Probabilidad y Estadística

GRUPO: 4SV1

INTEGRANTES:
RODRIGUEZ MARTINEZ VICTOR MANUEL
DUARTE GARCÍA HUBER EMMANUEL

1
 Probabilidad y Estadística

INTRODUCCIÓN

En este trabajo hablaremos todo lo relacionado sobre las variables aleatorias discretas
(v.a.d.) y sus funciones de distribuciones, donde explicaremos tanto definiciones, como los
subtemas que pueda llevar, ejemplos concisos donde se explicara de la manera más
entendible. Esta información estará respaldada por bibliografía basada en libros, por lo cual
será acertada para lo que se debe de informar, en este caso el tema de variable aleatoria
discreta.

H. CONTENIDO
1.1.- Variable aleatoria discreta…………………………………………………………3
1.2.- Funciones de distribución de variable aleatoria discreta……………………...4-5
1.3.- El valor esperado de una variable aleatoria o una función de una variable
aleatoria…………………………………………………………………………......……5-9
1.4.- Ejercicios……………………………………………………………………………10-14
Bibliografía………………………………………………………………………….……15

2
 Probabilidad y Estadística

1.1.- VARIABLE ALEATORIA DISCRETA (V.A.D.)

Primeramente, explicaremos lo que es una variable aleatoria, la cual es una variable
aleatoria es una función de valor real definida sobre un espacio muestral. Por tanto, una
variable aleatoria se puede usar para identificar eventos numéricos que son de interés en
un experimento. Por ejemplo, el evento de interés en un sondeo de opinión con respecto a
las preferencias de votantes no suele ser la persona particular muestreada o el orden en el
que se obtuvieron las preferencias, sino Y = el número de votantes que están a favor de
cierto candidato o tema. El valor observado de esta variable aleatoria debe ser cero o un
entero entre 1 y el tamaño muestral. Entonces, esta variable aleatoria puede tomar sólo un
número fi nito de valores con probabilidad diferente de cero. Se dice que una variable
aleatoria de este tipo es discreta.
Definición 1.1
Concretamente tenemos una definición para esto. Se dice que una variable aleatoria Y es
discreta si puede tomar sólo un número finito o contablemente infinito de valores distintos

Se puede obtener una caracterización menos formidable de variables aleatorias discretas si

se consideran algunos ejemplos prácticos. El número de bacterias por unidad de área en el
estudio de control de medicamentos sobre el crecimiento de bacterias es una variable
aleatoria discreta, como lo es el número de televisores defectuosos en un envío de 100
aparatos. De hecho, las variables aleatorias discretas representan con frecuencia
cantidades asociadas con fenómenos reales.
Distribución de probabilidad de la variable aleatoria discreta
Los eventos de interés son con frecuencia numéricos y corresponden a valores de variables
aleatorias discretas. Por tanto, es imperativo que conozcamos las probabilidades de estos
eventos numéricos. Como ciertos tipos de variables aleatorias se presentan frecuentemente
en la práctica, es útil tener a mano la probabilidad para cada valor de una variable aleatoria.
Este conjunto de probabilidades recibe el nombre de distribución de probabilidad de la
variable aleatoria discreta. Encontraremos que numerosos experimentos muestran
características similares y generan variables aleatorias con el mismo tipo de distribución de
probabilidad. En consecuencia, el conocimiento de las distribuciones de probabilidad para
variables aleatorias asociadas con tipos comunes de experimentos eliminará la necesidad
de resolver los mismos problemas de probabilidad una y otra vez.

3
 Probabilidad y Estadística

1.2.- FUNCIONES DE DISTRIBUCIÓN DE VARIABLE ALEATORIA

DISCRETA Y MOMENTOS

De modo notacional, usaremos una letra mayúscula, por ejemplo Y, para denotar una
variable aleatoria y una letra minúscula, por ejemplo y, para denotar un valor particular que
puede tomar una variable aleatoria. Por ejemplo, denotemos con Y cualquiera de los seis
posibles valores que podrían ser observados en la cara superior cuando se tira un dado.
Después de tirar el dado, el número observado será denotado por el símbolo y. Observe
que, Y es una variable aleatoria, pero el valor específico observado, y, no es aleatorio. La
expresión (Y = y) se puede leer como el conjunto de todos los puntos en S a los que la
variable aleatoria Y asigna el valor y.
Mencionaremos una definición concreta de función de distribución de v.a.d.
Definición 1.2
La probabilidad de que Y tome el valor y, P(Y = y), se define como la suma de las
probabilidades de todos los puntos muestrales en S a los que se asigna el valor y. A
veces denotaremos P(Y = y) por p(y).
Como p(y) es una función que asigna probabilidades a cada valor y de la variable aleatoria
Y, a veces recibe el nombre de función de probabilidad para Y.

Definición 1.3
La distribución de probabilidad para una variable discreta Y puede ser representada por una
fórmula, una tabla o una gráfica que produzca p(y) = P(Y = y) para toda y.

Ahora tenemos un teorema que tienen que cumplir las funciones de distribución de variable
aleatoria discreta.

Para cualquier distribución de probabilidad discreta, lo siguiente debe ser verdadero:

1. 0 ≤ p(y) ≤ 1 para toda y.
2. Σ p(y) = 1, donde la sumatoria es para todos los valores de y con probabilidad
diferente de cero.

4
 Probabilidad y Estadística

Como ya se mencionó en la Sección 1.5, las distribuciones de probabilidad que

dedujimos son modelos, no representaciones exactas, por las distribuciones de frecuencia
de poblaciones de datos reales que ocurren (o serían generadas) en la naturaleza.
Entonces, son modelos para distribuciones reales de datos semejantes a las distribuciones
examinadas en el Capítulo 1. Por ejemplo, si fuéramos a seleccionar al azar dos
trabajadores de entre los seis descritos en el Ejemplo 3.1, observaríamos un solo valor y.
En este caso el valor y observado sería 0, 1 o 2. Si el experimento se repitiera muchas
veces, se generarían numerosos valores y.

1.3.- EL VALOR ESPERADO DE UNA VARIABLE ALEATORIA O UNA

FUNCIÓN DE UNA VARIABLE ALEATORIA

Hemos observado que la distribución de probabilidad para una variable es un modelo teórico
para la distribución empírica de datos asociados con una población real. Si el modelo es
una representación precisa de la naturaleza, las distribuciones teóricas y empíricas son
equivalentes. En consecuencia, al igual que en el Capítulo 1, tratamos de hallar la media y
la varianza para una variable aleatoria y por tanto adquirir medidas numéricas descriptivas,
parámetros, para la distribución de probabilidad p(y).

Definimos esto como:

Definición 1.4

Si p(y) es una caracterización precisa de la distribución de frecuencia poblacional, entonces

E(Y) = µ es la media poblacional.

5
 Probabilidad y Estadística

Figura 1.1.- Distribución de

probabilidad para Y.

se muestra en la Tabla 1.1 y el histograma de

probabilidad de la Figura 1.1. Una inspección
visual revelará que la media de la distribución
está ubicada en y = 1. Para demostrar que
E(Y) = y yp(y) es la media de la distribución
de probabilidad p(y), suponga que el
experimento se realizó 4 millones de veces,
dando 4 millones de valores observados para
Y. Si observamos p(y) de la Figura 1.1,
esperaríamos que aproximadamente 1 millón de los 4 millones de repeticiones se manifieste
en el resultado Y = 0, 2 millones en Y = 1 y 1 millón en Y = 2. Para hallar el valor medio de
Y, promediamos estos 4 millones de mediciones y obtenemos

6
 Probabilidad y Estadística

Entonces, E(Y) es un promedio, y la Definición 3.4 es consistente con la

definición de una Media, frecuentemente estamos interesados en la media o el
valor esperado de una función de una variable aleatoria Y. Lo que es más importante,
observamos en la definición de varianza de un conjunto de mediciones es la media del
cuadrado de las diferencias entre cada valor del conjunto de mediciones y su media o el
valor medio de (𝒀 − 𝝁)𝟐 .

Regresemos ahora a nuestro objetivo inmediato, hallar medidas numéricas descriptivas (o

parámetros) para caracterizar p(y). Como ya dijimos, E(Y) proporciona la media de la
población con distribución dada por p(y). A continuación, buscamos la varianza y la
desviación estándar de esta población.

Definición 1.5

Si p(y) es una caracterización precisa de la distribución de frecuencia poblacional (y para

simplificar la notación, supondremos que esto es cierto), entonces E(Y) = µ, V(Y) = 𝝈𝟐 la
varianza poblacional, y 𝝈 es la desviación estándar poblacional.
Para cada teorema suponemos que Y es una variable aleatoria discreta con función de
probabilidad p(y). El primer teorema expresa el resultado más bien obvio de que la media o
valor esperado de una cantidad no aleatoria c es igual a c.

7
 Probabilidad y Estadística

El segundo teorema expresa que el valor esperado del producto de una

constante c por una función de una variable aleatoria es igual a la constante
multiplicada por el valor esperado de la función de la variable.

El tercer teorema expresa que la media o valor esperado de una suma de funciones de una
variable aleatoria Y es igual a la suma de sus respectivos valores esperados.

Los Teoremas 3.3, 3.4 y 3.5 se pueden usar de inmediato para desarrollar un teorema útil
para hallar la varianza de una variable aleatoria discreta.

8
 Probabilidad y Estadística

En ocasiones el Teorema 3.6 reduce considerablemente el trabajo de hallar la varianza de

una variable aleatoria discreta.

9
 Probabilidad y Estadística

EJEMPLOS

EJEMPLO 1
Supongamos que lanzamos dos dados
El espacio muestral formado por los posibles resultados estaría compuesto por:

Esta es una tabla donde muestra la función de las probabilidades de la suma de las caras
de los dados al ser lanzados.

10
 Probabilidad y Estadística

Xi P(xi)
Si consideramos una función que asocie a cada resultado posible del
P(xi=2) 1/36 experimento la suma de los resultados de las caras superiores obtenidas; esta
función podría tomar los valores desde 2 hasta 12
P(xi=3) 2/36

P(xi=4) 3/36

P(xi=5) 4/36

P(xi=6) 5/36

P(xi=7) 6/36

P(xi=8) 5/36

P(xi=9) 4/36

P(xi=10) 3/36

P(xi=11) 2/36

P(xi=12) 1/36

11
 Probabilidad y Estadística

EJEMPLO 2
Un supervisor en una planta manufacturera tiene tres hombres y tres mujeres trabajando
para él y desea escoger dos trabajadores para un trabajo especial. No queriendo mostrar
sesgo en su selección, decide seleccionar los dos trabajadores al azar. Denote con Y el
número de mujeres en su selección. Encuentre la distribución de probabilidad para Y.

12
 Probabilidad y Estadística

La tabla para la distribución de probabilidad de la variable aleatoria Y considerada en el

Ejemplo 3.1 se resume en la Tabla 3.1. La misma distribución se da en forma gráfica en la
Figura 3.1. Si consideramos el ancho de cada barra de la Figura 3.1 como una unidad,
entonces el área de una barra es igual a la probabilidad de que Y tome el valor sobre el cual
está centrada la barra. Este concepto de áreas que representan probabilidades se introdujo
en la Sección 1.2.

El método más conciso para representar distribuciones de probabilidad discretas es por

medio de una fórmula. Para el Ejemplo 3.1, vemos que la fórmula para p(y) se puede escribir
como:

13
 Probabilidad y Estadística

EJEMPLO 3
• La distribución de probabilidad para una variable aleatoria Y está dada en la Tabla
3.3. Encuentre la media, la varianza y la desviación estándar de Y.

Se presenta la solución por las definiciones 1.4 y 1.5 tenemos:

14
 Probabilidad y Estadística

BIBLIOGRAFÍA

Estadística Matemática con aplicaciones, 7ma edición, Wackerly, Mendenhall, Scheaffer.

15