M.

Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

Tema 4:
Variables aleatorias discretas

Objetivos

Dominar el uso de las funciones asociadas a una variable aleatoria discreta para
calcular probabilidades.
Conocer el signicado y saber calcular la esperanza y la varianza de una variable
aleatoria discreta.
Reconocer y aplicar modelos de probabilidad discretos

1. Variable Aleatoria y Funcin de Probabilidad

Lo que pretendemos en este tema es transformar el problema de la asignacin de

probabilidades a otro consistente en el empleo de ciertas funciones reales de variable
real, de forma que la probabilidad de cierto suceso aleatorio vendr dada por el clculo
de ciertos valores de dichas funciones.

1.1. Denicin de Variable aleatoria

Sea el espacio muestral asociado a un fenmeno aleatorio. Una variable aleatoria
es una funcin
X:R
que asocia a cada suceso elemental un nmero real. El conjunto X() = X se le llamar
espacio muestral de la variable aleatoria X y es el conjunto de todos los valores
posibles de X .

Diremos que una variable aleatoria es discreta si su espacio muestral es un conjunto

discreto, es decir, un conjunto nito o bien un conjunto innito pero numerable. Si el
espacio muestral de la variable es innito no numerable, como el conjunto de puntos de
un intervalo real, diremos que la variable aleatoria es continua. En este tema trataremos
con variables aleatorias discretas.
Ejemplo 1.1 Si lanzamos una moneda al aire dos veces y X es el nmero de caras
obtenidas X transforma el espacio muestral original = {(c, c), (x, c), (c, x), (x, x)} en
X = {0, 1, 2}.

1.2. Funcin de Probabilidad

La funcin puntual de probabilidad va a asignar probabilidad a cada punto del espacio
muestral de X .

Tema 4 Pgina: 1
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

Si X es una variable aleatoria discreta, la Funcin Puntual de Probabilidad o

simplemente la Funcin de Probabilidad es la funcin
p : R [0, 1]

que asigna probabilidades a cada uno de los puntos muestrales de X . Es decir,

P (X = x), si x X ;

p(x) =
0, si x
/ X.

es decir
De la denicin se derivan las siguientes propiedades de la funcin de probabilidad:
1. Se dene la Funcin de Distribucin de la variable X como F (x) = yX ,yx p(y) =
P
F (x). La funcin F (x), en este caso, acumula la probabilidad asociada al punto
muestral x a la de los puntos muestrales menores que x.
2.
P
xX p(x) = 1

3. Si I R, P (X I) =
P
xI,xX p(x)

Ejemplo 1.2 Si X =nmero de caras al tirar dos veces una moneda, su funcin de
probabilidad es
1/4, si x = {0, 2};
p(x) = 1/2, si x = 1;
0, si x / {0, 1, 2}.

y su funcin de distribucin es


0 si x < 0;
1/4, si x [0, 1);

F (x) =

3/4, si x [1, 2);
1, si x 2.

1.3. Actividades
Estudiar si las funciones siguientes pueden ser funciones puntuales de probabilidad
1
1. p(x) = si x = 0, 1, 2, 3, 4 y p(x) = 0 en el resto
5
2. p(x) = k si x = 10, 9, ..., 9, 10 y p(x) = 0 en el resto
2x + 1
3. p(x) = si x = 1, 2, 3, 4 y p(x) = 0 en el resto
24

2. Esperanza y Varianza de una variable aleatoria dis-

creta

Con estos parmetros, que denimos a continuacin, pretendemos describir una va-
riable aleatoria respecto a sus caractersticas de centralizacin y dispersin.

Tema 4 Pgina: 2
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

2.1. Esperanza Matemtica o Media Terica

La Esperanza o Media Terica de una v.a. E(X) indica un valor terico al que
tendera el valor medio de n realizaciones de X , cuando n tiende a innito. Para aclarar
esto supongamos que X es nuestra ganancia cuando jugamos a un juego de lotera en
el que podemos ganar un milln de euros con cierta probabilidad o perder lo invertido
en el billete. En una realizacin concreta ganaremos o perderemos y la esperanza de X
sera el valor al que tendera el valor medio de mi ganancia cuando juego un nmero
grande de veces.
Se dene mediante la siguiente expresin:
X
E(X) = xp(x)
xX

Ejemplo 2.1 Supongamos que en un juego ganamos 10 euros si al tirar un dado sacamos
un cinco o un seis, ganamos 5 si sale un 2 o un 3 o un 4 y perdemos 25 si sale un 1. Si
llamamos X a la ganancia obtenida en una jugada, la funcin de probabilidad de X es
2
, si x = 10;
63


6
, si x = 5;
p(x) = 1
, si x = 25;
6


0, si x/ {10, 5, 25}.
cuya esperanza vale:
2 3 1 10
E(X) = 10 + 5 25 =
6 6 6 6
que sera el valor medio de nuestras ganancias a largo plazo (en un gran nmero de
jugadas).

Ejemplo 2.2 La esperanza de la variable del ejemplo (1.1) vale

1 1 1
E(X) = 0. + 1. + 2. = 1
4 2 4
esto signica que en un gran nmero de experiencias, el valor medio del nmero de caras
tendera a 1.

2.2. Varianza y Desviacin Tpica

La varianza de una variable aleatoria X , que representaremos por V (X), y la Desvia-
cin Tpica, D(X), indicarn el grado de dispersin de los valores de la variable respecto
a la esperanza matemtica. La Desviacin Tpica ser la raz cuadrada positiva de la
varianza, D(X) = V (X) y tiene la ventaja que se expresa en la misma unidad que la
p

propia variable. Variables con desviacin tpica pequea indicar que hay alta probabi-
lidad de observar valores prximos a la esperanza matemtica o media terica E(X). Si
denotamos E(X) mediante y V (X) mediante 2 Denimos
V (X) = 2 = E((X )2 ) = E(X 2 ) 2
y podemos calcularla mediante la siguiente expresin:
X X X
V (X) = 2 = x2 p(x) 2 = x2 p(x) ( xp(x))2
xX xX xX

Tema 4 Pgina: 3
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

Ejemplo 2.3 La varianza de la variable del ejemplo (1.1) es

1 1 1 1
2 = 02 + 12 + 22 12 =
4 2 4 2
y su desviacin tpica es
1
D(X) = =
2

2.3. Actividades
Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades
de la seccin 1.3.

3. Modelos de probabilidad discretos

3.1. El modelo de Bernoulli

Consideremos un experimento con nicamente dos resultados posibles, o puede su-
ceder A (que llamaremos xito ) o bien A y supongamos que la probabilidad de xito es
conocida, es decir, P (A) = p (con 0 p 1 ).
Cuando realizamos un experimento en las condiciones anteriores diremos que hemos
realizado una Prueba de Bernoulli.
Si llamamos
X=nmero de xitos obtenidos en una prueba de Bernoulli

su espacio muestral es X = {0, 1} y la funcin puntual de probabilidad de X tiene la

siguiente expresin
si X = 1;

p,
p(x) = P (X = x) = q = (1 p), si X = 0;
0, en otro caso.

o lo que es igual
px (1 p)1x , si x X = {0, 1};

p(x) = P (X = x) =
0, en otro caso.
Podemos, para este modelo, fcilmente calcular su esperanza y su varianza: que son
E(X) = 1p + 0(1 p) = p

V (V ) = 12 p + 02 (1 p) p2 = p(1 p)

Si la variable X tiene una distribucin de probabilidad como la del modelo de Ber-

noulli con P (A) = p, lo indicaremos poniendo

X B(p)

Tema 4 Pgina: 4
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

3.2. Modelo Binomial

Imaginemos un experimento como el anterior, con dos resultados posibles A y A y
P (A) = p conocido, pero que lo repetimos n veces en idnticas condiciones. Sea ahora

X=nmero de xitos en n pruebas de Bernoulli idnticas e independientes

El espacio muestral de la variable es X = {0, 1, ...., n} y la funcin puntual de probabi-

lidad es:
p (1 p)nx , si x X = {0, 1, ..., n};
 n
x
p(x) = x
0, si x / X.
En este caso la esperanza y la varianza valen:
E(X) = np

V (X) = np(1 p)

Si la variable X tiene una distribucin de probabilidad como la del modelo Binomial

de parmetros n =nmero de pruebas y P (A) = p, lo indicaremos poniendo

X B(n, p)

3.2.1. Actividades

1. Aporta cinco situaciones experimentales en donde la v.a. X siga una distribucin

Binomial.
2. Demuestra que la funcin puntual de probabilidad anteriormente denida cumple
los requisitos necesarios.

3.3. Modelo Hipergeomtrico

Supongamos una urna con N bolas de dos tipos, por ejemplo N1 blancas y N2 =
N N1 negras, y supongamos que denimos la v.a.
X =nmero de bolas blancas obtenidas en una muestra de tamao n con reemplaza-
miento. Puesto que las distintas extracciones son independientes y la probabilidad de
obtener bola blanca es igual en cada extraccin (P (A) = NN1 ) la variable anterior sigue
una distribucin Binomial, es decir X B(n, NN1 ).
Pero vamos a suponer ahora que de dicha poblacin se extraen n bolas sin reempla-
zamiento. El modelo ya no es binomial puesto que las distintas extracciones ni son
independientes ni tienen la misma probabilidad de xito.
Si la poblacin consta de N objetos, con N1 objetos de la clase A y N2 objetos de la
clase A (N1 + N2 = N ), denimos ahora la variable

X=nmero de objetos de la clase A en una muestra de tamao n extrada sin reemplazamiento

Tema 4 Pgina: 5
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

el espacio muestral es X = {max{0, n(N N1 )}, ....., mn{N1 , n}} y su funcin puntual
de probabilidad es
N1
(Nx1 )(Nnx )
(
N , si max{0, n (N N1 )} x mn{N1 , n};
p(x) = (n)
0, en otro caso.
En este caso la esperanza y la varianza valen:
E(X) = n NN1
N1 N n
V (X) = n NN1 (1 )
N N 1

Si la variable X tiene una distribucin de probabilidad como la del modelo hipergeo-

mtrico lo indicaremos poniendo
X H(N, N1 , n)

donde N es tamao de la poblacin, n es el tamao de la muestra y N1 es el nmero de

objetos de la clase A en la poblacin.
Adems es posible demostrar que si N es muy grande y n es pequeo frente a N , las
probabilidades hipergeomtricas valen aproximadamente las probabilidades binomiales;
haciendo p = NN1 ,
N1 N1
H(N, N1 , n) B(n, ) si N , p=
N N
es decir N1

N N1

 
x nx n x
lm N

= p (1 p)nx
N
n
x
Lo anterior supone que cuando se dan esas circunstancias en problemas de extraccin
de muestras (N grande y n pequeo), podemos suponer reemplazamiento porque los
resultados van a ser muy parecidos y es ms cmodo trabajar en este caso.

3.3.1. Actividades

1. Dene cinco situaciones experimentales que se asocien al modelo hipergeomtrico,

expresando en cada caso cul es el espacio muestral.
2. Si una urna contiene 95 bolas blancas y 5 negras y elegimos al azar 3 sin reempla-
zamiento, calcula la probabilidad de obtener 2 bolas blancas y 1 negra.
3. Calcula una aproximacin de la probabilidad anterior, mediante la aproximacin
de la distribucin hipergeomtrica a la distribucin binomial.

Tema 4 Pgina: 6
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

3.4. Modelo de Poisson

Supongamos que conocemos el nmero medio de veces que ocurre el suceso A en una
unidad de soporte continuo (tiempo, espacio, volumen, longitud, supercie,....) y que
vamos a denotar mediante . Decimos que la variable

X =nmero de veces que ocurre A en un intervalo unidad

cuyo espacio muestral es X = {0, 1, 2, ...}, sigue una distribucin de Poisson (tambin
llamada Ley de los Sucesos Raros) de parmetro si su funcin de probabilidad est
dada por:
e x! , si x X = {0, 1, 2, ....};
 x
p(x) =
0, en otro caso.
En este caso:
E(X) =

V (X) =

Si X es una variable cuya distribucin de probabilidad es como la del modelo de Poisson,

lo indicaremos poniendo
X P()

donde = E(X) es el nmero medio de veces que ocurre A en un intervalo unidad.

Adems las probabilidades Binomiales cuando n es grande y p es pequeo se aproxi-
man a las probabilidades de Poisson, haciendo = np. Es decir,
x
 
n x
p (1 p)nx e , si n , = np
x x!

Lo anterior signica que podemos aproximar probabilidades binomiales mediante

probabilidades de Poisson cuando n sea sucientemente grande y p pequeo.

Ejemplo 3.1 En un ncleo urbano de n = 100000 personas la probabilidad de infeccin

de cada una de ellas es p = 0.00002, el nmero X =Nmero de infectados sigue
un modelo Binomial X B(100000, 0.00002) que podemos aproximar a un modelo de
Poisson de parmetro = np = 2. La probabilidad exacta, segn el modelo Binomial, de
que en un determinado momento haya ms de un infectado es

P (X > 1) = 1 P (X = 0) P (X = 1) = 1 0.1353326 0.2706706 = 0.5939969

Mientras que aproximando la misma probabilidad por el modelo de Poisson se obtiene

P (X > 1) = 1 P (X = 0) P (X = 1) = 1 0.1353353 0.2706706 = 0.5939942

(Todas las probabilidades anteriores se calcularon mediante R)

Tema 4 Pgina: 7
 M. Iniesta

Grado en Ciencia y Tecnologa de los Alimentos Universidad de Murcia

3.4.1. Actividades

1. Denir cinco situaciones experimentales que se ajusten a un modelo de Poisson.

Establecer el parmetro en cada caso.
2. Denir cinco situaciones experimentales que se ajusten a un modelo de Binomial
pero con aproximacin razonablemente buena al modelo de Poisson. Establecer en
cada caso los correspondientes parmetros.

4. Bibliografa

1. Tema 2, seccin 2 del texto Estadstica para Ciencias Agropecuarias. Autor: Di

Riezo, J. A.
2. Tema 2 del texto Probabilidad y Estadstica para Ciencias e Ingenieras. Rosario
Delgado de la Torre. Editorial Delta.
3. Tema 2, secciones 2.3 y 2.4 y Tema 4, secciones 4.1, 4.2, 4.3 y 4.4 del texto Esta-
dstica para ingenieros y cientcos. William Navidi. Editorial McGraw-Hill.

Tema 4 Pgina: 8