Estadística Aplicada

Prof. MSc. Betty Aladejo

Elaborado por Cesar Chamochumbi
C.I. 82.262.807
Administración Mención Ciencias Comerciales (71)

Actividad 2 – Variable Aleatoria

1. Después de revisar el material complementario, definir que es variable aleatoria,
características, función de distribución acumulativa.

Una variable aleatoria es una función de valores reales cuyo dominio es un espacio muestral. Por
ejemplo: Si de 6 refrigeradores 2 están malos y se prueban uno a uno. Si la variable aleatoria Y
representa el número de pruebas en las que se idéntica el último refrigerador defectuoso, calcule
las probabilidades de cada valor de Y.

Es claro que Y solo puede tomar los valores 2, 3, 4, 5 y 6; ya que 2 es la menor cantidad de pruebas
que se deben realizar para conseguir los dos refrigeradores malos, y 6 es la máxima cantidad de
pruebas, ya que implica probar todos los refrigeradores. Entonces veamos quien es P(Y = 2). Esta
probabilidad se calculara como casos posibles entre total de casos. El total de casos es de cuantas
formas se pueden escoger los 2 refrigeradores malos de entre los 6 refrigeradores, lo cual es un
combinatorio de 6 en 2. Los casos posibles es de cuantas formas se pueden en la segunda
oportunidad el segundo refrigerador malo, solo hay una forma. Por lo tanto:

1 1
𝑃(𝑌 = 2) = =
(62)
15
Para P(Y = 3) necesitamos saber de cuantas formas se puede escoger el segundo refrigerador
malo en la tercera prueba. Eso es equivalente, a ver cuántas formas hubo para escoger el primer
refrigerador malo antes de la tercera prueba. En este caso sería 2, porque se pudo haber escogido
en la primera prueba o en la segunda prueba. Luego:

2 2
𝑃(𝑌 = 3) = =
(62) 15
Si ahora se consigue en la cuarta prueba el segundo refrigerador malo, es porque el primero fue
hallado durante alguna de las primeras tres pruebas, por lo tanto

3
𝑃(𝑌 = 4) =
15
Con el mismo razonamiento
4
𝑃(𝑌 = 5) =
15
y
5
𝑃(𝑌 = 6) =
15

Para comprender de una manera más amplia y rigurosa los tipos de variables, es necesario
conocer la definición de conjunto discreto. Un conjunto es discreto si está formado por un
número finito de elementos, o si sus elementos se pueden enumerar en secuencia de modo que
haya un primer elemento, un segundo elemento, un tercer elemento, y así sucesivamente (es
decir, un conjunto infinito numerable sin puntos de acumulación). Para variables con valores en
ℝ las variables aleatorias se clasifican usualmente en:

1.1. Variables Aleatorias Discretas y Continuas

Una variable aleatoria Y se denomina discreta si puede adoptar solo una cantidad finita o infinita
contable de valores distintos.

Por ejemplo una variable de interés puede ser cuantos profesores del Departamento de Computo
Científico y Estadística están dando clases en horario 9:30 am a 11:30 am los lunes. Claramente
esa variable es discreta, ya que la cantidad de profesores es una cantidad finita.

La probabilidad de que Y adopte el valor y, P(Y = y), se define como la suma de las probabilidades
de los puntos muestrales de S que tienen asignado el valor y. A veces se representara P(Y = y)
como p(y).

La distribución de probabilidad para una variable discreta Y puede representar mediante una
fórmula, tabla o gráfica, que proporciona p(y) = P(Y = y) para toda y.

Cualquier distribución de probabilidades discreta debe satisfacer lo siguiente:

a. 0 ≤ 𝑝(𝑦) ≤ 1 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑦.

b. ∑𝑦 𝑝(𝑦) = 1

Existen muchos problemas en los que se desea calcular la probabilidad de que el valor observado
de una variable aleatoria X esté por debajo o sea igual a algún valor x. Al escribir F(x) = P(X ≤ x)
para cualquier número real x, se define F(x) como la función de distribución acumulativa de la
variable aleatoria X.

Primero, antes de definir las variables aleatorias continuas, vamos a hablar acerca de algunos
detalles que no hemos mencionado antes que son ciertos para cualquier variable aleatoria.
Si Y es cualquier variable aleatoria, la función de distribución de Y, que se denota F(y), se expresa
mediante F(y) = P(Y ≤ y) para −∞ ≤ y ≤ ∞. Esto también suele llamarse la función de distribución
acumulada. Las propiedades de una función de distribución. Si F(y) es una función de distribución,
entonces:

a. 𝐹(−∞) ≡ lim 𝐹(𝑦) = 0

𝑦→−∞

b. 𝐹(∞) ≡ lim 𝐹(𝑦) = 1

𝑦→∞
c. 𝐹(𝑦)𝑒𝑠 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑛𝑜 𝑑𝑒𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑦. 𝑆𝑖 𝑦1 𝑦 𝑦2 𝑠𝑜𝑛 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑢𝑎𝑙𝑒𝑠𝑞𝑢𝑖𝑒𝑟𝑎 𝑡𝑎𝑙𝑒𝑠 𝑞𝑢𝑒 𝑦1 ≤
𝑦2 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐹(𝑦1 ) ≤ 𝐹(𝑦2 ).

Teniendo estas dos cosas en cuenta, ahora definamos lo que es una variable aleatoria continua.

Sea Y una variable aleatoria con función de distribución F(y). Se dice que Y es continua si la
función de distribución F(y) es continua para −∞ ≤ 𝑦 ≤ ∞.

Si F(y) es la función de distribución de una variable aleatoria continua Y, entonces f(y) viene dada
por:

𝑑𝐹(𝑦)
𝑓(𝑦) = = 𝐹 ʹ (𝑦)
𝑑𝑦

Siempre y cuando exista la derivada, y se conoce como función de densidad de probabilidad para
la variable aleatoria Y.
𝑦
Por lo tanto es claro que 𝐹(𝑦) = ∫−∞ 𝑓(𝑡)𝑑𝑡

Las propiedades de una función de densidad. Si f(y) es una función de densidad, entonces:

a. 𝑓(𝑦) ≥ 0𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑦.

∞
b. ∫−∞ 𝑓(𝑦) = 1

Si la variable aleatoria Y tiene una función de densidad 𝑓(𝑦)𝑦 𝑎 ≤ 𝑏, entonces la probabilidad de

que Y esté en el intervalo [𝑎, 𝑏] es:

𝑏
𝑃(𝑎 ≤ 𝑌 ≤ 𝑏) = ∫ 𝑓(𝑦)𝑑𝑦 = 𝐹(𝑏) − 𝐹(𝑎)
𝑎

Con 𝐹(𝑦)𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑌.

Todas las variables aleatorias (discretas y continuas) tienen una función de distribución o función
de distribución acumulativa.
 2. Analizar las distribuciones y funciones de probabilidad.

2.1. La distribución de probabilidad binomial

Algunos experimentos consisten en la observación de una secuencia de intentos idénticos e

independientes, cada uno de los cuales puede resultar en una de dos salidas. Cada artículo
que sale de la línea de producción de manufacturas es defectuoso o no defectuoso. Cada
disparo en una secuencia de tiros a un blanco puede resultar en un acierto o en no acierto y
cada una de las n personas entrevistadas antes de una elección local está a favor del
candidato Jones o no lo está. En esta sección estamos interesados en experimentos,
conocidos como experimentos binomiales, que presentan las siguientes características:

Un experimento binomial presenta las siguientes propiedades:

1. Consiste en un número fijo, n, de pruebas idénticas.

2. Cada prueba resulta en uno de dos resultados: éxito, S, o fracaso, F.
3. La probabilidad de éxito en una sola prueba es igual a algún valor p y es el mismo
de una prueba a la otra. La probabilidad de fracaso es igual a q = (1 – p).
4. Las pruebas son independientes.
5. La variable aleatoria de interés es Y, el número de éxitos observado durante las
n pruebas.

2.2. La distribución de probabilidad geométrica

La variable aleatoria con distribución de probabilidad geométrica está asociada con un

experimento que comparte algunas de las características de un experimento binomial. Este
experimento también comprende pruebas idénticas e independientes, cada una de las cuales
puede arrojar uno de dos resultados: éxito o fracaso. La probabilidad de éxito es igual a p y
es constante de una prueba a otra. No obstante, en lugar del número de éxitos que se
presentan en n pruebas, la variable aleatoria geométrica Y es el número de prueba en la que
ocurre el primer éxito. Entonces, el experimento consiste en una serie de pruebas que
concluye con el primer éxito. En consecuencia, el experimento podría terminar con la primera
prueba si se observa un éxito en la misma o el experimento podría continuar de manera
indefinida.

Entonces, se dice que una variable aleatoria Y tiene una distribución de probabilidad
geométrica si y solo si:

𝑝(𝑦) = 𝑞 𝑦−1 𝑝 𝑐𝑜𝑛 𝑦 = 1, 2, 3, … . , 0≤𝑝≤1

2.3. La distribución de probabilidad hipergeométrica

Se dice que una variable aleatoria Y tiene una distribución de probabilidad hipergeométrica si y
solo si:
 (𝑦𝑟 ) (𝑁−𝑟
𝑛−𝑦
)
𝑝(𝑦) = 𝑑𝑜𝑛𝑑𝑒 𝑦 𝑒𝑠 𝑢𝑛 𝑒𝑛𝑡𝑒𝑟𝑜 0, 1, 2, … … , 𝑛, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑙𝑎𝑠 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑦 ≤ 𝑟 𝑦 𝑛 − 𝑦 ≤ 𝑁 − 𝑟
(𝑁𝑛)

2.4. La distribución de probabilidad de Poisson

Se dice que una variable aleatoria Y tiene distribución de probabilidad de Poisson si y solo si:

𝜆𝑦 −𝜆
𝑝(𝑦) = 𝑒 𝑐𝑜𝑛 𝑦 = 0, 1, 2 … 𝜆>0
𝑦!

2.5. Teorema de Tchebysheff

Sea Y una variable aleatoria con media 𝜇 y varianza finita 𝜎 2 . Entonces, para cualquier constante
𝑘 > 0,

1 1
𝑃|𝑌 − 𝜇| < 𝑘𝜎) ≥ 1 − 𝑜 𝑃|𝑌 − 𝜇| < 𝑘𝜎) ≤
𝑘2 𝑘2

3. Calcular la media o valor esperado dentro de una distribución de frecuencias.

Cuando se piensa en el valor esperado de una variable aleatoria, intuitivamente, estamos

pensando en un promedio ponderado de los valores que puede tomar la variable y su
probabilidad. Con eso en mente, se puede definir formalmente de la siguiente forma.

Sea Y una variable aleatoria discreta con función de probabilidad p(y). Entonces, el valor esperado
de Y, E(Y), se define como:

𝐸(𝑌) = ∑ 𝑦𝑝(𝑦)
𝑦
Si lo que se tiene no es una variable aleatoria, sino una función de ella, entonces el valor esperado
se calcula siguiendo el próximo teorema.

Sea Y una variable aleatoria discreta con función de probabilidad p(y) y sea g(Y) una función de
valor real de Y, entonces la siguiente expresión da el valor esperado de g(Y)

𝐸[𝑔(𝑌)] = ∑ 𝑔(𝑦)𝑝(𝑦)
𝑦

4. Ejercicios de variables Aleatoria Discreta.

4.1. Una variable aleatoria discreta x puede tomar los valores 30. 40, 50, 60, con las
probabilidades 0.4, 0.2; 0.1 y 0.3 represente en una tabla la función de probabilidad
 P(X=x) y la función de distribución de probabilidad F(x) = P(X menor o igual x) y determine
las siguientes probabilidades

a. P (X menor o igual 25)

b. P (X mayor o igual 60)

c. P (X menor 40)

d. P (X mayor 40)

e. P (30 menor igual X menor igual 60)

Solución:

Según los datos, tenemos:

𝑃(𝑋 = 30) = 0,4

𝑃(𝑋 = 40) = 0,2
𝑃(𝑋 = 50) = 0,1
𝑃(𝑋 = 60) = 0,3

Entonces, cuando

𝑋 > 30 𝐹(𝑥) = 0
30 ≤ 𝑋 ≤ 40 𝐹(30) = 𝑃(𝑋 ≤ 30) = 𝑃[𝑋 = 30] = 0,4
40 ≤ 𝑋 ≤ 50 𝐹(40) = 𝑃(𝑋 ≤ 40)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
= 0,4 + 0,2 = 0,6
40 ≤ 𝑋 ≤ 50 𝐹(50) = 𝑃(𝑋 ≤ 50)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
+ 𝑃[𝑋 = 50]
= 0,4 + 0,2 + 0,1 = 0,7
40 ≤ 𝑋 ≤ 50 𝐹(60) = 𝑃(𝑋 ≤ 60)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
+ 𝑃[𝑋 = 50] + 𝑃[𝑋 = 60]
= 0,4 + 0,2 + 0,1 + 0,3 = 1

Luego, la función de distribución queda de la siguiente forma:

0 𝑋 < 30
0,4 30 ≤ 𝑋 < 40
𝐹(𝑋) = 0,6 40 ≤ 𝑋 < 50
0,7 50 ≤ 𝑋 < 60
{ 1 𝑋 ≥ 60
Visto gráficamente, tenemos:

Donde, 0 ≤ 𝐹(𝑋) ≤ 1

𝑥 𝑓(𝑥) 𝐹(𝑥)
30 0,4 0,4
40 0,2 0,6
50 0,1 0,7
60 0,3 1

Ahora, resolviendo las probabilidades:

a. 𝑃(𝑋 ≤ 25) = 0

b. 𝑃(𝑋 ≥ 60) = 1

0 𝑋 < 30
c. 𝑃(𝑋 < 40) = {
0,4 30 ≤ 𝑋 < 40

0,6 40 ≤ 𝑋 < 50
d. 𝑃(𝑋 > 40) = {0,7 50 ≤ 𝑋 < 60
1 𝑋 ≥ 60

e. 𝑃(30 ≤ 𝑋 ≤ 60) = 1