VARIABLES

ESTADSTICA I
AUTOR: Patricia Castillo Garzn

NDICE
NDICE

1. Variables aleatorias
2. Clases de variables aleatorias
3. Caractersticas de las variables aleatorias discretas, su funcin de probabilidad y de
distribucin acumulada
4. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de
distribucin acumulada
5. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de
distribucin acumulada
6. Varianza de una variable aleatoria discreta y continua

Acceso rpido

GENERALIDADES

DESARROLLO

REFERENCIAS
Este material pertenece al Politcnico
Grancolombiano y a la Red Ilumno. Por ende, son
de uso exclusivo de las Instituciones adscritas a
la Red Ilumno. Prohibida su reproduccin total
o parcial.

01 02
INTRODUCCIN

Ejemplo 1

En esta lectura trataremos el concepto de variable aleatoria y distribuciones de probabilidad. Un

aspecto importante en esta parte del mdulo es lograr diferenciar un evento de una variable
aleatoria; si recordamos, en matemticas nos explicaron el significado de variable: son
caractersticas de una situacin o contexto que se representan a travs de una letra y varan de
acuerdo con el valor que debe tomar cada una, segn en el contexto estudiado. Estas variables
las trabajamos en la primera parte de este curso y las organizamos en tablas y grficos
estadsticos, y en medidas representativas. Ahora, las vamos a trabajar como variables
aleatorias y distribuciones de probabilidad.

Determinemos la variable aleatoria en la siguiente situacin: de un grupo de personas se

selecciona al azar una persona y se mide su estatura.

RECOMENDACIONES ACADMICAS

2. Clases de variables aleatorias

Para una mejor comprensin del tema, se recomienda que inicialmente haga una lectura
detallada de cada uno de los contenidos. Siga la lectura con papel, lpiz y calculadora o ayuda
del computador para que aprenda a utilizar las frmulas dadas; no le gaste tiempo a memorizar
las frmulas, trate de comprender su razonamiento, la forma como la aplica y, sobre todo, la
interpretacin que le pueda dar al resultado obtenido. Recuerde que el uso de las funciones
estadsticas que tienen las calculadoras, o que encuentra en programas como el Excel, le
reducen el tiempo que gastara haciendo clculos aritmticos.

Las variables aleatorias se clasifican en dos tipos, las discretas y las continuas.

DESARROLLO DE CADA UNA DE LAS UNIDADES TEMTICAS

1. 4.1 Variables aleatorias.

Si estudiamos los ingresos de una empresa por la venta de impresoras, entonces, tanto estos
como el nmero de impresoras fabricadas se consideran variables porque cambian o varan: un
da se pueden vender 5 impresoras, otro da 9 y as sucesivamente; esa variacin en las
unidades de impresora vendidas hace que a su vez los ingresos cambien. Suelen usarse las letras
I y x para denotar, respectivamente, los ingresos y el nmero de unidades vendidas.
Ahora que hemos recordado el significado de variable, describamos intuitivamente el concepto
de variable aleatoria para luego presentar la definicin formal. Ya sabemos que una variable es
una caracterstica que toma valores que varan; si a esto le agregamos la palabra aleatoria
diremos que es una variable cuyos valores provienen de una caracterstica cuyo resultado no es
predecible. Ms precisamente:

El experimento aleatorio es seleccionar una persona del grupo, la caracterstica cuantitativa es

su estatura y la variable aleatoria es la medida de dicha estatura.
Debe resaltarse que un evento es simplemente una caracterstica de un experimento aleatorio
mientras una variable aleatoria es una caracterstica cuantitativa de un experimento aleatorio.

Una variable es discreta cuando sus valores se pueden contar y organizar

secuencialmente. Estas variables asumen valores finitos.
Una variable es continua cuando toma valores en un intervalo o en la unin de varios
de ellos. Al estar en un intervalo, una variable aleatoria continua puede asumir
valores infinitos.

En adelante
usaremos la letra X para indicar una variable aleatoria, ya sea discreta o
Ejemplo
2
continua.
Si consideramos el lanzamiento de 4 monedas, entonces, el nmero de veces que aparece cara
es una variable aleatoria. Determinemos la variable aleatoria, establezcamos los valores que
toma y luego averiguaremos si es discreta o continua.
El experimento aleatorio es el lanzamiento de cuatro monedas, la variable aleatoria es el
nmero de caras que resultan de lanzar las cuatro monedas. Los posibles resultados del
experimento son:
0 caras: al lanzar las monedas no cay ninguna cara.
1 cara: al lanzar las monedas cay solo una cara.
2 caras: al lanzar las monedas cayeron dos caras.

Una variable aleatoria es un valor numrico que corresponde a una

caracterstica cuantitativa de un experimento aleatorio.

POLITCNICO GRANCOLOMBIANO

3 caras: al lanzar las monedas cayeron tres caras.

ESTADSTICA I

4 caras: al lanzar las monedas todos los resultados fueron cara.

Nombremos entonces la variable aleatoria y sus valores:
X 0,1, 2,3, 4

Como esta variable toma valores finitos, ella es discreta.

Ejemplo 3
Si consideramos ahora la variable aleatoria peso, en toneladas, del arroz de las cosechas en
determinada regin, esta es continua porque sus valores se encuentran en un intervalo. Por
ejemplo entre 0 y 100 toneladas:

0 X 100

3. Caractersticas de las variables aleatorias discretas, su funcin de probabilidad y de

distribucin acumulada
Cuando una variable aleatoria es discreta a la regla que asigna a cada valor de ella, a su
probabilidad se le denomina funcin de probabilidad.

Esto significa la suma de las probabilidades de que X tome valores menores o iguales a uno
dado. Tambin es posible calcular la probabilidad de que X tome valores mayores (mayores o
iguales) a un nmero dado y menores (menores o iguales) a otro. Cuando esto suceda
tendremos que la probabilidad es la siguiente:

P(a X b) P( X b) P( X a)

P(a X b) P( X b) P( X a)

P(a X b) P( X b) P( X a)

P(a X b) P( X b) P( X a)

Ejemplo 4
Consideremos el nmero de caras que resultan al lanzar 4 veces una moneda y determinemos la
variable aleatoria, establezcamos su funcin de distribucin de probabilidad y su funcin de
distribucin acumulada.
X : nmero de caras que resultan al lanzar 4 veces una moneda.

Para determinar la probabilidad de cada valor de la variable aleatoria estableceremos por medio
de las tcnicas de conteo el nmero de elementos en el espacio muestral y el nmero de casos
exitosos en que podemos obtener cara.
Como en el primer, segundo, tercer y cuarto lanzamiento tenemos 2 opciones de resultado, cara
o sello, entonces utilizaremos el principio fundamental de conteo:

As, decimos que hay 16 posibles resultados en el espacio muestral.

Por otra parte, denominamos funcin de distribucin acumulada de la variable aleatoria X a la
probabilidad de que X sea menor o igual a un valor especfico de x y est dada por:

POLITCNICO GRANCOLOMBIANO

Por otra parte, para determinar el nmero de casos favorables de cada valor de la variable
aleatoria utilizaremos la tcnica de conteo de la combinatoria porque en un lanzamiento existen
4 posibilidades de que los resultados sean cara y necesitamos saber cuntos contienen 0, 1, 2, 3
y 4 caras.

ESTADSTICA I

X 0 : ningn resultado fue cara.

En este caso estamos obligando a que tres resultados se llenen en algn lanzamiento con un
solo elemento (cara).

X 4 : cuatro de los resultados fueron cara.

4

4!
4!
1 2 3 4
24

1
4! 4 4 ! 4! 0 ! (1 2 3 4)(1) 24

C
4

Con la anterior informacin podemos establecer la funcin de distribucin de probabilidad es:

De 4 elementos se formaron grupos que no contena a ninguno de ellos.
Ntese que con esto estamos indicando que solo un valor puede llenar el resultado de cada
lanzamiento (sello), por ende el nico grupo que no contiene ninguna cara es (s,s,s,s).

X 1 : uno de los resultados fue cara.

4

C
1

4!
1 2 3 4 24

4
1! 4 1 ! 1 2 3
6

De 4 elementos se formaron grupos con un elemento de ellos.

En este caso estamos obligando a que un resultado se llene en algn lanzamiento con un solo
elemento: cara.

X 2 : dos de los resultados fueron cara.

4!
4!
1 2 3 4 24

6
4C
2
2! 4 2 ! 2! 2 ! (1 2)(1 2) 4

En este caso estamos obligando a que dos resultados se llenen en algn lanzamiento con un solo
elemento (cara).

X 3 : tres de los resultados fueron cara.

4C
3

4!
4!
1 2 3 4 24

4
3! 4 3 ! 3!1! (1 2 3)(1) 6

P(0) P( X 0)

nmero de casos favorables

1

nmero de elemetos en el espacio muestral 16

P(1) P( X 1)

4
16

P(2)
P( X 2)

6
16

P(3) P( X 3)

4
16

P(4)
P( X 4)

1
16

Formemos ahora la tabla de distribucin de probabilidad:

Tabla 1. Distribucin de probabilidad
Valores de la variable
aleatoria

X x

Probabilidad del valor que toma la

variable aleatoria

P( X x)

0
1
2
3
4
Fuente: (elaboracin propia)

POLITCNICO GRANCOLOMBIANO

1
16
4
16
6
16
4
16
1
16

ESTADSTICA I

Con los datos de la tabla podemos determinar algunas probabilidades acumuladas y, as, con
ellas, crear una tabla de distribuciones acumuladas.
Probabilidad de que en el resultado de los lanzamientos ninguno sea cara.
P( X 0)

Organizando esta informacin en una tabla obtenemos:

Tabla 2. Distribuciones acumuladas

1
0.0625
16
Probabilidad

Probabilidad de que como mximo uno de los resultados sea cara. Esto significa que puede ser
que ningn resultado sea cara o que uno solo de los resultados sea cara.
P(0 x 1) P(0) P(1)

0 x2

0 x3

0 x4

0.3125

0.6875

0.9375

Fuente: (elaboracin propia)

1 4
5

0.3125
16 16 16

1. Probabilidad de que, a lo ms, en los resultados haya 2 caras. Esto significa que puede
que no haya ninguna, o que salga una o dos caras.
P(0 x 2) P(0) P(1) P(2)

0 x 1

1 4 6 11

0.6875
16 16 16 16

2. Probabilidad de que mximo en los resultados salgan 3 caras. En este caso, los resultados
pueden ser 0, 1, 2 o 3 caras.

P(0 x 3) P(0) P(1) P(2) P(3)

1 4 6 4 15

0.9375
16 16 16 16 16

De igual manera, nos podran pedir las probabilidades presentadas a continuacin. Observe los
signos y recuerde que significa ser menor pero no igual a; significa ser menor e igual a;
significa ser mayor pero no igual a; y significa ser mayor e igual a. Como ejercicio
interprete los enunciados y resultados:
4 6 4 14
P(1 x 4)
P(1) P(2) P(3)
0.875
16 16 16 16
P(1 x 3) P(1) P(2)
P(2 x 4) P(3)

4 6 10

0.625
16 16 16

4
0.25
16

P(1 x 4) P(2) P(3) P(4)

3. Probabilidad de que en los resultados haya mximo 4 caras:

4 6 4 14

0.875
16 16 16 16

Ejemplo 4
P(0 x 4) P(0) P(1) P(2) P(3) P(4)

1 4 6 4 1 16

1
16 16 16 16 16 16

Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea menor o
igual que 3?

P( X 3)
p( X
0) p( X
1) p( X
2) p( X
3)
p (0) p (1) p (2) (3)
1 4 6 4

16 16 16 16
15

16

POLITCNICO GRANCOLOMBIANO

ESTADSTICA I

10

La probabilidad de que a lanzar una moneda 4 veces el nmero de caras sea menor o igual que 3
es de un 0,9375.

Ejemplo 5
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que
2?

P( X 2) p( X 3) p( X 4)
p (3) (4)
4 1

16 16
5

16
Es posible resolver el ejercicio utilizando el concepto de complemento. Vemoslo:

P( X 2) 1 P( X 2)

1 ( P( X
0) P ( X
1) P ( X
2))

1 ( p (0) p (1) p (2))

1 4 6
1

16 16 16
11 5

16 16
As, la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2 es
0.3125 aproximadamente.

4. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de

distribucin acumulada
Cuando la variable aleatoria es continua a la regla que asigna cada valor de ella, a su
probabilidad se le conoce como funcin de densidad.

Si X es una variable aleatoria continua y existe una funcin f ( x) tal que:

1. f ( x) 0,
2.

f ( x)dx 1
b

3. P(a X b)
f ( x)dx
a

Entonces
funcin
de densidad
de probabilidad
de aleatoria
la variable
Cabe
resaltarsta
quese
endenomina
la definicin
se indica
que los valores
de la variable
estn entre
aleatoria
continua
X.
e pero en realidad seala que debe estar en un intervalo, no necesariamente el
mencionado.
Anlogamente al caso de la variable aleatoria discreta, la funcin de distribucin acumulada de
una variable continua X es la probabilidad de que X tome un valor menor o igual a algn x
especfico. En otras palabras,

P( X x) F ( x)

f (t )dt .

Una funcin de distribucin acumulada de una variable continua satisface las siguientes
propiedades:

1. F () 0
2. F () 1
3. P(a X b) F (b) F (a)
dF ( x)
f ( x)
4.
dx
5. P( X x) P ( X x) F ( x)

Ejemplo 6
Consideremos la concentracin, en miligramos, de amoniaco en un acuario.
X : cantidad de amoniaco en miligramos en un acuario.

11

POLITCNICO GRANCOLOMBIANO

ESTADSTICA I

12

La funcin de densidad de la variable aleatoria continua X no es tan sencilla de establecer como

en el caso de las variables discretas. Sin embargo, existen diversos motivos que llevan a
considerar esta funcin de densidad como una distribucin normal, que se estudiar ms
adelante, con 0 X 1 .
Para darnos una idea del significado de una distribucin normal vamos a considerar el siguiente
ejemplo, cuya distribucin se muestra grficamente (figura 1). Cuando una funcin de densidad
se grafica y tiene forma de campana, se dice que su funcin de probabilidad se distribuye
normal.

42 x(1 x)5
f ( x)
0

0 x 1
en otro caso

Cul es la probabilidad de que no ms del 25% de los accidentes automovilsticos sean fatales?
La pregunta que debemos responder es cul es el valor de P X 0.25 ?

P X 0.25

0.25

42

42 x(1 x)5 dx

0.25

x (1 x )5 dx
0.25

Ejemplo 7
Si se miden los tiempos de llegada de 100 000 clientes y se agrupan en 100 intervalos de 5
segundos cada uno, entonces la representacin grfica es la siguiente.

x 2 5 x3 10 x 4 10 x5 5 x 6 x 7
42

3
4
5
6
7 0
2
0.5551

De esta manera, concluimos que la probabilidad de que no ms del 25% de los accidentes
automovilsticos sean fatales es de 0.5551.
0,025
0,02

5. Caractersticas de las variables aleatorias continuas, su funcin de probabilidad y de

distribucin acumulada

0,015
0,01

Antes de dar la definicin de valor esperado para variables aleatorias discretas o continuas,
observemos el siguiente ejemplo que nos ilustra el significado del valor esperado de una
variable aleatoria discreta.

0,005
0

Tiempo de llegada
Figura 1. Distribucin Normal
Fuente: (elaboracin propia)

Como la grfica tiene forma de campana entonces podemos pensar que la funcin de densidad
es de tipo normal.
Ejemplo 8 (Canavos, 2003)
La variable aleatoria que representa la proporcin de accidentes automovilsticos fatales en
Estados Unidos tiene la siguiente funcin de densidad:

13

POLITCNICO GRANCOLOMBIANO

Consideremos un vendedor comisionista. Aunque el no tiene certeza de cul ser su comisin

espera que esta supere los $500 000 al finalizar el mes; este valor es lo que se conoce como el
valor esperado. Para tratar de verificar la obtencin de una comisin de $500 000, el
comisionista debera establecer una distribucin de probabilidad, multiplicar cada resultado del
experimento por su probabilidad y sumar los resultados. Si esta esperanza coincide o supera los
$500 000, podra decir que con seguridad lograr dicha comisin.
Existen diversos contextos que nos conducen a la toma de decisiones, de forma que estas nos
lleven a una situacin favorable sin conocer con certeza el resultado del fenmeno o situacin
estudiada. Estas decisiones se toman con base en la esperanza o valor esperado de la variable
aleatoria analizada.

ESTADSTICA I

14

Ganancia

esperada $60 000 000 0.3 $6 000 000 0.7

Ejemplo 9

$13 800 000

Analicemos la siguiente distribucin de probabilidad del vendedor comisionista.

Sitio B

Tabla 3. Distribucin de probabilidad, ejemplo 9

Comisin

$0

$200 000

$400 000

$600 000

P(sacar petrleo)
0.4
P(no sacar petrleo)
0.6

Probabilidad

0.02

0.4

0.18

0.4

Ganancia

esperada $40 000 000 0.4 $6 000 000 0.6

Fuente: (elaboracin propia)

El valor esperado de la comisin para el vendedor es:

Ganancia
$40 000 000
Prdida
$6 000 000

$12 400 000

As concluimos que es mejor perforar inicialmente el sitio A porque se espera que la ganancia
sea mayor que en el sitio B.

Comisin esperada
0 0.02 200000 0.4 400000 0.18 600000 0.4
392000

Con este resultado podemos decir que nuestro vendedor comisionista no podr obtener la
comisin de $500000 que esperaba a este nivel de venta.

Con base en lo anterior, el valor esperado de una variable aleatoria discreta se calcula de la
siguiente manera:

E ( X ) xp( x)
x

Ejemplo 10

Si una variable aleatoria es continua entonces su valor esperado se calcula as:

Una empresa petrolera ha elaborado un estudio y tiene dos posibles lugares donde perforar
para encontrar petrleo. Dado que una perforacin resulta costosa por la mano de obra y la
maquinaria utilizada, la empresa debe escoger uno de los dos lugares para perforar inicialmente.
Si la posibilidad de extraer petrleo en el sitio A es del 30% y del sitio B del 40%, pero se calcula
que A producir una ganancia $60 000 000 en caso de encontrar petrleo y una prdida de
$6 000 000 en caso de no encontrar, mientras B producir una ganancia de $40 000 000 si se
halla petrleo y una prdida de $6 000 000 en caso contrario, determinemos dnde deber
perforar primero la compaa.

15

Ejemplo 11 (Canavos, 2003)

Calculemos el valor esperado de la variable aleatoria proporcin de accidentes fatales en los
Estados Unidos del ejemplo 10.
Dado que esta variable aleatoria es continua porque sus valores se encuentran en un intervalo,
debemos utilizar una integral para calcular su valor esperado. Veamos:

Sitio A
P(sacar petrleo)
0.3
P(no sacar petrleo)
0.7

E ( X ) xf ( x)dx

Ganancia
$60 000 000
Prdida
$6 000 000

POLITCNICO GRANCOLOMBIANO

ESTADSTICA I

16

Tabla 4. Varianza de la variable aleatoria, ejemplo 9

E ( X ) xf ( x)dx
0

42 x (1 x) dx
42 x (1 x) dx

Comisin

$0

$200 000

$400 000

$600 000

Probabilidad

0.02

0.4

0.18

0.4

x3 5 x 4 10 x5 10 x 6 5 x 7 x8
42

4
5
6
7
8 0
3
0.25
Luego se espera que un 25% de accidentes en los Estados Unidos sean fatales.

La varianza de una variable aleatoria es una medida de dispersin de la distribucin de

probabilidad de esta (Canavos, 2003).

En el caso de una variable aleatoria discreta la varianza se determina as:

Var

( X ) E ( X 2 ) E ( X )

x
x

p ( x) xp ( x)
x

Dado que E ( X ) 392 000 , solo necesitamos hallar E ( X 2 ) para encontrar la varianza.
E( X 2 )
(0) 2 (0.02) (200000) 2 (0.4) (400000) 2 (0.18) (600000)2 (0.4)
188800000000000

Aplicando la expresin que permite calcular la varianza obtenemos:

6. Varianza de una variable aleatoria discreta y continua

Fuente: (elaboracin propia)

Var

( X ) E ( X 2 ) E ( X )

188800000000000 (392000)2
351360000000000
Esta varianza al sacar la raz nos indica qu tan alejados estn los datos de la media de ellos; por
lo tanto, tenemos que:

Var ( X )

351360000000000 187 445,9922

En otras palabras, los datos o las comisiones estn a $187 445,9922 de diferencia del promedio
o de la media de las comisiones.

Y cuando la variable aleatoria es continua calculamos su varianza de la siguiente manera:

Var

( X ) E ( X 2 ) E ( X )

x f ( x)dx xf ( x)dx

A la raz cuadrada de la varianza de una variable aleatoria se le conoce como

desviacin estndar o error tpico.

Ejemplo 12
Consideremos el ejemplo 9 y calculemos la varianza de la variable aleatoria comisin:

17

POLITCNICO GRANCOLOMBIANO

ESTADSTICA I

18

04
REFERENCIAS

Textos

19

Canavos, G. C. (2003). Probabilidad y estadstica aplicaciones y mtodos. Mexico: Mc

Graw Hill.

POLITCNICO GRANCOLOMBIANO

ESTADSTICA I

20

POLITCNICO GRANCOLOMBIANO - 2016