Variable Aleatoria

Una variable aleatoria es una función que

asigna a cada resultado de un
experimento un número.

 VARIABLE ALEATORIA DISCRETA: cuando la variable x toma

ciertos valores aislados de un intervalo.

 VARIABLE ALEATORIA CONTINUA: cuando la variable x toma

todos los valores comprendidos en un intervalo.
Ejemplo

 Supongamos que se planifica un estudio de las familias que tienen

tres hijos.
 x= cantidad de hijas mujeres
REGISTRAMOS:
VVV 0
VVM 1
VMM 2
MVV 1
MMV 2
MVM 2
VMV 1
MMM 3
 Ejemplo:
Variable aleatoria discreta
x p(x)
0 1/8
1 3/8
2 3/8
3 1/8
8/8
Ejemplo:
Variable aleatoria discreta
x p(x) x. p(x)
0 1/8 0
1 3/8 3/8
2 3/8 6/8
3 1/8 3/8
8/8 12/8=1,5

E (x) = σ 𝒙. 𝒑( 𝒙)
DISTRIBUCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA
x p(x) x. p(x) x2 . p(x)

0 1/8 0 0

1 3/8 3/8 3/8

2 3/8 6/8 12/8

3 1/8 3/8 9/8

8/8 12/8=1,5 24/8= 3

V(x)= E(x2) – (E(x))2

E(x2)= σ 𝒙𝟐. 𝒑(𝒙) Desvío Estándar= 𝑽(𝒙)

La distribución de probabilidad de una variable
aleatoria x es el conjunto de sus posibles valores
numéricos x1, x2, …..x n y las probabilidades
correspondientes p1 con i=1, 2, …,n, tal que :
∑ pi = 1
DISTRIBUCIONES DE
PROBABILIDAD
Hay situaciones en que se requiere el uso de un mismo tipo de
función de probabilidad.
Resulta desalentador que aún conociendo todos los conceptos
de probabilidad que aprendimos, se requiera seguir todo un
proceso para formular una nueva función de probabilidad y
deducir sus características, cada vez que nos encontramos con
un caso ligeramente diferente.
Este tedioso trabajo se puede evitar, observando semejanzas
entre determinados tipos de problemas, y asociándolos luego,
con funciones de probabilidad ya estudiadas.

Estudiaremos ahora las distribuciones de probabilidad.

DISTRIBUCIONES

 Entre las discretas veremos:

 BINOMIAL
 POISSON
 HIPERGEOMÉTRICA

 Entre las continuas:

 NORMAL DE GAUSS
 GAMMA
 EXPONENCIAL
 DISTRIBUCIÓN BINOMIAL

Comenzamos diciendo que una distribución binomial resulta

apropiada para cualquier experimento que incluya las características
de una prueba de Bernoulli.
 Cada ensayo tiene dos resultados posibles; el resultado puede
clasificarse en dos categorías mutuamente excluyentes, uno se
considera ÉXITO (E) y el otro FRACASO ( F).
 La probabilidad de éxito o de fracaso se representa así:
P( E) = p P (F)= q
 Los ensayos son independientes, (con reposición o reemplazo)
 La probabilidad de éxito o fracaso se mantiene constante.
 El experimento se realiza un número n predeterminada de veces.
 EJEMPLO:

Definimos la variable aleatoria x= cantidad de defectuosos

X= cantidad de éxitos en las n=3 repeticiones del experimento:
DDD 3 p.p. p =p3
DDB 2 p.p. q=p2.q
DBD 2 p . q . p = p 2. q
BDD 2 q . p . p = p 2. q
DBB 1 p.q .q=p.q2
BDB 1 q .p.q=p.q2
DBB 1 q.q. p=p.q2
BBB 0 q.q. q=q3
EJEMPLO:

x P(x)
0 q3
1 3. p . q 2
2 3. p 2 . q
3 p3
TOTAL 1

𝒏
P(éxitos)= 𝒙
. p x . q n-x
LA estructura de la fórmula binomial consta de dos partes:
Indica que cualquier resultado del experimento debe tener “x”
éxitos y “n-x” fracasos en el conjunto de “n” pruebas.

 p x . q n-x

Indica la cantidad de maneras mutuamente excluyentes en los

que los “x” éxitos y los “n-x” fracasos pueden ser ordenados. Se
denomina combinaciones de n elementos tomados de x en x.
𝒏
 𝒙
 EJEMPLO:
Seleccionamos al azar tres piezas de un proceso de
fabricación, que pensamos es estable. Se inspeccionan y
se clasifican en defectuosas y no defectuosas.
Aceptamos como éxito una pieza defectuosa. El número
de éxitos es una variable aleatoria: x que puede tomar
valores enteros de cero a tres.
DDD DBB
DBD DBD
DDB BBD
BDD BBB
Sabemos que la probabilidad p de encontrar una pieza
defectuosa (éxito), es ¼= 0,25
DISTRIBUCION DE
PROBABILIDAD
BBB P(BBB) = P(B).P(B).P(B)= O,75x0,75x0,75 0,42

BDB P(BDB)=P(B).P(D).P(B)=0,75x0,25x0,75 0,14

BBD P(BBD)=P(B).P(B).P(D)= 0,75x0,75x0,25 0,14

DBB P(DBB)=P(D).P(B).P(B)=0,25x0,75x0,75 0,14

BDD P(BDD)=P(B).P(D).P(D)=0,75 x 0,25x0,25 0,046

DBD P(DBD)=P(D).P(B).P(D)=0,25x0,75x0,25 0,046

DDB P(DDB)=P(D).P(D) .P(B)=0,25x0,25x0,75 0,046

DDD P(DDD)=P(D).P(D).P(D)=0,25x0,25x0,25 0,015

1
DISTRIBUCION BINOMIAL

X PROBABILIDAD
O 0,42
1 3 * 0,14
2 3 * 0,046
3 0,015
1
En una distribución binomial, lo que
interesa es determinar la
probabilidad de que ocurra
determinado número x de éxitos, en
n pruebas independientes, en cada
una de las cuales, la probabilidad p
de éxito es la misma.
 PARAMETROS
La distribución binomial queda
completamente descripta conociendo
los valores de n y p. Se los llama
parámetros de esta distribución y
miden características de una
población.

n: es el número de éxitos
p: la posibilidad de éxito en una
prueba aislada
FÓRMULA

𝒏
P(éxitos)= 𝒙
. p x . q n-x

Si volvemos al ejemplo donde n=3 y p=0,25

Tenemos:
3 3!
P(2)= 2
. O,25 2 . 0,75 3-2= . O,25 2 . 0,75 3-2 = 0,14
2!.1!
USO DE LA TABLA

Los cálculos se pueden tornar complejos,

cuando n toma valores grandes, puesto que los
valores de los factoriales complican los
cálculos. En estos casos es recomendable
utilizar tablas.
Entramos a la tabla con n. Al lado del valor n
buscamos el x que nos interesa; por arriba el
valor de la probabilidad p.

Buscamos en tabla el ejemplo anterior.

MEDIA ARITMETICA
Esperanza de (x) = µ = n . p

VARIANCIA
Variancia de (x)= n . p . q

DESVIO ESTANDAR
Desvío estándar de (x)= 𝒏. 𝒑. 𝒒
 Ejercicio:

En base a la experiencia anterior la impresora principal del centro de

cómputos de cierta universidad funciona adecuadamente el 30% del tiempo.
Si se hace una muestra aleatoria de 10 inspecciones:
A. ¿Cuál es la probabilidad de que la impresora principal no funcione en
forma apropiada?
1. Exactamente cinco veces
2. Por lo menos cinco veces
3. A lo sumo cinco veces
4. Menos de cinco veces
B. ¿Cuántas veces se puede esperar que no funcione en forma
apropiada la impresora principal?
C. Calcule la varianza y desvío.
DISTRIBUCIÓN
HIPERGEOMÉTRICA
 Presume la extracción de elementos de una
determinada población a los que podemos clasificar
como ÉXITO y FRACASO. (mutuamente excluyentes y
exhaustivas)

 Los muestreos se realizan SIN REEMPLAZO.

 La probabilidad no se mantiene constante en cada

repetición del experimento, sino que varía en cada
repetición. Estamos ante la situación de un muestreo
sin reemplazo donde la probabilidad de extraer un
elemento de la población varía en cada repetición.
UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN

HIPERGEOMÉTRICA SE DEFINE COMO LA CANTIDAD

DE INDIVIDUOS QUE PERTENECEN A UNA CIERTA

CATEGORÍA, EXTRAÍDOS DE UNA POBLACIÓN

DICOTÓMICA POR MEDIO DE UN MUESTREO SIN

REEMPLAZO”
N= cantidad de elementos de la población
M= cantidad de elementos de la población
que pertenecen a la categoría éxito.
N-M= cantidad de elementos de la población
que pertenecen a la categoría fracaso.
n= cantidad de elementos en la muestra
seleccionados de los N elementos de la
población
x= cantidad de éxitos en la muestra.
n – x = cantidad de fracasos en la muestra.
 Recordemos que el muestreo sin reemplazo
nos implica que las extracciones no son
independientes es decir que la ocurrencia
de un evento en particular en una prueba
modifica la probabilidad de ocurrencia de
un evento en la prueba siguiente.

 La población es finita, es decir, se conoce el

número de elementos de la población y es
relativamente pequeño en cantidad.
FORMULA
ESPERANZA
E(X) = n.p

VARIANCIA
V(x) = n. p .q . (N-n)/(N-1)

DESVÍO ESTÁNDAR
D(x) = √n.p.q . √(N-n)/(N-1)
RESUMEN

 Los resultados en cada prueba de un

experimento se clasifican en una de dos
categorías excluyentes: éxito o fracaso
 La variable aleatoria es el número de éxitos en
un número fijo de pruebas o muestra
 Las pruebas o repeticiones del experimento no
son independientes
 Se supone que los muestreos se realizan con
una población finita sin reemplazos. La
probabilidad de un éxito cambia en cada
prueba.
EJEMPLO

Un importante estudio contable tiene 18 secretarias, 8 de las

cuales han estado en la firma por más de 6 años .
Si un ejecutivo desea seleccionar 4 secretarias para una
comisión especial:
¿Cuál es la probabilidad de que en dicha comisión haya 2
de ellas que tengan menos de 6 años de experiencia?
¿Cuál es la probabilidad de que en dicha comisión haya a
lo sumo 1 de ellas que tengan menos de 6 años de
experiencia?
Calcular E(x), V(x) y D(x)
DISTRIBUCIÓN
NORMAL
DISTRIBUCIÓN NORMAL 32
 CARACTERÍSTICAS
33

• La curva normal tiene forma de campana con

un sola cima en el centro de la distribución.

• La media, mediana y moda de la distribución aritmética son

iguales y se ubican en el centro de la distribución.

•La mitad del área por debajo de la curva normal está a la

derecha del punto central y la otra mitad está a la izquierda de
éste.
• Es simétrica con respecto a su media.
 •La distribución es asintótica, la curva se acerca al eje de las x
pero nunca lo toca. Los extremos de la curva se extienden de
manera indefinida en ambos sentidos.

•La ubicación de la curva normal se determina a través de la

media, µ. La dispersión de la distribución por medio de la
desviación estándar, σ.
La función de densidad de probabilidad que corresponde a esta
curva está dada por la siguiente expresión

( x )2
1
f ( x)  e 2 2

2 
SIENDO µ Y , LOS DOS PARÁMETROS QUE CARACTERIZAN A UNA DISTRIBUCIÓN NORMAL.
 35

 Por ser la distribución perfectamente simétrica, la media µ coincide con la

mediana y la moda. Se encuentra en el punto del eje de abscisas que divide a la
distribución en dos partes iguales y, a su vez, registra el valor de la variable de
mayor frecuencia .

 La desviación estándar, medida de variabilidad de la distribución, determina la

mayor o menor dispersión de los datos alrededor de µ. Cuando σ crece, la curva
se achata reflejando esta situación.
SE OBSERVA QUE UN CAMBIO EN EL VALOR DE µ DESPLAZA TODA LA DISTRIBUCIÓN
NORMAL PERO NO ALTERA SU FORMA

µ cambia y σ es constante; µ1 < µ 2< µ3

 37
SE OBSERVA QUE UN CAMBIO EN EL VALOR DE σ NO DESPLAZA LA CURVA SINO QUE
ALTERA SU FORMA, HACIÉNDOLA MÁS ESTRECHA A MEDIDA QUE DISMINUYE SU
VALOR

µ es constante y σ cambia σ1<σ2<σ3

 CARACTERÍSTICAS
•Como toda función de probabilidad, el área total bajo la curva es 1. 38

P (   x  )  

f ( x ) dx  1

•Al ser una curva simétrica con respecto a µ , el 50% de las observaciones se
encuentran por debajo de la media µ y el 50% por encima de ella.

P(  x   )  0,50  P(   x  )

•La distribución normal es una distribución teórica, ideal, que cumple con
ciertas propiedades, las que surgen de la aplicación de la fórmula
matemática que expresa su función de densidad de probabilidad.
Estas propiedades son:
En el intervalo (μ - σ; μ + σ) se encuentra el 68,2% de las observaciones,
o lo que es lo mismo: P (μ - σ < x < μ + σ) = 0,682
En el intervalo (μ - 2σ; μ + 2σ) se encuentra el 95,4% de las observaciones,
o: P (μ - 2σ < x < μ + 2σ) = 0,954
En el intervalo (μ - 3σ; μ + 3σ) se encuentra el 99,8% de los datos, o:
P (μ - 3σ < x < μ + 3σ) = 0,998
Suponiendo que tenemos una µ= 1,30 m y σ= 0,12m 39
Gráficamente tendremos:
Como no existe una sola distribución normal sino toda40 una
familia de infinitas distribuciones normales, cada una
correspondiente a una cierta combinación de μ y σ, fue
necesario seleccionar una de todas estas combinaciones para
que las representara.
Esta distribución particular se conoce con el nombre de:

DISTRIBUCIÓN NORMAL ESTANDARIZADA

y es la que corresponde a la combinación de los parámetros
μ = 0 y σ = 1.
Las probabilidades asociadas a esta distribución normal
particular, se encuentran ya tabuladas.
La representación gráfica de la distribución de probabilidad de una variable normal
estandarizada es la siguiente: 41

Es como una distribución normal pero centrada en 0, es decir es

simétrica con respecto al 0.
Al trabajar con una variable normal estandarizada también se cumple que:
P(- 1 < z < 1) = 0,684 42
P(- 2 < z < 2) = 0,954
P(- 3 < z < 3) = 0,998
Una distribución normal se denomina
43
estandarizada si su media es 0 y su varianza y su
desviación estándar, son iguales a 1.
Esta transformación da como resultado una nueva variable que
llamaremos Z ; que mide la distancia entre un valor seleccionado,
designado como X, y la media μ, dividida entre la desviación estándar
de la población σ,
Entonces,

X–μ
Z=
σ

Y su correspondiente función de densidad de probabilidad es

z2
1 
f ( z)  e 2
 z 
2
 44
Los valores de z están tabulados. Podemos usar la tabla para
obtener probabilidades asociadas con cualquier distribución
normal, siempre que conozcamos la media y la variancia.

La tabla para calcular probabilidades de una distribución

normal estandarizada está construida considerando
probabilidades acumuladas, o sea, siempre se busca
probabilidades del tipo:

P(Z<z0) = F(z0).

Teniendo en cuenta las propiedades de la distribución normal y

que también corresponden a la normal estandarizada los
valores de Z que están tabulados varían entre -3 y 3 porque la
probabilidad de que Z sea < -3 o > 3 es muy pequeña.
La normal estandarizada varía también como una normal de -
hasta + 
 EJEMPLO
La empresa E&L desarrolla un nuevo componente de 45 un
aerogenerador de energía eólica, teniendo en cuenta que el
tiempo de ensamble de esa pieza sigue una distribución normal
con µ= 90 minutos y σ = 10 minutos.

SE PIDE:

a) Calcular la probabilidad de que el tiempo de ensamble sea a lo

sumo de 80 minutos.
b) Calcular la probabilidad de que el tiempo de ensamble supere
los 110 minutos.
c) Calcular la probabilidad de que el tiempo de ensamble esté
entre 85 y 105 minutos.
d) Determinar el tiempo que se necesita para ensamblar una pieza,
de tal manera que la probabilidad de excederlo sea de 0,05
a) Calcular la probabilidad que el tiempo de ensamble sea
a lo sumo de 80 minutos
46
Encontrar la probabilidad de que un valor aleatorio de Z sea menor que un valor
z1, esto es P(Z<z1)
Para buscar esta probabilidad en la tabla de probabilidades
normales, debemos, en primer lugar, estandarizar la variable original.

Tenemos que X ~ N (90 ; 10)

Queremos encontrar:

P( x< 80) = P ( z < 80 -90 )= (z < -1 )

10
donde z = x-µ/σ ; de acuerdo a esto buscamos en la tabla F(-1)

F(-1) = 0,1587

Un valor de x=80 en la distribución normal corresponde a un valor de

z= -1 en la distribución normal estándar.
Podemos concluir que existe la probabilidad de 0,1587 de que el
tiempo de ensamble sea a lo sumo de 80 minutos.
b) Calcular la probabilidad que el tiempo de ensamble supere los 110
minutos.
47

Encontrar la probabilidad de que un valor aleatorio de Z exceda un valor z1, esto

es P(Z>z1)

P(x > 110)= P ( Z > 110 – 90 )= (Z > 2 )

10
Como la tabla nos da la acumulada hasta 2 , y como sabemos que el
área bajo la curva es 1 podemos hacer:

P(Z> 2) = 1 - F (2) = 1 – 0,9772 = 0,0228

Entonces:

La probabilidad de que el tiempo de ensamble sea superior a 110

minutos es de 0,0228.
c) Calcular la probabilidad que el tiempo de ensamble esté entre 85 y 105 minutos.
Encontrar la probabilidad de que un valor aleatorio de Z caiga en un 48
intervalo ( z1, z2)

P( 85 < x < 105)= P ( 85 – 90 < z < 105 - 90) = (-0,5 <Z < 1,5)
10 10
z1= 0,3085 y z2 = 0,9332

De acuerdo a esto debemos buscar F(-0,5) y F(1,5) en la tabla

Para calcular esta probabilidad se debe:

F(1,5) – F (-0,5) = 0,9332 – 0,3085 = 0,6247

Entonces:
La probabilidad de que el tiempo de ensamble este entre 85 y 105
minutos es de 0,6247.
 49
d) Determinar el tiempo que necesita para ensamblar una pieza, de
tal manera que la probabilidad de excederlo sea de 0,05.

En este caso tenemos el área donde se ubica, lo que debemos

encontrar es el valor de x.

Debemos buscar el z que acumule el 0,95. Entramos a la tabla por el área y de alli buscamos z
El z que acumula el 95% es 1,64
x
Como z   x  z   ; reemplazando x  1,64 10  90  106,4


A partir de los 106,4 minutos se encuentra el tiempo de ensamble que

excede el 5%.