ÍNDICE

1 Variable aleatoria.

2 Tipos de variable aleatoria.

3 Variable aleatoria discreta.

4 Esperanza matemática y varianza de una v.a. discreta.

5 Bibliografía
Objetivos
➢Identificar las distribuciones de probabilidad que más se
utilizan en la toma se decisiones

➢Utilizar el concepto de valor esperado para la toma de

decisiones

➢Mostrar cual distribución de probabilidad utilizar y como

encontrar sus valores

➢Comprender las limitaciones de cada una de las

distribuciones que utilice
Se tiene el registro diario del número de clientes de un zapatero.
Observando la siguiente tabla.

X: Número de f = Número
clientes de días
p(X) La distribución de
0 18 18/360 probabilidad muestra
1 162 162/360 los posibles resultados
2 90 90/360 de un experimento y
3 54 54/360
la probabilidad de
4 36 36/360
TOTAL 360 1
que cada uno se
presente
 Variable aleatoria
Es una función que asigna un número real a cada elemento del
espacio muestral
Ω ℝ𝑥
𝑊1 𝑥(𝑊1 )
𝑊2 x(𝑊2 )
. .
. .
. .
𝑊𝑘
x(𝑊𝑘 )

Dominio Rango
 Ejemplo Variable aleatoria
Es una función que asigna un valor numérico, al resultado de un
experimento aleatorio
X = número de sellos
Ω ℝ𝑥
CC 0= 𝑥1
𝐶𝑆
1 =𝑥2
SC
SS 2= 𝑥3

Dominio Rango
𝐷𝑥 ℛ𝑥
 VARIABLE
ALEATORÍA
(V.A)

Es una función
X que signa un Una variable Su dominio es el Se denota por
número real a aleatoria obtiene espacio muestral una X y se
cada resultado su valor al medir ( Ω) y el rango representa
del espacio algún tipo de es el conjunto de con letras
muestral (Ω) de experimento los números mayúsculas.
un experimento aleatorio reales ℝ𝑥
aleatorio
Una variable es aleatoria, si toma diferentes valores
como resultado de un experimento
Puede ser discreta o continua

Ejemplo
Lanzar 3 monedas
X: variable aleatoria (Ej. Número de caras)
X: los valores que puede tomar la variable
0, 1 , 2 , 3
 ℰ = { Lanzar 3 monedas }
A = { Número de sellos }

Ω={ CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS }

-4 -3 -2 -1 0 1 2 3 4

ℝ𝑥 = { 0, 1, 2 3 }
Número finito de valores o un número infinito
numerable de valores

Por ejemplo
De un proceso de producción se selecciona al azar 3
artículos para observar si es o no defectuoso.
Se define la variable aleatoria

X: Número de artículos defectuosos

VARIABLE ALEATORÍA DISCRETA
Es aquella variable aleatoria que puede asumir un
número contable se valores
Ejemplos:
Se va evaluar a 4 estudiantes en estadística y
Sea la v.a
Y = Número de aprobados
𝑅𝑦 = {0, 1,2, 3, 4 }

Y = Es una v.a. discreta

Sea el experimento de lanzar 2 dados y sea la v.a-
A= Suma de sus caras

Sea el experimento de lanzar 2 dados y sea la v.a-

A= Suma de sus caras
𝑅𝐴 = { 2 , 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }

𝑎1 , 𝑎2 , 𝑎3 , 𝑎4 , 𝑎5 , 𝑎6 , 𝑎7 , 𝑎8 , 𝑎9 , 𝑎10 , 𝑎11 = 11 valores

A= Es una variable aleatoria discreta
VARIABLE ALEATORÍA CONTINUA
Es aquella variable aleatoria que puede asumir un
número incontable se valores
Ejemplo:
Sea B = peso (Kg.) de un estudiante de la Facultad de Economía
{50, 55.4, 60.2, 64}

𝑅𝐵 = {50 ≤ 𝑏 ≤ 64}

B = Es una v.a. Continua

 Ejemplo 2 :

Sea C = Tiempo de atención en ventanilla (S)

{1, 50, 155.4, 60.2, 264}

𝑅𝐶 = {1 ≤ 𝑐 ≤ 264}

C = Es una v.a. Continua

 Su rango es un conjunto
Es aquella v.a. que Ejemplo ❖ Número de
V.A. puede asumir un computadoras en la
facultad de Economía.
número contable de
DISCRETA valores ❖ Número de clientes en el
{1, 2, 3, …n } Banco Falabella

❖ Estatura de los
V.A. Es aquella v.a. que estudiantes.
puede asumir un ❖ Tiempo de demora
CONTINUA número incontable en llegar a la UNP
de valores
Ejercicio
Se realiza una encuesta en el aula virtual
acerca de la estatura de los estudiantes y
el número de hermanos que tienen.
Identificar las 2 variables aleatorias de
interés, sus posibles valores e indica si son
discretas y continuas
Función de probabilidad f(x)
Es la probabilidad de que una variable X tome un valor concreto.
Sea X una variable aleatoria discreta que toma los valores X1, X2, . . .
Con probabilidades
𝑝0 = 𝑃 𝑋 = 𝑥0
𝑝1 = 𝑃 𝑋 = 𝑥1
𝑝2 = 𝑃 𝑋 = 𝑥2

…
P(X= x) 𝑆𝑖 𝑥= 𝑥0 , 𝑥1 , . . .
Definición : f(x) = ቊ
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Tabla
X1 𝑿𝟎 𝑿𝟏 𝑿𝟐 …
f(X) 𝒑𝟎 𝒑𝟏 𝒑𝟐 …
Función de probabilidad
Se llama función de probabilidad de una v.a. discreta a
la aplicación de f que a cada valor 𝑋𝑖 de la variable
asigna la probabilidad de que dicha variable tome ese
valor
𝑓 𝑋𝑖 = 𝑃(𝑋 = 𝑥𝑖 )

i. 𝑓 𝑋𝑖 > 0
ii. σ 𝑓 𝑋𝑖 = 1
iii. 𝑓 𝑋𝑖 = 0 ∀ 𝑥𝑖 ∉ ℛ𝑥
 Distribuciones de Probabilidad
Es una distribución de frecuencias teóricas que describe la forma en
que se esper que varíen los resultados.
Resulta útil para realizar inferencias y tomar decisiones bajo
incertidumbre
Ejemplo
Se lanza 2 veces consecutivas una moneda no cargada, El número
de caras será
0.6

0.5
Número de caras Resultados Probabilidad
0.4
Probabilidad

0 SS 0.25
0.3
1 CS, SC 0.50
0.2 2 CC 0.25
0.1

0
0 0.5 1 1.5 2 2.5
Número de caras
Función de distribución F(x)
Es la probabilidad de que una variable aleatoria discreta 𝑥𝑖 tome un valor u otro inferior.
Sea 𝑥𝑖 una variable aleatoria cualquiera la función distribución de 𝑥𝑖 esta dado por
F(𝑥𝑖 ) : R→ 𝑅
Se define
𝐹(𝑥𝑖 ) = 𝑃 𝑋 ≤ 𝑥𝑖
Ejemplo 1.2

X= Resultado de lanzar un dado. 1

0.8
La función de probabilidad es

F(X)
0.6

0.4
𝑥𝑖 1 2 3 4 5
0.2

p(𝑥𝑖 ) 0.1 0.2 0.4 0.1 0.2 0

1 2 3 4 5
F(𝑥𝑖 ) 0.1 0.3 0.7 0.8 1 X

Para X discreta la función de distribución es de tipo escalón. Cada escalón corresponde

a un valor posible de X el salto corresponde a la probabilidad.
Esperanza matemática o valor esperado E(x)

➢ Es el promedio de la v.a, si el experimento se repite un número infinito de

veces.

➢ Mide donde está centrada la distribución de probabilidad ( es el punto de

equilibrio de esta función)

Sea X una variable aleatoria con función de probabilidad f(X) la esperanza de

X se define:
𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑓(𝑥)
𝑥
Ejemplo

Sea X una variable aleatoria discreta con función de

probabilidad dada en la siguiente tabla
X 0 1 2 3
f (X) 1/8 3/8 2/8 2/8

𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑓(𝑥)
𝑥

La esperanza de X es el número
13
E(X) = 0 (1/8) + 1 (3/8) + 2 (2/8) + 3 (2/8) = 8 = 1.625
 Ejemplo
Se lanza 3 monedas
{ 1Τ8 , 1Τ8 , 1Τ8 , 1Τ8 , 1Τ8 , 1Τ8 , 1Τ8 , 1Τ8 , }

Ω = {𝐶𝐶𝐶, 𝐶𝐶𝑆, 𝐶𝑆𝐶, 𝑆𝐶𝐶, 𝐶𝑆𝑆, 𝑆𝐶𝑆, 𝑆𝑆𝐶, 𝑆𝑆𝑆}

3 CARAS 2 CARAS 1 CARAS 0 CARAS

Número de caras P(X) XP(X) 𝐸 𝑋 = ෍ 𝑥𝑓(𝑥) = ෍ 𝑥𝑃(𝑥)

𝑥 𝑥
0 1Τ8 0
1 3Τ 8 3Τ 8
2 3Τ 8 6Τ 8 12
3 1Τ 8 3Τ 8 𝐸 𝑋 = = 1.5 𝐶𝑎𝑟𝑎𝑠
8
12Τ8
Varianza de V.A. discreta

Varianza
𝑉 𝑋 = 𝐸 𝑋 2 − 𝜇2
 Ejemplo
Según un reporte histórico de ventas de la empresa «Autos Nice», se
ha podido determinar que el número de autos vendidos por día
presenta la siguiente distribución de probabilidades:

X = Número de autos 2 3 4 5 6 7
p(x) = probabilidad k/2 k 2k 0,15 0,1 0,05

Calcule:
a) El valor de la constante k sabiendo que la distribución es de
probabilidad.
b) La probabilidad que el número de autos vendidos sea superior a 4.
c) La probabilidad que el número de autos vendidos sea a lo más 4.
d) Determine el número esperado de autos vendidos por día Eje.
 Solución:
a. Constante “k” para que f(x) sea una función de probabilidad.
σ51 𝑓𝑖 = 1 entonces k/2+k+2k+0,15+0,1+0.,05 = 1,
despejando k=0,2
Luego tenemos la distribución de probabilidad.
a. La probabilidad que el número de autos vendidos sea superior a
4:
P(x≥5) = f (5) + f (6) + f (7) = 0,15 + 0,1 + 0,05 = 0,30
a. La probabilidad que el número de autos vendidos sea a lo más 4:
P(x≤4) = f (2) +f (3) + f (4) + f (5) = 0,1 + 0,2 + 0,4 + 0,15 =
0,85
a. Determine el número esperado de autos vendidos por día.
E(x)= 𝝁 = Valor esperado es igual al promedio = 4,10
Ejemplo 1 : Consideremos el experimento que consiste en revisar tres componentes de una
bomba centrifuga, que pueden ser defectuosos (D) y no defectuosos (N).
Desarrollo:
ε = Revisar tres componentes de una bomba centrifuga.
El espacio muestral será:
Ω = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
Definimos la variable aleatoria X = como el número de componentes defectuosos.
• X(DDD)=3
• X(NDD)=X (DND)= X (DDN)=2
• X(NND)=X (NDN)= X (DNN)=1
• X(NNN)=0
X= 3,2,1,0
Ejemplo 2: según un reporte histórico de ventas de la empresa “Autos Nice”, se ha podido
determinar que el número de autos vendidos por día presenta la siguiente distribución de
probabilidades:

X = Números de autos 2 3 4 5 6 7
p(x) = Probabilidad 𝑘 K 2k 0.15 0.1 0.05
2

Calcule:
1. El valor de la constante k sabiendo que la distribución es de probabilidad.
2. La probabilidad que el numero de autos vendidos sea superior a 4.
3. La probabilidad que el numero de autos vendidos sea a lo más 4.
4. Determine el número esperado de autos vendidos por día.
Ejemplo 2: Desarrollo
a) Constante “k” para que f(x) sea una función de probabilidad.
5 𝑘
෍ 𝑓𝑖 = 1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 + 𝑘 + 2𝑘 + 0.15 + 0.1 + 0.05 = 1, 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑛𝑑𝑜 𝑘 = 0.2
1 2
Luego tenemos la distribución de probabilidad:
X = Números de autos 2 3 4 5 6 7
p(x) = Probabilidad 𝑘 K 2k 0.15 0.1 0.05
2
b) La probabilidad que el número de autos vendidos sea superior a 4:
𝑝 𝑥 ≥ 5 = f 5 + f 6 + f 7 = 0.15 + 0.1 + 0.05 = 0.30
c) La probabilidad que el numero de autos vendidos sea a lo más 4:
𝑝 x ≤ 4 = f 2 + f 3 + f 4 + f 5 = 0.1 + 0.2 + 0.4 + 0.15 = 0.85
d) Determine el número esperado de autos vendidos por día.
𝐸 𝑥 = 𝜇 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = 4.10