Variables aleatorias discretas: función de probabilidad y distribución
Respuesta rápida
Una variable aleatoria es discreta cuando toma valores de un conjunto finito y numerable (valores aislados como 0, 1, 2, 3...). Su función de probabilidad asigna a cada valor posible una probabilidad entre 0 y 1, y la suma de todas estas probabilidades siempre es igual a 1.
Puntos clave
Variable discreta
Toma valores aislados de un conjunto finito y numerable (0, 1, 2, 3...)
Función de probabilidad
Asigna a cada valor su probabilidad; la suma total siempre es 1
Función de distribución
F(x) = P(X ≤ x), acumula probabilidades hasta el valor x
Bernoulli
Solo dos valores: éxito (1) con probabilidad p, fracaso (0) con probabilidad 1-p
Binomial
Cuenta éxitos en n experimentos de Bernoulli: P(X=k) = C(n,k)·p^k·(1-p)^(n-k)
Paso a paso
Identificar si la variable aleatoria es discreta: verificar que toma valores de un conjunto finito y numerable (valores aislados)
Determinar el conjunto S de todos los valores posibles que puede tomar la variable aleatoria
Asignar la probabilidad a cada valor del conjunto S mediante la función de probabilidad P(X = xᵢ)
Verificar que la suma de todas las probabilidades sea igual a 1
Calcular la función de distribución F(x) sumando las probabilidades de todos los valores menores o iguales a x
Ejemplos resueltos
Problema 1Una variable aleatoria X solo puede tomar los valores 0, 1 y 2. Calcular la función de distribución F(2).
Una variable aleatoria X solo puede tomar los valores 0, 1 y 2. Calcular la función de distribución F(2).
Solución:
- 1Identificamos que S = {0, 1, 2}
- 2La función de distribución F(2) = P(X ≤ 2)
- 3F(2) = P(X = 0) + P(X = 1) + P(X = 2)
- 4Como 2 es el valor máximo del conjunto, F(2) = 1
F(2) = 1, ya que incluye todas las probabilidades posibles
Verificación: La función de distribución en el valor máximo siempre es 1
Problema 2Se lanza una moneda 10 veces. Calcular la probabilidad de obtener exactamente 4 caras usando la distribución Binomial.
Se lanza una moneda 10 veces. Calcular la probabilidad de obtener exactamente 4 caras usando la distribución Binomial.
Solución:
- 1Identificamos: n = 10 lanzamientos, k = 4 éxitos (caras), p = 1/2 (probabilidad de cara)
- 2Aplicamos la fórmula: P(X = k) = C(n,k) · p^k · (1-p)^(n-k)
- 3P(X = 4) = C(10,4) · (1/2)^4 · (1/2)^6
- 4C(10,4) = 10!/(4!·6!) = 210
- 5P(X = 4) = 210 · (1/2)^10 = 210 · (1/1024)
- 6P(X = 4) = 210/1024 ≈ 0.205
La probabilidad de obtener exactamente 4 caras en 10 lanzamientos es aproximadamente 0.205 o 20.5%
Verificación: El resultado está entre 0 y 1, y tiene sentido que sea cercano a la probabilidad esperada de 5 caras
Problema 3Una variable aleatoria de Bernoulli tiene parámetro p = 0.3. Determinar su función de probabilidad completa.
Una variable aleatoria de Bernoulli tiene parámetro p = 0.3. Determinar su función de probabilidad completa.
Solución:
- 1La variable de Bernoulli solo toma valores 0 y 1
- 2P(X = 1) = p = 0.3 (éxito)
- 3P(X = 0) = 1 - p = q = 0.7 (fracaso)
- 4Verificación: P(X = 0) + P(X = 1) = 0.7 + 0.3 = 1 ✓
Función de probabilidad: P(X = 0) = 0.7, P(X = 1) = 0.3
Verificación: La suma de las probabilidades es 1, lo cual confirma que es una función de probabilidad válida
Variables Aleatorias Discretas: Guía Completa
Las variables aleatorias discretas son fundamentales en el estudio de la probabilidad y la estadística. En esta guía completa, aprenderás qué son, cómo funcionan sus funciones de probabilidad y distribución, y conocerás dos de las distribuciones más importantes: Bernoulli y Binomial.
¿Qué es una Variable Aleatoria Discreta?
Una variable aleatoria es discreta cuando toma valores de un conjunto finito y numerable. Esto significa que los valores posibles son aislados, es decir, separados entre sí.
Matemáticamente, si tenemos un conjunto S de números reales numerables, una variable aleatoria X es discreta cuando:
- El conjunto S contiene todos los valores posibles que puede tomar X
- S es finito o infinito numerable
- La probabilidad de que X tome cualquier valor de S es positiva
Ejemplos de variables discretas:
- El número de caras al lanzar una moneda 5 veces: puede ser 0, 1, 2, 3, 4 o 5
- El número de llamadas recibidas en una hora: 0, 1, 2, 3...
- La puntuación de un dado: 1, 2, 3, 4, 5 o 6
¿Qué NO es una variable discreta?
Las variables continuas, como la altura de una persona o el tiempo de espera, pueden tomar cualquier valor en un intervalo. Estas no son discretas porque sus valores no son aislados.
Función de Probabilidad
La función de probabilidad es el elemento central de cualquier variable aleatoria discreta. Esta función relaciona cada valor posible de la variable con su probabilidad de ocurrencia.
Definición formal
Si el soporte (conjunto de valores posibles) es S = {x₁, x₂, x₃, ...}, la función de probabilidad P se define como:
P(X = xᵢ) = probabilidad de que la variable tome el valor xᵢ
Esta función también se puede escribir como P(xᵢ) o Pₓ(xᵢ).
Propiedades fundamentales
Toda función de probabilidad debe cumplir dos propiedades esenciales:
- Cada probabilidad está acotada: 0 ≤ P(X = xᵢ) ≤ 1
- La suma total es uno: Σ P(X = xᵢ) = 1 para todos los valores de S
La segunda propiedad es crucial: significa que es seguro (probabilidad 1) que la variable tome alguno de los valores del conjunto S.
Ejemplo práctico
Supongamos que X solo puede tomar los valores 0, 1 y 2:
- P(X = 0) = 0.2
- P(X = 1) = 0.5
- P(X = 2) = 0.3
Verificación: 0.2 + 0.5 + 0.3 = 1 ✓
Función de Distribución
Mientras la función de probabilidad nos da P(X = x), la función de distribución nos da la probabilidad acumulada P(X ≤ x).
Definición
La función de distribución F(x) se define como:
F(x) = P(X ≤ x) = Σ P(X = xᵢ) para todo xᵢ ≤ x
Es decir, sumamos las probabilidades de todos los valores menores o iguales a x.
Cómo calcular F(x)
- Identifica todos los valores del soporte S que son menores o iguales a x
- Suma las probabilidades de esos valores
Ejemplo
Continuando con el ejemplo anterior donde X ∈ {0, 1, 2}:
- F(0) = P(X ≤ 0) = P(X = 0) = 0.2
- F(1) = P(X ≤ 1) = P(X = 0) + P(X = 1) = 0.2 + 0.5 = 0.7
- F(2) = P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 1
Observa que F(2) = 1 porque incluye todas las probabilidades posibles.
Propiedades de la función de distribución
- F(x) es siempre creciente (o al menos no decreciente)
- En el valor máximo del soporte, F(x) = 1
- F(x) siempre está entre 0 y 1
La Distribución de Bernoulli
La distribución de Bernoulli es una de las variables aleatorias discretas más sencillas y fundamentales. Solo puede tomar dos valores: 0 y 1.
Definición
Una variable X sigue una distribución de Bernoulli con parámetro p cuando:
- X = 1 (éxito) ocurre con probabilidad p
- X = 0 (fracaso) ocurre con probabilidad q = 1 - p
Se escribe: X ~ Bernoulli(p) o X ~ Be(p)
Función de probabilidad de Bernoulli
| Valor de X | Probabilidad |
|---|---|
| 0 | q = 1 - p |
| 1 | p |
Función de distribución de Bernoulli
- F(x) = 0 para x < 0
- F(x) = q = 1-p para 0 ≤ x < 1
- F(x) = 1 para x ≥ 1
Aplicaciones de Bernoulli
La distribución de Bernoulli modela cualquier experimento con exactamente dos resultados posibles:
- Lanzar una moneda: cara (éxito) o cruz (fracaso)
- Exámenes: aprobar o suspender
- Control de calidad: producto defectuoso o no defectuoso
- Medicina: paciente se cura o no se cura
- Sorteos: ganar o perder
Lo importante es definir claramente qué consideramos "éxito" antes de empezar.
La Distribución Binomial
La distribución Binomial es una extensión natural de Bernoulli. Surge cuando repetimos un experimento de Bernoulli varias veces y queremos contar el número total de éxitos.
Definición
Una variable X sigue una distribución Binomial con parámetros n y p cuando mide el número de éxitos en n experimentos independientes de Bernoulli, cada uno con probabilidad de éxito p.
Se escribe: X ~ Binomial(n, p) o X ~ B(n, p)
Relación con Bernoulli
Si tenemos n variables de Bernoulli independientes X₁, X₂, ..., Xₙ, todas con el mismo parámetro p, entonces su suma:
Y = X₁ + X₂ + ... + Xₙ
sigue una distribución Binomial(n, p). Es decir, la Binomial "cuenta" cuántas Bernoullis dieron éxito.
Fórmula de la Binomial
La probabilidad de obtener exactamente k éxitos en n intentos es:
P(X = k) = C(n,k) · p^k · (1-p)^(n-k)
Donde:
- n = número total de experimentos
- k = número de éxitos que queremos (0 ≤ k ≤ n)
- p = probabilidad de éxito en cada experimento
- C(n,k) = número combinatorio = n! / (k! · (n-k)!)
Interpretación de la fórmula
- C(n,k): número de formas de distribuir k éxitos entre n intentos
- p^k: probabilidad de obtener k éxitos
- (1-p)^(n-k): probabilidad de obtener (n-k) fracasos
Ejemplo resuelto
Problema: Lanzamos una moneda 10 veces. ¿Cuál es la probabilidad de obtener exactamente 4 caras?
Solución:
- n = 10 (lanzamientos)
- k = 4 (caras que queremos)
- p = 0.5 (probabilidad de cara)
Aplicamos la fórmula:
P(X = 4) = C(10,4) · (0.5)^4 · (0.5)^6
C(10,4) = 10! / (4! · 6!) = 210
P(X = 4) = 210 · (0.5)^10 = 210 / 1024 ≈ 0.205
Respuesta: La probabilidad de obtener exactamente 4 caras es aproximadamente 20.5%.
Resumen y Puntos Clave
Conceptos fundamentales:
- Variable discreta: toma valores aislados y contables
- Función de probabilidad: asigna probabilidades a cada valor (suma = 1)
- Función de distribución: probabilidad acumulada P(X ≤ x)
- Bernoulli: solo dos valores (0 y 1), un parámetro (p)
- Binomial: cuenta éxitos en n intentos, dos parámetros (n y p)
Fórmulas esenciales:
- Suma de probabilidades: Σ P(X = xᵢ) = 1
- Función de distribución: F(x) = P(X ≤ x) = Σ P(X = xᵢ) para xᵢ ≤ x
- Binomial: P(X = k) = C(n,k) · p^k · (1-p)^(n-k)
Cuándo usar cada distribución:
- Bernoulli: un solo experimento con dos resultados posibles
- Binomial: varios experimentos independientes, contamos éxitos totales
Dominar estos conceptos es fundamental para avanzar en probabilidad y estadística, ya que son la base de distribuciones más complejas y del análisis de datos reales.
Errores comunes
Confundir variable discreta con variable continua
Si la variable puede tomar cualquier valor en un intervalo (como alturas o pesos), es continua, no discreta
Las variables discretas toman valores aislados y contables (0, 1, 2, 3...). Piensa: ¿puedo listar todos los valores posibles?
Olvidar que la suma de todas las probabilidades debe ser 1
Sumar todas las probabilidades asignadas y verificar si da exactamente 1
Siempre verifica: ΣP(X = xᵢ) = 1. Si no es así, hay un error en las probabilidades
Confundir función de probabilidad con función de distribución
La función de probabilidad da P(X = x), la de distribución da P(X ≤ x)
Recuerda: la función de distribución F(x) es el SUMATORIO de las probabilidades hasta x
En la binomial, confundir n (número de ensayos) con k (número de éxitos)
Revisar qué pregunta el problema: ¿cuántos intentos? (n) ¿cuántos éxitos queremos? (k)
n es siempre el total de experimentos, k es el número específico de éxitos que buscamos
No identificar correctamente qué es éxito y qué es fracaso en Bernoulli
Verificar que el éxito corresponde a lo que queremos medir, no necesariamente a algo positivo
Define claramente antes de empezar: ¿qué evento representa el éxito (X=1) y cuál el fracaso (X=0)?
Glosario
- Variable aleatoria discreta
- Variable que toma valores de un conjunto finito y numerable (valores aislados), donde cada valor tiene una probabilidad positiva de ocurrir.
- Función de probabilidad
- Función P que asigna a cada valor posible de una variable aleatoria discreta su probabilidad de ocurrencia, donde P(X = xᵢ) está entre 0 y 1.
- Función de distribución
- Función F(x) que calcula la probabilidad acumulada P(X ≤ x), es decir, la suma de las probabilidades de todos los valores menores o iguales a x.
- Soporte (conjunto S)
- Conjunto de todos los valores posibles que puede tomar una variable aleatoria discreta.
- Variable de Bernoulli
- Variable aleatoria discreta que solo toma dos valores: 1 (éxito) con probabilidad p, y 0 (fracaso) con probabilidad q = 1-p.
- Distribución Binomial
- Variable aleatoria que mide el número de éxitos en n experimentos independientes de Bernoulli, cada uno con probabilidad de éxito p.
- Parámetro
- Valor que caracteriza una distribución de probabilidad. En Bernoulli es p (probabilidad de éxito); en Binomial son n (número de ensayos) y p.
- Número combinatorio
- Expresado como C(n,k) o (n sobre k), representa el número de formas de elegir k elementos de un conjunto de n elementos: n!/(k!(n-k)!).
Preguntas frecuentes
¿Cuál es la diferencia entre una variable aleatoria discreta y una continua?
La discreta toma valores aislados y contables (1, 2, 3...), mientras la continua puede tomar cualquier valor en un intervalo.
Una variable aleatoria discreta tiene un conjunto finito o numerable de valores posibles (como el número de caras al lanzar una moneda). Una variable continua puede tomar infinitos valores en un rango (como la altura de una persona, que puede ser 1.70m, 1.701m, 1.7001m...). La diferencia fundamental está en que los valores discretos son aislados y los continuos forman un continuo.
¿Por qué la suma de todas las probabilidades debe ser igual a 1?
Porque representa la certeza de que la variable tomará alguno de los valores posibles.
La suma de todas las probabilidades es 1 porque el conjunto S contiene TODOS los valores posibles de la variable. Es seguro (probabilidad 1) que el resultado del experimento sea alguno de estos valores. Si la suma fuera diferente de 1, significaría que falta algún valor posible o las probabilidades están mal calculadas.
¿Cómo se calcula la función de distribución F(x)?
Sumando las probabilidades de todos los valores menores o iguales a x: F(x) = Σ P(X = xᵢ) para todo xᵢ ≤ x.
La función de distribución F(x) acumula probabilidades. Por ejemplo, si X puede tomar valores 0, 1, 2, entonces F(1) = P(X=0) + P(X=1). Esto nos da directamente P(X ≤ 1). La función de distribución siempre es creciente y en el valor máximo siempre vale 1.
¿Qué representa el parámetro p en la distribución de Bernoulli?
Representa la probabilidad de éxito en un único experimento.
En una variable de Bernoulli, p es la probabilidad de obtener éxito (X=1). Por ejemplo, si lanzamos una moneda y definimos éxito como sacar cara, entonces p = 0.5. El fracaso tiene probabilidad q = 1-p. Este parámetro p define completamente la distribución de Bernoulli.
¿Cuál es la relación entre la distribución de Bernoulli y la Binomial?
La Binomial es la suma de n variables de Bernoulli independientes; cuenta los éxitos en n intentos.
Si realizamos n experimentos de Bernoulli independientes (cada uno con probabilidad p de éxito) y sumamos los resultados, obtenemos una variable Binomial. Por ejemplo, lanzar una moneda una vez es Bernoulli; lanzarla 10 veces y contar las caras es Binomial con n=10 y p=0.5.
¿Cómo se aplica la fórmula de la distribución Binomial?
P(X=k) = C(n,k) · p^k · (1-p)^(n-k), donde n es el número de ensayos, k los éxitos deseados y p la probabilidad de éxito.
Para calcular la probabilidad de obtener exactamente k éxitos en n intentos: 1) Calcula el número combinatorio C(n,k) que representa las formas de distribuir los k éxitos entre los n intentos. 2) Multiplica por p^k (probabilidad de k éxitos) y por (1-p)^(n-k) (probabilidad de n-k fracasos).
¿Qué ejemplos reales se modelan con la distribución de Bernoulli?
Cualquier experimento con solo dos resultados posibles: lanzar una moneda, aprobar o suspender un examen, sacar o no una carta específica.
La distribución de Bernoulli modela experimentos de éxito/fracaso: lanzar una moneda (cara/cruz), un paciente se cura o no, un producto es defectuoso o no, un email es spam o no. Lo importante es que solo hay dos resultados posibles y la probabilidad de éxito es constante.
¿Cuándo usar Binomial en lugar de Bernoulli?
Usa Binomial cuando quieras contar el número de éxitos en varios intentos independientes de un experimento de Bernoulli.
Bernoulli es para un solo experimento (¿salió cara?). Binomial es para n experimentos (¿cuántas caras en 10 lanzamientos?). Si la pregunta es sobre el resultado de UN intento, usa Bernoulli. Si es sobre CUÁNTOS éxitos en VARIOS intentos independientes, usa Binomial.
Artículos relacionados
Reunión de mejora continua en Ucademy: comunicación y experiencia educativa
Reunión del equipo de Ucademy para discutir mejoras en comunicación, actualización de materiales y cómo potenciar la experiencia educativa de los estudiantes.
Derivada por definición: cálculo paso a paso con ejemplos resueltos
Domina el cálculo de derivadas por definición con ejemplos prácticos de x³, logaritmo neperiano y función seno. Método paso a paso con límites.
Regla de la Cadena: Cómo Derivar Funciones Compuestas Paso a Paso
Domina la regla de la cadena para derivar funciones compuestas: deriva primero la función externa y multiplica por la derivada de la interna.
Cómo resolver la indeterminación 1 elevado a infinito en límites
Método completo para resolver límites con indeterminación 1^∞ cuando x tiende a un valor finito, usando la transformación con el número e.
Tipos de discontinuidad en funciones: evitable, salto finito y salto infinito
Guía completa sobre los tipos de discontinuidad en funciones matemáticas: discontinuidad evitable, de salto finito, de salto infinito y asintótica con ejemplos.
Indeterminación infinito menos infinito: cómo resolverla paso a paso
Domina la resolución de límites con indeterminación infinito menos infinito mediante factorización y racionalización de fracciones.
¿Quieres aprender más sobre este tema?
Este contenido es parte del curso Matemáticas Ciencias Sociales | Selectividad de Acceso a la Universidad Ucademy. Contacta con nosotros para más información o descarga este artículo en PDF.