Variables aleatorias

Distribuciones de probabilidad
 Definiciones

Una variable aleatoria X es una función que a cada elemento

de un espacio muestral le asigna un número real. Es decir, es
una función definida sobre un espacio muestral.

Las variables aleatorias pueden ser continuas o discretas

 Distribuciones de variables
aleatorias
1. CASO DISCRETO

• En este caso la variable aleatoria máximo puede tomar un número

infinito numerable de valores.
• Como tabular muchos valores no es práctico se usa una función que
genera las probabilidades correspondientes a esos valores:

𝑓𝑋 𝑥 = 𝑃 𝑋 = 𝑥 𝑐𝑜𝑛

• 𝑋: variable aleatoria 𝑦 𝑥: valores que toma

 Distribuciones de variables
aleatorias
1. CASO DISCRETO

• Función de probabilidad: la función de probabilidad de una variable aleatoria discreta 𝑋

es el conjunto de pares ordenados, donde 𝑥 es cada uno de los valores que puede
tomar la variable aleatoria 𝑋, y 𝑓𝑋 𝑥 la probabilidad asociada con el valor particular 𝑥.

• Esta debe cumplir las siguientes condiciones:

– 𝑓𝑋 𝑥 ≥ 0, ∀𝑋
– σ𝑛𝑖=1 𝑓𝑋 𝑥 = 1

• Representación gráfica: se usan los histogramas, con rectángulos de base unitaria y

altura igual a la probabilidad.
 Distribuciones de variables
aleatorias
2. CASO CONTINUO

• Dado que los posibles valores de la variable son infinitos (pertenecen

a los reales), se saca el límite y tiene las siguientes propiedades:
–𝑓𝑋 𝑥 ≥ 0
𝑥1
–‫𝑋𝑓 𝑥׬‬ 𝑥 𝑑𝑥 = 1
0
–𝑃 𝑋 = 𝑎 = 0, á𝑟𝑒𝑎 𝑐𝑒𝑟𝑜
𝑏
–𝑃 𝑎 < 𝑋 < 𝑏 = ‫𝑋𝑓 𝑎׬‬ 𝑥 𝑑𝑥
–𝑃 𝑎 < 𝑋 < 𝑏 = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 ≤ 𝑋 < 𝑏
 Distribuciones de variables
aleatorias
• Función de distribución acumulativa de probabilidad
– Análogo, a las frecuencias relativas acumuladas
– Definición: la función de distribución acumulativa de
probabilidades de una variable aleatoria X se detonará y
𝐹𝑋 𝑥 y se define:
– 𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = σ𝑥𝑖 ≤𝑥 𝑓 𝑥𝑖
– Si 𝑋 es continua su gráfica es continua
– Si 𝑋 es discreta su gráfica es discontinua (escalón)
 Distribuciones de
variables aleatorias
Función de distribución acumulativa de probabilidad
– Propiedades:
• 0 ≤ 𝐹𝑋 𝑥 ≤ 1
• 𝑠𝑖 𝑎 < 𝑏 → 𝐹𝑋 𝑎 ≤ 𝐹𝑋 𝑏
• Si 𝑐1 y 𝑐2 son los valores más extremos que puede tomar:
𝐹𝑋 𝑥 = 0 𝑠𝑖 𝑥 < 𝑐1
– 𝑋 𝑐1 < 𝑐2 → ቊ
𝐹𝑋 𝑥 = 1 𝑠𝑖 𝑥 > 𝑐2
• En general para cualquier distribución empírica se busca una
distribución teórica que se ajuste.
𝑥
• Caso continuo: 𝐹 𝑥 = 𝑃 𝑥 = ‫׬‬−∞ 𝐹 𝑣 𝑑𝑣
 Esperanza matemática (𝝁𝑿 )
𝟐
y varianza poblacional (𝝈𝑿 )
Es deseable disponer de medidas que describan de manera
sucinta los aspectos principales que describan las distribuciones
teóricas.

Estas medidas se llaman momentos, son análogos a media y

varianza muestral.
 Esperanza matemática (𝝁𝑿 )
• La esperanza matemática es el punto de equilibrio del histograma, es
pues medida de centro de la distribución teórica.
𝑓𝑋 𝑥 ≅ 𝐹𝑅𝑖 Para variables continuas es:
– 𝐸 𝑋 = σ𝑥 𝑥 × 𝑓𝑋 𝑥 = 𝜇𝑋 →ቊ ∞
𝑥 ≅ 𝑣𝑖 𝐸 𝑋 = න 𝑥 × 𝑓𝑋 𝑥 𝑑𝑥 = 𝜇𝑋
−∞

• Propiedades de la esperanza matemática

– Sean c1 y c2 dos constantes y sea X una variable aleatoria, entonces:
• 𝐸 𝑐1 = 𝑐1
• 𝐸 𝑐1 × 𝑋 = 𝑐1 × 𝐸 𝑋
• 𝐸 𝑋 + 𝑐1 = 𝐸 𝑋 + 𝑐1
• 𝐸 𝑐1 + 𝑐2 × 𝑋 = 𝑐1 + 𝑐2 × 𝐸 𝑋
 𝟐
Varianza poblacional (𝝈𝑿 )
• Su relación con la otra varianza es clara.

𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = ෍ 𝑥 − 𝜇𝑋 2
× 𝑓𝑋 𝑥 = 𝐸 𝑥 − 𝜇𝑥 2

𝑥 Para variables continuas es:

∞
2
𝑉𝑎𝑟 𝑋 = න 𝑥 − 𝜇𝑋 × 𝑓𝑋 𝑥 𝑑𝑥
• Propiedades de la varianza poblacional −∞

– Sean c una constante y sea X una variable aleatoria, entonces:

• 𝑉𝑎𝑟 𝑋 ≥0
• 𝑉𝑎𝑟 𝑐 =0
• 𝑉𝑎𝑟 𝑐 × 𝑋 = 𝑐 2 × 𝑉𝑎𝑟 𝑋
• 𝑉𝑎𝑟 𝑋 + 𝑐 = 𝑉𝑎𝑟 𝑋
• 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋 2
 Mediana y moda de una
distribución teórica
• Mediana: se X una variable aleatoria. La mediana de la
distribución de probabilidades de X es un valor de Me tal que:
1 1
– 𝑃 𝑋 ≤ 𝑀𝑒 ≥ 𝑦 𝑃 𝑋 ≥ 𝑀𝑒 ≥
2 2
– No es necesariamente un valor único, a menos que X sea continua

• Moda: la moda de la distribución de una variable aleatoria X es

el valor Mo para el cual 𝑓𝑋 𝑋 toma el máximo valor. No
necesariamente es única.

Si la distribución es simétrica esperanza, mediana y moda son iguales