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
Variable aleatoria discreta

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

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
que toma como posibles valores x1,x2,.....xn, se define la distribución
Función de varían los resultados de un experimento aleatorio, es
de probabilidad de X como el conjunto de pares (xi, pi) que a cada
distribución de decir, nos da todas las probabilidades de todos los valor de la variable le asocia una probabilidad, donde pi= P(X=xi), tal
una variable posibles resultados que podrían obtenerse cuando se que la suma de todas las probabilidades es igual a la unidad.
aleatoria realiza un experimento aleatorir. En la distribución de Del ejemplo realizado anteriormente se desprende que la
discreta 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 sólo si
independientes si los valores que toma una de ellas no afectan a los P(X ≤ a ∩ Y ≤ b) = P(X ≤ a) · P(Y ≤ b) = FX(a) · FY(b)
de la otra ni a sus probabilidades. A la función F(x, y) = P(X ≤ a ∩ Y ≤ b) se la conoce como la función de
Independencia
de variables En muchas ocasiones la independencia será evidente a partir del distribución conjunta de X e Y.
experimento, por ejemplo, es independiente el resultado del
aleatorias Como consecuencia inmediata de la independencia de X e Y, se
lanzamiento de un dado y el de una moneda, por tanto las variables cumple lo siguiente:
Puntuación obtenida con el dado y Número de caras obtenidas al
lanzar la moneda una vez serán variables independientes. 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
variable
aleatoria
Dada una variable aleatoria X que toma valores
discreta
x1,x2,x3....xn con distribución de probabilidad, se define
la varianza de X: o
Formula de la varianza Discreta:
 V{x}=(x-E(X)) ∑ (x,u)’2=∑x’2,p,-u’2
La distribución de Bernoulli (o distribución dicotómica), nombrada así
por el matemático y científico suizo Jakob Bernoulli, es
una distribución de probabilidad discreta, que toma valor 1 para la Ejemplo:  Se quiere saber cuales la probabilidad de que encontremos
probabilidad de éxito ( ) y valor 0 para la probabilidad de fracaso ( 10 basureros dañados de 50 ubicados  en el barrio Tamasagra de San
). Juan De Pasto; se sabe que la probabilidad de que estén dañados es
de 15.8%.

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

realiza un único experimento con dos posibles resultados (éxito o
fracaso), se dice que la variable aleatoria X se distribuye como una N= 50
Bernoulli de parámetro P.
X= 10
P= 15.8% → 0.158%
Modelos discretos de probabilidad

Su fórmula es: Q= 84.2% → 0.842%

Modelo
Bernoulli
N= Numero de eventos. 50!         . 0.15810 .  084.240    = 0.00205
X= Numero de éxitos. (50-10)! 10!
P= Probabilidad de éxito.
Q= probabilidad de fracaso.
F(X)= Probabilidad de tener X éxitos en un numero N de ensayos.
La probabilidad de encontrar 10 basureros
dañados de 50 tomados es de 0.00205%, en distribución Binomial.
Sus propiedades son:

Media:  n.p Los basureros nos ayudan a mejorar el

Varianza: n.p.q ambiente de la ciudad disminuyendo las
emisiones de CO2 directo a la atmosfera
Desviación típica o estándar:   n.p.q

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

 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 Binomial es una distribución de probabilidad discreta

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

Modelo Supongamos la extracción aleatoria de 8 elementos de un conjunto

hipergeométrico formado por 40 elementos totales (cartas baraja española) de los
La distribución hipergeométrica es especialmente útil en todos
cuales 10 son del tipo A (salir oro) y 30 son del tipo complementario
aquellos casos en los que se extraigan muestras o se realicen
(no salir oro).
experiencias repetidas sin devolución del elemento extraído o sin
Si realizamos las extracciones sin devolver los elementos extraídos y
retornar a la situación experimental inicial.
llamamos X al número de elementos del tipo A (oros obtenidos) que
Es una distribución fundamental en el estudio de muestras pequeñas
extraemos en las 8 cartas; X seguirá una distribución
de poblaciones pequeñas y en el cálculo de probabilidades de juegos
hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).
de azar. Tiene grandes aplicaciones en el control de calidad para 
Para calcular la probabilidad de obtener 4 oros:
procesos experimentales en los que no es posible retornar a la
situación de partida.

Las consideraciones a tener en cuenta en una distribución

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
un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
siguiente expresión:
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