TEMA 3 : DISTRIBUCIONES DE PROBABILIDAD DE

VARIABLES ALEATORIAS
OBJETIVOS
1. Explicar el concepto de variable aleatoria y utilizarlo para definir eventos.
2. Construir la distribución de probabilidad y la función de distribución acumulada de
una variable aleatoria discreta.
3. Calcular e interpretar la esperanza y la varianza de una variable aleatoria discreta.
4. Conocer y aplicar las propiedades de la esperanza y la varianza de una variable
aleatoria discreta.
5. Conocer los modelos probabilísticos más comunes de una variable aleatoria
discreta: modelo Binomial, Hipergeométrico y de Poisson.
6. Aplicar el modelo probabilístico más adecuado, según las condiciones
experimentales, a la resolución de problemas.

3.1 INTRODUCCION
En el tema anterior utililizabamos letras como A, B, C, para representar eventos
asociados a un experimento aleatorio y nos interesaba calcular, digamos P(A). Ahora
utilizaremos variables aleatorias como X, Y, Z, para describir los eventos asociados al
mismo experimento aleatorio, pero ahora el interés será calcular la probabilidad de que
la variable aleatoria , digamos X, tome algún valor particular x. Por tanto, será de
mucha utilidad práctica la construción de distribuciones de probabilidad de una variable
aleatoria X y la determinación de sus características principales.
Más adelante estudiaremos algunas distribuciones clásicas de probabilidad de variables
aleatorias discretas, que llamaremos modelos probabilísticos.
Por ahora podemos iniciar con el concepto de variable aleatoria.

VARIABLE ALEATORIA
Sea S el espacio muestral asociado a un experimento aleatorio. Una función X que signa
a cada uno de los elementos w de S un número x, se llama variable aleatoria.

S
x R
w

X (w) = x

Figura 3.1

EJEMPLO 3.1
Una empresa tiene 100 cuentas por cobrar de las cuales 30 tienen su saldo incorrecto.
Un auditor selecciona al azar y sin reposición 2 de dichas cuentas y luego registra el
número de cuentas con saldos incorrectos.
Definamos los eventos:
C: la cuenta tiene su saldo correcto
I: la cuenta tiene su saldo incorrecto.

S
C2 C1 C2
C1
2 C 1 I2

C2 I1 C 2
I1
I2 I1 I2

Figura 3.2

Como estamos interesados en registrar el número de cuentas que tienen su saldo

incorrecto, es útil definir una variable aleatoria X que asigne a cada elemento de S su
número de cuentas con saldo incorrecto, o bien de una manera más sencilla, que la
variable aleatoria X represente el número de cuentas con saldos incorrectos.

X
S R
C1 C2 0

C 1 I2
1

I1 C 2

I1 I2 2

Figura 3.3

Así, X ( C1 C2 ) = 0 ; X ( C1 I2 ) = 1 ; X ( I1 C2 ) = 1 ; X ( I1 I2 )
= 2

El recorrido o rango de X es RX = { 0, 1, 2 } que será llamado conjunto de valores

posibles de X.
EJEMPLO 3.2
Registrar el tiempo que tarda un economista en revisar un documento de una empresa.

Como el resultado del experimento es ya la característica numérica que queremos

registrar entonces vamos a definir la variable aleatoria X como una función identidad
que asigne a cada tiempo w posible que tarda en revisar el documento el mismo tiempo
w, esto es,

X( w ) = w

o bien de una manera más sencilla, que la variable aleatoria X represente el tiempo que
tarda el economista en revisar el documento.

VARIABLE ALEATORIA DISCRETA.

X es una variable aleatoria discreta si su conjunto de valores posibles es finito o infinito
numerable, esto es, si sus valores se pueden asociar a los enteros 1, 2, 3, . . . .

Para el ejemplo 3.1, X es una variable aleatoria discreta porque su conjunto de valores
posibles es finito.

VARIABLE ALEATORIA CONTINUA.

X es una variable aleatoria continúa si su conjunto de valores posibles es infinito no

numerable, esto es, para dos elementos cualesquiera de este conjunto siempre existirá
otro entre ellos.

Para el ejemplo 3.2, X es una variable aleatoria continúa. Porque entre dos tiempos
posibles siempre existirá otro.

EVENTOS DEFINIDOS POR VARIABLES ALEATORIAS.

El conjunto de todas los elementos w de S que tienen asignado (Según X) un mismo

valor particular x, será un evento que denotaremos por X = x . Esto es,

{ w  S | X( w ) = x } es equivalente a X = x.
X
S

x
R

Figura 3.4
De manera análoga se definen los eventos

X  x , X  x , a  X  b , X  x , X  x , a  X  b ,
etc.

Para el ejemplo 3.1, consideremos los siguientes eventos:

“Registra 1 cuenta con saldo incorrecto” es equivalente a { C I , I C } que también es

equivalente a

X = 1

“Registrar 0 cuentas con saldos incorrectos” es equivalente a { CC } que también es

equivalente a

X = 0.

“Registra al menos una cuenta con saldo incorrecto es equivalente a { C I , I C , I I }

que también es equivalente a
X  1

Para el ejemplo 3.2 consideremos los eventos:

“Tarda entre 2 y 4 horas” es equivalente a 2  X  4.

“Tarda a lo sumo 3.5 horas” es equivalente a X  3.5

VARIABLES ALEATORIAS INDEPENDIENTES

Recordemos que dos eventos A y B son independientes si

P( A | B ) = P( A )

Extendiendo esta idea, definimos que las variables aleatorias discretas X ,Y son
independientes si

Para cualquier xi , yj , P( Y = yj ) | X = xi ) = P( Y = yj )

y las variables aleatorias contínuas X, Y son independientes si

Para cualquier x, y , P( Y  y ) | X  x ) = P( Y  y )

Esto es, la ocurrencia del evento X  x no afecta en nada a la ocurrencia del evento Y 
y
La condición anterior también debe cumplirse para eventos expresados de cualquier otra
forma.

3.2 DISTRIBUCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA

DISCRETA.

Una distribución de probabilidad de una variable aleatoria X es una función que asigna
a cada valor posible xi un número f (xi ) = P ( X = x i ) llamado la probabilidad de xi
tal que:

i) f ( xi )  0
ii)  f ( xi ) = 1

Nota: Para cualquier otro valor que no sea posible

f(x) = 0
f

xi R
0 1

Figura 3.5

EJEMPLO 3.3
Recordando que X representa el número de cuentas con saldos incorrectos en el ejemplo
3.1, construya la distribución de probabilidad de X.

Arbol de probabilidad
69/99 C2 C1 C2 0
0.4879

C1
70/100
30/99 I2 C 1 I2 1
0.2121

70/99 C2 I1 C 2 1
0.2121
30/100
I1

29/99 I2 I1 I2 2
0.0879

Figura 3.6
Como los valores posibles de X son 0, 1, 2 tendremos:

f ( 0 ) = P ( X = 0 ) = 0.4879
f ( 1 ) = P ( X = 1 ) = 0.2121 + 0.2121 = 0.4242
f ( 2 ) = P ( X = 2 ) = 0.0879

La distribución de probabilidad de X podemos expresarla como:

1. Una tabla
Tabla 3.1
xi f (xi )

1 0.4879
1 0.4242
2 0.0879

1.0000

2. Una función matemática

f ( x ) = ¿{ 0.4879 si x = 0¿{ 0.4242 si x = 1¿{ 0.0879 si x = 2¿ ¿

3. Una gráfica.
0.6
0.5 0.49
0.4 0.42
0.3 Figura 3.7
f(x)
0.2
0.1 0.09
0 3.3 FUNCION
-1 -0.5 0 0.5 1 1.5 2 2.5 DE DISTRIBUCION
ACUMULADA DE
x UNA VARIABLE
ALEATORIA
DISCRETA.
Sea f ( x ) la distribución de probabilidad de una variable aleatoria X. La función de
distribución acumulada de la variable aleatoria X se denota y define como:

F( x ) = P ( X ≤ x) = ∑ f ( xi) , -∞ < x < ∞

xi ≤x
EJEMPLO 3.4
Construir la función de distribución acumulada de la variable aleatoria X del ejemplo
3.1
Retomemos la distribución de probabilidad de la variable aleatoria X del ejemplo 3.3 y
observemos
que valores toma F ( x ) cuando: x  0 , 0  x  1 , 1  x  2 y x  2

i) Si x  0 , F ( x ) = 0 porque no hay valores posibles menores o iguales

que x
ii) Si 0  x  1 , F ( x ) = f ( 0 ) = 0.4879 porque sólo hay un valor
posible, que es el 0, cuya probabilidad es 0.4879
iii) Si 1  x  2 , F ( x ) = f ( 0 ) + f ( 1 ) = 0.4879 + 0.4242 = 0.9121
porque hay dos valores posibles, que son el 0 y el 1 cuyas, probabilidades son
0.4879 y 0.4242 respectivamente.
iv) Si x  2 , F ( x ) = f ( 0 ) + f ( 1 ) + f (2 ) = 0.4879 + 0.4242 +
0.0879 = 1
porque hay tres valores posibles, que son el 0, 1 y 2, cuyas probabilidades son
0.4879 , 0.4242 y 0.0879 respectivamente.

Los resultados anteriores podemos expresarlos como:

1. Una función matemática

F( x) = ¿{0 si x < 0¿{0.4879 si 0 ≤ x< 1¿{0.912 si 1 ≤ x < 2¿

2.
1 Una
0.9 0.91
0.8
0.7
0.6
0.5 0.49
F(x) 0.4
0.3
0.2
0.1
0 0
-1 0 1 2 3

gráfica
 Figura 3.8

Algunas características de F ( x )

a) F ( x ) es siempre una función no decreciente.

b)
Lím F ( x ) = 1 y Lím F ( x ) = 0
x→ + ∞ x→ - ∞

c) P(a  X  b) = F(b) - F(a)

d) f ( x ) = F ( x ) - F ( x – 1 ) si x es un número natural.

EJERCICIO 3.1
Las llegadas de clientes a un almacén durante 80 días escogidos aleatoriamente se
presenta en la siguiente tabla.
Tabla 3.2
No. Llegadas No. días

0 15
1 25
2 35
3 5

80

Si X representa el número de llegadas de clientes en un día.

i) Construya la distribución de probabilidad de X

ii) ¿Cuál es la probabilidad de que cierto día lleguen menos de 3 clientes.
iii) Construya la función de distribución acumulada de X
iv) ¿Cuál es la probabilidad de que cierto día lleguen a lo sumo 2 clientes?.

3.4 ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA

DISCRETA.

Con el propósito de resumir la distribución de probabilidad de una variable aleatoria

discreta X se calcularán sus principales características: la esperanza y la varianza de X.

Sea f(xi ) una distribución de probabilidad de una variable aleatoria discreta X. La

esperanza de X o valor esperado de X se denota y define como:

E(X) =  xi f ( xi )
E ( X ) puede considerarse como una media aritmética ponderada (donde la ponderación
de cada xi sería la probabilidad f(xi)) esto es la media que espero obtener de un gran
número de observaciones independientes de X, motivo por el cual escribiremos.

E(X) = X ( la media de X )

La varianza de X se denota y define como:

V (X) = E [ (X -  X )2 ] =  ( xi -  X )2 f ( xi )

2
La varianza de X también se puede denotar como V( X ) = σ X

El cálculo se puede simplificar utilizando la siguiente fórmula :

V (X) = E ( X2 ) - [ E ( X ) ]2 donde E ( X2 ) =  xi2 f ( xi

)
La desviación estándar de X se denota y define como:

σX = √V( X)
EJEMPLO 3.5
Un vendedor de computadoras tiene la oportunidad de trabajar con cierto comerciante.
Supongamos que el vendedor ha evaluado las posibilidades de la venta semanal de la
manera indicada abajo.
Tabla 3.3
No. Computadoras Probabilidad

0 0.1
1 0.2
2 0.3
3 0.4

i) Determine el número de computadoras que espera vender por semana.

Interprete el resultado.
ii) Determine la desviación estándar del número de computadoras que vende por
semana. Interprete el resultado.

Hagamos que la variable aleatoria X represente el número de computadoras que podría

vender por semana.

xi f( xi ) xi f( xi ) xi2 f( xi )

0 0.1 0 0
1 0.2 0.2 0.2
2 0.3 0.6 1.2
3 0.4 1.2 3.6
 1.0 2.0 5.0

E ( X ) = 2 computadoras y V ( X ) = 5 - [ 2 ] 2 = 5 - 4 = 1
computadora2

σ X = √V ( X ) =√ 1 = 1 computadora

Estos resultados se interpretan así:

A medida que transcurran las semanas, el vendedor espera vender en promedio 2
computadoras y el número de computadoras que venderá por semana variará la mayor
parte de las veces entre 1 y 3 computadoras.

EJEMPLO 3.6
Para la distribución de probabilidad de la variable aleatoria X del ejemplo 3.3

i) Calcule el número esperado de cuentas con saldos incorrectos (interprete el

resultado).

ii) Calcule la varianza y la desviación estándar del número de cuentas con saldos
incorrectos (interprete el resultado)

xi f ( xi ) xi f ( x i ) ( xi - X )2 f ( xi ) xi2 f ( xi )

0 0.4879 0 0.1756 0
1 0.4242 0.4242 0.0679 0.4242
2 0.0879 0.1758 0.1723 0.3516

1.0000 0.6000 0.4158 0.7758

i)
μX
E(X) = = 0.6 cuentas con saldos incorrectos.

Este resultado podemos interpretarlo diciendo que a medida que el auditor vaya
seleccionando 2 cuentas de las 100 muchas veces esperamos en promedio que 0
(ninguna) ó 1 cuenta con saldo incorrecto, pero un poco más 1 que ninguna.

2
V ( X ) =σ X = 0. 4158 ⇒ σ X =0.6448
ii)

Este valor representa la variación de X alrededor de  X. Esto quiere decir que el

número de cuentas con saldos incorrectos variará entre 0 (ninguna) y 1 la mayor
parte de las veces que el auditor seleccione 2 cuentas de las 100.

Utilizando la otra fórmula tendremos que:

 σX
V ( X ) = 0.7758 - [ 0.6 ]2 = 0.4158  = 0.6448

EJEMPLO 3.7
Un fabricante produce cierto artículo de tal modo que el 10% son defectuosos. Si se
produce un artículo defectuoso, el fabricante pierde C$ 10, mientras que un artículo no
defectuoso le produce una ganancia de C$ 50.
Determine la ganancia esperada por artículo. Interprete el resultado.

Supongamos que X representa la ganancia por artículo y que toma los valores – 10 si se
produce un artículo defectuoso y 50 si se produce no defectuoso.

xi f ( xi ) xi f (xi )

-10 0.10 -1
50 0.90 45

44

 X = E ( X ) = C$ 44

Este resultado se interpreta así: Cuando el fabricante produzca muchos artículos espera
una ganancia promedio por artículo de C$ 44

EJERCICIO 3.2
Para la distribución de probabilidad de X del ejercicio 3.1
i) Calcule el número esperado de llegadas de clientes (interprete el resultado).
ii) Calcule la varianza y la desviación estándar del número de llegadas de clientes
(interprete el resultado).

3.4.1 PROPIEDADES DE LA ESPERANZA Y LA VARIANZA.

1) E (c ) = c ; V(c) = 0

2) E ( c X ) = c E ( X ) ; V ( c X ) = c2 V ( X )

3) E (a + b X ) = a + b E ( X ) ; V ( a + b X ) = b2 V ( X )

4) Si X , Y son variables aleatorias cualesquiera

 E(X  Y) = E(X)  E (Y)

5) Si X , Y son variables aleatorias independientes.

V(X  Y) = V(X) + V(Y)

EJEMPLO 3.8
Para el ejemplo 3.5 considere las siguiente situaciones:
1) Si el comerciante le ofrece al vendedor una comisión de C$ 500 por computador
vendido determine:
i) El ingreso semanal esperado del vendedor.
ii) Las desviación estándar del ingreso semanal. Interprete los resultados.

Hagamos que la variable aleatoria Y represente al ingreso semanal del vendedor.

Entonces Y = 500X

Aplicando las propiedades de la esperanza y la varianza y recordando del ejemplo 3 que

σ
E ( X ) = 2 computadoras y que X = 1 computadora tenemos que:

i) E ( Y ) = 500 E ( X ) = 500 ( 2 ) = C$ 1000

ii) V ( Y ) = 5002V ( X ) = 5002 ( 1 ) = 5002

σY = √ 5002 = C$ 500

Por tanto a medida que transcurran las semanas, el vendedor espera tener un ingreso
semanal promedio de C$ 1000 y su ingreso semanal variará la mayor parte de las veces
entre C$ 500 y C$ 1500.

2) Si el comerciante le ofrece al vendedor pagarle C$ 800 fijos por semana más C$ 400
por computador vendidor, determine:

i) El ingreso semanal promedio del vendedor.

ii) La desviación estándar del ingreso semanal
Interprete los resultados

Hagamos que Y represente el ingreso semanal del vendedor

Entonces Y = 800 + 400X

 Y = E ( Y ) = E ( 800 + 400X ) = 800 + 400 E ( X )

= 800 + 400 ( 2 ) = C$ 1600

 V ( Y ) = V ( 800 + 400X ) = 4002 V ( X ) = 4002 ( 1 ) = 4002

σY= √ 400 2 = C$ 400

¿Cómo interpretaría usted estos resultados?

EJEMPLO 3.9

Un negociante posee dos restaurantes. Sean X , Y, que se suponen independientes

entre sí, las ventas diarias de dichos restaurantes. El negociante ha reunido datos de
ventas durante muchos años, y de acuerdo con sus registros, la media y la varianza de X
son de C$ 5000 y C$ 100 respectivamente y la media y la varianza de Y son de C$ 7000
y C$ 200 respectivamente.

Calcule para los dos restaurantes combinados.

i) La venta diaria promedio.

ii) La desviación estándar de las ventas diarias.

i) Sea M: La venta diaria total. Entonces M = X + Y

E(M) = E(X + Y ) = E(X) + E (Y)

= 5000 + 7000 = C$ 12000

ii) V ( M ) = V ( X + Y ) = V ( X ) + V ( Y ) = 100 + 200 = C$ 300

σ M = √ 300 = C$ 17 .3205