Probabilidad I

Unidad 3. Modelos discretos de probabilidad

Actividad 2. Lectura teórica – Tabla temática resumida (desarrollo)

Desarrollo resumido
Tema Subtema Ejemplos
Definiciones/Simbología/Fórmulas
Definición de
Las variables aleatorias discretas son aquellas cuyo rango está Supongamos que una persona arroja un dado tres veces: los
variable
formado por una cantidad finita de elementos o que sus elementos resultados son variables aleatorias discretas, ya que pueden
aleatoria pueden enumerarse de manera secuencial obtenerse valores del 1 al 6.
discreta
Dado un espacio probabilístico (E, A, p) se llama variable aleatoria
X(a) a una función que toma valores reales y está definida para los Consideremos el experimento aleatorio de lanzar dos monedas y
Variable aleatoria discreta

sucesos elementales a del espacio probabilístico. Además se supone anotar sus resultados. El espacio muestral estaría formado por
para cada número real x el conjunto {a / X(a) £ x }de sucesos E={(C,C) (C,X) (X,C) (X,X)}.
elementales a en que X toma valores menores o iguales que x es un Sea X la v.a. que nos da el número de caras obtenido. Los valores
Función de suceso de la familia A. El caso de variable aleatoria discreta supone que puede tomar X son 0, 1,2 y la función de distribución de
probabilidad de además que hay un número finito o numerable de valores xi tales que probabilidad viene dada por :
una variable P[X=xi] = pi ³ 0,
aleatoria X pi=P[X=xi]
discreta 0 ¼=0,25

1 ½=0,5

2 ¼=0,25

Es un modelo teórico que describe la forma en que Sea un espacio probabilístico y sea X una variable aleatoria discreta
Función de que toma como posibles valores x1,x2,.....xn, se define la distribución
distribución de varían los resultados de un experimento aleatorio, es de probabilidad de X como el conjunto de pares (xi, pi) que a cada
una variable decir, nos da todas las probabilidades de todos los valor de la variable le asocia una probabilidad, donde pi= P(X=xi), tal
 aleatoria posibles resultados que podrían obtenerse cuando se que la suma de todas las probabilidades es igual a la unidad.
discreta realiza un experimento aleatorir. En la distribución de Del ejemplo realizado anteriormente se desprende que la
probabilidad discreta está permitido tomar sólo un distribución de probabilidad viene dada por:
número limitado de valores. (0,1/8); (1,3/8); (2,3/8); (3,1/8).

Diremos que dos variables aleatorias X e Y son independientes si y

De manera intuitiva podemos decir que dos variables aleatorias son
independientes si los valores que toma una de ellas no afectan a los
de la otra ni a sus probabilidades.
Independencia
de variables En muchas ocasiones la independencia será evidente a partir del
experimento, por ejemplo, es independiente el resultado del
aleatorias
lanzamiento de un dado y el de una moneda, por tanto las variables
Puntuación obtenida con el dado y Número de caras obtenidas al
lanzar la moneda una vez serán variables independientes.
sólo si
P(X ≤ a ∩ Y ≤ b) = P(X ≤ a) · P(Y ≤ b) = FX(a) · FY(b)
A la función F(x, y) = P(X ≤ a ∩ Y ≤ b) se la conoce como la función de
distribución conjunta de X e Y.
Como consecuencia inmediata de la independencia de X e Y, se
cumple lo siguiente:
P(a < X ≤ c ∩ b < Y ≤ d) = P(a < X ≤ c) · P(b < Y ≤ d)

Tanto para el caso discreto como para el caso continuo,

la esperanza matemática presenta las siguientes
Esperanza de Sea X una variable aleatoria continua con función de propiedades:
una variable densidad f(x), se define la esperanza matemática de esa o Si C es una constante, E(C) = C.
aleatoria variable aleatoria como:
discreta o ∀ a, b ∈ R, E(aX + b) = aE(X) + b
E[X ] =) ∫ fx(x)d = μ
o Si g(X) es una función de X,
entonces: o Si X es discreta, E]g(x)]= ∑g(x,),p

Varianza de una Dada una variable aleatoria X que toma valores

variable x1,x2,x3....xn con distribución de probabilidad, se define
aleatoria
la varianza de X: o
discreta
Formula de la varianza Discreta:
V{x}=(x-E(X)) ∑ (x,u)’2=∑x’2,p,-u’2
abilid

La distribución de Bernoulli (o distribución dicotómica), nombrada así Ejemplo: Se quiere saber cuales la probabilidad de que encontremos
prob
discr
Mod

Modelo
etos
elos

ad
de

por el matemático y científico suizo Jakob Bernoulli, es 10 basureros dañados de 50 ubicados en el barrio Tamasagra de San
Bernoulli
una distribución de probabilidad discreta, que toma valor 1 para la Juan De Pasto; se sabe que la probabilidad de que estén dañados es
 probabilidad de éxito ( ) y valor 0 para la probabilidad de fracaso ( de 15.8%.
).

Si X es una variable aleatoria que mide "número de éxitos", y se N= 50

realiza un único experimento con dos posibles resultados (éxito o X= 10
fracaso), se dice que la variable aleatoria X se distribuye como una
P= 15.8% → 0.158%
Bernoulli de parámetro P.
Q= 84.2% → 0.842%

Su fórmula es:

50! . 0.15810 . 084.240 = 0.00205

(50-10)! 10!
N= Numero de eventos.
X= Numero de éxitos.
P= Probabilidad de éxito. La probabilidad de encontrar 10 basureros
Q= probabilidad de fracaso. dañados de 50 tomados es de 0.00205%, en distribución Binomial.
F(X)= Probabilidad de tener X éxitos en un numero N de ensayos.
Los basureros nos ayudan a mejorar el
Sus propiedades son:
ambiente de la ciudad disminuyendo las
emisiones de CO2 directo a la atmosfera
Media: n.p
Varianza: n.p.q

Desviación típica o estándar: n.p.q

Un agente de seguros vende pólizas a cinco personas de la misma

La distribución Binomial es una distribución de probabilidad discreta
Modelo
que mide el número de éxitos en una secuencia de n ensayos
binomial
de Bernoulli independientes entre sí, con una Probabilidad fija p de
ocurrencia del éxito entre los ensayos
edad y que disfrutan de buena salud. Según las tablas actuales, la
probabilidad de que una persona en estas condiciones viva 30 años o
más es 2/3. Hállese la probabilidad de que, transcurridos 30 años,
vivan:
 La distribución hipergeométrica es especialmente útil en todos
aquellos casos en los que se extraigan muestras o se realicen
experiencias repetidas sin devolución del elemento extraído o sin
Supongamos la extracción aleatoria de 8 elementos de un conjunto
retornar a la situación experimental inicial.
formado por 40 elementos totales (cartas baraja española) de los
Es una distribución fundamental en el estudio de muestras pequeñas
cuales 10 son del tipo A (salir oro) y 30 son del tipo complementario
de poblaciones pequeñas y en el cálculo de probabilidades de juegos
(no salir oro).
de azar. Tiene grandes aplicaciones en el control de calidad
Si realizamos las extracciones sin devolver los elementos extraídos y
para procesos experimentales en los que no es posible retornar a la
llamamos X al número de elementos del tipo A (oros obtenidos) que
situación de partida.
extraemos en las 8 cartas; X seguirá una distribución
hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).
Modelo Las consideraciones a tener en cuenta en una distribución
Para calcular la probabilidad de obtener 4 oros:
hipergeométrico hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables

de entre un conjunto de "N" pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos
resultados mutuamente excluyentes.
 El número de individuos que presentan la característica A
(éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)=
q; con p+q=1.
 Si un banco recibe en promedio 6 cheques
sin fondo por día
¿cuáles son las probabilidades de que reciba,
a) cuatro cheques sin fondo en un día dado,
Definición de la Distribución de Poisson b) 10 cheques sin fondos en cualquiera
de dos días consecutivos?
La distribución de Poisson es una distribución de probabilidad
discreta que se aplica a las ocurrencias de algún suceso durante un
intervalo determinado. Nuestra variable aleatoria x representará el
número de ocurrencias de un suceso en un intervalo determinado, el Solución:
Modelo de cual podrá ser tiempo, distancia, área, volumen o alguna otra unidad x = variable que nos define el número
Poisson similar o derivada de éstas.
de cheques sin fondo que llegan al banco en
La probabilidad de nuestra variable aleatoria X viene dada por la
siguiente expresión: un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

Fuentes de consulta:

Luis Rincón. (Agosto 2014). Introducción a la probabilidad. México DF: DGAPA.

Luis Rincón. (2014). probabilidad I. 2017, de Facultad de ciencias UNAM Sitio web:
http://lya.fciencias.unam.mx/lars/0625