdadera distribucin
de la poblacin de donde se extrajo la muestra.
Herramientas que proporcionar la Estadstica Inferencial permitirn dilucidar este problema y alcanzar
una conclusin en trminos probabilsticos acerca de la distribucin poblacional.
Tablas de probabilidad para la distribucin Poisson
En realidad, las tablas de la funcin de distribucin de Poisson, F(x), se utilizan de modo muy
semejante a las tablas binomiales, aunque a primera vista no lo parezcan. Como la distribucin de
26
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Poisson es una funcin slo de la media del proceso, las tablas estn diseadas para proporcionar las
probabilidades con base en la media del proceso para diferentes valores de la variable X.
Tabla 7.5. Fragmento de una tabla de distribucin de probabilidad acumulada de Poisson

La tabla proporciona sumas de probabilidades, al igual que la tabla binomial acumulativa, para x o
menos ocurrencias P(X x), dada la media del proceso ()4. Adems si bien da valores de probabilidad
para una funcin de distribucin acumulada, tambin puede utilizarse con criterios similares a los vistos
en el caso Poisson para encontrar una probabilidad Poisson especfica, P(X=x) = p(x).
Ilustracin. Probabilidades obtenidas a partir de la tabla acumulativa de Poisson

Probabilidad deseada para

Incluir los resultados
Clculos
Probabilidad
0.8
x1
0, 1
Se lee directamente
0.809
1.2
x<3
0, 1, 2
Se lee P(x 2)
0.879
1.5
x=0
0
Se lee directamente
0.223
2.0
x>3
4, 5, 6,
0.143
2.6
1<x4
2, 3, 4
0.610
3.8
1x4
1, 2, 3, 4
0.646
5.6
1x4
1, 2, 3, 4
0.338
6.0
x5
5, 6, 7,
0.715

4
Hay bibliografa que utiliza el smbolo en lugar de

27
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Para valores de que no se encuentran en la tabla, se puede encontrar una ms amplia, o interpolar (en
el caso de valores aproximados) en la tabla, o recurrir a las frmula dadas.

28
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2014