Probabilidad I - Función de masa de

probabilidad y función de distribución

acumulativa
Ayud. Fernando Colula Mateos
2 de abril de 2020

En esta ocasión se abordarán los conceptos de función de masa de pro-

babilidad y función de distribución acumulativa. Se dará primero una breve
reseña de los conceptos y proposiciones que sean pertinentes sin ahondar en
sus demostraciones (las cuales seguramente revisará la profesora) y luego se
revisarán algunos ejemplos para mejorar la comprensión del tema.

Notas
Tomaremos como introducción un fragmento del libro “Introdución a la
probabilidad” de Luis Rincón en el cual se explica de manera intuitiva la
naturaleza de las variables aleatorias de acuerdo al conujunto de valores que
éstas pueden tomar; nos referimos al soporte (o dominio) de la variable alea-
toria.

Considerando el conjunto de valores que una variable aleatoria

puede tomar, vamos a clasificar a las variables aleatorias en dos
tipos: discretas o continuas. Decimos que una variable aleatoria
es discreta cuando el conjunto de valores que ésta toma es un
conjunto discreto, es decir, un conjunto finito o numerable. Por
ejemplo, el conjunto {0, 1, 2, . . . , n} es un conjunto discreto por-
que es finito, lo mismo N pues, aunque éste es un conjunto infini-
to, es numerable y por lo tanto discreto. Por otra parte, decimos
preliminarmente que una variable que una variable aleatoria es

1
 continua cuando toma todos los valores dentro de un intervalo
(a, b) ⊆ R. Cuando revisemos el concepto de función de distribu-
ción daremos una definición más precisa acerca de v.a. continua.
(Rincón, 2014, 113).

En el ejemplo 1 de las notas tituladas “Variables aleatorias” desarrolladas

por un servidor, la variable aleatoria X tiene soporte (o dominio) el conjun-
to {−1, 4, 0, 1, −1, 2}, por lo cual decimos que en dicho ejemplo, la variable
X que mide la ganancia o pérdida del experimento se trata de una variable
aleatoria con soporte discreto o simplemente, variable aleatoria discreta.

Una vez definida una variable aleatoria, es de interés conocer la infor-

mación que ésta provee acerca del experimento que modela. Una forma de
conocer dicha información es asociar a dicha v.a. una función que represen-
te la probabilidad de los distintos eventos que modela. Para ello se define
acontinuación la función de masa de probabilidad, o únicamente función
de probabilidad. Hay que hacer la aclaración de que el término “masa de
probabilidad” es utilizada frecuentemente en diversas fuentes y en general,
únicamente para variables aleatorias discretas.

Definición 1 Sea X una v.a. discreta que toma los valores x0 , x1 , . . .. La

función de probabilidad de X, denotada por fX (x) : R → R, se define como
sigue:
fX (x) = P(X = x), x = x0 , x1 , . . .

La función de probabilidad es aquella que relaciona el evento de que la varia-

ble aleatoria X tome el valor x = x0 , x1 , . . . con su respectiva probabilidad.
La notación fX es útil cuando se tiene más de una sola variable aleatoria
y en dado caso el sub ı́ndice indica a qué v.a. nos referimos; por ahora nos
se utilizará la notación simplificada f (x) para hacer referencia a la función
de probabilidad. Para mejor comprensión de la definición se analizará el se-
guiente ejemplo.

Ejemplo 1 Dos pelotas van a seleccionarse de manera aleatoria de una urna

que contiene 8 blancas, 4 negras, y 2 naranjas. Suponga que se ganan 2
unidades monetarias por cada pelota negra seleccionada y se pierde 1 unidad
monetaria por cada pelota blanca. Sea X la variable aleatoria que denota la

2
ganancia o pérdida del juego. Encuentre la función de masa de probabilidad
de la v.a. X.
Se habı́a revisado anteriormente que la v.a. X transforma al espacio de
resultados Ω en el siguiente conjunto {−2, 4, 0, 1, −1, 2}. El nuevo proposito
es encontrar la probabilidad con la que la variable aleatoria X toma todos y
cada uno de dichos valores, es decir, se trata de preguntarse cual es la pro-
babilidad de que la variable aleatoria X tome el valor x ∈ {−2, 4, 0, 1, −1, 2}.

Antes de iniciar es prudente hablar del espacio de resultados Ω que co-

rresponde a todas las posibles parejas de bolas que pueden ser extraidos y
cuya cardinalidad puede calcularse como sigue,
Parejas únicamente de bolas blancas
 
8
= 28.
2

Parejas únicamente de bolas negras

 
4
= 6.
2

Parejas únicamente de bolas naranjas

 
2
= 1.
2

Parejas únicamente de una bola blanca y una negra. Calculamos el

número de parejas de bolas blancas y negras, y les restamos el número
de parejas de bolas únicamente blancas y el número de parejas única-
mente negras.
     
12 8 4
− − = 66 − 28 − 6 = 32.
2 2 2

Parejas únicamente de una bola blanca y una naranja. Calculamos

el número de parejas de bolas blancas y naranjas, y les restamos el
número de parejas de bolas únicamente blancas y el número de parejas
únicamente naranjas.
     
10 8 2
− − = 45 − 17 − 1 = 16.
2 2 2

3
 Parejas únicamente de una bola naranja y una negra. Calculamos el
número de parejas de bolas naranjas y negras, y les restamos el núme-
ro de parejas de bolas únicamente naranjas y el número de parejas
únicamente negras.
     
6 2 4
− − = 15 − 1 − 6 = 8.
2 2 2

En total, nuestro espacio de resultados se compone de 91 posibles parejas.

Luego, la probabilidad asociada a cada valor de nuestra variable aleatoria se
puede calcular como sigue:

¿Cuál es la probabilidad de que la variable aleatoria X tome el valor

−2?
Debido a que el valor −2 está asociado al evento de que el resultado
del experimento sea la extracción de dos bolas blancas (W W ), se tiene
que calcular la probabilidad de que ésto suceda. Sea A1 el evento de
que al extraer dos bolas de una urna, éstas sean ambas blancas (W W ).
Entonces
|A1 | 28
f (−2) = P(X = −2) = = .
|Ω| 91
¿Cuál es la probabilidad de que la variable aleatoria X tome el valor
4?
Debido a que el valor 4 está asociado al evento de que el resultado del
experimento sea la extracción de dos bolas negras (BB), se tiene que
calcular la probabilidad de que ésto suceda. Sea A2 el evento de que al
extraer dos bolas de una urna, éstas sean ambas negras (BB). Entonces

|A2 | 6
f (4) = P(X = 4) = = .
|Ω| 91

¿Cuál es la probabilidad de que la variable aleatoria X tome el valor

0?
Debido a que el valor 0 está asociado al evento de que el resultado
del experimento sea la extracción de dos bolas naranjas (OO), se tiene
que calcular la probabilidad de que ésto suceda. Sea A3 el evento de

4
que al extraer dos bolas de una urna, éstas sean ambas naranjas (OO).
Entonces
|A3 | 1
f (0) = P(X = 0) = = .
|Ω| 91
¿Cuál es la probabilidad de que la variable aleatoria X tome el valor
1?
Debido a que el valor 1 está asociado al evento de que el resultado del
experimento sea la extracción de una bola blanca y una negra (BW ), se
tiene que calcular la probabilidad de que ésto suceda. Sea A4 el evento
de que al extraer dos bolas de una urna, éstas sean una bola blanca y
una negra (BW ). Entonces

|A4 | 32
f (1) = P(X = 1) = = .
|Ω| 91

¿Cuál es la probabilidad de que la variable aleatoria X tome el valor

−1?
Debido a que el valor −1 está asociado al evento de que el resultado
del experimento sea la extracción de una bola blanca y una naranja
(OW ), se tiene que calcular la probabilidad de que ésto suceda. Sea A5
el evento de que al extraer dos bolas de una urna, éstas sean una bola
blanca y una naranja (OW ). Entonces

|A5 | 16
f (−1) = P(X = −1) = = .
|Ω| 91

¿Cuál es la probabilidad de que la variable aleatoria X tome el valor

2?
Debido a que el valor 2 está asociado al evento de que el resultado del
experimento sea la extracción de una bola negra y una naranja (OB), se
tiene que calcular la probabilidad de que ésto suceda. Sea A6 el evento
de que al extraer dos bolas de una urna, éstas sean una bola negra y
una naranja (OB). Entonces

|A6 | 8
f (2) = P(X = 2) = = .
|Ω| 91

5
Por lo tanto, la función de probabilidad de la v.a. X está dada como sigue:
 28
 91 si x = −2




 6
si x = 4



 91



 1
si x = 0


 91
f (x) = (1)
32
si x = 1




 91


 16
si x = −1




 91



 8
91
si x = 2
•
Para determinar si una función de probabilidad es efectivamente de pro-
babilidad basta probar las siguientes propiedades:
1. f (x) ≥ 0 ∀x ∈ R.
X
2. f (x) = 1.
x

Es fácil comprobar que la función (1) efectivamente es de probabilidad.

Otra función que aporta información interesante sobre un fenómeno es

la función de distribución acumulativa de una variable aleatoria asociada a
dicho fenómeno.
Definición 2 Sea X una v.a. cualquiera la función de distribución acumu-
lativa de X, denotada FX (x) : R → R se define como la probabilidad de que
la variable aleatoria X sea menor o igual al valor x, es decir
FX (x) = P(X ≤ x).
•
La función de distribución acumulativa guarda una relación con la función
de masa de probabilidades y es la siguiente,
x
X
FX (x) = fX (k).
k=−∞

6
 Se utilizará de nuevo el ejemplo anterior para mostrar como se calcula
la función de distribución acumulativa a partir de la función de masa de
probabilidades.

Ejemplo 2 A partir de la siguiente función de masa de probabilidades en-

cuentre la función de distribución acumulativa.
 28

 91
si x = −2



 6
si x = 4



 91




 1
 91 si x = 0

f (x) =
32
si x = 1


 91




 16
 91 si x = −1







 8
91
si x = 2

Nótese que es interesante analizar el comportamiento de la función f (x) en

los puntos de su soporte, es decir, en el conjunto {−2, −1, 0, 1, 2, 4} pues es
en estos puntos donde se puede “acumular” probabilidad positiva. Luego,
La función de distribución acumulativa evaluada en −2 corresponde a
la probabilidad de que la variable aleatoria X tome un valor menor o
igual a −2, esto es
28
F (−2) = P(X ≤ −2) = f (−2) = .
91
En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 2]
es únicamente la probabilidad de que X = 2.
La función de distribución acumulativa evaluada en −1 corresponde a
la probabilidad de que la variable aleatoria X tome un valor menor o
igual a −1, esto es
28 16 44
F (−1) = P(X ≤ −1) = f (−2) + f (−1) = + = .
91 91 91
En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 1]
es equivalente a la probabilidad de que X = 2 y de que X = −1.

7
La función de distribución acumulativa evaluada en 0 corresponde a
la probabilidad de que la variable aleatoria X tome un valor menor o
igual a 0, esto es
28 16 1 45
F (0) = P(X ≤ 0) = f (−2) + f (−1) + f (0) = + + = .
91 91 91 91
En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 0]
es equivalente a la probabilidad de que X = 2, de que X = −1 y de
que X = 0.

La función de distribución acumulativa evaluada en 1 corresponde a

la probabilidad de que la variable aleatoria X tome un valor menor o
igual a 1, esto es

F (1) = P(X ≤ 1) = f (−2) + f (−1) + f (0) + f (1)

28 16 1 32 77
= + + + = .
91 91 91 91 91
En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 1]
es equivalente a la probabilidad de que X = 2, de que X = −1, de que
X = 0 y de que X = 1.

La función de distribución acumulativa evaluada en 2 corresponde a

la probabilidad de que la variable aleatoria X tome un valor menor o
igual a 2, esto es

F (2) = P(X ≤ 2) = f (−2) + f (−1) + f (0) + f (1) + f (2)

28 16 1 32 8 85
= + + + + = .
91 91 91 91 91 91
En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 1]
es equivalente a la probabilidad de que X = 2, de que X = −1, de que
X = 0, de que X = 1 y de que X = 2.

La función de distribución acumulativa evaluada en 4 corresponde a

la probabilidad de que la variable aleatoria X tome un valor menor o
igual a 4, esto es

F (4) = P(X ≤ 4) = f (−2) + f (−1) + f (0) + f (1) + f (2) + f (4)

28 16 1 32 8 6 91
= + + + + + = .
91 91 91 91 91 91 91
8
 En efecto, la probabilidad que acumula la v.a. X en el intervalo (−∞, 1]
es equivalente a la probabilidad de que X = 2, de que X = −1, de que
X = 0, de que X = 1 y de que X = 2.

Por lo tanto, la función de adistribución acumulativa es la siguiente,



 0 si x < −2



28

si − 2 ≤ x < −1



 91



 44
si − 1 ≤ x < 0




 91


45
F (x) = 91
si 0 ≤ x < 1



 77
 91 si 1 ≤ x < 2






 85
si 2 ≤ x < 4




 91



 91
91
si 4 ≤ x
•

Para determinar si una función de distribución es en efecto de distribución

acumulativa basta probar las siguientes propiedades.

1. lı́m FX (x) = 0 y lı́m FX (x) = 1.

x→−∞ x→+∞

2. Continua por la derecha, i.e, lı́m FX (x + h) = FX (x).

h→0

3. Monótoma no decreciente, i,e, si x ≤ y entonces FX (x) ≤ FX (y).

En el ejercicio anterior, no es dificil probar dichas propiedades para verificar

que FX (x) en efecto es de distribución acumulativa.