CÁTEDRA

PROBABILIDAD Y ESTADÍSTICA
Depto. Ms. Básicas

ESPECIALIDADES

Ingeniería Eléctrica
Ingeniería Mecánica
Ingeniería Metalúrgica

DOCENTES

Prof. Adjunto: Dra. Ana María Craveri

Ayudante de Primera: Est. Susana Carasai

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

 CAPÍTULO 4
UNIDAD Nº 4
VARIABLES ALEATORIAS - DISTRIBUCIONES DE PROBABILIDAD EN UNA
DIMENSIÓN. (Primera Parte)EL CASO DE VARIABLES DISCRETAS

4.1.- Variable Aleatoria. Distribuciones de Probabilidad.

Definición: Sea un experimento aleatorio E y S el espacio muestral que se genera a partir
del mismo, definimos “variable aleatoria” como: “una función Real cuyo dominio es el
espacio muestra S”. En símbolos:
X: S R
sεS X(s) variable aleatoria X

Ejemplo 4.1
Se observa el funcionamiento de dos interruptores 1 y 2, la probabilidad de que un
interruptor funcione en forma correcta es 0.8 y es la misma para cada interruptor.
Supóngase que los interruptores trabajan en forma independiente. Sea Ai el evento en el que
“el interruptor i funciona correctamente” y A i el suceso que “el interruptor i no funcione en
forma correcta”.
En este contexto se definen:
El experimento aleatorio E: observar el funcionamiento de dos interruptores
{ }
Que genera el espacio muestral S= ( A1 A2 ); ( A1 A2 ); ( A1 A2 ); ( A1 A2 )
Sea la variable aleatoria X: número de interruptores que funcionan correctamente

S
A1 A2
0
A1 A2
1
A1 A2
2
A1 A2

Si ahora calculamos la probabilidad de cada uno de los valores de la variable, resulta:

P(X=0)= P ( A1 ∩ A2 ) = P( A1 ) . P( A2 ) = 0.2.0.2= 0.04 (por ser sucesos independientes)
P(X=1)= P( A1 ∩ A2 ∪ A1 ∩ A2 ) = P(A1).P( A2 ) + P( A1 ).P ( A2)=0.8.0.2+0.2.0.8=0.32 (por
ser unión de sucesos mutuamente excluyentes e intersección de sucesos independientes)
P(X=2)= P(A1 ∩ A2) = 0.8.0.8=0.64 (por ser sucesos independientes).

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

Las variables aleatorias se representan con letras mayúsculas, por ejemplo X;Y;Z. Los
valores numéricos que asumen esas variables con letras minúsculas por ejemplo x,y,z. De
esta manera la “probabilidad de que la variable X asuma el valor x” se puede simbolizar
P(X=x) o como p(x)

Las variables aleatorias se clasifican en discretas o continuas. Se dice que una variable
aleatoria X es discreta si puede tomar un número finito (natural) o un número infinito
contable de valores posibles x.
Es conveniente representar en una tabla los valores de la variable aleatoria y sus
correspondientes probabilidades. En nuestro ejemplo:

x p(x)
0 0.04
1 0.32
2 0.64
total 1.00
Esta tabla representa la distribución de probabilidad de X. Nótese que la función de
probabilidad p(x) para cualquier variable aleatoria X cumple las siguientes condiciones:
1) 0 ≤ p(x) ≤ 1
2) ∑ p( x ) = 1 La sumatoria de las probabilidades de todos los valores posibles de X
x
es igual a uno.

A la tabla anterior se le puede agregar la columna de las probabilidades acumuladas que

simbolizamos:
F(x)=P(X ≤ x) que se denomina función de distribución o función de
probabilidad acumulada. En nuestro ejemplo:
x p(x) F(x)=P(X ≤ x)
0 0.04 0.04
1 0.32 0.36
2 0.64 1.00
total 1.00

Representaciones gráficas

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

4.2.- Parámetros Estadísticos
Así como los estadísticos x y S, promedio aritmético y desvío estándar respectivamente,
son medidas de resumen en una distribución de frecuencias, los parámetros son medidas
que caracterizan una distribución de probabilidad.
La Esperanza Matemática o Valor Esperado de una variable aleatoria discreta X con una
función de probabilidad p(x) está dada por:

E(x) = ∑ xi p( xi ) = µ
x

La esperanza de una variable aleatoria discreta que se simboliza con µ (media poblacional)
es un promedio de todos los resultados posibles de la variable aleatoria ponderado por sus
probabilidades.

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

La Variancia y el desvío estándar de una variable aleatoria discreta, se define Variancia
de X al promedio ponderado de los cuadrados de las diferencias entre cada resultado
posible y su media.
Dada una variable aleatoria con E(x) = µ;

∑(x − E ( X )) 2 p ( xi ) = ∑ xi p ( xi ) − ( E ( X )) 2
2
σ2 = Var (x) = E(x – E(x))2 = i
x x
La desviación estándar será:

σ= ∑(xx
i − E ( X )) 2 p ( xi )

Retomando el ejemplo 5.1, construimos la tabla para el cálculo de la esperanza y el desvío

estándar:
xi p(xi) xi p(xi) xi2 p(xi)
0 0.04 0 0
1 0.32 0.32 0.32
2 0.64 1.28 2.56

Como vemos:
3
E(x) = ∑ x p( x )
i =1
i i = 1.6
3
σ2 = Var (x) = ∑x
i =1
i
2
p ( xi ) − E ( X ) 2 = 0.32

σ = 0.5657

Es decir, el número esperado de interruptores que funcionan correctamente es 1.6, con un

desvío estándar de 0.5657. Dado que es un valor teórico, el resultado aún cuando
corresponda a una variable aleatoria discreta no debe redondearse.

Propiedades
1.- Si X es una variable aleatoria discreta, cuya función de probabilidad es p(x) y si g(x) es
cualquier función de X con valor real, entonces
E [g (x)] = ∑ g ( x) p ( x)
x
Se demostrará sólo para el caso de la función lineal
Para cualquier variable aleatoria X y para todo a ʌ b números reales resulta:
i) E(aX+b)=aE(X)+b
Demostración
E(aX+b)= ∑ (ax + b) p ( x) = ∑ [axp ( x) + bp ( x)] =
x x

= ∑ axp ( x) + ∑ bp ( x) = a ∑ xp( x) + b∑ p ( x) = aE ( X ) + b
x x x x

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

 ii)V(aX+b) = a2V(X)
Demostración
V(aX+b)= E [(aX + b) − E (aX + b)] = E [aX + b − (aE ( X ) + b)] =
2 2

[ ]
= E [aX − aE ( X )] = E a 2 ( X − E ( X )) 2 = a 2 E [X − E ( X )] = a 2V ( X )
2 2

2.- Si X es una variable aleatoria con promedio µ entonces

V(X)= E(X2) - µ2
Demostración
[ ]
V ( X ) = E ( X − µ ) 2 = E ( X 2 − 2 Xµ + µ 2 ) = E ( X 2 ) − E (2 Xµ ) + E ( µ 2 ) =
= E ( X 2 ) − 2µ 2 + µ 2 = E ( X 2 ) − µ 2

Actividad 4.1

El gerente de una bodega de una fábrica sabe por sus registros que la demanda diaria de
cierta herramienta tiene la siguiente distribución de probabilidad
Demanda 0 1 2
Probabilidad 0,1 0,5 0,4

Si denominamos con X a la demanda diaria, calcular E(X)=µ y V(X)= σ2

3
E(X)= ∑ xi p ( xi ) = µ = 0(0.1) + 1(0.5) + 2(0.4) = 1.3
i =1

Se usa la herramienta un promedio de 1.3 veces por día y la variancia resulta:

3
V ( x ) = E [( X − µ ) 2 ] = ∑ xi2 p ( xi ) − µ 2 = 2.1 − 1.32 = 0.41
i =1
Supongamos que a la fábrica le cuesta $50 cada vez que se usa la herramienta ¿cuál es el
promedio y la desviación estándar de los costos diarios por uso de esta herramienta.
Como la variable X es la demanda diaria, el costo diario por usar esta herramienta es por lo
tanto g(x)=50X, luego
E(50X)= 50E(X)= 50(1.3)= 65
La fábrica debería presupuestar $65.- diarios para cubrir el costo por usar la herramienta, la
variancia en este caso resulta:

V(50X)= σ2=502V(X)= 2500(0.41)=1.025

Siendo el desvío estándar: σ = 1.025 = $32. −

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

4.2.-ALGUNAS DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES
DISCRETAS

4.2.1.- La Distribución de Probabilidad Binomial

Muchos problemas estadísticos se refieren a situaciones conocidas como ensayos
repetidos. Por ejemplo: nos planteamos ¿cuál es la probabilidad de que uno de cinco
remaches se rompa en una prueba de resistencia a la tensión? ¿cuál es la probabilidad de
que dos de 16 columnas de ala ancha caigan bajo una carga axial dada?
En los ejemplos planteados se trata de repetir cinco o dieciséis veces la observación de una
situación que puede arrojar dos resultados posibles con probabilidades complementarias p y
q respectivamente. Por ejemplo: el remache se rompe o no se rompe, la columna cae o no
cae. Se suele decir que la distribución de probabilidad binomial plantea n repeticiones de un
experimento a lo Bernoulli donde la variable X de Bernoulli asume sólo dos valores por
ejemplo x=0 con probabilidad q y x=1 con probabilidad p tal que p+q=1; además E(X)= p
y V(X)= p.q.

Actividad 4.2
Demostrar las expresiones de E(X) y V(X)

Consecuentemente, para generar la Distribución de Probabilidad Binomial, se deben

realizar n repeticiones de un experimento aleatorio en el cual:
1. Se realizan un número finito n de observaciones idénticas e independientes.
2. Cada observación tiene sólo dos resultados posibles mutuamente excluyentes a los
que se denominan sucesos. Uno será considerado el suceso éxito y se simbolizará
con A, el otro suceso se simbolizará Ā.
3. El resultado de cada prueba es independiente de los resultados anteriores.
4. La probabilidad de que ocurra el suceso A se mantiene invariable de prueba en
prueba y lo simbolizamos con p.
Luego P(A) = p y P(Ā) = 1 – p = q
5. La variable aleatoria que se define es X = número de veces que aparece el suceso A.

En los ejemplos dados: X = n° de remaches que se rompen 0≤x≤5

X = n° de columnas que caen 0 ≤ x ≤ 16

Se observa que la variable aleatoria generada por este experimento tiene n + 1 valores.
Dentro del espacio muestra S, consideramos un caso particular de todos los posibles en el
que el suceso éxito A se observa en las x primeras pruebas y el Ā en las (n-x) observaciones
restantes.
Esto es:
A A …. A A Ā Ā …… Ā

x veces n – x veces
Como los sucesos son independientes, la probabilidad de este caso particular será:
P ( A A …… A Ā …… Ā) = px qn-x
¿Pero de cuántas maneras distintas pueden darse x veces A y (n - x) veces Ā?

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

Si consideramos todas las ordenaciones posibles de n elementos donde hay x y (n-x)
elementos repetidos, la teoría del Análisis Combinatorio con repetición nos dice que:
n! n
= =  
x! (n - x)!  x 
Por lo tanto, aplicando la regla de la suma resulta:

El campo de variación de la variable es: 0 ≤ x ≤ n

Además:

La expresión de la función de distribución es:

P(X ≤ x) es la función de distribución binomial que está tabulada y permite obtener la

probabilidad de observar a lo sumo x éxitos conocidos los parámetros n y p.

Características de la distribución binomial:

La forma de la distribución depende de sus parámetros matemáticos n y p.
Observamos a continuación varias distribuciones binomiales para distintos valores de n y p

p=0,1 n=5

A medida que p se acerca a 0,5 la distribución se hace más simétrica y aumenta la

dispersión.
Al aumentar n, para cualquier valor de p, la asimetría es menos pronunciada.

P=0,5 n=30

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

Actividad 4.3
Utilizando EXCEL simular y graficar Distribuciones Binomiales de parámetros:
a) n= 10; p=0.05
b) n= 10; p=0.5
c) n= 30; p=0.05

Esperanza y desvío estándar de la distribución binomial

Dado que la Distribución Binomial surge como una suma de x i variables aleatorias
independientes de Bernoulli, resulta:

n  n n
La esperanza de la distribución binomial es: µ = E(X) = E ∑ x i  = ∑ E ( x i ) = ∑ p = n. p
 i =1  i =1 i =1

n n
La variancia de la distribución binomial es: V(X)= ∑ V(x i ) = ∑ p (1 − p ) = n. p.q
i =1 i =1
Ejemplo 4.3
Una industria suministra un producto químico a 10 plantas manufactureras. La probabilidad
de que cualquiera de las plantas llame y haga un pedido en un determinado día es 0.2 y es la
misma para las 10 plantas. Las plantas hacen el pedido en forma independiente. Calcular la
probabilidad de que, en un día cualquiera el número de plantas que llamen para hacer un
pedido sea:
a) a lo sumo 3
b) por lo menos 3
c) exactamente 3

Solución
X: número de plantas que llaman para hacer un pedido determinado día
0≤ X ≤ n
p=0.2 ; q=0.8 ; n=10

a) P(X ≤ 3) = 0.879
b) P(X ≥ 3) = 1 − 0.678 = 0.322
c) P(X=3)= 0.879-0.678=0.201

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

Ejemplo 4.4
El sistema de dirección de un cohete trabaja en forma correcta con una probabilidad p
cuando se pone en funcionamiento. Se instalan sistemas de respaldo independientes, pero
idénticos, en el cohete de modo que la probabilidad de que al menos un sistema trabaje en
forma correcta cuando se necesite sea no menor que 0.99. Sea n el número de sistemas de
dirección en el cohete. ¿Qué valor debe tomar n para alcanzar la probabilidad especificada
de que al menos trabaje un sistema de dirección si: a) p=0.9? b) p=0.8?

Solución
X: número de sistemas que trabajan en forma correcta
Como los sistemas son idénticos e independientes, X se distribuye como una Binomial
P(X ≥ 1) = 1 − P ( X = 0) = 1 − (1 − p )
n

Las condiciones especifican que n debe ser tal que P(X ≥ 1) = 0.99 o más
a) cuando p=0.9
P(X ≥ 1) = 1 − (1 − 0.9 ) ≥ 0.99 ⇔ (0.1) n ≤ 1 − 0.99 = 0.01 ⇔ n = 2
n

Es decir si se instalan dos sistemas de dirección se satisfarán las especificaciones.

b) cuando p=0.8
P(X ≥ 1) = 1 − (1 − 0.8) ≥ 0.99 ⇔ (0.2) n ≤ 0.01 ⇔ n = 3 ya que
n

Si n=3 ⇒ P ( X ≥ 1) = 1 − (0.2) 3 = 0.992 > 0.99

4.2.2.- La Distribución de Probabilidad de Poisson

Una manera de deducir esta distribución de probabilidad es como límite de la distribución

binomial cuando n → ∞ y p → 0
Plantearemos el siguiente ejemplo: pensemos en el número de vehículos que llega a una
estación de peaje en una hora. Podemos pensar que el intervalo de tiempo se divide en n
subintervalos de modo que:

P(una llegada en el subintervalo)=p, constante para todos los subintervalos

P(ninguna llegada en el subintervalo)=1-p
P(más de una llegada en el subintervalo)=0
Si además suponemos que las llegadas son independientes de un intervalo a otro, entonces
la variable aleatoria:
X: número de vehículos que llegan a la estación de peaje en los n subintervalos (en los que
se ha dividido el intervalo de 1 hora) tiene una Distribución de probabilidad Binomial.
Aunque no conocemos los valores de n ni de p, es razonable pensar que si n crece ( n → ∞ )
p debe disminuir ( p → 0 ). Si Simbolizamos al promedio de la binomial con λ, resulta:
λ
n.p=λ, de donde p= Luego:
n

x n− x n −x
 n  λ   λ  λx  λ  n( n − 1)( n − 2)....( n − x + 1)  λ
lim   1 −  = lim 1 −  1 −  =
  n  
n →∞ x n n →∞ x!  n nx  n

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

 −x
λx e −λ
n n
λx  λ  λ  1  2  x − 1  λx  λ
= lim 1 −   1 −   1 −  1 −  
.... 1 −  = lim  1 −  =
x! n → ∞
 n 142 3 14n44
n4  4  4444
4n2 n43 x!
n →∞
 n x!
1 1
Luego:

λx e − λ
p(x)= ; x=0:1; 2; 3……
x!

Observación: λ representa el número promedio de llegadas a la estación de peaje en un

periodo de 1 hora, por lo tanto si se consideran 2 hs. el promedio de llegadas sería 2λ y
generalizando si se considran t periodos que no se superpongan sería λt.
La distribución de Poisson depende de un único parámetro λ que es el promedio de llegadas
en la unidad de tiempo (una hora en este ejemplo). También puede utilizarse para modelar
conteos por unidad de superficie, volumen, por ejemplo: número de poros por m2 de chapa,
número de bacterias por cm3 de agua, número de veces que falla una máquina en un día de
trabajo. La Esperanza y la Variancia de una variable X que tiene una Distribución de
Probabilidad de Poisson es por lo tanto:

E(X) = V(x)=λ
Ejemplo 4.5
A una estación de peaje llegan en promedio 3 vehículos por segundo en las horas pico.
Determinar la probabilidad de que en un segundo lleguen:
a) a lo sumo 4 vehículos
b) por lo menos 4 vehículos
c) exactamente 4
Se trabajará con la tabla de distribución de Poisson de parámetro λ=3
a) P(X ≤ 4) = 0.815
b) P(X ≥ 4) = 1 − P ( X ≤ 3) = 1 − 0.647 = 0.353
c) P(X=4) = P(X ≤ 4) − P ( ≤ 3) = 0.815 – 0.647=0.168

Ejemplo 4.6
El número de llamadas telefónicas que llegan a un conmutador sigue una ley de Poisson
con parámetro λ= 15 por minuto. Según el número de llamadas que lleguen puede ser
necesario descongestionar el conmutador dirigiendo algunas llamadas a líneas auxiliares. Si
el número de llamadas es a lo sumo 15, no se necesita línea auxiliar, si es mayor que 15
pero menor o igual que 25 se necesita una línea, para un número mayor que 25 se necesitan
dos líneas auxiliares. Encuentre la distribución de probabilidad del número de líneas
auxiliares necesarias en un minuto.
Sea la variable aleatoria:
X: número de llamadas que llegan a un conmutador en un minuto
X tiene una distribución de probabilidad de Poisson de parámetro λ=15

P(X ≤ 15) = 0.568

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

P(15< X ≤ 25) = 0.994-0.568=0.426
P(X>25)=1-0.994=0.006

Definimos la variable aleatoria Y: número de líneas auxiliares necesarias por minuto, que
tendrá la siguiente distribución de probabilidad.

Distribución de probabilidad de Y
Y P(y)
Número de
líneas auxiliares
0 0.568
1 0.426
2 0.006

4.3.- EJERCICIOS

4.3.1.- Sea el experimento aleatorio E: observar el estado, prendido (P) o apagado (A) de
tres interruptores de luz.
a) Escribir el Espacio Muestra que se genera a partir de este experimento aleatorio
b) Definir la variable aleatoria X: Número de interruptores prendidos en un momento t
c) Determinar la Distribución de probabilidad de esta variable aleatoria
d) Calcular los parámetros de la misma.

4.3.2.- En el depósito hay un gran lote de fusibles que tiene un 10% de defectuosos. Se
extrae al azar una muestra de 4 fusibles de ese lote. a) Calcular la probabilidad de que en la
muestra haya un fusible defectuoso. b) ¿Cuál es la probabilidad de que haya por lo menos
un defectuoso? (dado que el lote es de gran tamaño se puede suponer que la probabilidad de
fusible defectuoso es constante en cada una de las extracciones independientes)

4.3.3.- Si la probabilidad de que cierta columna de ala ancha caiga bajo una carga axial
dada es de 0.05, ¿qué probabilidad hay de que entre 16 columnas de ese tipo.
a) Caigan 2 columnas?
b) Caigan al menos 4?
c) Caigan a lo sumo 3?
d) No caiga ninguna?
e) Caigan entre 2 y 4?

4.3.4.- El número promedio de accidentes de tránsito en cierta sección de una autopista es

dos por semana. Suponga una distribución de Poisson para la variable X: número de
accidentes por semana en ese tramo de autopista y determine:
a) la probabilidad de que no suceda un accidente en esta sección de la autopista durante una
semana
b) la probabilidad de a lo sumo tres accidentes en esta sección de la autopista durante dos
semanas

Probabilidad y Estadística 2017 - Dra. Ana María Craveri

4.3.5.- El número de imperfecciones en el tejido de una tela tiene una distribución de
Poisson con un promedio de 4 por m2.
a) Calcular la probabilidad de que una muestra de 1 m2 tenga por lo menos un defecto.
b) Calcular la probabilidad de que una muestra de 3 m2 tenga al menos un defecto.

Probabilidad y Estadística 2017 - Dra. Ana María Craveri