Probabilidad

Variables Aleatorias

3. VARIABLES ALEATORIAS

as variables aleatorias se clasifican en discretas y continuas, dependiendo del

nmero de valores que pueden asumir.

Una variable aleatoria es discreta si slo puede tomar una cantidad finita o
infinita numerable de valores. Si por el contrario, la variable aleatoria puede tomar
cualquier valor de un conjunto infinito no numerable, entonces la variable es
continua.
Desde luego, el anlisis de una variable aleatoria discreta difiere del de una
variable aleatoria continua. Esto se expresa a continuacin.
3.1 VARIABLES ALEATORIAS DISCRETAS. FUNCIN DE PROBABILIDAD.
El comportamiento aleatorio de una variable aleatoria discreta se analiza a
travs de una funcin de probabilidad.
Definicin:
Sea X una variable aleatoria discreta, cuyo rango (conjunto de valores posibles) es
el conjunto que denotamos por RX. Se define la funcin de probabilidad de X
como:
f X : R X [0,1]

tal que f X ( x) = P ( X = x) para todo valor x R X .

Esto es, la funcin de probabilidad de X es una funcin que asigna a cada
valor de x del rango de X, la probabilidad de que la variable aleatoria lo asuma en
la siguiente realizacin del experimento.
Ejemplo 3.1.1

Supongamos que la variable aleatoria X representa el nmero de automviles que

pasan por una caseta de peaje en un perodo de un da. El rango de la variable
aleatoria es R X = {0,1,2,...} ; es decir, todos los enteros no negativos. Como el
rango es un conjunto infinito numerable, la variable aleatoria X es discreta.
La funcin de probabilidad de X es la funcin que determina para cada valor
x, la probabilidad de que ese valor sea el observado; es decir, f X (0) = P ( X = 0) es
la probabilidad de que en un da no pase ningn carro por la caseta mencionada

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

f X (1) = P ( X = 1) es la probabilidad de que en un da pase exactamente un

automvil por la caseta de peaje, etctera.

3.1.1 PROPIEDADES
La funcin de probabilidad de una variable aleatoria discreta tiene las
siguientes propiedades:
1) Sus valores estn entre 0 y 1
0 f X ( x) 1

x R X

2) La suma de los valores de f X(x) cuando se consideran todos los valores

del rango, es igual a uno.

xR X

( x) = 1

3) La probabilidad de que la variable aleatoria presente alguno de los valores

que pertenecen a un conjunto, es la suma de las probabilidades de los
valores particulares.

P ( x0 x x1 ) =

x1

x = x0

( x)

Ejemplo 3.1.1.1

Considere el experimento que consiste en lanzar un dado y observar el nmero de

puntos que tiene en su cara superior.
La variable aleatoria X ser el nmero de puntos en la cara superior del dado,
despus del lanzamiento.
El rango de la variable aleatoria X es RX = {1,2,3,4,5,6}.
La funcin de probabilidad de X se muestra en la siguiente tabla:
x
fX(x)

1
1/6

M.en I, Isabel Patricia Aguilar Jurez

2
1/6

3
1/6

4
1/6

5
1/6

6
1/6

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Es decir,
fX(1)=P(X=1) = P(el resultado del lanzamiento es 1) = 1/6
fX(2)=P(X=2) = P(el resultado del lanzamiento es 2) = 1/6
.
La probabilidad de que el resultado est entre 2 y 5 es:
P(2X5)

=
=
=
=

P(2 X 5) =

P(X=2) + P(X=3) + P(X=4) + P(X=5)

fX(2) + fX(3) + fX(4) + fX(5)
1/6 + 1/6 + 1/6 + 1/6
4/6

4
6

3.2 VARIABLES ALEATORIAS CONTINUAS. FUNCIN DE DENSIDAD DE

PROBABILIDAD.
Por la naturaleza de las variables aleatorias continuas, no es posible hacer su
anlisis a travs de una funcin de probabilidad como en el caso discreto, pero en
su lugar se utiliza otra funcin conocida como funcin de probabilidad o
simplemente de densidad.
Definicin:
Si X es una variable aleatoria continua cuyos valores posibles son todos los
nmeros que pertenecen al conjunto RX, se define la funcin de densidad de X
como la funcin:
f X : RX
que cumple con las siguientes condiciones:
1) La funcin fX(x) no toma valores negativos.

f X ( x) 0
2) El rea bajo la funcin es uno.

RX

x R X

f X ( x)dx = 1

3) La probabilidad de que la variable aleatoria presente un valor cualquiera

dentro de un intervalo, es el rea bajo la funcin y sobre el intervalo.
x1

P( x0 X x1 ) = f X ( x)dx
x0

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Ejemplo 3.2.1

Si la variable aleatoria X tiene funcin de densidad

1
1
x+
;1 x 2
f X ( x) = 3
2
0
; en otro caso

se puede observar que, grficamente, fX(x) tiene la forma:

2 1
1
1
4
1 1
1
El rea bajo la curva es A = x + dx = x 2 + x = + 1 = 1
1
2
2 1 6
6 2
3
6
A=1

Y la probabilidad de que X est entre 1 y 1.5 es:

1.5

P (1 x 1.5) =

P (1 x 1.5) =

1.5

1
9 3 1 1 27 16 11
1
1 2 1
+ =

=
x + dx = x + x =
2
2 1
24 4 6 2 24 24 24
3
6

11
24

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Es muy comn que en un experimento nos interesemos por la probabilidad

de que la variable aleatoria asuma, ms que un valor particular, un valor
cualquiera en un rango, o bien, por identificar aquellos puntos o intervalos en los
que se acumula mayor probabilidad.
Es por sta razn que se define una funcin, la funcin de distribucin
(acumulativa) de una variable aleatoria.
La funcin de distribucin de una variable aleatoria refleja la forma en que
se acumula la probabilidad a lo largo del rango de la variable aleatoria.
3.3 FUNCIN DE DISTRIBUCIN
Definicin:
Si X es una variable aleatoria se define a la funcin de distribucin de X como la
funcin que se denota por FX(x) y que asigna a cada valor x0 RX , la probabilidad
de que la variable aleatoria tome un valor menor o igual a dicha x0 . Esto es,
FX( x0 ) = P (X x0)
El clculo de FX( x0 ) se realiza de la siguiente manera:
Si X es discreta, FX( x0 ) =

f X (x)

x x0

x0

Si X es continua FX( x0 ) =

f X (x) dx ,

en donde a es el valor ms

pequeo que podra asumir la variable aleatoria X.

3.3.1 PROPIEDADES
Esta funcin de distribucin tiene las siguientes propiedades:

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

1. Dado que es una probabilidad, solamente puede tomar valores entre

cero y uno, es decir,
x RX
0 FX( x0 ) 1
2. Para el mayor valor del rango de X, la funcin de distribucin toma el
valor de uno,
FX( ) = 1
3. Para el menor valor del rango de X, la funcin de distribucin toma el
valor de cero,
FX( - ) = 0
4. La funcin FX( x ) es una funcin no decreciente, escalonada si la
variable es discreta o creciente si X es continua.
5. Permite calcular fcilmente la probabilidad de que X est en el intervalo
semi abierto (a, b] como
P (a < X b ) = FX( b ) - FX( a )

Ejemplo 3.3.1.1

Sea X una variable aleatoria con funcin de probabilidad la que se muestra en la

tabla. Construya la funcin de distribucin de X, y utilcela para calcular la
probabilidad de que X sea mayor que 1 y menor o igual que1.5

x
fX(x)

-5
0.2

-1
0.01

1
0.3

1.5
0.29

3
0.2

Resolucin:
FX( -5 )= P (X -5) = P( X = -5) = 0.2
FX( -1 )= P (X -1)= P( X = -5)+ P(X = -1)= 0.2 + 0.01 = 0.21
FX( 1 )= P (X 1)= P( X = -5) + P(X = -1) + P(X =1)= 0.2 + 0.01 + 0.3 = 0.51
FX( 1.5 )=P(X 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)
= 0.2 + 0.01+ 0.3 + 0.29 = 0.8
FX( 3 ) = P(X 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)+P(X=3)
= 0.2 + 0.01+ 0.3 + 0.29 + 0.2 = 1

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Para mayor facilidad se puede mostrar la funcin de distribucin en una tabla,

junto con la funcin de probabilidad,

x
fX(x)
FX(x)

-5
0.2
0.2

-1
0.01
0.21

1
0.3
0.51

1.5
0.29
0.8

3
0.2
1

Por lo tanto, P(-1 < X 1.5 ) = FX(1.5) - FX(-1) = 0.8 0.21 = 0.59

Hagamos un ejemplo ms.

Ejemplo 3.3.1.2

La comisin por ventas que una empresa ofrece a sus agentes crece dependiendo
de los rangos de ventas individuales, la tasa de crecimiento es una variable
aleatoria X que tiene funcin de densidad
; 0 x 1
cx

1
f X ( x ) = cx + ; 1 < x 2
2

0
;
en
otro caso.

en donde c es una constante. Calcule la probabilidad de que para un agente en

particular el crecimiento en sus comisiones est entre 0.5 y 1.2 .

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Resolucin
Lo primero que debemos hacer es determinar el valor de la constante c de manera
que la funcin fX(x) planteada sea realmente una funcin de densidad.
La primera condicin que debe cumplir la funcin es ser positiva para todo valor de
x. Para ello, en esta funcin, basta con que c> 0.
La segunda condicin que debe cumplir es integrar uno. Veamos:
1

1 = cx dx +
0

cx 2
cx 2 x
1
+ = 4c
cx + dx =
+
2
2 1

2 0 2

c=

1
4

por lo tanto, la funcin de densidad de la variable aleatoria X es

1
; 0 x 1
4 x

1
1
x + ; 1< x 2
f X (x) = 4
2

0 ; en otro caso.

La grfica de la funcin de densidad es la siguiente,

Construyamos ahora la funcin de distribucin de X:

Si x < 1
M.en I, Isabel Patricia Aguilar Jurez

Si 1 < x < 2
UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

Si x < 1, FX(x) =

Si 1 < x < 2 ,

xy

0 4

dy =

FX(x) =

x2
8
x

x y
1
1 y2 y
x2 x 1
0 4dy + 1 4 + 2 dy = 8 + 8 + 2 = 8 + 2 + 8
1
1y

Por lo tanto,
;
x<0
0

2
x
; 0 x 1
8

2
x 1
x
+ + ; 1< x 2

f X (x) = 8 2 8

1
;
x > 2.

P(0.5 < X < 1.2) = FX(1.2) - FX(0.5) =

(1.2 )2
8

1.2 1 (0.5 )
+
= 0.87375
2
8
8
2

3.4 PARMETROS DE LAS DISTRIBUCIONES DE VARIABLES ALEATORIAS.

Con el fin de lograr una mejor descripcin de una variable aleatoria es necesario
utilizar caractersticas numricas, las caractersticas numricas de una variable
aleatoria se pueden clasificar en:

Medidas de tendencia central

Medidas de dispersin
Parmetros de forma

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

Probabilidad

Variables Aleatorias

3.4.1 MEDIDAS DE TENDENCIA CENTRAL

Las medidas de tendencia central son importantes ya que sern utilizadas
como valores representativos de dicha variable. Dependiendo de la naturaleza del
experimento ser ms recomendable alguna de ellas. Las tres medidas de
tendencia central ms importantes son:
1) MODA: Es aquel valor en el rango de la variable aleatoria para el cual la
funcin de probabilidad o de densidad, segn sea el caso, alcanza su
mximo.
2) MEDIANA: La mediana es el valor ~
x de la variable aleatoria para el cual la
funcin de distribucin vale 0.5. Desde luego, es el valor en la rango de la
variable aleatoria que divide el rango en dos conjuntos con igual
probabilidad; esto es, ~
x es tal que:

F X (~
x ) = 0.5
3) VALOR ESPERADO (MEDIA): El valor esperado de una variable aleatoria,
tambin conocido como media o esperanza matemtica, se puede
interpretar como el valor que en promedio tomara una variable aleatoria en
un nmero grande de repeticiones del experimento, aunque tambin se
puede interpretar como el valor que cabe esperar que tome la variable
aleatoria en la siguiente realizacin del experimento. El valor esperado de
una variable aleatoria se define como sigue:
a. Si X es discreta

E ( X ) = = xf X ( x)
x

b. Si X es continua:

E( X ) = =

xf

( x)dx

Ejemplo 3.4.1.1

Calcule el valor esperado de la variable aleatoria X con funcin de densidad:

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

10

Probabilidad

Variables Aleatorias

12 2
49 x
12
f X ( x) = x 3
49
0

0 x 1

1 x 2

; en otro caso

Resolucin:

2
12 5
12 4
12 3
12
E ( X ) = xf X( x)dx =
x dx + x 4 dx =
x +
x
49
49
4(49) 0 5(49) 1
0
1

387
=
245
387
E( X ) = =
245
1

Veamos qu pasa en el caso discreto.

Ejemplo 3.4.1.2

Si la variable aleatoria X tiene la distribucin que se muestra en la tabla. Calcule la

media, mediana y moda de X.
x
fX(x)

-5
0.05

3
0.13

4
0.22

8
0.07

10
0.33

12
0.2

10
0.33
0.8

12
0.2
1.0

Resolucin:
Construyamos primero la funcin de distribucin de X
x
fX(x)
FX(x)

-5
0.05
0.05

3
0.13
0.18

4
0.22
0.4

8
0.07
0.47

La media es:

E ( X ) = = 5(0.05) + 3(0.13) + 4(0.22) + 8(0.07) + 10(0.33) + 12(0.2)

E ( X ) = = 7.28
La mediana ~
x es el valor para el cual FX( ~
x )=0.5
Como FX(8)=0.47 < 0.5
M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

11

Probabilidad

Variables Aleatorias

y FX(10)=0.8 > 0.5

Entonces ~
x = 10
Para obtener la moda, observemos que el mximo valor de fX(x) es 0.33 y se
alcanza cuando x=10, entonces:
moda = m0 = 10

3.4.1.1 VALOR ESPERADO

Definicin:
Si g(X) es una funcin de la variable aleatoria X, se define el valor esperado de
g(X) como:

g ( x) f X ( x)
si
x
E[ g ( X )] =
g ( x) f X ( x)dx si

X es discreta
X es continua

Vale la pena mencionar que el valor esperado es un operador lineal; es decir, tiene
las siguientes propiedades:
1) Si c es una constante, E(c)=c
2) Si c es una constante, E(cX)=cE(X)
3) Si g(X) es una funcin de X y h(X) es otra funcin de la misma variable
aleatoria X, entonces:
E[g(X)+h(X)]=E[g(X)]+E[h(X)]
3.4.2 MEDIDAS DE DISPERSIN
Las medidas de dispersin se pueden utilizar como herramientas para medir la
validez de la media como representativa de la variable aleatoria X, ya que
muestran qu tanto cercanos estn, en promedio, los valores de X, de .
Las principales medidas de dispersin se tratan a continuacin.
M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

12

Probabilidad

Variables Aleatorias

1) VARIANZA
Definicin
Si X es una variable aleatoria, se define su varianza como:
Var(X)= 2 = E[(X-)2]
Por tanto, si X es discreta:

Var ( X ) = 2 = ( x ) 2 f X ( x)
x

Si X es continua:

Var ( X ) = 2 = ( x ) 2 f X ( x)dx

Pues bien, si se desarrolla el cuadrado de la definicin de 2, se obtiene una forma

muchas veces ms sencilla de calcular a la varianza.

Var ( X ) = 2 = E[( x ) 2 ] = E ( X 2 ) 2
en donde:

x 2 f X ( x)
si
x
2
E[ X ] =
x 2 f X ( x)dx si

X es discreta
X es continua

y 2 es el cuadrado de E(X).
La varianza de una variable aleatoria tiene las siguientes propiedades:
1) Si c es una constante, Var(c)=0
2) Si c es una constante Var(cX)=c2Var(X)
Sin embargo, aunque la varianza es una medida de dispersin, es difcil
interpretarla ya que sus unidades son cuadrticas, por ser el promedio de valores
elevado al cuadrado. sta dificultad se puede sortear tomando la raz cuadrada de
la varianza.
2) DESVIACIN ESTNDAR

Definicin
Si X es una variable aleatoria se define su desviacin estndar como la raz
cuadrada de la varianza; es decir:

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

13

Probabilidad

Variables Aleatorias

= Var (x)
3) COEFICIENTE DE VARIACIN

Definicin
Sea X una variable aleatoria. Se define su coeficiente de variacin como:
C.V .( X ) =

Mide la variacin promedio de la variable aleatoria alrededor de la media , como

una proporcin de la misma . Por lo tanto, es una medida adimensional.

Ejemplo 3.4.2.1

Cul es la variabilidad que tiene el nmero X de hijos varones en una familia de 3

hijos?.
Resolucin:
Sea V la variable aleatoria que representa el nmero de hijos varones en una
familia de 3 hijos.
RX = {0,1,.2,3}
La funcin de probabilidad de x es:
x
0
fX(x) 1/8

1
3/8

2
3/8

3
1/8

1 3 3 1 3
E(X)== xf X ( x) = 0 + 1 + 2 + 3 =
8 8 8 8 2
x
Entonces;

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

14

Probabilidad

Variables Aleatorias

3
Var ( X ) = E ( x 2 ) 2 = x 2 f X ( x)
2
x

3
1
3
3
1 3
= (0) 2 + (1) 2 + (2) 2 + (3) 2 =
4
8
8
8
8 2
3
= 2 =
4
Por lo tanto, la desviacin estndar es = 2 = Var ( X ) = 3 ; es decir, la
4
dispersin alrededor de la media es, en promedio, 3 / 2 hijos. Esto es:

C.V .( X ) =

3/2
3
=
3/ 2
3

Qu otras caractersticas tiene la distribucin de la variable aleatoria X?

Es simtrica? Veamos algunos parmetros de forma.
3.4.3 PARMETROS DE FORMA
1) COEFICIENTE DE SESGO
El coeficiente de sesgo es una medida del grado de asimetra de la distribucin de
la variable aleatoria X.
Definicin.
Sea X es una variable aleatoria. Se define su coeficiente de sesgo como:

a( X ) =

E[( x ) 3 ]

El coeficiente de sesgo se compara contra el cero para decidir acerca de la

asimetra de la distribucin.

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

15

Probabilidad

Variables Aleatorias

La distribucin es simtrica
= 0

a ( x) = > 0 La distribucin tiene sesgo positivo

< 0 La distribucin tiene sesgo negativo

Distribucin simtrica

Distribucin con sesgo

positivo

Distribucin con sesgo

negativo

2) COEFICIENTE DE CURTOSIS
El coeficiente de curtosis de una variable aleatoria X es una medida del grado de
apuntamiento de la distribucin.
Definicin.
Si X es una variable aleatoria, se define su coeficiente de curtosis como:
E[( x ) 4 ]
k(X ) =
4

El coeficiente de curtosis se compara contra el nmero 3 que es el coeficiente de

curtosis de una distribucin normal estndar. Si k(X) es mayor que 3 significa que
la distribucin es ms alta que la normal estndar. Esto es:

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

16

Probabilidad

Variables Aleatorias

= 3 La distribucin es mesocrtica

k ( x) = > 3 La distribucin es leptocrtica

< 3 La distribucin es platicrtica

Distribucin mesocrtica

Distribucin leptocrtica

Distribucin platicrtica

M.en I, Isabel Patricia Aguilar Jurez

UNAM-Facultad de Ingeniera

17