Variables Aleatorias

Introducción
Se puede pensar en una variable aleatoria como un valor o una
magnitud que cambia de una presentación a otra, sin seguir una
secuencia predecible. Los valores de una variable aleatoria son los
valores numéricos correspondientes a cada posible resultado de un
experimento aleatorio. Una variable aleatoria asocia un número o más
generalmente una característica a todo resultado posible del
experimento.

Ejemplos:

X= valor medido de la concentración de azúcar en un producto

perecible.
Y= duración de vida de un monitor de una computadora hasta el fallo.
Z= número de televisores fallados por lote de producción mensual.
S= cantidad entre la muestra de diez componentes que no duran 1000
horas.
T= peso total de equipaje de una muestra de 25 pasajeros de una
aerolínea).
• Suele designarse el nombre de la variable con una letra
mayúscula, por ejemplo X.
• La correspondiente letra minúscula x indica un valor posible,
aunque desconocido, de esta variable.
• A un mismo experimento aleatorio pueden asociarse diversas
variables aleatorias, dependiendo de la observación que
realicemos.

Ejemplo

Así cuando se arrojan dos dados la variable aleatoria puede ser

la suma de las puntuaciones, su producto, la mayor puntuación,
etc. Lógicamente, en cada uno de estos casos también variará el
espacio muestral asociado .

Hay dos tipos de variables aleatorias, variables aleatorias discretas y

variables aleatorias continuas.
Definición
Una v.a. es una función que asigna a cada punto del espacio muestral
un número real

X:Ω R
Ejemplo:

ε: Estado de las unidades producidas en un proceso de fabricación

Ω ={ falla , no falla }
X({no falla}) = 0
X({falla}) = 1
El concepto de variable aleatoria permite pasar de los resultados
experimentales a una función numérica de los resultados.
ε: Estado de las unidades producidas en un proceso de fabricación

Ω A cada s ∈ Ω
le corresponde
Espacio Muestral exactamente
falla un valor X(s)
no falla

X({no falla}) = 0 X({falla}) = 1

Conjunto
IR Números
Reales
−∞ 0 1 +∞

X:Ω Rx ∈ IR
Observaciones

si
Ω A X(s) = b; s ∈ Ω
sk

X(s) = a
RX

a b

• El espacio RX es el conjunto de TODOS los posible valores de X(s).

• En cierto sentido podemos considerar Rx como otro espacio muestral
• El espacio muestral original Ω “induce” un espacio muestra Rx asociado a
la Variable Aleatoria X
• Luego un evento A en Ω induce un evento Ax en el espacio muestral RX
 Ejemplo:

X: Número de caras al lanzar 3 monedas.

Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral

Ley de
correspondencia

Nº reales
(# de caras) 0 1 2 3 caras

Establecer una variable aleatoria para un X :E →ℜ

experimento aleatorio no es más que una
manera de asignar de "manera natural" w → X ( w)
números a los eventos.
 Eventos de interés

si
A X(s) = b; s ∈ Ω
sk

X(s) = a
RX

a b
( a<x<b )
Nótese que ( a<x≤b ] En el caso de un
para cada par [ a≤x<b ) solo número:
de números
[ a≤x≤b ] X=a o X=b
reales a y b
existen los -∞ x<b )
siguientes -∞ x≤b ]
conjuntos: ( x>a ∞
( x≥a ∞
 Función de Probabilidad
• El concepto de Probabilidad de ocurrencia de eventos en el
espacio muestral Ω se puede aplicar a eventos en RX.

0 ≤ P(X(s) = x ) = f(x) ≤ 1
f(x)
1

Ω f: R [0, 1]

RX
0

s X(s) = x

X: Ω RX
 Variable Aleatoria Discreta
• Sea X una variable aleatoria.

• Si el número de posibles valores de X (esto es su RX).

- Es finito (contable) o.
- Es contablemente infinito (numerable).
• Entonces llamamos a X una variable aleatoria discreta.

• Esto es, los posibles valores de X pueden ser listados.

x1, x2, x3, ...., xn, .....

- En el caso contable la lista es finita.

- En el caso numerable la lista es infinita contable
 Función de Probabilidad o Cuantía
A cada resultado posible xi se asocia un número f(xi) = P(X(s) = xi)
llamado la probabilidad de xi Los f(xi) deben satisfacer

• 0 ≤ f(xi) ≤ 1; i = 1, 2, 3, ... , n

f(xi)
• Σ f(xi) = 1
∀i

El conjunto de pares (xi, f(xi)) se le

denomina Función o Distribución de
Probabilidad o Cuantia.

x
x1 x2 x3 x4 x5 x6 xn
Ejemplo:
ε: Lanzar dos monedas legales
X: Número de caras que aparecen

Valores Probabilidad
Z 0 1/4 = 0.25

1 2/4 = 0.50
Z
2 1/4 = 0.25
Z Z
p : ℜ → [0,1]
X :E →ℜ x → p( x) = P( X = x)
w → X ( w)
Observa que aun si el espacio muestral es infinito
numerable, también podemos definir una variable aleatoria
discreta y una función de probabilidad.

Ejemplo
Sea X = Número de lanzamientos de una moneda antes de
que aparezca una cara.

Entonces:
P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 .
1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1,2,….

Demuestra que está normalizada.

Ejemplo
Sea el experimento “lanzar dos dados”. Definamos el espacio muestral
Ω como:

Ω = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como:

con S = {2,3,...,12} la suma de puntos. Una posible función de

probabilidad es:

f : ℜ → [0,1]
f (2) = P(X = 2 ) = P( (1,1) ) = 1/ 36
f (3) = P(X = 3 ) = P( (1,2) ∪ (2 ,1) ) = 2 / 36
f (4) = P(X = 4 ) = P( (1,3) ∪ (3,1) ∪ (2,2) ) = 3 / 36
...
Función de probabilidad de la variable aleatoria X en el ejemplo anterior

6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre positiva y está

normalizada.
Función de Distribución v.a. Discreta

En nuestro ejemplo de los dos dados:

F(5) = P(X ≤ 5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

 Gráfico de la FDA v.a. Discreta
F(x)
F(x) = 0 x < x1
1
1
= Σ f( xi )
i=1
x1 ≤ x < x2
2

= Σ f( xi )
i=1
x2 ≤ x < x3
3

= Σ f( xi )
i=1
x3 ≤ x < x4
4

= Σ f( xi )
i=1
x4 ≤ x < x5

0
P(X=x5) = f(x5) Función de Probabilidad de “masa”
Función de Frecuencia

x
x1 x2 x3 x4 x5 x6 xn
 Propiedades FDA v.a. Discreta

F (+∞) = lim F ( x) = lim P( X ≤ x) = P (Ω) = 1

x → +∞ x → +∞

F (−∞) = lim F ( x) = lim P( X ≤ x) = P(∅) = 0

x → −∞ x → −∞

P( x1 < X ≤ x2 ) = F ( x2 ) − F ( x1 )

F es monótona creciente.

F es continua por la derecha: la probabilidad de que la

variable aleatoria discreta X tome un valor concreto es igual
al salto de la función de distribución en ese punto.
Ejemplo
Función de distribución de la variable aleatoria X : suma de puntos

F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
Observación
Algunos problemas de probabilidad están relacionados con la
probabilidad P(a <X ≤ b) de que X asuma algún valor en un intervalo (a,
b]. En este caso tenemos que:

P(a < X ≤ b) = F(b) - F(a)

Para demostrarlo observa que, como los sucesos

X ≤ a y a< X ≤ b son mutuamente excluyentes, entonces:

F(b) = P(X ≤ b) = P(X ≤ a) + P(a < X ≤ b) = F(a) + P(a < X ≤ b)

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

Ejemplo
En el caso de los dos dados, la probabilidad de que los dos dados sumen
al menos 4 pero no más de 8:
P(3 < X ≤ 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
Ejemplo

Dibuja la función de probabilidad f(x) y la función de distribución F(x) de

una variable discreta definida como: X = Número en la cara de un dado.

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno con

probabilidad 1/6

1 1
6
F(x)
f(x) 0.
5

0 1 6 x 0 1 6 x
Función de probabilidad f(x) Función de distribución F(x)
Ejemplo
En ocasiones algunas líneas aéreas venden más pasajes que los disponibles
en un vuelo. Una compañía ha vendido 250 boletos que corresponden a un
avión de 200 plazas. Sea X la variable aleatoria que expresa el número de
viajeros que se presentan en el aeropuerto para tomar el vuelo. La
distribución de X es:

a) Calcula la probabilidad de que todos los pasajeros que llegan a tomar el

vuelo tengan plaza.
b) Calcula la probabilidad de que se quede sin plaza alguno de los viajeros
c) Calcula la probabilidad de que lleguen al aeropuerto entre 195 y 200
pasajeros
Solución
Ejemplo
Se lanza una serie de cohetes hasta que el primer lanzamiento sea
exitoso. Si esto no ocurre en 5 ensayos el experimento se detiene.
Suponga que hay una probabilidad constante de 0.9 de tener un
lanzamiento exitoso y los ensayos son independientes. El costo del
primer lanzamiento es K u.m. mientras que los lanzamientos
siguientes cuestan K/3 u.m. Si T es el costo del experimento,
encuentre la distribución de probabilidades de T.

Soluciòn
Esperanza Matemática de una v.a. Discreta

µ = E ( X ) = ∑ xi P( X = xi ) = ∑ xi p ( xi )
i i

X P(X) XP(X)
Siempre que no genere
-.1 ambigüedad pasaremos
-1 .1
de arrastrar la variable
0 .2 .0 aleatoria: en vez de
1 .4 .4 poner
2 .2 .4 X = xi ponemos
3 .1 .3 directamente xi.
1.0
Ejemplo

Calcular el puntaje promedio esperado al lanzar dos dados

11
µ = E ( X ) = ∑ xi p ( xi ) =
i =1

1 2 6 1
⋅ 2 + ⋅ 3 + ... + ⋅ 7 + ... + ⋅12 = 7
36 36 36 36
Ejercicio
Sean a, b y c constantes. Demuestra que:
(1) E (c ) = c
(2) E ( p1 ( x) + p2 ( x)) = E ( p1 ( x)) + E ( p2 ( x))
(3) E ( aX + b) = aE ( X ) + b

Solución

(1) µ = E (c ) = 1⋅ c = c
(2) E ( p1 ( x) + p2 ( x) ) = ∑ xi ( p1 ( X = xi ) + p2 ( X = xi ) ) =
i

∑ x p ( X = x ) + ∑ x p ( X = x ) = E ( p ( x) ) + E ( p ( x) )
i
i 1 i
i
i 2 i 1 2
Observación

Si la esperanza matemática es 0 se dice que el juego es justo.

Si es mayor que 0 se dice que el juego es favorable al jugador.

Si es menor que 0 se dice que perjudica al jugador y no es favorable.

Ejemplo

Sea el juego que consiste en sacar una bola de una urna que contiene
7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extraída es
roja y pagamos 150 euros en el caso de que sea negra. ¿Qué podemos
esperar si jugamos muchas veces?
Solución
Espacio muestral Ω = {R, N}. Consideramos las
ganancias como positivas y las pérdidas negativas:

v.a. X v.a G Función de probabilidad

R 50 0,7

N -150 0,3

µ = 50 ⋅ 0,7 + (−150) ⋅ 0,3 = −10

Ganancia media
Ejemplo

Una compañía de seguros domésticos tiene que determinar el gasto

medio por póliza suscrita, sabiendo que cada año 1 de cada 10000
pólizas termina en una reclamación de 20 millones, 1 de cada 1000 en
5 millones, 1 de cada 50 en 200.000 y el resto en 0.

Solución

 1   1 
µ =  2 ⋅10 ⋅
7
 +  5 ⋅10 ⋅
6
+
 10000   1000 
 1   9789 
+  2 ⋅10 ⋅  +  0 ⋅  = 11000
5

 50   10000 

Gasto medio
Ejemplo
Una compañía de refrescos anuncia premios en las chapas
asegurando que cada mil chapas hay 500 con “inténtelo otra vez” ,
300 con premio de 5 u.m. , 150 con premios de 10 u.m. , 40 con
premios de 50 u.m. , y 10 con premios de 100 u.m. Un individuo
compra una botella cuyo costo es de 10 u.m. Caracterizar su
ganancia mediante una variable aleatoria. ¿Es razonable su
decisión? Calcular su probabilidad de perder dinero.
Solución
Momento de orden k de una variable aleatoria discreta

De forma más general podemos definir la esperanza matemática o

media no solo para una variable aleatoria X, sino para cualquier función
T(X) como:

µ = E (T ( X ) ) = ∑ T ( xi ) p ( xi )
i

Tomando como casos particulares a las funciones:

T ( X ) = X k ; k = 1, 2, 3, ...

obtenemos los momentos de orden k centrados en el origen:

mk = E ( X k ) = ∑ xik p ( xi )
i
Y tomando como casos particulares a las funciones:

T ( X ) = ( X − µ ) k ; k = 1, 2, 3, ...

obtenemos los momentos de orden k centrados en la media de X:

M k = E (( X − µ ) k ) = ∑ ( x − µ ) k p ( xi )
i

Observa que:

m1 = E ( X ) = µ
M1 = E( X − µ ) = E( X ) − µ = 0
Varianza y desviación estándar o típica de
una variable aleatoria discreta

Varianza

σ 2 = Var ( X ) = M 2 = E (( X − µ ) 2 ) =
∑ i
(
i
x − µ ) 2
P ( X = xi )

Desviación estándar o típica

σ = Var ( X )

Ambas miden la “dispersión de los datos”. Observa que la desviación

típica lo hace con las mismas unidades que los propios datos.
Ejemplo

X −µ ( X − µ ) ( X − µ ) ⋅ P( X )
2 2
X P(X)

-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2

σ 2 = ∑ ( xi − µ ) 2 P ( xi ) = 1,2
i

σ = Var ( X ) = 1.10
Ejemplo

Calcula la varianza y desviación típica de la variable

aleatoria X en el ejemplo de los dos dados:

11º
Var ( X ) = ∑ p( xi ) ⋅ ( xi − 7) 2 =
i =1

1 2 1
⋅ (2 − 7) + ⋅ (3 − 7) + ... + ⋅ (12 − 7) 2 = 5,83
2 2

36 36 36

σ = Var ( X ) = 5,83 = 2,41

Ejemplo

Calculamos la media y varianza de la variable de la variable número de viajeros

es decir, se esperan 201 viajeros para tomar el vuelo.

Para la varianza calculamos previamente E(X2),

por lo tanto
 Algunas propiedades de la varianza

1.
Var ( X ) = σ 2 = ∑ ( xi − µ ) 2 p ( xi ) =
i

∑ i + µ − 2 µxi ) p ( xi ) =
22
( x
i

∑ i + µ − 2 µ ∑ xi p ( xi ) =
2 2
x p ( xi )
i i

E ( X ) + µ − 2 µ = E ( X ) − ( E ( X ))
2 2 2 2 2

σ 2 = E ( X 2 ) − ( E ( X )) 2
2. Si a y b son constantes , entonces,

V (aX + b) = a 2V ( X )

3. Si X e Y son variables aleatorias y a, b son constantes reales,

entonces,

V (aX ± bY ) = a 2V ( X ) + b 2V (Y ) sólo si X e Y son indep

.
Ejercicio
 Variables Aleatorias Continuas

• Cuando el experimento ε se realiza sobre un espacio muestral

Ω que está relacionado con escalas intervalares (tales como
mediciones de distancias, volúmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)

• Ya que los posibles valores de X en un intervalo, a < x < b,

son infinitos - no enumerables - no podemos hablar del
i-ésimo valor de X = xi; En tales casos se habla se Variables
Aleatorias Continuas, donde Rx es un intervalo o un conjunto
de intervalos; entonces existe una función continua especial

f(x) = función de densidad de probabilidad

Función de Probabilidad v.a. Continua
Sea X una variable
aleatoria continua. La
función densidad de
probabilidad (fdf) es una f(x) A: un evento
función que satisface:

Propiedades:

a b x
f(x) > 0; ∀ x ∈ Rx ∈ −∞, +∞
A: { x| a < x ≤ b)

∫ f(x) dx = 1
b

Rx
P(A) = P(a < x < b) =
∫ f( x ) dx
a
Observaciones b

1. P ( a ≤ x ≤ b) = ∫ f ( x) dx
a x

2. F ( x) = P ( X ≤ x) = ∫ f (t )dt
−∞
3. F (-∞) = 0 ; F (∞) = 1 b
f(x) A = ∫ f ( x)dx
4. Fx es no decreciente a

5. E [ X ] =
∫ xf ( x)dx
|R
a b x

6. V [ X ] = ( x − E [ X ]) f ( x) dx
∫
2

R
 Función de Distribución Acumulada

Si X es una variable aleatoria, la Función de Distribución Acumulada

mide la probabilidad de un suceso en un intervalo de valores:

F(x) = P(X ≤ x)

Si X es una v.a. Continua

x
F(x) = ∫ f(t) dt
-∞

Donde la sumatoria es
reemplazada por una
integración para todos los
valores de t ≤ x
Propiedades

1. lim F(x) = 0 ∧ lim F(x) = 1

x→-∞ x→+∞
2. Luego P(] -∞ , x ]) = F(x) define una Probabilidad

Además: P( ]a,b] ) = F(b) - F(a)

P( [a,b] ) = F(b) - F(a-)
P( ]a,b[ ) = F(b-) - F(a)
P( [a,b[ ) = F(b-) - F(a-)

3. dF ( x)
= f ( x)
dx
Ejemplo
Sea X una variable aleatoria continua que puede tomar cualquier valor entre a
≤ x ≤ b; cuya pdf es:
1 a≤ x≤b
f (x ) =
b−a

f(x)
0,2
Sea a = 3; b = 12
A: el evento { 4 < x < 7 }
0,1

Entonces:
7
x

∫
0,0 1
2 3 4 5
a
6 7 8 9 10 11 12
b
P(A) = P(4 < x < 7) = 9 dx

min máx 4
1
P(A) = 3
Ejemplo
Supongamos que X tiene como función densidad a f(x) = 0.75(1-x2), si
-1≤ x ≤1 y cero en otro caso. Encuentra
a) La función de distribución
b) Las probabilidades P(-1/2 ≤ X ≤ 1/2) y P(1/4 ≤ X ≤ 2).
c) x tal que P(X ≤ x) = 0.95

Solución

a) Función de distribución

F(x) = 0 , si x ≤ -1
x
F ( x) = 0.75 ∫ (1 − v 2 )dv = 0.50 + 0.75 x − 0.25 x 3 , si - 1 < x ≤ 1
−1
F(x) = 1 , si x >1.
b) Probabilidades
1
2

P(− 12 ≤ X ≤ 12 ) = F ( 12 ) − F (− 12 ) = 0.75 ∫ (1 − v 2 )dv = 0.6875

− 12

1
P( X 2) F (2) F ( 4 ) 0.75∫ (1 v )dv = 0.3164
≤1
4≤ = − 1
= − 2

1
4

c) Probabilidad inversa

P( X ≤ x) = F ( x) = 0.5 + 0.75 x − 0.25 x 3 = 0.95 ⇒ x ≈ 0.73

Ejemplo: (Córdova, 2003)
Solución
 Momentos de orden k centrados en el
origen y en la media.

Momentos de orden k

Observa que para k = 2: σ2 = E((X - µ)2)

 Otras valores típicos o medidas del valor
central
Mediana:

 x( N +1) / 2 si N es impar
xmed ≡
1 / 2( x N / 2 + x( N +1) / 2 ) si N es par Discreto.

F ( xmed ) = P( X ≥ x) = P( X ≤ x) = 0.5 Continuo.

Moda : es el valor para el cuál la distribución toma su máximo absoluto.

Mo = x0

x0
Los momentos de orden superior son menos robustos y, por lo tanto, menos utilizados
3er momento: describe la asimetría de la distribución.

Asimetría (skewness)
∑i =1 i
N
1 ( x − x ) 3

m3 ≡
N σ3

∞
m3 ≡ ∫ ( x − x ) 3 f ( x)dx
−∞

4o momento: describe el aplanamiento de la distribución.

∑
N
Kurtosis 1 ( x − x ) 4 ∞
m4 ≡ i =1
m4 ≡ ∫ ( x − x ) 4 f ( x)dx
i

N σ4 −∞

Se suele medir en una escala que toma 3

como su cero, ya que éste es el valor de la
kurtosis de una distribución normal estándar
Ejemplo
Ejemplo

Solución

Probabilidad inversa
Ejemplo
El número de artículos vendidos en una fábrica cada mes (en millones) es
una variable aleatoria con función de densidad:

a. Calcula el valor de k para que f (x) sea una función de densidad.

b. Obtén la función de distribución de X..
c. Calcula la probabilidad de que en un mes se supere una venta de 0.8
(millones).
d. Calcula la probabilidad de que en un mes el número de ventas esté
comprendido entre 0.6 y 0.8 (millones).
e. Si se quiere tener una garantía del 95% de que no se agote el producto en
un mes determinado, ¿qué cantidad c del mismo debe pedirse a fábrica?.
Solución
Ejemplo
Calculamos la media y varianza de la variable número de artículos vendidos
Ejercicio
El control de la calidad de ciertos productos se realiza contando el número
de defectos por unidad y comprobando si dicho número está comprendido
entre ciertos límites llamados límites de control. Si el número de defectos
por unidad en cierto proceso de fabricación es una variable aleatoria X con
función masa de probabilidad dada por:

a) Determina el número medio de defectos por unidad

b) Si los límites de control vienen dados por Límite inferior de control:
λ − 3√λ y Límite superior de control: λ+3√λ. siendo λ = E[X], y se
considera que el proceso está bajo control estadístico cuando el
número de defectos que se van observando en una muestra de
unidades está comprendido entre dichos límites.
- Calcula la probabilidad de que una unidad de producción no caiga
entre los límites de control.
- Calcula la probabilidad de que en una muestra de 5 unidades, al
menos 1 no caiga entre los límites de control.
.
Ejercicio
El tiempo necesario en milisegundos para completar una reacción química
está aproximado por una función de distribución dada por:

a) Obtén la función de densidad.

b) Calcula el tiempo esperado para completar la reacción.
c) Calcula el porcentaje de reacciones completas antes de 200
milisegundos.
Ejercicio
El espesor de un recubrimiento conductor (en micrómetros) tiene una
función de densidad dada por

a) Obtén la función de distribución.

b) Calcula la probabilidad de que el espesor sea inferior a 110 µm
c) Calcula la probabilidad de que el espesor esté comprendido entre 115 y
118 µm.
d) Si el costo promedio del recubrimiento es de 0.5 euros por micrómetro de
espesor en cada pieza, ¿cuál es el costo promedio del recubrimiento por
pieza?.