5

Introducción
a) Presentación y contextualización

Los temas que se tratan en la presente Unidad, tienen por finalidad que el
estudiante desarrolle y ejecute el concepto de variables aleatorias durante su
proceso de formación profesional y contribuyan en el logro de su perfil profesional.

b) Competencia

Explica las propiedades para calcular la media y varianza de variables

aleatorias.

c) Capacidades

1. Identifica una variable aleatoria.

2. Explica variables aleatorias discretas.
3. Analiza variables aleatorias continuas.
4. Aplica propiedades para calcular la media y varianza de variables aleatorias.

d) Actitudes

 Valora la importancia de los negocios internacionales para el desarrollo de la

nación.
 Desarrolla una actitud emprendedora mediante la toma de iniciativas,
promoción de actividades y toma de decisiones en relación a la actividad
asignada.
 Cumple con la presentación de los trabajos encomendados con puntualidad.
 Desarrolla la creatividad, la innovación, y el respeto a la honestidad intelectual.

e) Presentación de Ideas básicas y contenidos esenciales de la Unidad:

La Unidad de Aprendizaje 01: Variables Aleatorias, comprende el desarrollo de
los siguientes temas:

TEMA 01: Conceptos de Variables Aleatorias.

TEMA 02: Variables Aleatorias Discretas.
TEMA 03: Variables Aleatorias Continuas.
TEMA 04: Media y Varianza de una Variable Aleatoria.

6
Conceptos TEMA 1
de
Variables
Aleatorias
Competencia:
Identificar una variable aleatoria.

7
Desarrollo de los Temas
Tema 01: Conceptos de Variables Aleatorias

Definición.- Se define Variable aleatoria, a una variable estadística cuantitativa

definida en un espacio muestral  .

Hemos visto que los resultados de un experimento aleatorio pueden ser cuantitativos
(por ejemplo, lanzar un dado y registrar el número de la cara superior), o cualitativos
(por ejemplo, lanzar dos monedas y registrar el resultado de cada una).
Los eventos de mayor interés a la hora de hacer inferencia estadística son eventos
numéricos. ¿Qué significa? Que, por ejemplo, estaremos más interesados en conocer
el número de caras que resultan en cada repetición del experimento que en la
secuencia en sí.
Así, los eventos simples (C, X) y (X, C) nos brindarán la misma información, es decir,
en los dos se registró 1 cara. El número de caras es una función definida sobre el
espacio muestral S:

Eventos Simples CC CX XC XX
Numero de caras
2 1 1 0
:X

Esto también se puede representar:

8
 Esta función genera una partición del espacio muestral. Todos
los eventos simples que corresponden al mismo valor de la
función se encuentran en el mismo subconjunto. Estos
subconjuntos son disjuntos y su unión es el espacio muestral.
La función definida anteriormente se denomina variable aleatoria.
Una variable aleatoria es entonces una función que asocia un número real a cada
elemento de un espacio muestral.
X :S 
s  x  X (s)

Notación: X indica la función (variable aleatoria), x representa el valor que toma la

variable aleatoria al ser valuada en el elemento s.
Las variables aleatorias se dividen en dos grupos: discretas y continuas. Una variable
discreta puede tomar una cantidad finita o infinita numerable de valores. Una variable
aleatoria continua puede tomar infinitamente muchos valores correspondientes a
puntos en un intervalo de la recta real.

Ejemplos 01:
Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces
consecutivas, esto es,   SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC

Si X se define en  como “el número de caras obtenidas”, entonces, X es una

variable aleatoria cuyo rango es el conjunto: RX  0,1, 2,3, .En efecto,

X  0 , corresponde al evento elemental SSS

X  1 , corresponde a los eventos elementales SSC , SCS , CSS

X  2 , corresponde a los eventos elementales SCC , CSC y CCS

X  3 , corresponde al evento elemental CCC

Ejemplo 02:
Un profesor califica sus pruebas en una escala de 4 puntos (1, 2, 3, 4). Supongamos
que en un curso de 30 alumnos los resultados ordenados fueron:
111222222333333333333444444444
Sea X = resultado de la prueba para un alumno del curso elegido al azar.

9
Luego R = {1, 2, 3, 4}, X es una variable aleatoria discreta
X

La frecuencia de cada uno de los resultados es, 3, 6, 12 y 9 respectivamente.

Resultado (x ) 1 2 3 4
i

Frecuencia (f ) 3 6 12 9
i

Frecuencia. relativa (f /n) 0.1 0.2 0.4 0.3

i

p (x ) = p 0.1 0.2 0.4 0.3

X i i

Siguiendo con el ejemplo:

¿Cuál es la probabilidad de que un alumno elegido al azar haya tenido a lo sumo un
3?
P(X ≤ 3) = p (1) + p (2) + p (3)
X X X

= p1 + p + p = 0.1 + 0.2 + 0.4 = 0.7

2 3

CLASIFICACIÓN DE LAS VARIABLES ALEATORIAS

Las variables Aleatorias se clasifican en general en discretas y continuas.

10
Variables TEMA 2
Aleatorias
Discretas
Competencia:
Explicar variables aleatorias discretas.

11
 Tema 02: Variables Aleatorias Discretas

Hemos definido hasta acá qué se entiende por variable

aleatoria, y una vez determinada una Variable Aleatoria.
Podemos conocer cuáles son los valores que puede tomar.
Pero es interesante poder medir la probabilidad con que
toma cada uno de esos valores.

Definición.- Una variable aleatoria discreta asume cada uno de sus valores con
cierta probabilidad que denotaremos por PX (probabilidad inducida por X).

Ejemplo:
Consideremos el experimento aleatorio de lanzar dos monedas entonces el espacio
muestral correspondiente estará dado por:
  CC, CS , SC, SS
Se define la variable aleatoria X de obtener caras, entonces el rango de X es
RX  0,1, 2 , es decir:

X  0 , Si se obtiene sello en las dos monedas

X  1 , Si se obtiene SC o CS como resultado del lanzamiento
X  2 , Si se obtiene CC en las dos monedas

FUNCIÓN DE PROBABILIDAD

Definición.- Sea X una variable aleatoria discreta. Se denomina función (ley o

modelo o distribución) de probabilidad de X a la función f(x) definida por
f ( x)  P  X  x  , para todo x número real y que satisface las siguientes condiciones:
i) f ( x)  0 , x 

ii ) 
xi RX
f ( xi )  1

La función de probabilidad de una variable aleatoria X se puede expresar por tabla:

Valores xi de X x1 x2 x3 … xn

12
 Probabilidad pi  P  X  xi  p1 p2 p3 … pn
Notación:
La función de probabilidad se puede representar de diversas maneras:
1) En una tabla:
x P(x)
0 ¼
1 ½
2 ¼

2) En un gráfico:

3) En una fórmula:

 2
p( x)    0.252
 x

Ejemplo 01.
Sea X la variable aleatoria definida como el número de caras que ocurren al lanzar
dos monedas.
a. Determine la distribución de probabilidad de X.
b. ¿Cuál es la probabilidad de que no obtengamos ninguna cara?
c. Calcular la probabilidad P  0  X  1

Solución.

13
 a) La Variable Aleatoria X. Toma el valor 0 cuando ocurre el evento (SS). Entonces
P(X=0) = P({(SS)}) = ¼
También se puede notar P (0) = P(X=0) = ¼
P(X=2) = P ({(CC)}) = ¼

P(X=1) = P ({(CS), (SC)}) = ¼ + ¼ = ½

Entonces la distribución de probabilidad está dada por:

E P(E) x P(x)
CC ¼ 2 ¼
CS ¼ 1 ¼
SC ¼ 1 ¼
SS ¼ 0 ¼

b) La Variable Aleatoria X Toma el valor 0 cuando ocurre el evento (SS). Entonces:

P(X=0) = P({(SS)}) = ¼

1 1 3
c) P  0  X  1  P  X  0  P  X  1   
4 2 4

Ejemplo 02

Sea x una variable aleatoria que expresa el Nº de personas que habitan en una
vivienda elegida al azar. La distribución de probabilidad de x es la siguiente:
xi 1 2 3 4 5 6 7 8ó+
pi 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010

a. Comprobar que es una distribución de probabilidad.

Todas las pi son mayores o iguales que cero y además se cumple que:
8


i1
pi  0,23  0,322  0,177...0,010  1

b. Hallar la probabilidad de que el Nº de personas que viven en un hogar sea menor

o igual que cuatro.

14
 P x  4  P x  1  P x  2  P x  3  P x  4 
 0,23  0,322  0,177  0,155  0,884
c. Calcular la probabilidad de que al menos dos personas vivan en una vivienda.

P  x  2   P  x  2   P  x  3  ...  P  x  8  
 1  P( x  2)  1  0, 23  0, 77

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

DISCRETA
Definición. La función de distribución acumulada (f.d.a) de probabilidades o
simplemente función de distribución, F(x), de la variable aleatoria discreta X, cuya
función de probabilidad de f(x), se define por:

F ( x)  P  X  x    P( X  k )   f (k ),    x  
kx k x

Ejemplo: Sea X = nota obtenida en una prueba de un alumno elegido al azar

Nota (x) 1 2 3 4
p (x) 0.1 0.2 0.4 0.3
X

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

0 si x 1
0.1 si 1  x  2

FX ( x)  0.3 si 2  x  3
 0.7 si 3  x  4

 1 si 4  x

15
Variables TEMA 3
Aleatorias
Continuas
Competencia:
Analizar variables aleatorias continuas.

16
 Tema 03: Variables Aleatorias Continuas

Definición.- Se dice que la función f ( x) es función de densidad (ley o distribución)

de probabilidad de la variable aleatoria continua X si satisface las siguientes
condiciones:
i) f ( x)  0 para todo x 


ii ) 

f ( x)dx

iii ) P( A)  P  x  A   f ( x)dx , para cualquier intervalo A 

A

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

CONTINÚA

Definición.- La función de distribución acumulada (f.d.a), F(x) de una variable

aleatoria continua X con función de densidad f ( x) , se define por:
x
F ( x)  P  X  x    f (t )dt , para    x  


Ejemplo 01:
Clasificar como discretas o continuas las siguientes variables aleatorias:
a) Nº de páginas de un libro → discreta.
b) tiempo que tarda en fundirse una bombilla → continua
c) Nº de preguntas en una clase de una hora → discreta.
d) cantidad de agua consumida en un mes → continúa.

Ejemplo 02:
Sea f ( x) una función definida en todos los números reales por:

17
  cx 2 , x   0, 2

f ( x)  
0 , x   0, 2


a. Hallar el valor de la constante C para que, f ( x) sea una función de densidad

para alguna variable aleatoria X.
b. Calcular P  0  X  1

Solución.
a) El área de la figura sombreada es igual a 1
Entonces
 2 8
1  f ( x)dx   cx 2 dx  c
 0 3
3
c
8

Luego
3 2
 x , x   0, 2
f ( x)   8
0 , x   0, 2


b) Para resolver esta pregunta se sigue:

1 3  1
P  0  X  1    x 2 dx 

0 8
 8

Ejemplo 03:

Sea f ( x) una función de densidad de probabilidad de una variable aleatoria X, cuya

grafica es la figura:

18
 a.) Determinar el valor de la constante c y luego la f.d.p. de X
b.) Hallar la función de distribución acumulada F(x) de X

Solución.
a) Si el área que encierra la figura con el eje X es igual a 1, entonces C  1/ 4
Luego la función densidad está dada por la ecuación de la recta en el intervalo
dado.

 x
 , 1 x  3
f ( x)   4
0, en otro caso

b) La función de distribución acumulada , se calcula por:

F  x   0 , si x  1, F ( x)  1 , si x  3

x t x2 1
Si 1  x  3, F ( x)   dt  
1 4 8 8

Entonces:

19
  0 , si x  1
 2
 x 1
F ( x)   , si 1  x  3
 8

 1 , si x  1

Media y
Varianza TEMA 4
de una Variable
Aleatoria
Competencia:
Aplicar propiedades para calcular la media y
varianza de variables aleatorias.

20
 Tema 04: Media y Varianza de una
Variable Aleatoria

VALOR ESPERADO O ESPERANZA MATEMÁTICA

Definición.- La media de una variable aleatoria discreta X con función de

probabilidad f(x) está dado por:

  E ( X )  mx   x f (x )
xi RX
i i

Definición.- La media de una variable aleatoria continúa X con función de

densidad de probabilidad f(x) es la expresión:

E( X )   xf ( x)dx


Propiedades:

Si X e Y son dos variables aleatorias se cumple que:

mx y  mx  my
Si a y b son constantes se cumple que:

maxb  amx  b

21
Ejemplo:

Considerando la variable Aleatoria X, donde X=resultado de lanzar un dado

La distribución de probabilidad de x será:

p1  P{x  1}  1 / 6
p2  P{x  2}  1 / 6
p6  P{x  6}  1 / 6
El valor esperado de X será:
k
1 1 1 1 1 1
mx   xi pi  1   2   3   4   5   6   3,5
i 1 6 6 6 6 6 6
VARIANZA DE UNA VARIABLE ALEATORIA

Definición.- Sea X una variable aleatoria con distribución de probabilidad f(x) y con
media igual a  . La varianza de X es la expresión:

 X2  E  X        xi    f ( xi )
2 2
  , si X es discreta

  E  X       x    f ( xi ) , si X es continua.
2 2 2
X   i


Definición.- La desviación estándar de la variable aleatoria X es la raíz cuadrada

positiva de la varianza. Esto es:  X   X2 .

Nota: Una de las propiedades de la varianza que se usa en el cálculo es:

Var ( X )  E  X      E ( X 2 )   2
2
 

Propiedades:
- Si a y b son constantes se cumple que:

 axb  a  x
 ax2 b  a 2 x2
- Si x e y son dos variables aleatorias independientes se cumple que:

 x2 y   x2   y2 y  x y   x2   y2

22
Nota.
 La desviación típica de una variable aleatoria es una medida de dispersión de la
distribución alrededor de la media. Los valores pequeños indican concentración de
la distribución alrededor de la esperanza y los valores grandes corresponden a
distribuciones más dispersas.
 El concepto de desviación típica es equivalente en variables aleatorias discretas y
continuas, aunque en estas últimas su cálculo es más complicado.

Ejemplo 1
Se lanza tres veces una moneda. Sea X la variable aleatoria que expresa el nº de
caras en los tres lanzamientos.
a) Hallar y representar la función de probabilidad de X.
Solución.
Se lanza 3 veces una moneda, entonces es espacio muestral es:
E= {CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}

x=0 →{XXX} p0  P{x  0}  1 / 8  0,125

x=1 →{XXC,XCX,CXX} p1  P{x  1}  3 / 8  0,375
x=2 →{CCX,CXC,XCC} p2  P{x  2}  3 / 8  0,375
x=3 →{CCC} p3  P{x  3}  1 / 8  0,125

b) Calcular el Nº esperado de caras al lanzar la moneda. ¿Era previsible el

resultado?
Solución.
k
mx   xi pi  0  0,125  1  0,375  2  0,375  3  0,125  1,5
i 1

Sí, ya que en cada lanzamiento P(C)=1/2 y al lanzar tres veces se tiene que
3  1 / 2  15
, .
Hallar la desviación típica de X
k (0  1,5) 2  0,125  (1  1,5) 2  0,375
x   x  mx  pi   0,866
2
i
i 1  (2  1,5) 2  0,375  (3  1,5) 2  0,125
o bien:

23
 0 
k
x  x
i 1
2
i pi  mx2  2
 0,125...32  0,125  1,52  0,866

Ejemplo 2
Una compañía ha vendido 205 billetes para un avión de 200 plazas.
Sea x la variable aleatoria que expresa el nº de viajeros que va al aeropuerto para
viajar en el avión. Su distribución es:
xi 198 199 200 201 202 203 204 205
pi 0,05 0,09 0,15 0,20 0,23 0,17 0,09 0,02

a) Hallar la probabilidad de que todos los viajeros que van al aeropuerto tengan
plaza.

Solución.
P{x  200}  P{x  198}  P{x  199}  P{x  200} 
 0,05  0,09  0,15  0,29
b) Obtener la probabilidad de que se quede sin plaza alguna de los
viajeros que va al aeropuerto.
P{x  200}  P{x  201}  P{x  202}  ...  P{x  205}
 0, 2  0, 23  0,17  0, 09  0, 02  0, 71
P{x  200}  1  P{x  200}  1  0,29  0,71

c) Calcular el nº esperado de viajeros que acude al aeropuerto.

k
mx   xi pi  198  0,05  199  0,09  200  0,15  201  0,2 
i 1

 202  0,23  203  0,17  204  0,09  205  0,02 

 201,44
d) ¿Cuál es la probabilidad de que la primera persona de la lista de espera tenga
sitio en el vuelo?
P{x  199}  P{x  198}  P{x  199}  0,05  0,09  0,14

Ejemplo 3
La vida útil de un objeto es una variable aleatoria X con función de densidad de
probabilidad

24
   e  x , si x  0
f ( x)  
 0 , si x  0
Calcular la varianza y la deviación estándar de X.
Solución.
Integrando por partes y analizando la convergencia, se tiene:
 1 1
   x e  x dx  Limb  xe  x  0  Limb e  x  0  0 
b b

0  
Y luego integrando dos veces por partes se obtiene
 2
E  X 2    x 2  e  x dx 
0 2
2 1 1
Luego,  2  E  X 2    2   

Lecturas Recomendadas   2
2 2

1
La deviación estándar de X es:  


 DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS.

ir.pe/65jn

 PROBABILIDADES Y VARIABLES ALEATORIAS.

http://bit.ly/FWFKl6

 VARIABLES ALEATORIAS.
http://probabilidad20100.blogspot.com/p/varianza-y-desviacion-estandar.html

Actividades y Ejercicios

1) Ingresa al link “Operaciones 1” lee atentamente las indicaciones, desarróllalo y

envíalo por el mismo medio.

Sea X la variable aleatoria definida como el número de caras que ocurren al

lanzar una moneda 4 veces.
a) Determine la distribución de probabilidad de X.
b) Calcular la probabilidad P 1  X  3

Sea X una variable aleatoria continua con distribución.

 1 25
 xk , 0 x3
f ( x)   6
0 , en otra parte
Autoevaluación
1) Calcule el rango de la variable aleatoria definido como la suma de los
números que aparecen al lanzar dos dados.

RX  2, 4, 6,8,10,12
a.
RX  2,3, 4,5,6,7,8,9,10,11,12
b.
RX  3,5,7,9,11
c.
RX  4,5,6,7,8,9,10,11,12
d.
RX  2,3, 4,5,6,7,8,9,10
e.

2) El número de hijos por familia en una determinada región es una variable

aleatoria X cuya función de probabilidad es:

x 0 1 2 3 4
P  X  x 1/16 4/16 k 4/16 1/16

Calcular el valor de la constante k

a. 11/16
b. 6/16
c. 6/16
d. 5/8
e. 4/16

26
3) Suponga que el número de cursos en que está matriculado un alumno es una
variable aleatoria X con función de probabilidad.

x 0 1 2 3 4 5
P  X  x 1/10 2/10 1/10 3/10 2/10 1/10

Determinar la media de la variable aleatoria.

a. 11/10
b. 13/5
c. 12/5
d. 7/10
e. 1

4) Sea f ( x) una función definida en todos los números reales por:

ax , si x   0,3
 3

f ( x)  
 0 , si x   0,3


Hallar el valor de la constante a para que, f ( x) sea una función de densidad para
alguna variable aleatoria X.

a. 1/16
b. 4/81
c. 5/81
d. 1/3
e. 5/27

5) Sea f ( x) una función densidad para alguna variable aleatoria X definida

por:

4 3
 x , si x   0,3
f ( x)   81
 0 , si x   0,3


Calcular P 1  X  2

a. 5/27
b. 5/24
c. 4/27
d. 2/81

27
 e. 4/81

Resumen
UNIDAD DE APRENDIZAJE I:

Una variable aleatoria es una variable que toma valores numéricos determinados por
el resultado de un experimento aleatorio. No hay que confundir la variable aleatoria
con sus posibles valores. Ejemplos:
 nº de caras al lanzar 6 veces una moneda (valores: 0, 1, 2…)
 nº de llamadas que recibe un teléfono en una hora
 tiempo que esperan los clientes
para pagar en un supermercado…
Las variables aleatorias pueden ser discretas o
continuas.

Es el conjunto de posibles valores, es

numerable. Suelen estar asociadas a
experimentos en que se mide el número de
veces que sucede algo.
Variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que
denotaremos por PX (probabilidad inducida por X).

28