VARIABLE ALEATORIA

Para un espacio muestral dado S de algún experimento, una variable aleatoria (va, o rv,
por sus siglas en inglés) es cualquier regla que asocia un número con cada resultado en
S. En lenguaje matemático, una variable aleatoria es una función cuyo dominio es el
espacio muestral y cuyo rango es el conjunto de números reales.

Ejemplo: sea el experimento de lanzar una moneda tres veces y observar si cae cara o
sello.

S = {CCC, CSC, CCS, SCC, SCS, SSC, CSS, SSS}

Si defino X: número de caras que resultan de lanzar una moneda tres veces, entonces la
notación X(s) = x significa que x es el valor asociado con el resultado s por la va X. Para
el ejemplo:
 VARIABLE ALEATORIA
Para un espacio muestral dado S de algún experimento, una variable aleatoria (va, o rv,
por sus siglas en inglés) es cualquier regla que asocia un número con cada resultado en
S. En lenguaje matemático, una variable aleatoria es una función cuyo dominio es el
espacio muestral y cuyo rango es el conjunto de números reales.

Ejemplo: sea el experimento de lanzar una moneda tres veces y observar si cae cara o
sello.

S = {CCC, CSC, CCS, SCC, SCS, SSC, CSS, SSS}

Si defino X: número de caras que resultan de lanzar una moneda tres veces, entonces la
notación X(s) = x significa que x es el valor asociado con el resultado s por la va X. Para
el ejemplo:

X(SSS) = 0 X(SCS, SSC, CSS) = 1 X(CSC, CCS, SCC) = 2

X(CCC) = 3
Distribución de probabilidad para v.a discretas
La distribución de probabilidad o función masa de probabilidad (fmp) de una variable
discreta se define para cada número x como p(x) = P(X = x) = P(todas las s ∈ S: X(s) = x).

Para el ejemplo de los tres lanzamientos de una moneda:

Distribución de probabilidad para v.a discretas
La distribución de probabilidad o función masa de probabilidad (fmp) de una variable
discreta se define para cada número x como p(x) = P(X = x) = P(todas las s ∈ S: X(s) = x).

Para el ejemplo de los tres lanzamientos de una moneda:

x 0 1 2 3
P(X = x) 1/8 3/8 3/8 1/8

En palabras, para cada valor posible x de la variable aleatoria, la función masa de

probabilidad especifica la probabilidad de observar dicho valor cuando se realiza el
experimento. Se requieren las condiciones p(x) ≥ 0 y σtodas las x posibles p(x)=1 de
cualquier función masa de probabilidad.
 FUNCIÓN DE DISTRIBUCIÓN
ACUMULATIVA
La función de distribución acumulativa (fda) F(x) de una variable aleatoria discreta X con
función masa de probabilidad p(x) se define para cada número x como:

F(x) = P(X ≤ x) = σy: y≤x 𝑝(𝑦)

Para cualquier número x, F(x) es la probabilidad de que el valor observado de X será

cuando mucho x.

Para el ejemplo del experimento de lanzar una moneda tres veces:

 FUNCIÓN DE DISTRIBUCIÓN
ACUMULATIVA
La función de distribución acumulativa (fda) F(x) de una variable aleatoria discreta X con
función masa de probabilidad p(x) se define para cada número x como:

F(x) = P(X ≤ x) = σy: y≤x 𝑝(𝑦)

Para cualquier número x, F(x) es la probabilidad de que el valor observado de X será

cuando mucho x.

Para el ejemplo del experimento de lanzar una moneda tres veces :

F(0) = P(X ≤ 0) = P (X = 0) = 1/8

F(1) = P(X ≤ 1) = P (X = 0 ó 1) = p(0) + p(1) = 1/8 + 3/8 = 4/8
F(2) = P(X ≤ 2) = P (X = 0 ó 1 ó 2) = p(0) + p(1) + p(2) = 1/8 + 3/8 + 3/8 = 7/8
F(3) = P(X ≤ 3) = P (X = 0 ó 1 ó 2 ó 3) = p(0) + p(1) + p(2) + p(3) = 1/8 + 3/8 + 3/8 + 1/8 = 1
 DISTRIBUCIÓN BINOMIAL
1. n repeticiones de un ensayo Bernoulli (dos posibles resultados, los cuales se denotan
como éxito (E) y falla (F)). El número n se debe fijar.

2. Los ensayos son independientes, de modo que el resultado en cualquier ensayo

particular no influye en el resultado de cualquier otro ensayo.

3. La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se

denota por 𝜋.
 VARIABLE ALEATORIA BINOMIAL
La variable aleatoria binomial X asociada con un experimento binomial que consiste en n
ensayos se define como

X = el número de los E entre los n ensayos

𝑛𝐶𝑥 𝜋 𝑥 (1 − 𝜋)𝑛−𝑥 𝑥 = 0,1,2, … , 𝑛

𝑃 𝑋=𝑥 =ቐ
0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Si X ~ Bin(n, 𝜋), entonces E(X) = n 𝜋, V(X) = n 𝜋(1 - 𝜋).

 Ejemplo 1.2.9
Las posibilidades de que un bit transmitido de un canal de transmisión digital se reciba
con error es de 0.1. Suponga además que los ensayos de transmisión son
independientes. Sea X la v.a que denota el número de bits con error en los siguientes
cuatro bits transmitidos.

1. Determine los posibles valores que puede asumir la variable.

2. Es el experimento dado binomial, explique.
3. Determine P(X = 2) y P(X ≤ 3).
4. Determine la probabilidad de que cuando más se transmitan dos bits con error.
5. ¿Cuál es la probabilidad de que por lo menos cuatro bits sean transmitidos con
error?
6. Determine el número de bits con error esperados.
7. Encuentre la varianza del número de bits con error.
 Distribución de Poisson
El modelo de Poisson sirve para describir una serie de fenómenos cuyos eventos se
presentan como resultado de contar ya sea en el tiempo, el espacio o el volumen.

Definición 1.2.7. Proceso de Poisson

Dado un intervalo de números reales, suponga que ocurren conteos al azar a lo largo
del intervalo. Si puede hacerse la partición del intervalo en subintervalos con una
longitud lo suficientemente pequeña tal que se cumplan los siguientes aspectos:

1. La probabilidad de más de un conteo en un subintervalo muy pequeño es cero.

2. La probabilidad de un conteo en un subintervalo es la misma para todos los
subintervalos y proporcional a la longitud del subintervalo.
3. El conteo en cada subintervalo es independiente de los conteos en los demás
subintervalos.
 Distribución de Poisson
Se dice que una variable aleatoria X tiene una distribución de Poisson con parámetro
𝜆 (𝜆 > 0) si la función masa de probabilidad de X es

𝑒 −𝜆 𝜆𝑥
P(X=x) = x = 0, 1, 2, . . .
𝑥!

E(X) = V(X) = 𝜆

En cualquier experimento binomial en el cual n es grande y p es pequeña, B(x, n, 𝜋) ≈

Poi(x, 𝜆), donde 𝜆 = n 𝜋. Como regla empírica, esta aproximación puede ser aplicada con
seguridad si n > 50 y n 𝜋 < 5.
EJEMPLO 1.2.11. Desarrolle cada uno de los siguientes numerales.

3. El número promedio de homicidios en cierta metrópoli es de 2 por día. Determinar

la probabilidad de que un día dado haya:

a) No más de 3 homicidios en un día dado.

b) Exactamente 3 homicidios en dos días.
c) No haya homicidios en tres días.
d) Más de 2 homicidios en un día.
e) Entre 1 y 3 homicidios inclusive en un día.
 Distribución de probabilidad para v.a continuas
Definición 1.3.1. Función densidad de probabilidad.

La función f(x) es una función de densidad de probabilidad para la v.a continua X,

definida en el conjunto de los números reales, si:

1. 𝑓 𝑥 ≥ 0 para toda 𝑥 ∈ ℝ.

∞
2. ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1

𝑏
3. 𝑃 𝑎 < 𝑋 < 𝑏 = ‫𝑥𝑑 𝑥 𝑓 𝑎׬‬
Definición 1.3.2. Función de Distribución Acumulada (F.D.A)

La función de distribución acumulada de una v.a continua X, denotada por F(x) está
dada por:

𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ‫׬‬−∞ 𝑓 𝑡 𝑑𝑡 ∀ −∞<𝑥 <∞

Ejemplo 1.3.1. Suponga que el error en la temperatura de reacción, en °C, para un

experimento controlado de laboratorio es una v.a X continua que tiene f.d.p dada por:

𝒙𝟐
𝒇 𝒙 = −𝟏<𝒙<𝟐
𝟑
 DISTRIBUCIÓN NORMAL
Se dice que una variable aleatoria continua X tiene una distribución normal con
parámetros 𝜇 y 𝜎 (ó 𝜇 y 𝜎 2 ), donde −∞ < 𝜇 < ∞ y 𝜎 > 0, si la función de densidad de
probabilidad de X es:

1 1 𝑥−𝜇 2
−
𝑓 𝑥; 𝜇, 𝜎 = 𝑒 2 𝜎 , −∞ < 𝑥 < ∞
2𝜋𝜎

𝐸 𝑋 = 𝜇 y V 𝑋 = 𝜎2
 DISTRIBUCIÓN NORMAL ESTÁNDAR
La distribución normal con valores de parámetro 𝜇 = 0 y 𝜎 = 1 se llama distribución normal
estándar. Una variable aleatoria que tiene una distribución normal estándar se llama variable
aleatoria normal estándar y se denotará por Z. La función de densidad de probabilidad de Z
es:
1 −1𝑧 2
𝑓 𝑧; 0,1 = 𝑒 2 , −∞ < 𝑧 < ∞
2𝜋

𝐸 𝑍 =0yV 𝑍 =1

La gráfica de 𝑓 𝑧; 0,1 se llama curva normal estándar (ó z). La función de distribución

𝑧
acumulativa de Z es P(Z ≤ z) = ‫׬‬−∞ 𝑓 𝑦; 0,1 𝑑𝑦, la cual será denotada por Φ(z).

Proposición: Si X tiene una distribución normal con media 𝜇 y desviación estándar 𝜎,

𝑋−𝜇
entonces Z = 𝜎 tiene una distribución normal estándar.
 𝑋−𝜇
Proceso de tipificar o estandarizar Z = 𝜎

P(Z ≤ 1.25)

P(Z ≥ 1.25)
 EJERCICIOS
Ejemplo 1.3.5. El peso neto de las cajas de detergente puede considerarse como una v.a normal.
Cajas estándar de una marca comercial tienen un peso promedio de 1000 gm y una desviación
estándar de 20 gm. Si se toma una caja al azar, determine:
1. ¿Cuál es la probabilidad de que pese 1025 gm?

2. ¿Cuál es la probabilidad de que pese menos de 1025 gm?

3. ¿Cuál es la probabilidad de que pese 989 gm o más?

4. ¿Cuál es la probabilidad de que pese entre 990 y 1008 gm?

5. ¿Cuál es el peso máximo por debajo del cual se encuentra el 90% de los pesos de las cajas?
 EJERCICIOS
1. Una central telefónica recibe una media de 480 llamadas por hora y la central tiene una
capacidad para atender a lo sumo 12 llamadas por minuto, ¿cuál es la probabilidad de que en
un minuto determinado no sea posible dar línea a todos los clientes?
2. Un examen de estadística consiste en 10 preguntas de alternativas múltiples, cada una con
cinco posibles respuestas y única solución. Para alguien que adivina aleatoriamente todas las
respuestas, calcule la probabilidad de aprobar si la calificación mínima para aprobar es del 60%.
¿Es la probabilidad lo bastante alta como para que valga la pena arriesgarse a aprobar
adivinando al azar en lugar de estudiar?
 APROXIMACIÓN DE UNA BINOMIAL A UNA
NORMAL
Sea X una variable aleatoria binomial basada en n ensayos con probabilidad de éxito 𝜋.
Luego si el histograma de probabilidad binomial no es demasiado asimétrico, X tiene
aproximadamente una distribución normal con 𝜇 = 𝑛𝜋 y 𝜎 = 𝑛𝜋(1 − 𝜋) .

á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑐𝑢𝑟𝑣𝑎 𝑛𝑜𝑟𝑚𝑎𝑙 𝑥 + 0.5 − 𝑛𝜋

𝑃 𝑋 ≤ 𝑥 = b(x; n, 𝜋) ≈ =𝑃 Z≤
𝑎 𝑙𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎 𝑑𝑒 𝑥 + 0.5 𝑛𝜋(1 − 𝜋)
Corrección por
continuidad
En la práctica, la aproximación es adecuada siempre que tanto n 𝜋 ≥ 10 como n (1 − 𝜋) ≥
10, puesto que en ese caso existe bastante simetría en la distribución binomial subyacente.

P(X=10) ≈ P(Z ≤10.5) - P(Z ≤9.5)

 EJERCICIO
Suponga que 10% de todas las flechas de acero producidas por medio de un proceso no
cumplen con las especificaciones pero pueden ser retrabajadas (en lugar de ser
desechadas). Considere una muestra aleatoria de 200 flechas y sea X el número entre
éstas que no cumplen con las especificaciones y pueden ser retrabajadas. ¿Cuál es la
probabilidad aproximada de que X sea

a. ¿Cuando mucho 30?

b. ¿Menos que 30?

c. ¿Entre 15 y 25 (inclusive)?
 DISTRIBUCIÓN EXPONENCIAL
Se dice que X tiene una distribución exponencial con parámetro 𝜆 (𝜆 > 0) si la función
de densidad de probabilidad de X es

𝜆𝑒 −𝜆𝑥 , 𝑥≥0
𝑓 𝑥; 𝜆 = ቊ
0, 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

𝐸 𝑋 = 1/𝜆, V 𝑋 = 1/𝜆2 .

0, 𝑥<0
F 𝑥; 𝜆 = ቊ
1 − 𝑒 −𝜆𝑥 , 𝑥≥0

La distribución exponencial se utiliza con frecuencia como

modelo de la distribución de tiempos entre la ocurrencia de
eventos sucesivos, tales como clientes que llegan a una
instalación de servicio o llamadas que entran a un conmutador.
 EJERCICIO
La amplia experiencia con ventiladores de un tipo utilizados en motores diesel ha
sugerido que la distribución exponencial proporciona un buen modelo del tiempo hasta
la falla. Suponga que el tiempo medio hasta la falla es de 25 000 horas. ¿Cuál es la
probabilidad de que

a. Un ventilador seleccionado al azar dure por lo menos 20 000 horas?

b. ¿Cuándo mucho 30 000 horas?

c. ¿Entre 20 000 y 30 000 horas?

d. ¿Exceda la duración de un ventilador el valor medio por más de dos desviaciones

estándar? ¿Más de tres desviaciones estándar?