Variables aleatorias:

Es una función que asocia un número real con cada uno de los elementos de un espacio muestral. Es
decir que un resultado observado de un experimento está contenido en su espacio muestral y en una
variable aleatoria. Recordar que una variable puede ser cuantitativas o cualitativas.

Recorrido (Rx): es el conjunto de todos los valores posibles que puede tomar la variable aleatoria,
independientemente si es cuantitativa o cualitativa siempre debe de tener un recorrido cuantitativo.
(ejemplo: supongamos que se lanzan dos monedas, entonces las opciones pueden ser cara o escudo, en
el supuesto que la variable aleatoria de estudio es el número de caras se sabe que no es una variable
cuantitativa pero su recorrido puede realizarse usando la cantidad de caras que pueden obtenerse
Rx={0, 1, 2}).

Las variables aleatorias pueden ser:

Unidimensionales: es cuando solo interesa observar solo una característica del espacio muestral (como
el ejemplo del recorrido).

Bidimensionales: es cuando interesan 2 características de un espacio muestral, puede haber división de

hasta n-dimensiones. (Ejemplo: Alguien realiza un estudio de él tipo de carro favorito (X) y el color
favorito (Y)).

Las variables aleatorias se clasifican en discretas y continuas.

 Variables discretas: se considera discreta si su recorrido se identifica como un conjunto de valores

que son numerablemente finitos o infinitos. (ejemplo: Rx= {0, 1, 2}).

Cuando las variables son discretas unidimensionales se realiza una tabla como el siguiente ejemplo. Si
se lanzan 3 monedas y X se denota la variable del número de caras, determine la probabilidad de cada
evento. En este caso se determina el recorrido Rx= {0, 1, 2, 3}, este se coloca en la primera columna y
en la segunda las probabilidades.
Rx Probabilidad P(X)
0 1/8
1 3/8
2 3/8
3 1/8

Cuando las variables son discretas bidimensionales se unifica un Rx y una variable X común, como el
siguiente ejemplo. Suponga que para hacer dieta necesita consumir a lo mucho 3 vitaminas y 2
minerales, entonces se utiliza un sistema de pares ordenados para unificar las 2 variables en una solo
variable X será equivalente al consumo total. El espacio muestras de pares ordenados está dado por
S={ (0,0), (0,1),(0,2),(1,0),(1,1),(1,2),(2,0),(2,1),(2,2),(3,0),(3,1),(3,2)} pero como se unifico la variable como
X= consumo total, entonces como máximo de consumo es de 5 y el Rx={0, 1, 2, 3, 4, 5}.

Jonathan Efren Alvarez Cacacho1

 Esperanza y varianza de variables discretas: la esperanza es un promedio ponderado de los posibles
valores que puede llegar a tener la variable X. Tiene como medida de ponderación las probabilidades de
ocurrencia de X. Es la suma de la multiplicación de cada elemento del recorrido con su probabilidad de
ocurrencia.
𝐸(𝑥) = ∑ 𝑥 ∗ 𝑝(𝑥)
La varianza continúa siendo un estimador de dispersión pero enfocado a la variable aleatoria X respecto
de su esperanza, mide el grado de concentración de los valores de X. La desviación estándar se obtiene
como la raíz de la varianza.

𝑉(𝑥) = 𝐸(𝑥 2 )-[𝐸(𝑥)]2

Cuando lo que se espera es ganar o perder efectivo entonces para determinar la esperanza la
columna de Rx no se toma en cuenta como la variables X, si no en su lugar es la cantidad de dinero que
se espera ganar(con signo positivo) o que se espera perder (signo negativo). Suponga que una caja
contiene 3 bolas negras y 7 blancas, si extrae una bola negra se gana Q.2.00 y si extrae una bola
blanca pierde Q.1.00, Para determinar la esperanza se realiza la siguiente tabla y los valores de X lo
toman la ganancia o pérdida. (*nota: cuando solo se realiza un ensayo o extracción el Rx no
necesariamente tiene que quedar en términos numéricos).

X P(x) Ganancia/Perdida
Negra 3/10 +2
Blanca 7/10 -1

E(x)= [(+2) (3/10)] + [(-1) (7/10)] = -0.10 R/ Se esperaría que pierda Q0.10

Jonathan Efren Alvarez Cacacho2

  Distribuciones de probabilidad de variables unidimensionales discreta:
Distribución
Binomial: el experimento de n
ensayos o intentos que se fijan antes
del experimento. Pueden haber 2
resultados uno de éxito(S) y uno de
falla (F). Los ensayos deben ser
independientes, es decir que la
probabilidad de éxito debe ser
constante de un ensayo a otro.
La binomial también trabaja con la
teoría de subconjuntos comúnmente
cuando se mención “o” significa una
suma de binomiales.
Binomial negativa: el interés ahora
es determinar la probabilidad de que
ocurra un k-éxito en la x-esima
prueba. Requiere independencia.
Geométrica: el interés es conocer
la probabilidad del número de prueba
en que ocurre el primer éxito.
Requiere independencia también
conocida como Pascal.
Formula distribución/Esperanza/Varianza Ejemplo:
𝑏(𝑥; 𝑛, 𝑝) = (𝑛𝐶𝑥) ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
Donde:
nCx: es una combinación.
n: es el número de ensayos o intentos.
x: es el número de éxitos que se buscan. .Determina la probabilidad de
p; es la probabilidad de éxito. obtener 2 caras al lanzar una
moneda 3 veces
𝐸(𝑋) = 𝑛 ∗ 𝑝 n=3 intentos
x= 2 caras (éxito).
𝑉(𝑋) = 𝑛 ∗ 𝑝 ∗ 𝑞 p= 1/2
Por la teoría de subconjuntos en algunos casos se puede
trabajar como sumatoria. Por ejemplo que se desea b= (3𝐶2) ∗. 52 ∗ (1 − 0.5)3−2
saber la probabilidad de que por lo menos 10 de 12 = 3/8
licuadoras funcionen:
12
𝑏(𝑥 ≥ 10; 𝑛, 𝑝) = ∑(𝑛𝐶𝑥) ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
10
Determinar la probabilidad de
que en el tercer lanzamiento de
Donde: una moneda caiga cara por
x; es el número de ensayos o intentos. segunda vez.
k; es el número de éxito que se busca.
p: es la probabilidad de éxito. x: 3 lanzamientos.
q: es el equivalente a (1-p). k= 2 (el segundo éxito de cara).
p= 0.5
𝐸(𝑋) = 𝑘/𝑝 q= 1-0.5=0.5
𝑘𝑞 b*= 2C1*0.52 ∗ 0.5= 1/4
𝑉(𝑋) =
𝑝2
𝑔(𝑥; 𝑝) = 𝑝𝑞 𝑥−1
Determinar la probabilidad de
Dónde: que en el tercer lanzamiento se
x: es el número de ensayo donde ocurre el primer éxito. obtenga la primera cara.
p: probabilidad de éxito. p= 0.5
q: es el equivalente a (1-p). q=0.5
𝐸(𝑋) = 1/𝑝 x= 3 (posición y éxito).
𝑞 g(3,0.5)= 0.5*0.52 = 1/8
𝑉(𝑋) =
𝑝2
Jonathan Efren Alvarez Cacacho3

Hipergeométrica: no requiere
independencia, se basa en el
muestreo que se realiza sin
reemplazo de una muestra de
tamaño n de la población N.
Su aplicación se ve en muestreos de
aceptación, pruebas electrónicas y
garantías de calidad.
Multinomial: se da cuando cada
prueba tiene más de dos resultados
posibles (al contrario de la binomial
que tiene el éxito y el fracaso). La
probabilidad es independiente.
De un lote de 10 carros, se
seleccionan 4 al azar y se
encienden. Si el lote contiene 3
carros defectuosos, determinar
la probabilidad de que a lo
Donde: mucho 2 salgan defectuosos.
N: tamaño de la poblacion.
n: tamaño de la muestra. N= 10 población
k: numero de exitos en la poblacion. n= 4 muestra
x: numero de exitos en la muestra. k= 3 defectuosos (éxito
población )
𝑛𝑘 0≤X≤2 = defectuosos (éxito
𝐸(𝑥) =
𝑁 muestra)
𝑘 𝑁−𝑛 𝑘
𝑉(𝑥) = 𝑛 ∗ ∗ ∗ (1 − ) h(x; N, n, k)=
𝑁 𝑁−1 𝑁 3𝐶0 ∗ 7𝐶4 + 3𝐶1 ∗ 7𝐶3 + 3𝐶2 ∗ 7𝐶2
10𝐶4
Un caso especial cuando se deben de sumar
probabilidades se hace una sumatoria en el numerador. = 0.967
𝑖
∑
𝑥=1
La probabilidad de que un
P(x1,x2….xk;p1,p2…pk)= estudiante llegue por carro, bus
o caminando es de 0.2, 0.5, 0.3
𝑛!
∗ 𝑝1𝑥1 ∗ 𝑝2𝑥2 ∗ … ∗ 𝑝𝑘 𝑥𝑘 respectivamente. Determinar la
𝑥1! ∗ 𝑥2! … 𝑥𝑘! probabilidad de que de 9 alumnos
elegidos al azar 3 hayan llegado
Donde:
en carro, 4 en bus y 2 caminando.
n: es el tamaño de la muestra.
x 1: es tamaño de la primera opción.
n=9 estudiantes
p 1: es la probabilidad de la primera opción.
x 1: 3 en carro
x 2: es tamaño de la segunda opción.
p 1: 0.2
p 2: es la probabilidad de la segunda opción.
x 2: 4 en bus
x k: es tamaño de la k-opción.
p 2: 0.5
p k: es la probabilidad de la k-opción.
x 3: 2 caminando
𝐸(𝑥𝑘) = 𝑛 ∗ 𝑝𝑘 p 3: 0.3
P(3,4,2;0.2,0.5,0.3)=
9!
∗ 0.23 ∗ 0.54 ∗ 0.32
3! ∗ 4! ∗ 2!
𝑉(𝑥𝑘) = 𝑛 ∗ 𝑝𝑘 ∗ (1 − 𝑝𝑘)
= 0.0567.
Jonathan Efren Alvarez Cacacho4
 𝜇 = 𝜆𝑡
Donde:
𝜆: es el promedio de sucesos que ocurren en una unidad Si en un hospital entran 3
de tiempo o en una región y se le conoce como personas por día a la sala de
intensidad de flujo. emergencia, determinar en un
Poisson: representa el número de t: es el tiempo. día particular la probabilidad de
resultados que ocurren en un que ocurran 2 admisiones en
intervalo de tiempo o en una región Una vez determinado µ la probabilidad de Poisson está sala de emergencia.
específica, por medio de la variable definida como: 𝜆= 3 personas/día
aleatoria de Poisson X. 𝑒 −µ ∗ µ𝑥
𝑃(𝑥; 𝑝) =
El intervalo de tiempo dado puede 𝑥! t= 1 día.
ser de cualquier duración.
Donde: µ=3*1= 3 personas
Para poder trabajar con la x: es el tamaño de la muestra.
distribución de Poisson los tiempos o x= 2 admisiones.
regiones particulares deben ser Si se piden mas probabilidades seguidas estas se pueden
consecutivas ya que esta sumar. 𝑒 −3 ∗32
𝑛 𝑃= = 0.2240
distribución no almacena memoria, 𝑒 −µ ∗ µ𝑥 2!
siempre que haya un corte debe 𝑃(𝑥; 𝑝) = ∑
𝑥!
empezar de nuevo. 𝑥=1

E(x)=V(x)=𝜆

Hipergeométrica multivariada:
Se tiene una población N dividida en
ak y una muestra n dividida en xk.
Aquí la probabilidad es dependiente.
En un grupo de 10 individuos, 3
tienen sangre de tipo O, 4 de A y
3 de B. determinar la
probabilidad de que una muestra
aleatoria de 5 individuos 1 sea
tipo O, 2 tipo A y 2 tipo B.
Donde:
N: es el tamaño de la población.
n: es el tamaño de la muestra. 𝑓=
3𝐶1 ∗ 4𝐶2 ∗ 3𝐶2
10𝐶5
a 1: es el tamaño de una característica 1 de la población.
X 1: es el tamaño de una característica 1 de la muestra. =0.21
a 2: es el tamaño de una característica 2 de la población.
X 2: es el tamaño de una característica 2 de la muestra.
a k: es el tamaño de una característica k de la población.
X k: es el tamaño de una característica k de la muestra.

Jonathan Efren Alvarez Cacacho5