UNIVERSIDAD NACIONAL DE SAN AGUSTIN DE AREQUIPA

FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA

Curso: Estadística para Economistas 1

Econ. Fredy Subia Carcausto
 VARIABLE ALEATORIA
• Una variable cuyos valores está determinado por los resultados de un
experimento aleatorio se denomina variable aleatoria. El nombre de la
variable se designa por X y cualquiera de sus valores posibles por x.
• Ejemplos:
1. El número de caras obtenidas al lanzar una moneda tres veces.
2. El número de estudiantes de sexo femenino que ocurren al seleccionar una muestra
aleatoria de cuatro estudiantes.
3. El número de televisores vendidos diariamente por una tienda de electrodomésticos
durante un mes.
4. El número de automóviles que llegan durante los siguientes diez minutos a una
gasolinera.
5. La cotización de cierre de las acciones de Telefónica del Perú en determinada fecha.
6. Los tiempos de servicio a clientes en un banco.
• Si el conjunto de todos los valores posibles de una variable aleatoria es contable
o enumerable, se dice que la variable es una variable aleatoria discreta.
• Si el conjunto de todos los valores posibles es infinito debido a que la variable
pueda tomar valores en todos los puntos de un rango, se dice que es una
variable aleatoria continua.
2
VARIABLE ALEATORIA DISCRETA
• En el ejemplo 1, la variable aleatoria resulta del experimento aleatorio
: lanzar una moneda tres veces.
El espacio muestral S asociado al experimento aleatorio es el conjunto de todos
los resultados posibles:
S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
de estos resultados sólo nos intereza “el número de caras obtenidas”

CCC 3 = x4
CCS Entonces, la variable aleatoria es:
CSC 2 = x3 X : número de caras obtenidas al
SCC lanzar una moneda 3 veces.
CSS
SCS 1 = x2
Variable aleatoria es una función que
SSC
SSS 0 = x1 asigna un valor numérico, a cada
resultado del experimento aleatorio.
Dominio de X Rango de X 𝑅𝑋 = { 0, 1, 2, 3 }
 Para la variable aleatoria, “El número de caras obtenidas al lanzar una moneda
tres veces”, tenemos la siguientes probabilidades:

p(0) = 1/8 = 0.125, p(1) = 3/8 = 0.375, p(2) = 3/8 = 0375, p(3) = 1/8 = 0.125,

la suma es igual a 1

• En el ejemplo 2, la variable aleatoria resulta del experimento aleatorio

 : seleccionar una muestra aleatoria de cuatro estudiantes.
El espacio muestral S asociado al experimento aleatorio es el conjunto de todos
los resultados posibles:
S = {FFFF, FFFM, FFMF, FMFF, MFFF, FFMM, FMFM, FMMF, MFMF, MMFF,
MFFM, FMMM, MFMM, MMFM, MMMF, MMMM}
de estos resultados sólo nos intereza “el número de estudiantes de sexo
femenino”.
Sabiendo que la variable aleatoria es:
X : número de estudiantes de sexo femenino al seleccionar una muestra
aleatoria de 4 estudiantes.
Los valores que toma la variable aleatoria, es:
𝑅𝑋 = { x | x = 0, 1, 2, 3, 4 }

Para la variable aleatoria, “El número de estudiantes de sexo femenino

que ocurren al seleccionar una muestra aleatoria de cuatro estudiantes”,
tenemos la siguientes probabilidades:
p(0) = 1/16, p(1) = 4/16, p(2) = 6/16, p(3) = 4/16, p(4) = 1/16,
la suma de estas probabilidades es igual a 1.
Para el ejemplo 3: Usando los registros de una tienda de electrodomésticos
de los últimos 300 días de trabajo, el gerente de comercialización ha
resumido el número de televisores vendidos al día en la siguiente tabla,
(Sea X, el número de TV vendidos diariamente):

X: Número de TV Frecuencia de X : Número de TV P( X = x )

vendidos al día ocurrencia
0 25
1 64
2 92
3 42
4 24
5 18
6 15
7 11
8 7
9 2
Total 300
vendidos al día (Frec. relativa)
0 0.08
1 0.21
2 0.31
3 0.14
4 0.08
5 0.06
6 0.05
7 0.04
8 0.02
9 0.01
Total 1.00
6
Ejemplos:
• En un juego en el que se tira un dado, un jugador gana S/ 10 si sale los
números 1 ó 2, no gana ni pierde si sale 3 ó 4 y pierde S/ 10 si sale 5 ó 6.
Sea la variable aleatoria X la ganancia del jugador.
Solución:
El espacio muestral: S = { 1, 2, 3, 4, 5, 6 }
Los valores de la variable aleatoria X :
𝑅𝑋 = { x | x = -10, 0, 10 }
Para estos valores de la variable aleatoria, tenemos la siguientes
probabilidades:
p(-10) = 2/6, p(0) = 2/6, p(10) = 2/6, y la suma es igual a 1.
• Un lote grande de artículos, contiene artículos defectuosos D y no
defectuosos N. Se extrae sucesivamente los artículos hasta lograr un
artículo defectuoso. Sea X el número necesario de extracciones.
Solución:
S = { D, ND, NND, NNND, … }
𝑅𝑋 = { x | x = 1, 2, 3, 4, … }
Función de probabilidad
• La función de probabilidad o función de cuantía de la variable aleatoria
discreta X, es una función p definida por:
p (x) = P (X = x) para todo valor de X y que satisface las siguientes
condiciones:
1ª p(x) ≥ 0
2ª Σ p(x) = 1
Ejemplos:
 p(x) = x / 10 ; x = 1, 2, 3, 4, es una función de probabilidad por cuanto:
p(1) = 1/10, p(2) = 2/10, p(3) = 3/10, p(4) = 4/ 10, y la suma es 1.

3 x
 p ( x)  P( X  x)  C x (0.5) (0.5) ; x = 0, 1, 2, 3, es una función de probabilidad:
3 x

p(0) = 0.125, p(1) = 0.375, p(2) = 0.375, p(3) = 0.125, y la suma es 1.

9
 DISTRIBUCIÓN DE PROBABILIDAD
• Una tabla, gráfica o fórmula que asocie cada valor posible, x, de una
variable aleatoria, X, con una cierta probabilidad de ocurrencia, P (X = x),
es la distribución de probabilidad de la variable aleatoria X.
• Si la variable es aleatoria discreta, la distribución recibe el nombre de
distribución discreta de probabilidad. Distribución de probabilidad de
0.5
X
Ejemplo: p ( x ) = x / 10 ; x = 1, 2, 3, 4 0.4

Probabilidad de X
0.3

0.2
x 1 2 3 4
0.1
p(x) = P( X = x ) 1/10 2/10 3/10 4/10 0.0
1 2 3 4
X

• Si la variable es aleatoria continua, la distribución recibe el nombre de

distribución de probabilidad continua.

10
Ejemplo: Usando los registros de una tienda de electrodomésticos de los
últimos 300 días de trabajo, el gerente de comercialización ha resumido
el número de televisores vendidos al día en la siguiente tabla, (Sea X, el
número de TV vendidos diariamente):

X : Número de TV Frecuencia de X : Número de TV P( X = x )

vendidos al día ocurrencia
0 25
1 64
2 92
3 42
4 24
5 18
6 15
7 11
8 7
9 2
Total 300
vendidos al día (Frec. relativa)
0 0.08
1 0.21
2 0.31
3 0.14
4 0.08
5 0.06
6 0.05
7 0.04
8 0.02
9 0.01
Total 1.00
11
 Gráfico Nº 12
Distribución del número de TV vendidos al
día
0.35
0.30
0.25
Probabilidad

0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9
Número de TV vendidos al día

12
 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

• La distribución de probabilidad para una variable aleatoria discreta

puede ser:
1. Un listado teórico de resultados y probabilidades, que pueden
obtenerse de un modelo matemático que represente algún fenómeno de
interés. Este modelo se conoce como función de probabilidad de una
variable aleatoria.
2. Un listado empírico de resultados y sus frecuencias relativas
observadas.
3. Un listado subjetivo de resultados asociados a sus probabilidades
subjetivas que representan el grado de convicción del tomador de
decisiones respecto a la probabilidad de los resultados posibles. Opinión
de expertos.

13
FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA DE PROBABILIDADES
• La función de distribución acumulativa F(x) de una variable aleatoria
discreta, indica la probabilidad acumulada que la variable X tome un valor
menor o igual que x. Es decir:
F(x) = P ( X ≤ x ) = Σ p (x) = Σ P(X = x)
𝒑(𝒙)
PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN

1ª 0 ≤ F (x) ≤ 1
2ª F (x) es siempre monótona no decreciente:
Si x1 ≤ x2 entonces F( x1 ) ≤ F( x2 ) −∞ 0 𝒙𝟏 𝒙𝟐
𝑿
∞
3ª F ( + ∞ ) = P ( X < + ∞ ) = 1 𝐹(𝑥1 )
𝐹(𝑥2 )
F(-∞)=P(X<-∞)=0

14
• En el ejemplo del lanzamiento de una moneda 3 veces, tenemos la
distribución de probabilidad del número de caras obtenidas:
x 0 1 2 3
p(x) = P( X = x ) 0.125 0.375 0.375 0.125

• La función de distribución será:

F(x)
0 si 𝑥<0 1
0.125 si 0≤𝑥<1 0.875
• 𝐹 𝑥 = 0.500 si 1≤𝑥<2 0.500
0.875 si 2≤𝑥<3
1 si 𝑥≥3 0.125
0 1 2 3 X
• A partir de F(x) anterior, encontrar las siguientes probabilidades:
P(X ≤ 2) = F(2) = 0.875
P(X  2) = P(X ≤ 1) = F(1) = 0.500
P(X  2) = 1- P(X  2) = 1- F(1) =1- 0.500 = 0.500
P(0  X ≤ 2) = F(2) - F(0) = 0.875 – 0.125 = 0.750
P(0 ≤ X ≤ 2) = F(2) - F(0) + P(X = 0) = 0.875 – 0.125 + 0.125 = 0.875
P(0  X  2) = F(2) - F(0) - P(X = 2) = 0.875 – 0.125 – 0.375 = 0.375
P(0 ≤ X  2) = F(2)-F(0)+P(X =0)-P(X =2)=0.875–0.125+0.125-0.375= 0.500
p(2) = P(X = 2) = F(2) - F(1) = 0.875 – 0.500 = 0.375
Algunas probabilidades acumulativas.
Sean a < b dos números, valores de la variable aleatoria X:

• P(X ≤ a) = F(a)
• P(X ≥ a) = 1 – P(X < a)
• P(a < X ≤ b) = F(b) – F(a)
• P(a ≤ X ≤ b) = F(b) – F(a) + P(X = a)
• P(a < X < b) = P(a < X ≤ b) – P(X = b) = F(b) – F(a) – P(X = b)
• P(a ≤ X < b) = F(b) – F(a) + P(X = a) – P(X = b)
• p(xi) = P(X = xi) = F(xi) – F(xi-1)

17
MEDIDAS DE RESUMEN DE LAS DISTRIBUCIONES DE PROBABI-
LIDAD DE VARIABLE ALEATORIA DISCRETA
1. Valor esperado de una variable aleatoria discreta:
E(X ) = μx = Σ x P(X = x)
2. Varianza y desviación estándar
• Var(X ) = σx2 = E (X – E(X) ) 2 = E (X – 𝝁𝐱 ) 2
• Var(X ) = σx2 = Σ (X – 𝝁𝐱 )2 P(X = x)
• Var(X ) = σx2 = E (X 2 ) – ( E(X) ) 2 = E (X 2 ) – 𝝁𝐱 2
en donde E(X 2) = Σ x2 P(X = x)

 Var(X ) = σx2 = Σ x2 P(X = x) – 𝝁𝐱 2

• σx = [ Var(X ) ]½

18
• Respecto al experimento de arrojar una moneda tres veces:
• El promedio de caras que podemos esperar hallar al arrojar una
moneda tres veces es: E (X) = μx = 3/2 = 1.5
E(X ) = μx = Σ x P(X = x) = 0(0.125) + 1(0.375) + 2(0.375) + 3(0.125) = 1.5

• La varianza es: Var(X ) = ¾ = 0.75

Var(X ) = σx2 = E (X 2 ) – 𝜇x 2 = Σ x 2 P(X = x) – 𝜇x 2 =
= [(0)2 (0.125) + (1)2 (0.375) + (2)2 (0.375) + (3)2 (0.125)] – (1.5)2 = 0.75

• La desviación estándar es: σx = 0.75 = 0.866

19
• Respecto al ejemplo de los TV X : Número p(x)
vendidos: de TV
vendidos al
(frecuenc x p(x) 𝑥 2  p(x)
• La media o número esperado día
relativa)
de televisores vendidos
0 0.08 0.00 0.00
diariamente es: 1 0.21 0.21 0.21
E (X) = μx = 𝑥 ∙ 𝑝(𝑥) = 2.7 2 0.31 0.62 1.24
3 0.14 0.42 1.26
• La varianza es: 4 0.08 0.32 1.28
5 0.06 0.30 1.50
Var(X ) = 11.34 − (2.7)2 = 4.05 6 0.05 0.30 1.80
7 0.04 0.28 1.96
• La desviación estándar es: 8 0.02 0.16 1.28
9 0.01 0.09 0.81
σx= 2.01246 Total 1.00 2.70 11.34
Propiedades: Si X es una variable aleatoria y a, b constantes:

• E(b) = b
• E(bX) = b E(X)
• E(a + bX) = a + b E(X)

• Var (X) ≥ 0
• Var (b) = 0
• Var (a + bX) = b 2 Var (X)

Demostración:
Var(a + bX) = E[(𝑎 + 𝑏𝑋) − 𝐸(𝑎 + 𝑏𝑋)]2 = E[𝑎 + 𝑏𝑋 − 𝑎 − 𝑏𝐸(𝑋)]2 = E[𝑏(𝑋 − 𝐸 𝑋 )]2

Var(a + bX) = 𝑏 2 E[𝑋 − 𝐸 𝑋 ]2 = 𝒃𝟐 𝑽𝒂𝒓(𝑿)

 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
• Cualquier variable cuantitativa cuyo valor numérico sea determinado por
un experimento aleatorio y, así, por azar, se denomina variable aleatoria.
El nombre de la variable se designa por X y cualquiera de sus valores
posibles por x.
• Si el conjunto de todos los valores posibles es infinito debido a que la
variable puede tomar valores en todos los puntos de un rango, se dice que
es una variable aleatoria continua.
• Se pueden representar como variable aleatoria continua características
medidas en unidades de dinero, tiempo, distancia o peso. Las
observaciones sobre dichas variables son infinitas en número.
• Ejemplos:
1. Los tiempos de servicio a clientes en un banco.
2. La duración de las bombillas eléctricas.
3. La longitud de varillas de acero.
4. El peso de las manzanas cosechadas por cada árbol de su especie.

22
LA FUNCIÓN DE DENSIDAD DE PROBABILIDAD
• La función de probabilidad de una variable aleatoria continua
denominada función de densidad de probabilidad, es una
función f (x) integrable que satisface las condiciones siguientes:
1ª f (x) ≥ 0 para todo valor de x definido en un intervalo

2ª  f ( x)dx 1

• Sea el evento A = { x | a ≤ X ≤ b }, así: P( A)  P(a  X  b)  ab f ( x)dx

P( a ≤ X ≤ b ) = P(a < X ≤ b ) = P(a ≤ X < b ) = P(a < X < b ), cuando X es una

variable aleatoria continua.

P( X  a)  P(a  X  a)  a f ( x)dx  0, es la probabilidad en un punto.

a

23
• Ejemplo, sea la función de densidad: f(x)

 2 2 2 1/2
x x , si 0 x3
f ( x)   3 9 P(1≤X≤2)
 0 , en otro caso
• Calcular las siguientes probabilidades: 0 1 2 3 X

2 2 2 2 2 1 2 2 3 𝑥=2 𝟏𝟑
• 𝑃 1≤𝑋≤2 = 1
𝑓 𝑥 𝑑𝑥 = 1 3
𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 =
9 3 27 𝑥=1 𝟐𝟕
3/2 0 3/2 2 2
• 𝑃 −1 ≤ 𝑋 ≤ 3/2 = −1
𝑓 𝑥 𝑑𝑥 = −1
0𝑑𝑥 + 0 𝑥 − 𝑥 2 𝑑𝑥 =
3 9
1 2 2 3 𝑥=3/2 𝟏
= 𝑥− 𝑥 =
3 27 𝑥=0 𝟐
𝟐𝟎
• 𝑃 0≤𝑋≤ 2 =
𝟐𝟕
LA FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA
• La función de distribución acumulativa F( x ) de una variable aleatoria
continua X, indica la probabilidad acumulada que la variable X tome un
valor menor o igual que x. Es decir:
F ( x)  P( X  x)  x f ( x)dx para todo valor de X

• Propiedades:
1ª 0 ≤ F (x) ≤ 1
2ª F (x) es siempre monótona no decreciente:
Si a ≤ b, entonces F( a ) ≤ F( b )
3ª F(-∞)=P(X<-∞)=0 F(+∞)=P(X<+∞)=1
d
4ª f ( x)  F ( x)  F´( x)
dx

25
• Ejemplo. Dada la función de densidad:

 2 2 2
x x , si 0 x3
f ( x)   3 9
 0 , en otro caso

encontrar la función de distribución F (x).

𝑥 𝑥
si x ≤ 0, 𝐹 𝑥 = −∞
𝑓 𝑥 𝑑𝑥 = −∞
0𝑑𝑥 =0
0 𝑥 2 2 2 1 2 2 3 𝑥 1 2 2 3
si 0 x 3, 𝐹 𝑥 = −∞
0𝑑𝑥 + 0 3
𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 = 𝑥 − 𝑥
9 3 27 0 3 27

0 3 2 2 2 𝑥 1 2 2 3 3
si x 3, 𝐹 𝑥 = −∞
0𝑑𝑥 + 0 3
𝑥 − 𝑥 𝑑𝑥 + 3
0𝑑𝑥 = 𝑥 − 𝑥 =1
9 3 27 0
• Resumiendo, la función de distribución de la variable aleatoria X, es:
F(x)
0, 𝑠𝑖 𝑥≤0 1
1 2 2 3
𝐹 𝑥 = 𝑥 − 𝑥 , 𝑠𝑖 0 < 𝑥 < 3
3 27
1, 𝑠𝑖 𝑥 ≥ 3
0 3 X
• Utilizando 𝐹 𝑥 podemos encontrar las probabilidades:
1 2 1 2 𝟏𝟑
• 𝑃 1≤𝑋 ≤2 =𝐹 2 −𝐹 1 = (2)2 − (2)3 − (1)2 − (1)3 =
3 27 3 27 𝟐𝟕
1 3 2 2 3 3 𝟏
• 𝑃 −1 ≤ 𝑋 ≤ 3/2 = 𝐹 3/2 − 𝐹 −1 = − −0=
3 2 27 2 𝟐
1 2 2 3 𝟕
• 𝑃 𝑋≤1 = 𝐹 1 = (1) − 1 =
3 27 𝟐𝟕
7 𝟐𝟎
• 𝑃 𝑋>1 = 1−𝐹 1 =1− =
27 𝟐𝟕
MEDIDAS DE RESUMEN DE LAS DISTRIBUCIONES DE PROBABI-
LIDAD DE VARIABLE ALEATORIA CONTINUA
1. Valor esperado de una variable aleatoria continua:
∞
E(X ) = μx = −∞
𝒙𝒇 𝒙 𝒅𝒙

2. Varianza y desviación estándar de una variable aleatoria continua:

• Var(X ) = σx2 = E (X – E(X) ) 2 = E (X – 𝝁𝐱 ) 2
• Var(X ) = σx2 = E (X 2 ) – ( E(X) ) 2 = E (X 2 ) – 𝝁𝐱 2
∞ 𝟐
en donde E(X 2) = −∞
𝒙 𝒇 𝒙 𝒅𝒙

∞ 𝟐
 Var(X ) = σx = 2
−∞
𝒙 𝒇 𝒙 𝒅𝒙 − 𝝁𝟐𝒙

• σx = [ Var(X ) ]½
• Ejemplo. Sea X una variable aleatoria con función de densidad:

 2 2 2
x x , si 0 x3
f ( x)   3 9
 0 , en otro caso
encontrar el valor esperado y la varianza de X.
• Valor esperado:
∞ 3 3
2 2 2 2 2 2 3
𝐸 𝑥 = 𝜇𝑥 = 𝑥𝑓(𝑥)𝑑𝑥 = 𝑥 𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 𝑑𝑥 =
−∞ 0 3 9 0 3 9
2 3 2 4 3 2 3
2 4
9 3
= 𝑥 − 𝑥 = (3) − (3) − 0 = 6 − = = 𝟏. 𝟓
9 36 0 9 36 2 2
• Calculamos primero 𝐸(𝑋 2 ):
∞ 3 3
2 2 2 3 2 4
𝐸 𝑋2 = 2
𝑥 𝑓 𝑥 𝑑𝑥 = 𝑥 2 2
𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 𝑑𝑥 =
−∞ 0 3 9 0 3 9
1 4 2 5 3 1 4
2 5
81 486 27
= 𝑥 − 𝑥 = (3) − (3) − 0 = − = = 𝟐. 𝟕
6 45 0 6 45 6 45 10

• Luego reemplazamos y calculamos la varianza de X:

∞ 𝟐
Var(X ) = σx =
2
−∞
𝒙 𝒇 𝒙 𝒅𝒙 − 𝝁𝟐𝒙

27 3 2 18
𝑉𝑎𝑟 𝑋 = 𝜎𝑥2 = − = = 𝟎. 𝟒𝟓
10 2 40