C. Ferrari – R.

Musante

Variable aleatoria discreta

Ejemplo 1
De un cajón que contiene cinco medias rojas y tres blancas sacamos al azar dos de
manera sucesiva. El espacio muestral es:

S = {(R, R); (R, B); (B, R); (B, B)}

Si estamos interesados en el número de medias rojas que salen, podemos hacerle corresponder a
cada elemento del espacio S, un número de la siguiente forma:

(B, B) → 0 (no salió ninguna roja) (R, R) 2 (salieron 2 rojas)

(R, B)
1 (salió una roja)
(B, R)

La correspondencia anterior es una función. El dominio es S.

DEFINICIÓN. Una función X:S R que asigna a cada elemento del espacio muestral un número real
se llama variable aleatoria. (En adelante v.a)

La variable aleatoria correspondiente al ejemplo 1, puede indicarse verbalmente así:

X: cantidad de medias rojas seleccionadas en dos extracciones sucesivas.

o mediante una tabla

s (B, B) (R, B) (B, R) (R, R)

X 0 1 1 2

Ejemplo 2
En una caja hay siete bolillas numeradas del 1 al 7. Si extraemos una bolilla al azar, los
resultados posibles son los elementos del conjunto
S = {1, 2, 3, 4, 5, 6, 7}

Si estamos interesados en analizar la cantidad de divisores enteros del número que se encuentra
en la bolilla extraída, podemos establecer la siguiente correspondencia:

s 1 2 3 4 5 6 7
x 2 4 4 6 4 8 4

Esta función es la variable aleatoria X: cantidad de divisores enteros del número obtenido.

Completar: la variable aleatoria X toma los valores . . .

15
 C. Ferrari – R. Musante

DEFINICIÓN. Se llama recorrido de una variable aleatoria al conjunto de valores que ella toma. Es el
conjunto imagen de la función v.a. Lo indicamos así: R(X).

Ejercicio 1
¿Cuál es el recorrido de la v.a. del ejemplo 1? ¿Cuántos elementos tiene?

DEFINICIÓN. Decimos que la v.a. X es discreta si su recorrido R(X) es un conjunto finito o infinito
numerable3 (contable).

Ejercicio 2
Un dado ha sido tirado dos veces, determinar el conjunto de los posibles valores de la v.a.
“diferencia entre el primer resultado y el segundo”.

Función de probabilidad

Consideremos nuevamente el ejemplo 1. Llamamos X a la v.a. que le asigna a cada resultado

de la experiencia el número de medias rojas seleccionadas ¿Qué significa calcular la probabilidad de que
la v.a. X tome el valor 1?

Para que la v.a. X tome el valor 1 debe ocurrir el suceso

A ={(R, B); (B, R)}

Sabemos que P(A) = + 15/28 ¿Por qué?

Por ello, vamos a decir que la probabilidad de que X tome el valor 1 es 15/28. Podemos
escribirlo así:

P(X = 1) = P({(R, B); (B, R)} = 15/28

Análogamente, podemos completar:

P(X = 0) = P({(B, B)}) = …

P(X = 2) = …

Resumiendo: Vimos que la probabilidad es una función cuyo dominio es el conjunto de los
sucesos y cuyo conjunto imagen es el intervalo [0,1]. Para poder avanzar con el cálculo de
probabilidades, es conveniente que el dominio de dicha función esté incluido en R. Por ello definimos
v.a, esta función hace corresponder a cada elemento de S un número real, además el conjunto de
elementos de S, cuya imagen es uno de esos números reales, es un suceso, y tiene una determinada
probabilidad.

3
Los conjuntos infinitos cuyos elementos se pueden poner en correspondencia con N se dice que son numerables.

16
 C. Ferrari – R. Musante

Lo dicho lo representamos en el siguiente esquema:

Ha quedado definida una función que asigna a cada valor tomado por la v.a. X un único número
real comprendido entre cero y uno, que es la probabilidad de que la variable tome dicho valor.

DEFINICIÓN. Definimos función de probabilidad para la variable aleatoria discreta X, mediante

p(x): R → [0,1] / p(x) = P (X = x) = P(X-1(x)) = P({s∈S:X(s) = x})

NOTA
Los números reales que no pertenecen al recorrido de X tienen probabilidad nula.

Ejemplo 3
Vamos a definir la función de probabilidad correspondiente a la v.a. del ejemplo dos4. Resulta:
p(2) = P(X = 2) = P(X-1(2)) = P({1}) = 1/7
p(4) = P(X = 4) = P(X-1(4)) = P({2, 3, 5, 7}) = 4/7
completar:
p(6) = …
p(8) = …

Resumimos en la tabla, todo lo hecho:

s 1 2, 3, 5, 7 4 6
X(s) = x 2 4 6 8
p(x) = P(X = x) 1/7 4/7 1/7 1/7

Ejercicio 3

Continuamos con el ejemplo anterior.

¿A qué es igual p(2) + p(4) + p(6) + p(8)? ¿Es casual este resultado? ¿Se puede generalizar?

4
Omitiremos escribir que p = 0 para valores de x qué no pertenezcan al R(X).

17
 C. Ferrari – R. Musante

Ejemplo 4
Un lote de 5 artículos está formado por 3 buenos y 2 defectuosos. Se elige un artículo después
de otro sin sustituir, hasta que se obtiene el último artículo defectuoso del lote. Los resultados posibles
son:

{DD, DBD, BDD, DBBD, BBDD, BDBD, DBBBD, BDBBD, BBDBD, BBBDD}

Si nos interesa analizar la cantidad total de artículos sacados del lote hasta que salgan todos los
defectuosos, establecemos la siguiente correspondencia:

DD 2 (se extraen 2 artículos)

DBD
BDD 3 (se extraen 3 artículos)

DBBD
…
… 4 (se extraen 4 artículos)

DBBBD
…
… 5 (se extraen 5 artículos)
…

La variable aleatoria Y: cantidad total de artículos extraídos, toma los valores: . . .

Las probabilidades de los valores de Y son:

p(2) = P(Y = 2) = P(Y-1(2)) = P({DD}) = 0,1 ¿Por qué ?

Completar:

p(3) = P(Y = 3) = . . . = P({DBD, BDD}) = 0,2

p(4) = . . .

p(5) = . . .

Podemos tabular los valores de la función de probabilidad:

y 2 3 4 5
p(y) … 0,2 … …

¿Qué significado tiene la expresión P(Y≤3)?

Significa que debemos calcular la probabilidad que tiene Y de tomar el valor 3 o el valor 2.

Podemos calcular P(Y ≤ 3) = p(2) + p(3) = 0,3 análogamente calcular:

18
 C. Ferrari – R. Musante

P(3 ≤ Y ≤ 5) = . . .

P(Y < 4) = . . .

Vamos a representar la función de probabilidad anterior mediante un gráfico de barras:

Propiedades de la función de probabilidad

1) 0 ≤ p(x) ≤ 1 para todo x∈ R(X) 2) Σp(x) = 1 para todo x ∈ R(X)

1) Es cierto ya que p(x) es una probabilidad, la probabilidad del suceso (X = x)

2) Σ p(x) = Σ P(X = x) = P(X = x1) + P(X = x2) + P(X = x3) + … = P(R(X)) = 1

para todo x∈ R(X) pues X- 1[R(X)] = S y P(S) = 1.

Ejercicio 4
Sea X: el número de gomas desinfladas de un auto seleccionado al azar.

a) ¿Cuál de las siguientes tres funciones puede ser una función de probabilidad para X?
x 0 1 2 3 4
p(x) 0,3 0,1 0,2 0,01 1,01
p(x) 0,3 0,2 0,1 0,1 0,2
p(x) 0,2 0,4 0,2 0,1 0,1

b) Usando los valores de la función de probabilidad anterior calcular:

P(0 ≤ X ≤ 2) =
P(X ≤ 3) =

c) Graficar la función de probabilidad usando un gráfico de barras.

Ejercicio 5
Dada la siguiente función de probabilidad

x 1 2 3 4 5 6 7
p(x) c 2c 2c 3c c2 2c2 7c2 + c

a) Hallar c b) Calcular P(X ≥ 5) c) Calcular P(X < 3)

19
 C. Ferrari – R. Musante

Ejercicio 6
Se arroja una moneda equilibrada tres veces. La variable aleatoria es el número de caras
obtenidas. Se pide:
a) ¿Cuáles son los valores que toma?
b) Calcular los valores de la función de probabilidad.

Ejercicio 7
Se tienen los números naturales del 1 al 10 y se selecciona uno de ellos al azar. La variable
aleatoria es el número de divisores naturales que tiene ese número.
a) ¿Cuál es el recorrido de la v.a.?
b) Indicar los valores de la función de probabilidad

Ejercicio 8
Se arroja un dado. Interesa como v.a. los puntos de la cara superior más uno. ¿Cuál es la función
de probabilidad?

Ejercicio 9
Un jugador lanza un dado. Si sale un número primo gana dicho número en pesos, pero si no sale
un número primo entonces pierde esa cantidad en pesos ¿Cuáles son los posibles resultados del juego?
¿Cuál es la probabilidad de cada uno?

Ejercicio 10
Identificar en el siguiente enunciado: experimento aleatorio, espacio muestral y variable
aleatoria.
Durante un determinado día, el inspector selecciona al azar uno entre diez colegios de Quilmes y
observa la cantidad de alumnos ausentes.

Ejercicio 11
Indicar en los siguientes experimentos si la variable aleatoria es discreta o no. En caso de ser
discreta, denotar el espacio muestral y definir la variable aleatoria.
1) Se tiran dos monedas equilibradas y se cuenta el número de caras que se obtienen.
2) La duración de una llamada telefónica es controlada por un observador.
3) Una fuente radiactiva emite partículas alfa. Un contador registra la emisión de las mismas.
4) Se tiran dos dados equilibrados y distinguibles; y se observa la suma de puntos de sus caras.
5) La distancia que recorre un proyectil al ser disparado.

Función de distribución

DEFINICIÓN. Dada una variable aleatoria X, llamaremos función de distribución acumulada (f.d.a.) o
simplemente función de distribución F a la función de R en R definida por:
F(x) = P (X ≤ x)

Si X es una v.a. discreta F(x) = Σ p(x’), siendo p la función de probabilidad y x’≤x.

Ejemplo 5
Sea X la v.a. definida por: número de caras que aparecen al tirar una moneda equilibrada dos
veces.
x 0 1 2
p(x) ¼ ½ ¼

20
 C. Ferrari – R. Musante

La función de distribución F correspondiente es:

0 si x < 0 pues P(X ≤ x) = 0
0,25 si 0 ≤ x < 1 pues P(X ≤ x) = P(x = 0) = 0,25

F(x) = 
0,75 si 1 ≤ x < 2 pues P(X ≤ x) = P(X = 0) + P(X = 1) = 0,75
1 si x ≥ 2 pues P(X ≤ x) = P(X = 0) + P(X = 1) + P(X = 2) = 1

Completar: a) F(-2) = … b) F(4) = … c) F(0,5) = …

Representación de p(x) y de F(x).

Observación: p(x) es igual al salto que la función F(x) da en x.

Propiedades de la función de distribución

Sea X una variable aleatoria entonces:

• Por ser F(x) la probabilidad de un suceso, del suceso {X ≤ x} resulta que

0 ≤ F(x) ≤ 1.
• Si x1 < x2, no puede acumularse más probabilidad hasta x1 que hasta x2, por lo tanto siempre será
F(x1) ≤ F(x2). F es una función monótona no decreciente.
• F(x) verifica que:
lím F ( x ) = 0 y que lím F ( x ) = 1
x→ − ∞ x →∞

• Si a < b resulta:
{X ≤ b} = {X ≤ a} ∪ {a < X ≤ b}

P(X ≤ b) = P( X ≤ a ) + P( a < X ≤ b) ¿Por qué?

F (b) = F (a) + P (a < X ≤ b) ¿Por qué?

de donde: P( a < X ≤ b ) = F ( b ) - F (a )

21
 C. Ferrari – R. Musante

Variable aleatoria Bernoulli

Supongamos que tiramos un dado equilibrado; luego S = {1, ..., 6}. Sea X una v.a. discreta tal
que X(6) = 1 y X({1, ..., 5}) = 0. Llamaremos al 1 “éxito” y al 0 “fracaso”, así, si sale un 6 se tiene un
éxito y si no sale 6 un fracaso.
¿Cuál es la probabilidad de cada uno de los valores del recorrido de X?

p(1) = 1/6 p(0) = 5/6

Esta variable aleatoria que toma solamente dos valores: 0 y 1, recibe el nombre de variable aleatoria
Bernoulli. (Jacobo Bernoulli, matemático suizo, 1654-1705).

DEFINICIÓN. Llamamos variable aleatoria Bernoulli a la variable aleatoria discreta X que toma
únicamente dos valores, el valor 1 con probabilidad p y el valor 0 con probabilidad q.
La elección de los dígitos 0 y 1 es convencional.

Ejercicio 12
Si conocemos la probabilidad p = P(X = 1) de una v.a. Bernoulli ¿cómo calculamos
q = P(X = 0)?

Resumiendo: Una v.a. Bernoulli es una v.a. discreta con la siguiente función de probabilidad,
x 0 1
p(x) 1-p p y la denotamos X ∼ Bernoulli (p)

Ejemplo 6
Un tirador dispara 6 veces a un blanco. La probabilidad p de dar en el blanco es la misma para
cada tiro. Un observador registra luego de cada disparo si dio o no en el blanco.

Analicemos las características del experimento:

• El experimento consiste en una secuencia de n = 6 intentos.

• Cada ensayo tiene dos únicos resultados posibles (acierta, no acierta).
• Cada intento es independiente del otro.
• La probabilidad p de dar en el blanco es la misma en cada disparo.

Un experimento con estas cuatro características se denomina experimento binomial o ensayos sucesivos
de Bernoulli.

Ejercicio 13
Analizar si el siguiente experimento es un experimento binomial:
De una caja que contiene 10 bolillas blancas y 13 negras, se extraen sucesivamente 7 bolillas,
devolviendo cada vez la bolilla a la caja, registrando previamente si la bolilla extraída resultó o no
blanca.

Generalizamos dando la siguiente definición:

22
 C. Ferrari – R. Musante

DEFINICIÓN. Llamamos experimento binomial, al que cumple con las siguientes características:
• El experimento consiste en una secuencia de n repeticiones del mismo ensayo.
• Cada ensayo tiene sólo dos posibles resultados: éxito o no éxito.
• Los ensayos son independientes uno de otro.
• La probabilidad de éxito p, es la misma para cada ensayo.

Variable aleatoria Binomial

Ejemplo 7
Se lanza un dado tres veces, le asignamos 1 al hecho de salir el cinco y 0 a que no salga el cinco,

resulta S = {(0, 0, 0); (0, 0, 1); (0, 1, 0); (1, 0, 0); (1, 1, 0); (1, 0, 1); (0, 1, 1); (1, 1, 1)}

Al realizar los tres tiros la probabilidad de que:

a) no salga el 5, es: P({(0, 0, 0)}) que convenimos escribirlo P(0, 0, 0)

P(0, 0, 0) = 5/6.5/6.5/6 = (5/6)3 (por ser sucesos independientes)

Observación: si quisiéramos calcular la probabilidad de que no salga el 5 en ninguno de los tres
ensayos, usando la definición clásica, debemos calcular el número de casos favorables y el de los
posibles. Los posibles son 6.6.6 y los favorables son 5.5.5; resultado 53/63.

b) en el primer tiro salga 5 y en los otros no, es:

P(1, 0, 0) = 1/6.5/6.5/6 = 1/6.(5/6)2

c) solamente el segundo tiro sea 5, es:

P(0, 1, 0) = 5/6.1/6.5/6 = 1/6.(5/6)2

Completar:
P(0, 0, 1) =
P(1, 1, 0) =
P(0, 1, 1) =
P(1, 0, 1) =
P(1, 1, 1) =

¿Cuál es la probabilidad de sacar dos veces el 5, al efectuar los tres tiros? (independientemente del orden
en que salgan)

Deseamos conocer con que probabilidad ocurren 2 éxitos en 3 ensayos, por ello consideramos la v.a.
X: Número de éxitos obtenidos en 3 ensayos, cuyo recorrido es R(X) = {0, 1, 2, 3}.
Para responder a la pregunta tenemos que calcular P(X = 2); como el suceso dos éxitos es
{(0, 1, 1); (1, 1, 0); (1, 0, 1)}, entonces P(X = 2) = P(0, 1, 1) + P(1, 1, 0) + P(1, 0, 1) = . . .

Podemos calcular la función de probabilidad para la v.a. X, sólo nos falta completar p(0), p(1) y p(3).

Teniendo en cuenta que: X = 0 ⇔ {(0, 0, 0)}

X=1 ⇔ {(0, 0, 1); (0, 1, 0); (1, 0, 0)}
X=3 ⇔ {(1, 1, 1)}
Resultan: p(0) = …
p(1) = …

23
 C. Ferrari – R. Musante

p(3) = …

En la siguiente tabla tenemos definida la correspondiente función de probabilidad

x 0 1 2 3
p(x) (5/6)3 3.1/6.(5/6)2 3.1/62.5/6 1/63

Podemos hacer el gráfico de barras

0,6

•
1 2 3 x
Observamos que los valores de la tabla anterior coinciden con los correspondientes al desarrollo de
(5/6 + 1/6)3.

Recordamos la fórmula de Newton,

( p + q )3 = C3,0.p0.q3 + C3,1..p1.q2 + C3,2.p2.q1 + C3,3.p3.q0

↓ ↓ ↓ ↓
(5/6 + 1/6)3 = (5/6)3 + 3.1/6.(5/6)2 + 3.1/62.5/6 + 1/63

y que p = 1/6 es la probabilidad de éxito en un ensayo, q = 5/6 la probabilidad de fracaso (no éxito) en
un ensayo, y n = 3 el número total de ensayos.
El primer término C3,0.p0.q3 , nos da la probabilidad de ningún éxito en tres ensayos.
El segundo C3,1.p1.q2 , nos da la probabilidad de un éxito en tres ensayos.

Análogamente se interpretan los otros términos del desarrollo del binomio.

Generalizando, tratamos de calcular la probabilidad de obtener x éxitos cuando se realizan n

ensayos de Bernoulli (pruebas repetidas), con probabilidad p de éxito en cada prueba.

DEFINICIÓN. Llamamos v.a. binomial a la v.a. X: número de éxitos obtenidos en n ensayos de

Bernoulli.

Queremos conocer la función de probabilidad de la v.a. binomial, es decir

P(X = x) con x = 0, 1, … , n.

Si los éxitos los indicamos con 1 y los fracasos con 0, una sucesión con x éxitos y (n-x) fracasos
puede ser
1, 0, 0, 1, 1, 1, … , 0, 1, 0 (x unos, n-x ceros).
La probabilidad de esta sucesión es:
p(1, 0, 0, 1, 1, 1, ..., 0, 1, 0) = p.q.q.p.p.p....q.p.q = px.qn – x que fue calculada teniendo en cuenta que los
sucesos son independientes y reemplazando la probabilidad de éxito por p y la de fracaso por q.

24
 C. Ferrari – R. Musante

Como el número total de sucesiones con x unos y (n – x) ceros es Cn,x , podemos asegurar que la
probabilidad de exactamente x éxitos en n ensayos de Bernoulli es:
P(X = x) = Cn,x.px.qn-x

La notación usual para una v.a. binomial es: X ∼ Bi (n, p) siendo p la probabilidad de éxito
de cada ensayo, n el número de ensayos y x el número de éxitos.

Resumiendo en una tabla, la función de probabilidad de la v.a. binomial es:

x 0 1 … x … n
p(x) Cn,0 qn Cn,1 pqn-1 … Cn,x px qn-x … Cn,n pn

Esta variable aleatoria se llama ley o distribución binomial debido a que cada ensayo arroja uno
de dos posibles resultados y a que las probabilidades p(x), x = 0, 1, 2,…, n, constituyen términos del
desarrollo de la potencia enésima de un binomio:
(p + q)n = ⋯
0 1
Observamos que p(x) satisface las propiedades de una función de probabilidad, ya que es
positiva para x = 0, 1, … , n y que la suma de todos los valores es uno, ya que siendo p + q = 1 resulta:

∑ = Σ Cn,x pxqn-x = [ p + (1-p) ]n = 1n = 1 con x = 0, 1, …, n.

En 1713, ocho años después de fallecido J. Bernoulli, se publicó su libro Ars Conjectandi, en el
que introduce el modelo probabilístico de las “pruebas repetidas”.

Ejemplo 8
1) Sea X: el número de caras al arrojar una moneda 8 veces, entonces
X ∼ Bi (8, ½). La probabilidad de obtener 5 caras es.
C8,5 (1/2)5 (1/2)3 = …
2) La probabilidad de obtener al menos dos caras, al arrojar una moneda 8 veces, la podemos
calcular así:
1 – F(1) = 1 - P(X = 0) - P(X = 1) = 1 – C8,0 0,50 0,58 - . . . = . . .

Ejercicio 14
Una familia tiene seis hijos. Hallar la probabilidad de que sean:
a) tres niños y tres niñas. b) menos niños que niñas. (Suponer que p = 0,5)

Ejercicio 15
En una caja se colocan dos caramelos de menta y tres de limón. Se saca uno se observa y se
restituye a la caja. ¿Cuál es la probabilidad de sacar por lo menos tres veces uno de menta si se realizan
cinco extracciones? P ( X ≥ 3 ) =…
El mismo problema ¿cuál es la probabilidad de sacar por lo menos uno de menta?

Ejercicio 16
El equipo A tiene 2/3 de probabilidad de ganar. Si A juega cuatro partidos, hallar la
probabilidad de que A gane:
a) 2 partidos. b) un partido por lo menos. c) más de la mitad de los juegos.

25
 C. Ferrari – R. Musante

Ejercicio 17
Si el 20% de los tornillos producidos por una máquina son defectuosos, calcular la probabilidad
que entre 4 tornillos elegidos al azar:
a) uno sea defectuoso b) ninguno sea defectuoso. c) más de uno sea bueno.

Ejercicio 18
El experimento es arrojar un dado y el suceso A que salga as. Completar:
a) El espacio muestral es:
b) La función de probabilidad para la v.a Bernoulli es:

Ejercicio 19
Un parcial de probabilidad del tipo opción múltiple tiene quince preguntas y cada pregunta
tiene cuatro posibles respuestas. Si un alumno no estudió nada (¡imposible!) y selecciona completamente
al azar el lugar donde marca sus respuestas, ¿cuál es la probabilidad que:
a) conteste por lo menos 8 preguntas bien?
b) conteste exactamente 8 preguntas bien?

Ejercicio 20
Decir si los siguientes datos son posibles. X es una variable aleatoria con recorrido {x1, x2, x3}
y función de probabilidad dada por:
x x1 x2 x3
p(x) 0,5 0,25 0,2

Ejercicio 21
Un fabricante de autos vende, en el mismo día a concesionarios, cinco vehículos idénticos.
Sabiendo que la probabilidad de que este tipo de vehículos estén funcionando correctamente dos años
después es 0,8; calcular la probabilidad de que dos años más tarde:
a) 3 autos estén fuera de servicio.
b) 2 autos a lo sumo estén fuera de servicio.

Ejercicio 22
Si se expone un niño al virus de la gripe tipo I, la probabilidad de que el niño contraiga la
enfermedad es 0,6. Se exponen 20 niños a este virus.
¿Cuál es la probabilidad de que exactamente 12 niños contraigan la enfermedad?

Ejercicio 23
La probabilidad de que un hombre acierte en el blanco es 0,25. Si dispara 7 veces, ¿cuál es la
probabilidad de que por lo menos acierte 5?

Ejercicio 24
Cierto tratamiento de cáncer provoca remisión el 30% de las veces. ¿Cuál es la probabilidad de que, de
los cinco pacientes siguientes que usen el tratamiento, al menos uno experimente remisión?

Ejercicio 25
La probabilidad que germine una semilla de tomate es 0,8. Si se plantan cinco semillas de este
tipo, ¿cuál es la probabilidad de que:
a) las cinco semillas germinen? b) tres o más semillas germinen?

26
 C. Ferrari – R. Musante

Ejercicio 26
Supóngase que la variable aleatoria X tiene valores posibles 1, 2, 3, … y P(X = j ) = ( ½ )j ,
j = 1, 2, … ,
calcular: a) P(X ≥ 5) b) P ( X es par ) c) P ( X es divisible por 3 )

Ejercicio 27
Tres compañeros deciden reunirse el domingo para estudiar, la probabilidad de cumplir de cada
uno es p. ¿Cuál es la probabilidad de que falte uno?

Valor esperado

Consideremos la variable aleatoria discreta X con función de probabilidad p(x) y recorrido

R(X).

DEFINICIÓN. Llamamos esperanza matemática de X al valor E(X) = Σ x.p(x)

La esperanza se calcula como la suma de cada valor que toma la variable multiplicado por su respectiva
probabilidad. El símbolo E(X) se lee: esperanza, valor esperado o media de la variable aleatoria X.

Trabajaremos en lo sucesivo con v.a. de recorrido finito, en caso contrario se requiere que la
serie sea absolutamente convergente para asegurar que la suma exista.

Ejemplo 9
Consideremos la v.a. X: número que resulta de la tirada de un dado. Sabemos que:
x 1 2 3 4 5 6
P(X = x) = p(x) 1/6 1/6 1/6 1/6 1/6 1/6

La esperanza es: E(X) = 1.1/6 + 2.1/6 +3.1/6 + … + 6.1/6 = 3,5

Este valor, no quiere decir que el resultado que se espera obtener al lanzar un dado sea 3,5(imposible).
La interpretación es: si tiramos el dado un número grande de veces y tomamos el promedio de los
distintos puntajes que se van obteniendo entonces, el promedio tiende a 3,5.

Ejemplo 10
Un juego consiste en arrojar una moneda al aire. Si sale cara, J gana $1; en caso contrario
pierde $1.

a- Si suponemos que la moneda está equilibrada, tenemos la siguiente función de probabilidad:

x -1 1
x -1 1
P(X = x) 1/2 1/2

El valor esperado de X (ganancia esperada por J) está dado por:

E(X) = -1.0,5 + 1.0,5 = 0, esto significa que si J juega un gran número de veces, a la larga ni gana ni
pierde.

27
 C. Ferrari – R. Musante

b- Si suponemos que la moneda está diseñada de tal forma que la probabilidad de obtener cara es
1/3, resulta:
x -1 1
P(X = x) 2/3 1/3

La ganancia esperada por J (por jugada) sería: E(X) = -1.2/3 + 1.1/3 = -1/3, lo que significa que si
juegan 300 veces, se espera que J pierda $100, o bien que la banca gane $100. Esta es la esencia de los
juegos de azar.

Ejemplo 11
Se sabe que la probabilidad de que una casa sea destruida por un incendio durante en año es
0,005. Una compañía de seguros cobra por una póliza durante un año, para una casa valuada en 30000
dólares, una prima de 200 dólares. ¿Cuál es la ganancia esperada de la compañía?

Definimos la v.a. G: ganancia de la compañía, que puede tomar los valores

-29800 si la casa se destruye por incendio y 200 en caso contrario. La función de probabilidad de G es:
g -29800 200
p(g) 0,005 0,995

Podemos calcular la ganancia esperada promedio de la compañía

E ( G ) = 200.0,995 + (-29800).0,005 = 50

La compañía de seguros espera ganar 50 dólares, en promedio, con operaciones de este tipo.

Ejercicio 28
H participó de un juego, el mismo consistía en pagar $10 y elegir una carta de un mazo de 40. Si
la carta era una espada (no el as) le pagaban $20, si salía el as de espada le pagaban $110, en otros casos
perdía la apuesta de $10. Sea X: la ganancia obtenida por H. Se pide:
a- El recorrido de X. b- La función de probabilidad.

c- La ganancia esperada d- Interpretar el valor hallado en c.

Algunos ejemplos de propiedades de la esperanza

Ejemplo 12
Retomamos la v.a. X del ejemplo 9, y definimos una nueva variable Y = 2X; la función Y tiene
la particularidad de cambiar los valores de la variable aleatoria pero no los de la probabilidad, pues es
como tirar un dado en cuyas caras figuren los números 2, 4, . . .,12; la probabilidad de salir de cada uno
de ellos sigue siendo 1/6.

x: 1 2 3 4 5 6
y: 2 4 6 8 10 12
P (Y = y) = P(X = x) : 1/6 1/6 1/6 1/6 1/6 1/6

E(Y) = Σ yp(y) = Σ (2x)p(x) = 2.1/6 + 4.1/6 + 6.1/6 + 8.1/6 + 10.1/6 + 12.1/6 = 7

Recordamos que E(X) = 3,5 y observamos que, 2E(X) = E(2X) = 7, esta igualdad no es una casualidad,
sino que es una propiedad del valor esperado.

28
 C. Ferrari – R. Musante

DEFINICIÓN. Dada la variable aleatoria discreta X y su respectiva función de probabilidad p(x), si f es

una función de R → R / Y = f(X) entonces la esperanza de la función f(X) es:
E(Y) = E[f(X)] = Σx f(x)p(x)

Ejemplo 13
Haciendo uso de la definición anterior calculamos la esperanza de Y = X - 2, siendo X la v.a.
del ejemplo 9.
E(X - 2) = (1 - 2).1/6 + (2 - 2).1/6 + … + (6 - 2).1/6 = 3/2
Observamos que: E(X - 2) = E(X) - 2 = 3/2; nuevamente no es una casualidad, sino que es otra
propiedad del valor esperado.

Algunas propiedades del valor esperado

1- E(k) = k, siendo k una constante.

2- E(kX) = kE(X), siendo k constante y X una v.a.
3- E(kX+h) = kE(X) + h, siendo k y h constantes.
4- E(X+Y) = E(X) + E(Y), siendo X e Y variables aleatorias.

Utilizando las dos últimas definiciones se demuestran las propiedades 1, 2 y 3, la 4 se demostrará más
adelante.

Ejercicio 29
Verificar que E(X2) ≠ (E(X))2, utilizando la v.a. del ejemplo 9.

Varianza

Ejercicio 30
Consideramos las variables aleatorias X e Y definidas por las tablas:
x: 5 6 7 y: 2 6 10
p(x): 1/3 1/3 1/3 p(y): 1/3 1/3 1/3

Completar: E(X) = … E(Y) = …

Las dos variables aleatorias tienen la misma esperanza (6), pero los valores de X están más
concentrados alrededor de la esperanza que los de Y. Los valores de Y están más dispersos. Una
medida de esta dispersión la da la varianza.

DEFINICIÓN: Sea X una v.a. discreta, con esperanza E(X), la varianza de X es:
V(X) = E [X - E(X)]2 o bien V(X) = Σx [x - E(X)]2.p(x)

Si los valores de X están concentrados cerca de E(X), la V(X) será pequeña. En caso contrario si los
valores de X están alejados de la E(X) la V(X) será más grande.

Calculamos las varianzas de las variables del ejercicio 30,

V(X) = (5 - 6)2.1/3 + (6 - 6)2 .1/3 + (7 - 6)2.1/3 = 2/3
V(Y) = (2 - 6)2 .1/3 + ………………………… = 32/3

29
 C. Ferrari – R. Musante

queda claro que 10,6… es grande con respecto a 0,6…, esto indica que los valores de Y están más
dispersos (alejados de la media) que los de X.

El cálculo de la varianza se simplifica usando la fórmula: V(X) = E(X2) - [E(X)]2

La fórmula anterior se demuestra a partir de la definición de varianza y utilizando las propiedades de la

esperanza, así:

V(X) = E[(X - E(X)]2 = E[X2 - 2E(X).X + (E(X))2 ]

= E(X2) -E[2XE(X)] + [E(X)]2
= E(X2) - 2E(X)E(X) + [E(X)]2
= E(X2) - [E(X)]2

Ejercicio 31
Usando la fórmula calcular las varianzas de las variables X e Y del ejercicio 30. Verificar que se
obtienen los mismos resultados que al calcularlas mediante la definición de varianza.

Algunas propiedades de la varianza

1. V(k) = 0
2. V(X+k) = V(X)
3. V(aX) = a2 V(X)

Vamos a demostrar que V(aX + k) = a2 V(X)

V(aX + k) = E[(aX + k)2] - [E(aX + k)]2 = E(a2X2 + 2akX + b2) - (aE(X) + k)2
= a2 E(X2) + 2akE(X) + b2 - a2[E(X)]2 - 2akE(X) - k2
= a2[E(X2) - (E(X))2]
= a2 V(X)

Desviación estándar
El número V(X) está expresado en unidades cuadradas de X. Por ejemplo si X se mide en horas,
entonces V(X) está expresado en (horas)2. Es conveniente tener una medida de la dispersión en las
unidades de la variable. Por ello se define la desviación estándar que es la raíz cuadrada positiva de la
varianza. Si X es una variable aleatoria con varianza V(X), la desviación estándar de X es
D(X) = V(X)

Esperanza y varianza de la variable aleatoria binomial

Demostraremos que si X ∼ Bi (n, p), su valor esperado es E(X) = np

∑ x x!(n − x)! p q
n! x n-x
Por las definiciones de valor esperado y de v.a. binomial, escribimos: E(X) =
0

n
n!
E(X) = Σx xp(x) = ∑ x x!(n − x)! p q
1
x n-x
(observar que el primer término de la adición es 0, por eso

empezamos la suma en 1)

30
 C. Ferrari – R. Musante

∑ (x − 1)!(n − x)! p q
n! x n-x
E(X) = ¿por qué?
1
Sacando factor común np

n
(n − 1)!
E(X) = np ∑ (x − 1)!(n − x)! p
1
x-1 n-x
q

Debemos probar que la suma da 1para llegar a que la esperanza es np, para ello hacemos y = x-1 o
x = y+1

n −1
(n − 1)!
E(X) = np ∑ y!(n − 1 − y)! p q
y =0
y n-1-y

n −1
 n − 1  y n −1 − y
E(X) = np ∑ 
y=0
y 
p q

n −1
 n − 1  y n −1 − y
Observamos que p(y) = ∑ 
0
y 
p q es la función de probabilidad binomial correspondiente a

(n-1) ensayos, entonces ∑ p ( y ) = 1. (Propiedad que cumplen todas las funciones de probabilidad)
y
Reemplazando la sumatoria por 1, obtenemos la tesis
E(X) = np (1) = np

Dejamos para más adelante la demostración de que la varianza de una variable aleatoria binomial es:
V(X) = np(1-p)

Ejemplo 14
La probabilidad de dar en el blanco con un disparo es 0,6. Hallar la esperanza matemática del
número total de impactos, si se realizan 10 disparos. Calcular además la desviación estándar.

E(X) = n.p = 10.0,6 = 6 (impactos)

D(X) = n.p.q = 10.0,6.0,4 ≈ 1,55

Ejercicio 32
Supongamos que el 10% de los cigarrillos que produce una máquina son defectuosos. Hallar la
media y la desviación de X: número de cigarrillos defectuosos en una muestra de 100.

Ejercicio 33
El tiempo T, en minutos, necesario para que un operario procese una pieza, es una v.a. con la
siguiente función de probabilidad
T: 2 3 4 5 6 7
p: 0,1 0,1 0,3 0,2 0,2 0,1
a) Calcular el tiempo medio de procesamiento.
b) Por cada pieza procesada, el operario gana $2, pero si procesa la pieza en menos de 6 minutos, gana
$0,50 por cada minuto ahorrado. Por ejemplo si procesa la pieza en 4 minutos, recibe un adicional de $1.
Hallar la función de probabilidad, la media y la variancia de la v.a. X: cantidad de pesos ganada por
pieza.

31
 C. Ferrari – R. Musante

Ejercicio 34
Supongamos que la v.a. X tiene la siguiente función de probabilidad, hallar la E(X) y la V(X).
x 0 1
p q 1-q
Ejercicio 35
Una moneda perfecta es lanzada 4 veces, sea X: el número de caras obtenidas. Calcular la media
y la varianza de X.

Ejercicio 36
Se tira un dado, se gana $6 si sale un número impar distinto de 1, $8 si sale un número par, y si
sale 1 se pierde $16. ¿Conviene jugar con esas condiciones?

Ejercicio 37
Demostrar que E(kX + h) = kE(X) + h.

Ejercicio 38
De un lote de 1000 neumáticos, se ha registrado el número de fallas que presenta cada uno, con
los siguientes resultados:

Número de fallas 0 1 2 3 4
Frecuencias 650 260 70 17 3

Ejercicio 39
¿Cuántas veces habrá que tirar un dado para que el valor esperado del número de veces que
ocurra un número mayor que 2, sea por lo menos 50?

Ejercicio 40
Demostrar que una distribución binomial, queda determinada por su media y su desviación
estándar.

Ejercicio 41
La v.a. X puede tomar dos valores: a con probabilidad 0,3 y b con probabilidad 0,7. Hallar
a y b, sabiendo que: a < b, E(X) = 2,7 y V(X) = 0,21.

Ejercicio 42
Obtener la f.d.a. de la v.a. del ejercicio 34.

Distribución Hipergeométrica

La distribución hipergeométrica es una distribución cercanamente relacionada con la

distribución binomial. La situación experimental en la que se define una variable hipergeométrica
también presume la extracción de elementos de una determinada población a los que podemos clasificar
en una de dos categorías mutuamente excluyentes y exhaustivas denominadas éxito y fracaso. Vimos en
la distribución binomial que la probabilidad de éxito es constante; cuando la población es finita y el
muestreo se hace sin reposición, la probabilidad cambiará para cada nueva observación. En este caso
tendremos una distribución de probabilidad que se llama distribución hipergeométrica.

En la práctica, la mayoría de los muestreos se efectúan sin reposición, ya que seleccionar al

individuo varias veces en la muestra, no tiene sentido. Pero cuando la muestra es muy pequeña en

32
 C. Ferrari – R. Musante

relación al tamaño de la población de la que proviene, debemos considerar que estamos en presencia de
un esquema binomial.

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.

Ejemplo 15

En la reunión de una cooperadora escolar a la que asisten 20 personas, entre las que hay 14
mujeres, se quiere seleccionar una muestra de 5 personas para integrar una subcomisión.

Si definimos una variable aleatoria X como la cantidad de mujeres que integran la comisión,
vemos que la probabilidad de extraer la primera mujer será 14/20 = 0,7; la probabilidad de extraer la
segunda será 13/19 = 0,684; la de extraer la tercera de 12/18 = 0,67 y así sucesivamente.

Vemos aquí, que la probabilidad condicionada de extraer mujeres de esta población, no se

mantiene constante en cada repetición del experimento. Por este motivo, no es posible el esquema
binomial.

Para calcular la probabilidad de que la v.a. X tome el valor 2, esto es que haya dos mujeres en la
comisión de cinco personas, lo hacemos así.

P(X=2) = ≅ 0.117

Estamos ante la situación de un muestreo sin reemplazo donde la probabilidad de extraer un

elemento de la población varía en cada repetición. En este caso, la variable así definida sigue una
distribución denominada hipergeométrica.

Función de probabilidad de la variable aleatoria hipergeométrica

Supongamos que tenemos una población de N elementos, de los cuales M pertenecen a la

categoría éxito y N-M pertenecen a la categoría fracaso. Sea X la v.a. número de éxitos encontrados en
n pruebas; X = x si y sólo si obtenemos x éxitos (de los M del lote) y exactamente (n - x) fracasos
(de los (N - M) fracasos del lote); tenemos que la función de probabilidad de una variable
hipergeométrica es la siguiente:

DEFINICIÓN. Llamamos v.a. hipergeométrica a la v.a. discreta X cuya función de probabilidad es

 M  N − M 
  
 x  n − x 
P(X = x) = , con 0 !"0 # $#!
N
 
n 

Denotaremos X∼ Hip(N,M,n)

33
 C. Ferrari – R. Musante

Esperanza y varianza de una variable hipergeométrica

Para especificar completamente una distribución hipergeométrica nos falta calcular su

correspondiente esperanza y varianza. Dejando de lado las operaciones involucradas, diremos que:
E(X) = n M / N = n p

donde M/N es la proporción de éxitos en la población (similar al p de la distribución binomial).

A su vez, la varianza de una variable hipergeométrica es:

V(X) = n p q (N - n)/ (N - 1)

La esperanza matemática es la misma que la vista para la distribución binomial. La varianza es

aproximadamente la misma, pues está multiplicada por el factor
(N - n) / (N - 1), conocido en estadística como factor de corrección para poblaciones finitas.
Si N es grande comparado con n, las extracciones con o sin reposición serán equivalentes, en
ese caso las probabilidades calculadas con la distribución hipergeométrica pueden ser aproximadas con
la distribución binomial. Del mismo modo los resultados de la esperanza y la varianza son similares,
para ambas distribuciones, pues el factor de corrección tiende a 1 cuando N es grande. En general, la
aproximación de la distribución hipergeométrica mediante la distribución binomial es muy buena si n/N
< 0,1.

Ejemplo 16
Una industria compra motores que vienen en contenedores de 20 unidades. El Departamento de
Compras de la fábrica, sospechando que el proveedor está trabajando con un 30 % de productos
defectuosos, ha montado un procedimiento de inspección que consiste en tomar 5 motores de cada lote y
probar su funcionamiento.

Si en la muestra de 5 motores se encuentra un motor con defectos, se rechaza el lote y se deberá

probar el resto de los motores de ese lote. A los fines de abaratar costos, el Departamento de Costos
desea saber cuál es la probabilidad de rechazar un lote cualquiera.

P(rechazar el lote) = P(X = 1) , N = 20 motores , M = 6 motores defectuosos ,

n = 5 motores, x = 1 motor defectuoso

P(X = 1) = C6,1 C14,4 / C20,5 = 0,39

Si queremos calcular la probabilidad de no obtener motores defectuosos, debemos calcular P(X = 0) y

para calcular la probabilidad de obtener por lo menos uno defectuoso es 1 - p(0).

Ejercicio 43
Un 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 asignarles una tarea nueva, ¿cuál es la
probabilidad de que en dicha comisión haya 2 de ellas que tengan menos de 6 años de experiencia?
Calcular el número esperado de secretarias nuevas.

34
 C. Ferrari – R. Musante

Ejercicio 44
En el relevamiento previo a un censo de viviendas se han identificado 15 casas y 18
departamentos en una manzana en particular. ¿Cuál será la probabilidad de que en una nueva muestra de
6 viviendas aparezcan 2 departamentos?

Ejercicio 45
En un frasco de laboratorio, un zoólogo contabiliza 20 moscas hembras y 16 moscas machos.
¿Cuál es la probabilidad de que, al extraer 10 moscas, obtenga 3 machos? ¿Cuál es el número esperados
de machos de esa población?

Ejercicio 46
En un laboratorio de semillas se tienen 30 semillas de girasol de las cuales 20 están inoculadas.
Si se toma una muestra de 10 semillas, ¿cuál será la probabilidad de extraer 6 inoculadas?

Distribución de Poisson

Vamos a buscar el límite de la función de probabilidad binomial para el caso en que p tiende a
cero, al mismo tiempo que n tiende a infinito, de manera que la esperanza se mantenga igual a n.p.
Encontraremos otra fórmula de naturaleza discreta, que se aproxime a la binomial como lo es la
distribución de Poisson, llamada así en honor al matemático francés S. D. Poisson (l781-1840), quien la
describió por primera vez en 1837.

La distribución de Poisson está caracterizada porque sus respuestas están orientadas a darle
solución a problemas que se refieren al número de éxitos esperados por unidad de tiempo, espacio, etc.,
tal como la distribución binomial se caracteriza por el número de éxitos en n ensayos.

Así como la distribución binomial está caracterizada por dos parámetros n y p, la distribución de
Poisson está caracterizada por un solo parámetro λ = n.p.
La distribución de Poisson se puede considerar como el límite de una binomial cuando n es muy grande
y p muy pequeña, por lo tanto siendo:

n.p = λ y Bi (n, p) = Cn,x px qn - x

obtenemos:

n −x
n.(n −1).....( n − x +1)  λ   λ 
x
Bi(n , p) =   1− 
x! n  n
−x
λ x n.(n −1).....( n − x +1)  λ   λ 
n
= 1−  1− 
x! nx  n  n

En la expresión n.(n-1).(n-2)..........(n - x +1) tenemos x factores. ¿Por qué?

Entonces:

35
 C. Ferrari – R. Musante

n −x
λx  λ  n.(n − 1)....( n − x + 1)  λ 
Bi(n , p) = 1 −  1 − 
x!  n  n.n......n  n
λ   n (n − 1) (n − 2) (n − x + 1)  λ 
n −x
λx
= 1 −  ...  1 − n 
x!  n   n n n n  

=
λx λ
n
  1  2  (x − 1)  λ  −x
1 −  1.1 − n 1 − n ...1 − n 1 − n 
x!  n       

Aplicando a la distribución binomial el límite cuando n tiende a infinito obtenemos:

 
lím Bi(n , p) = lím 
 λ x  n
λ   1  2
.1 −  .1.1 − .1 − ....(1 −
(x − 1)  
−x
λ  
) .1 −  
n →∞ n →∞
{ x!  n   n  n n   n 
14 2 4
3 1 4 4 4 4 442 4 4 4 4 4 4
3 1424 3
 1 2 3 4 

Como el límite del producto es igual al producto de los límites, calculamos cada uno de ellos
obteniendo:

λx
1- lím = ....
x→∞ x!
n λ −λ
 λ −  
lím  1 −  = lím (1 + t ) t = lím (1 + t ) t 
λ 1
2- Si t = − , entonces
t →0  
n n→∞
 n  t →0

1 −λ
 
y como lím (1 + t ) = e , entonces lím (1 + t ) t 
1
t
= e −λ
t →0 t →0  
n
 λ
resulta que lím  1 −  = e − λ
n→∞
 n

3-
 1  2
lím 1.1 − .1 − .....(1 −
(x − 1)) = .....
n →∞
 n  n  n
4-
−x
 λ
lím1−  =1 ¿por qué?
n→∞
 n

Entonces
λx
límBi(n, p) = e−λ con x = 0,1, 2, 3, .....
n→∞ x!

donde n y p están ligados por la relación λ = n.p. (Esto significa que el promedio de apariciones del
suceso para distintos valores de n permanece constante).

36
 C. Ferrari – R. Musante

Obtenemos así, siempre que λ > 0, una nueva función de probabilidad para una nueva variable
aleatoria discreta X que toma los valores 0, 1, 2, 3....., que definimos de la siguiente manera:

DEFINICIÓN. Llamamos v.a. Poisson a la v.a. discreta X cuya función de probabilidad es

λx −λ
P( X = x ) = e con λ > 0 y x ≥ 0
x!

Denotamos X ∼Po(λ)

∞
λ k −λ
Es fácil deducir que: ∑
k= 0 k !
e =1 , recordando el desarrollo en serie de ex

∞
x2 x3 xk
ex = 1+ x + + + ....... = ∑ ; se cumple que la suma de las probabilidades da uno.
2! 3! k = 0 k!

La distribución X ∼Po(λ) ha resultado aplicable a muchos procesos en los que ocurren

determinados sucesos por unidad de tiempo, espacio, volumen, área, etc.. Son casos de este tipo los
siguientes: número de accidentes por semana en una autopista, número de personas que llegan en una
hora a un banco a solicitar sus servicios, número de fallas de una computadora en un día, etc..

Ejemplo 17
Una central telefónica recibe un promedio de 2 llamadas por minuto, las mismas están
distribuidas al azar según un proceso de Poisson. Se desea hallar la probabilidad: a) de que no reciba
llamadas durante un intervalo de un minuto.
b) de que transcurran cuatro minutos sin llamadas. c) de que en cinco minutos lleguen más de dos
llamadas.
.
a) X: número de llamadas en un minuto, λ = 2 llamadas por minuto,
P(X = 0) = 20.e-2 /0! ≅ 0,135
b) X: número de llamadas que se reciben en 4 minutos, λ = 2 , t = 4 , x = 0, p (0) = e-8 La fórmula
en este caso (interviene el tiempo) es:
P(X = x) = (λt)x.e-λt/x! , podemos decir también que la nueva λ es 2*4, λ’ = 8 llamadas en 4 minutos.
P(X = 0) = 80 e-8 /0! = 0,0003. Este suceso es prácticamente imposible

c) P[X>2] = 1 – P[X ≤ 2] = 1 – 61e-10 ≅ 0,997. Este suceso es prácticamente cierto.

Ejercicio 47

Se ha determinado que en una autopista se da un promedio de 10 animales vagabundos muertos

por kilómetro. Halla la probabilidad (utilizando la distribución binomial) de que en 100 metros no se
encuentre ningún animal muerto.

Ejercicio 48
Resuelve el Ejercicio 47 utilizando la distribución de Poisson.

37
 C. Ferrari – R. Musante

Ejercicio 49
Si la probabilidad de que un mecanismo de un aparato tenga fallas es 0,001 y se examinan 2000
aparatos, determina la probabilidad de que:
a) exactamente tres de los aparatos presenten dicho mecanismo con fallas,
b) más de dos aparatos tengan dicho mecanismo con fallas.

Ejercicio 50
Si X tiene una distribución de Poisson con parámetro λ y si P(X = 0) = 0,2; calcular P(X > 2).

Valor esperado de una variable aleatoria con distribución de Poisson

Sea X una variable aleatoria con valores posibles x = 0, 1, 2, 3....n.... tal que:
λx
p( x ) = P( X = x ) = e −λ
x!
Entonces, aplicando la definición de esperanza matemática para una variable aleatoria discreta,
tenemos:
∞
λx
E(X) = ∑
x =1
x.e − λ
x!
¿Por qué la sumatoria comienza desde x = 1?

∞
λx
E (X ) = e −λ ∑
x =1 (x − 1)!
¿Por qué?

Consideremos k = x-1, entonces k +1 = x y recordando el desarrollo de

Mac Laurin:
∞
λk +1 ∞
λk
E ( X ) = e −λ ∑ = λe − λ ∑
k = 0 k! k = 0 k!

= λe − λ e λ = λ

Se tiene, entonces, que si X ∼Po(λ), la esperanza es λ .

Varianza de una variable aleatoria con distribución de Poisson

Recordamos que la fórmula de cálculo de la varianza de una variable aleatoria discreta es:

V(X) = E(X²) - [E(X)]²

En primer lugar, calculemos el valor de E(X²) para una variable aleatoria discreta:

∞ ∞ ∞
λ x
λ x
E(X 2 ) = ∑
x =0
x 2 .p( x ) = ∑
x =0
x 2e − λ
x!
= ∑
x =1
xe − λ
(x − 1)!
Si suponemos k = x-1, entonces:

38
 C. Ferrari – R. Musante

∞ ∞ ∞
λk +1 λk +1 λk +1
E(X 2 ) = ∑ (k + 1) e λ
k =0
−
k!
= ∑ ke λ
k =1
−
k!
+ ∑e λ
k =0
−
k!
∞ ∞
λk k
λ
=λ ∑
k =1
ke − λ
k!
+ λe − λ ∑ k! = λE(X) + λe λ eλ = λ
k =0
− 2
+λ

Reemplazando en la fórmula de cálculo de la varianza:

V ( X ) = λ2 + λ − λ2 V(X) = λ

Se tiene, entonces, que si X ∼Po(λ), la varianza es λ .

Ejercicio 51
Para una distribución de Poisson con parámetro igual a 2, calcular P(2 ≤ x ≤ 4).

Ejercicio 52
Se tiran dos dados 50 veces. Hallar la probabilidad de que salgan dos 6 exactamente 5 veces.

Ejercicio 53
Una compañía de seguros halla que el 0,005 % de la población fallece cada año de un cierto
tipo de accidente ¿Cuál es la probabilidad de que la compañía tenga que pagar a más de 3 de los 10.000
asegurados contra tales accidentes en un año?

Ejercicio 54
En un experimento con rastreador radioactivo, se observa una media de 4,4 destellos por
segundo.
a) ¿Cuál es la desviación estándar del número de destellos por segundo?
b) Hallar la probabilidad de que al menos 1 destello se dé en un intervalo de 1 segundo.

Ejercicio 55
Un depósito contiene 1000 partículas. La probabilidad de que una de esas partículas salga del
depósito en un determinado tiempo es 0,0004.
a) ¿Cuál es la probabilidad de que en dicho intervalo de tiempo salga al menos una partícula?
b) ¿Cuál es la probabilidad de que salgan al menos dos partículas?

Ejercicio 56
Una fábrica produce ciertas piezas y se sabe que la probabilidad de que una pieza sea
defectuosa es p = 0,02. Hallar la probabilidad de que, en un lote de 100 piezas, no haya piezas
defectuosas y también la probabilidad de que haya, a lo sumo, 3 piezas defectuosas.

Ejercicio 57
Supóngase que X tiene una distribución de Poisson.
Si P(X = 2) = 2/3 P(X = 1), calcular P(X = 0) y P(X = 3).

Ejercicio 58
Un jugador de fútbol practica tiros al arco. Se sabe que la probabilidad de hacer un gol es p = 1/100.
¿Cuántos tiros tendrá que hacer para tener una probabilidad mayor que el 90 % de hacer un gol por lo
menos una vez?

39
 C. Ferrari – R. Musante

Ejercicio 59
Un político dice 290 palabras, de las cuales el 1 % son desvaríos. ¿Cuál es la probabilidad de
que el político diga por lo menos, un desvarío?

Ejercicio 60
Una compañía de seguros, está considerando la cobertura para una enfermedad relativamente
rara, en el campo de los seguros médicos mayores. La probabilidad de que una persona elegida al azar
tenga esa enfermedad es 0,001 y en el grupo existen 3000 personas.
a) ¿Cuál es el número esperado de personas que tienen la enfermedad en el conjunto?
b) ¿Cuál es la probabilidad de que ninguna persona de las 3000 tenga la enfermedad?

Ejercicio 61
Un dispositivo está compuesto de un gran número de elementos que trabajan
independientemente con igual probabilidad (muy pequeña) de fallo de cada elemento durante el tiempo
T. Halla el promedio de elementos que fallan en el tiempo T, si la probabilidad de que en ese tiempo
falle por lo menos un elemento es igual a 0,98.

Ejercicio 62
El promedio de pedidos de remises, hechos al centro de despacho en un minuto es exactamente
tres. Hallar la probabilidad de que en 2 minutos se hagan: a) 4 pedidos, b) menos de 4 pedidos, c) no
menos de 4 pedidos.

Ejercicio 63
El número de buques tanques, digamos N, que llegan cada día a cierta refinería tiene una
distribución de Poisson con parámetro λ = 2. Las actuales instalaciones portuarias pueden despachar
tres buques por día. Si más de tres buques tanques llegan en un día, los que están en exceso deben
enviarse a otro puerto. a) En un día determinado, ¿cuál es la probabilidad de tener que hacer salir
buques tanques? b) ¿Cuál es el número esperado de buques tanques que llegan diariamente?

Ejercicio 64
El número de partículas emitidas por una fuente radioactiva durante un período específico es
una variable con distribución de Poisson. Si la probabilidad de ninguna emisión es 1/3, ¿cuál es la
probabilidad de que ocurran dos o más emisiones?

Ejercicio 65
Se observa una fuente radioactiva durante 7 intervalos de 10 segundos de duración cada uno y
se cuenta el número de partículas emitidas durante cada período. Suponiendo que el número de
partículas emitidas, X, durante cada período observado tiene una distribución de Poisson con parámetro
5, ¿cuál es la probabilidad de que en cada uno de los 7 intervalos de tiempo, sean emitidas 4 o más
partículas?

Ejercicio 66
En promedio, cada rollo de 500 metros de acero laminado tiene dos defectos. Un defecto
es una raspadura o alguna otra irregularidad que afectaría el uso de ese segmento de la hoja de acero en
el producto terminado. ¿Cuál es la probabilidad de que en un segmento específico de 100 metros no
tenga ningún defecto?

40
 C. Ferrari – R. Musante

RESPUESTAS
1. {0, 1, 2}; 3 2. R(X) = {0, 1, 2, 3, 4, 5, -1, -2, -3, -4, -5} 3. Siempre da 1, se demuestra más
adelante. 4. La tercera; 0,8; 0,9 5. 1/10; 2/10; 3/10 6. a) 0, 1, 2, 3 b) 1/8, 3/8, 3/8, 1/8
7. a) 1, 2, 3, 4 b) 0,1; 0,4; 0,2; 0,3 8- {2,3,4,5,6,7} ; 1/6
9- { 2, 3, 5,-1, -4, -6}; 1/6,1/6,1/6,1/6, 1/6,1/6 10.Seleccionar al azar; 10 colegios; cantidad de
alumnos ausentes. 11. 1. Discreta; S={(c, c); (c, ~c); (~c, c); (~c, ~c)}; X={0,1,2}
2. No discreta. 3. Discreta; S={1,2,…,n,…}; X: cantidad de partículas emitidas.
4. Discreta; S={(i, j) εN2 / 1 ≤ i ≤ 6 ∧ 1 ≤ j ≤ 6} X (i, j) = i + j = {2,3,4,5,6,7,8,9,10,11,12}.
5. No discreta. 12. q = 1 - p 13. 5- Analizamos las características del experimento: El experimento
consiste en una secuencia de n=7 ensayos ( Siete repeticiones de la misma acción: extraer una bolilla,
registrar si es o no blanca y devolverla a la urna). Cada ensayo tiene dos únicos resultados posibles. (La
bolilla es blanca o la bolilla no es blanca).
Los ensayos son independientes uno de otro. (El resultado de un ensayo no influye sobre el resultado del
otro). La probabilidad de extraer una bolilla blanca es la misma para cada uno de los ensayos. (p=10/23).
Un experimento con estas características es un experimento binomial.
14. a) 5/16 b) 11/32 15. 0,3174; 0,922 16. 8/27; 80/81; 16/27
17. 0,4096; 0,4096; 0,9728 18. {1, 2, 3, 4, 5, 6}; p(1) = 1/6 , P(0) = 5/6 19. 0,017; 0,013
20. No 21. 0,0512; 0,94208 22. C20,12 0,612 0,48 23 0,0128
24. 0,832 25. 0,328; 0,9421 26. 1/16; 1/3; 1/7
27. 3p2(1-p) 28. a){-10, 10, 100} b) (-10, 30/40);(10, 9/40);(100, 1/40)
c) -2,75 d) La ganancia esperada negativa indica que si H juega muchas veces (o si muchos hacen la
misma jugada que H) y usamos las probabilidades de cada valor como frecuencias relativas de esos
valores, la E(X) representa el promedio de las ganancias obtenidas. H puede ganar alguna vez si tiene
suerte. La banca es la que gana $2,75 por cada jugador que apuesta.
32. 10; 3. 33. 4,6; 2,75; 0,4125 34. 1-q ; q(1-q) 35. 2 ; 1 36. sí
37. E(kX+h) = Σ (kx + h).p(x) = Σ[kxp(x) + hp(x) ] = Σ kx.p(x) + Σ h.p(x) = kΣ xp(x)+ hΣp(x)=…
38. 0,463; 0,726 39. n ≥ 75 41. 2; 3 42. F(x) ={ 0, x < 0; q, 0 ≤ x <1; 1, x ≥ 1}
43. 0,412 ; 2 44. 0,189 45. 0,171; 4 46. 0,271 47. 0,367 48. 0,368
49. a) 0,18 b) 0,32 50. 0,22 51. 0,54 52. 0,0107 53. 0,00175 54. 2,09; 0,987
55. a) 0,33 b) 0,0615 56. a) 0,13 b) 0,86 57. a) 0,264 b) 0,10 58. 230 59. 0,94
60-a) 3 b) 0,0497 61. 4 62. a) 0,135 b) 0,1525 c) 0,8475 63. a) 0,1428 b) 2
64. 0,3 65. 0,7357 66. 0,6703

OBJETIVOS

Al finalizar el estudio de esta unidad el lector debe poder:

• Enunciar y demostrar propiedades.
• Diferenciar los conceptos de experimento aleatorio, espacio muestral y variable aleatoria.
• Dar la definición de recorrido de una variable aleatoria.
• Dar la definición de variable aleatoria discreta y ejemplos.
• Dar la definición de función de probabilidad y justificar sus propiedades.
• Dar la definición y ejemplos de variable aleatoria Bernoulli.
• Dar definición y ejemplos de distribución hipergeométrica.
• Dar definición y ejemplos de distribución de Poisson.
• Dar la definición de experimento binomial y de v.a. binomial.
• Dar la definición de función de distribución.
• Resolver problemas de aplicación de v.a. discretas.
• Definir y calcular la esperanza de una variable aleatoria discreta.

41
 C. Ferrari – R. Musante

• Definir y calcular la varianza de una v.a. discreta.

• Enunciar y demostrar propiedades de la esperanza y de la varianza.

42