Profesor : José G.

Correa Ramos
Profesor de Matemáticas y Física
Capitulo II Ingeniero Civil Industrial (MBA-UTFSM)
Ingeniería Civil Industrial
Variables Aleatorias Discretas y sus
Distribuciones de Probabilidades

Definición 1

Una Variable “X” es una variable aleatoria, si los

valores que toma “X” y que corresponde a los
diferentes resultados de un experimento, son
eventos fortuitos o aleatorios.
Una variable aleatoria puede ser de dos tipos,
Discreta o Continua.

Definición 10
Una variable aleatoría discreta es una variable
aleatoría que puede tomar o asumir un número
contable de valores.

Definición 11
Una variable aleatoría continua es una V.A. que
puede tomar un número infinito de valores que
corresponden a los puntos de un intervalo en
una recta.
Distribución de Probabilidad P(x)

Esta para una VA Discreta es una formula, una

tabla o una gráfica que proporciona la probabilidad
asociada a cada valor de la variable.

Por lo tanto, los requisitos para una Distribución

de Probabilidades son:
1.- 0 ≤ P( Ei ) ≤ 1
r
2.- ∑ P( E ) = 1
i =1
i
Ejemplo

Considere un experimento que consiste en tirar al

aire dos monedas y sea X el número de caras
observadas en las tiradas. Hallar la Distribución de
Probabilidades
Solución.
Tabla : Los Eventos Simples y las Probabilidades

Evento Moneda 1 Moneda 2 P(Ei) X

Simple
E1 C C ¼ 2
E2 C S ¼ 1
E3 S C ¼ 1
E4 S S 1/4 0
Tabla N°2 : La Distribución de Probabilidad para X es :

X Eventos Simples en X P(X)

0 E4 ¼
1 E2, E3 ½
2 E1 1/2
Así de esta forma se puede representar
gráficamente la distribución de probabilidades,
correspondiente a la Tabla N° 2, como un
Histograma de Frecuencias:
Definición 13
Sea X una VA discreta aleatoria con una
distribución de probabilidades P(x), y sea E (x) el
valor esperado de X, entonces n:
E ( X ) = ∑ xi P ( xi )
Definición 14 i =1

La varianza σ de una variable aleatoria X es

2

el valor esperado de (x-µ)2 es decir :

( )
n 2

σ = E (x - µ ) = ∑ (xi − µ ) p( xi )
2 2

i =1
 Ejemplo:

Sea X una variable aleatoria con la Distribución de Probabilidades

X P(X)
-1 0,05
0 0,1
1 0,4
2 0,2
3 0,1
4 0,1
5 0,05

Determinar µ, σ 2 , Grafique P(X) y localícese el intervalo (µ +- 2σ) en la gráfica.

¿Cuál es la probabilidad que x caiga en este intervalo?
Distribución de Probabilidades Discretas
Distribución de Probabilidades Binomial
Un experimento Binomial es un experimento que
posee las siguientes propiedades:

1. El experimento consta de n ensayos o pruebas

idénticas.

2.-Cada prueba puede tener uno de dos

resultados. Debido a la falta de una mejor
nomenclatura llamaremos convencionalmente a
un resultado éxito “E” a al otro, fracaso “F”.
3.- La probabilidad de un éxito en una sola prueba
es igual a “p” y permanentemente constante de
uno a otro. La probabilidad de un fracaso es
(1-p)=q.

4.- Las pruebas son independientes.

5.- Interesa conocer x, el número de éxitos

observados en “n” pruebas.
Matemáticamente esta se puede formular:

n¡ x n− x
P( x) = p q x= 0,1,2……..,n
x¡(n − x)¡

n¡
C n
x = P( x) = C n x
p q n− x
x¡(n − x)¡ x

Donde cnx es la Combinatoria y :

n= Número de Pruebas.
p= Probabilidad de éxito en una sola prueba.
q=1-p
Las medidas centrales y de confiabilidad son:

Media µ= np

Varianza =σ = npq
2

Demostración en Pizarra y Ejemplos

Distribución de Probabilidades Geométrica

Una variable aleatoria X tiene una distribución de

probabilidades geométrica, si y solamente si:

x −1
P( x) = q p
Donde x= 1,2,3....... y 0 ≤ p ≤ 1 y las medidas centrales son:

1
Media ( µ ) =
p
1− p
Varianza ( σ ) =
2

p2
Distribución Probabilidad Hipergeométrica

Recuérdese que si selecciona una muestra aleatoria

de “n” consumidores de una población de “N”
consumidores, el número “x” de usuarios que
favorecen un producto específico tendría una
distribución Binomial, cuando el tamaño muestral “n”
es pequeño al número “N” de consumidores en la
población.
Por lo tanto, cuando “n” es grande respecto a “N” el
número “x” a favor del producto posee una
distribución Hipergeometrica:

r N −r
C C
P( x) = x
N
n− x

C n
Donde :

N: Número de elementos en la población.

r: Número de elementos que tienen una característica especifica ( Ej: el
número de personas a favor de un producto).
n: Número de elementos en la muestra.
 nr
Media ( µ ) =
N
r ( N − r )n( N − n)
Varianza ( σ ) =
2
Ejemplos
N 2 ( N − 1)
Distribución Probabilidad de Poisson

Esta es un buen modelo parea la distribución de

frecuencias relativas del número de eventos extraños o
raros que ocurren en una unidad de tiempo, distancia, de
espacio, etc.

Por lo tanto, esta se utiliza mucho en administración de

empresas para modelar Distribuciones de frecuencias
relativas del N° de accidentes industriales por unidad de
tiempo, número de llegadas por unidad de tiempo en una
unidad de servicio.
La distribución de Poisson también surge cuando un evento
o suceso “raro” ocurre aleatoriamente en el espacio o el
tiempo. La variable asociada es el número de ocurrencias del
evento en un intervalo o espacio continuo, por tanto, es una
variable aleatoria discreta que toma valores enteros de 0 en
adelante (0, 1, 2,...). Así, :
El número de pacientes que llegan a un consultorio en un
lapso dado,
El número de llamadas que recibe un servicio de atención a
urgencias durante 1 hora,
El número de células anormales en una superficie histológica
o el número de glóbulos blancos en un milímetro cúbico de
sangre son ejemplos de variables que siguen una
distribución de Poisson.
 x −µ
µe
P( x) =
x¡
x : N°de eventos extraños por unidad de tiempo .
Media = µ
Varianza ( σ 2 ) = µ Demostración y Ejemplos Pizarra.
Para que una variable recuento siga una distribución de
Poisson deben cumplirse varias
condiciones:
1. En un intervalo muy pequeño (p. e. de un milisegundo) la
probabilidad de que ocurra un evento es proporcional al
tamaño del intervalo.

2. La probabilidad de que ocurran dos o más eventos en un

intervalo muy pequeño es tan reducida que, a efectos
prácticos, se puede considerar nula.

3. El número de ocurrencias en un intervalo pequeño no

depende de lo que ocurra en cualquier otro intervalo pequeño
que no se intersecte con aquél.
Ejercicio
El número de enfermos que solicitan atención de urgencia
en un hospital durante un periodo de 24 horas tiene una
media de 43,2 pacientes. Se sabe que el servicio se
colapsará si el número de enfermos excede de 50. ¿Cuál es
la probabilidad de que se colapse el servicio de urgencias
del hospital?
Distribución Exponencial (lambda)
Esta ley de distribución describe procesos en los que interesa
saber el tiempo hasta que ocurre determinado evento; en
particular, se utiliza para modelar tiempos de supervivencia.
Un ejemplo es el tiempo que tarda una partícula radiactiva en
desintegrarse.
La distribución exponencial se puede caracterizar como la
distribución del tiempo entre sucesos consecutivos
generados por un proceso de Poisson; por ejemplo, el
tiempo que transcurre entre dos heridas graves sufridas por
una persona. La media de la distribución de Poisson,
lambda, que representa la tasa de ocurrencia del evento por
unidad de tiempo, es el parámetro de la distribución
exponencial, y su inversa es el valor medio de la distribución.
Se dice que la variable aleatoria continua X tiene distribución
exponencial con parámetro.
Distribución de Probabilidades Continua.
Distribución de Probabilidad Uniforme

Un variable aleatoria “x” tiene una distribución de

probabilidades uniforme si “x” posee una función densidad
de “x” de:

1
α 2 − α1 α1 ≤ x ≤ α 2
f (x) =
0 En cualquier otro Punto
Las medidas de tendencia central o confiabilidad son:
α1 + α 2 (α 2 − α 1 )2
µ= σ2 =
2 12

Demostración en Pizarra.
Distribución de Probabilidades Tipo Gama ( γ )
Algunas variables aleatorias son siempre no negativas y por
varias razones tienen distribuciones de datos que son
sesgadas (asimétricas) a la derecha. Es decir, la mayor
parte del área bajo la función de densidad se encuentra
cerca del origen y la función de densidad disminuye
gradualmente cuando “x” aumenta.
Ejemplos
•Los intervalos de tiempo entre dos fallas del motor de un
avión.
•Los intervalos de tiempo entre dos llegadas ala cola para
una caja registradora a a la salida del supermercado.
•Los tiempos que tardan en revisar el motor de un automóvil
o avión.
 Definición:
Una variable aleatoria “x” tiene una distribución de tipo Gamma con parámetros α y
β si “x” solamente se representa por la función densidad de “x” :

−x

xα −1e β
α , β ≥0 ; 0 ≤x ≤ ∞
β α Γ(α )

f(x)= 0 En cualquier otro caso.

Donde :
∞
Γ(α ) = ∫ x α −1 − x
e dx Función Gamma.
0
Las medidas de confiabilidad para esta distribución son:

µ = αβ
σ = αβ
2 2