TALLER DE CONSULTA Y ESTUDIO DE VARIABLES ALEATORIAS

1.¿Qué es una variable?

Una variable es un elemento que puede tomar cualquier valor de los

comprendidos en un conjunto; y son susceptibles a variar o ser modificadas en
algún motivo determinado o indeterminado.

2.¿Qué es una variable discreta? (5 ejemplos)

Una variable discreta es aquella que toma valores aislados, es

decir no admite valores intermedios entre dos valores específicos y se
presentará mediante cortes en la escala de valores que se ha seleccionado.
 El número de canales de televisión con el que se cuenta en el hogar.
 Número de animales de una granja.
 Cantidad de empleados en una tienda.
 Número de libros vendidos en el mes en una app.
 Número de clientes que visitan un supermercado por día.

3.¿Qué es una variable continúa? (5 ejemplos)

Una variable continua es aquella que puede tomar valores comprendidos entre

dos números
 El peso de una persona.
 La distancia que recorren los carros en una ciudad.
 La temperatura registrada en un hospital.
 La velocidad a la que viaja un avión.
 El diámetro de una esfera.

4.¿Qué es una variable aleatoria?

Se llama variable aleatoria a toda función que asocia a cada elemento del

espacio maestral € de un experimento aleatorio en un número real; se utilizan
letras mayúsculas X, Y, para designar variables aleatorias, y las respectivas
minúsculas (x, y,.) para designar valores concretos de las mismas.

5.¿Qué es una variable aleatoria discreta VAD? (5 ejemplos)

 Una variable aleatoria discreta es aquella que sólo puede tomar valores enteros.

 El número de hijos de una familia

 el número de accidentes de tránsito en una autopista en un determinado
tiempo
 la puntuación obtenida al lanzar un dado
 El número de artículos defectuosos de un lote
 El número de veces que se lanza una moneda hasta obtener uno.

6.¿Qué es una variable aleatoria continúa VAC? (5 ejemplos)

Una variable aleatoria continua es aquella que puede tomar todos los valores

posibles dentro de un cierto intervalo de la recta real.

 La altura de los alumnos de una clase

 La hora de duración de una caja de pilas
 El peso de las vacas en una granja
 Registro del tiempo de atención a los clientes en el banco.
 El kilometraje de los carros que ingresan a una serviteca

7.¿Qué es una función de distribución de la probabilidad?

Sea X  una variable aleatoria discreta cuyos valores suponemos ordenados de

menor a mayor. Llamaremos función de distribución de la variable X, Y
escribiremosF (X )  a la función:
F ( x )=P ( X ≤ x ) X

La función de distribución asocia a cada valor de la variable aleatoria la

probabilidad acumulada hasta ese valor.

8.¿Qué es una función de masa de distribución de la probabilidad-VAD?

En teoría de la probabilidad, una función de probabilidad (también

denominada función de masa de probabilidad) es una función que asocia a cada
punto de su espacio maestral X la probabilidad de que esta lo asuma.

Si el espacio maestral, ∈de la variable aleatoria X consta de los puntos x1, x2,..,

x9, la función de probabilidad P asociada a X es
 K

∑ P ( xi )=1Donde pi es la probabilidad del suceso X = xi.

i=1

Dicho concepto de función de probabilidad solo tiene sentido para variables

aleatorias que toman un conjunto discreto de valores. Para variables aleatorias
continuas, el concepto análogo es el de función de densidad.
El conjunto de pares ordenados (x,f(x)) es una función de probabilidad, función
de masa de probabilidad o distribución de probabilidad de v.a.d. X, si para cada
resultado posible X.
f ( x ) ≥0
∑ f ( x )=1
P ( X=x )=f (x )

9.Consulte cual es la fórmula de las siguientes funciones de distribución de masa

de probabilidad (discreta) y en qué casos se puede usar para representar el
comportamiento de una variable aleatoria discreta:

 Función de distribución Bernoulli (5 ejemplos)

Es un modelo teórico utilizado para representar una variable aleatoria discreta la

cual solo puede finalizar en dos resultados mutuamente excluyentes. Mediante e
espacio maestral, distribución de Bernoulli y ley de Laplace.( Se denomina ensayo
de Bernoulli a todo experimento aleatorio que tiene solo dos resultados posibles
mutuamente excluyentes, generalmente llamados éxito y fracaso)
 La probabilidad de que un deportista gane una competición es 0,4.
¿Cuantas veces habremos de verle competir para que haya una
probabilidad de al menos 0,95, de que la frecuencia relativa de triunfos
difiera de 0,4, en valor absoluto, como máximo en 0,02?

P |( nx − p|≤ δ )≥ 1− npqδ
2

x 0.4∗0.6
P (| | )
n
− p ≤0.02 ≥1−
n ( 0.02 )2
Como queremos una probabilidad de al menos 0,95

0.4∗0.6
1−
n¿¿
 0.4∗0.6
n=
0.05 ¿ ¿

 En un juego solo caben dos posibilidades, ganar o perder. ¿Cuántas veces

es necesario jugar para que la probabilidad, de que la frecuencia relativa de
victorias difiera, de la verdadera probabilidad de ganar, en valor absoluto,
en al menos 0,05, sea inferior o igual al 5%?

x pq
P (| | )
n
− p ≤ δ ≥ 1− 2
nδ

x pq
P (| | )
n
− p ≥0.05 ≤
n ( 0.05 )2
Como queremosuna probabilidad

1
por tanto=
4n¿¿

 La probabilidad P de que un cliente cualquiera pague con cheques sin

fondos, es desconocida por un gran banco. ¿Cuál sería el error cometido al
tomar como valor de P la frecuencia relativa correspondiente a 50000
clientes, si se pretende que la probabilidad, de que el valor absoluto de la
diferencia entre ambas sea mayor o igual que el error, sea como mucho de
0,1?

P |( nx − p|≤ δ )≥ 1− npqδ
2

x 1
P (| | )
n
−p ≥δ ≤
4∗50000∗δ 2
=0.1

1
δ= =0.00005
4∗50000∗0.1

δ =0.007


  Función de distribución Uniforme Discreta (5 ejemplos)

Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto

finito de puntos del espacio; en los que tenemos un conjunto de n sucesos
posibles, cada uno tiene la misma probabilidad de ocurrir. De forma aleatoria cada
uno de éstos sucesos corresponde a un número natural del 1 al n obtendremos
una distribución uniforme dentro de un parámetro 

X → U ( n)

Mediante un proceso experimental de selección aleatoria, en el que la

característica que consideramos en la selección sólo puede tomar un conjunto de
n valores discretos y donde cualquiera de estos valores puede obtenerse con igual
probabilidad; Su función está definida para los valores de x ={ 1, 2,    , n} vendrá
dada por la constante:
1
P(x)= para x={ 1,2 ,.. , n }
n

 Función de distribución Binomial (5 ejemplos)

Es una distribución de probabilidad discreta (función que asigna a cada suceso

definido sobre la variable la probabilidad de que dicho suceso ocurra) que describe
el número de éxitos al realizar n experimentos o ensayos de Bernoulli
independientes entre sí, acerca de una variable aleatoria.

De este modo, en otras palabras, la distribución binomial se define como una serie
de experimentos o ensayos en los que solo podemos tener 2 posibles resultados
(éxito o fracaso), siendo el éxito la variable aleatoria.

La fórmula para calcular la distribución normal es la siguiente:

  n = número de ensayos
 x = número de éxitos
 p = probabilidad de éxito
 q = probabilidad de fracaso (1-p)
Debes tener en cuenta que lo que está entre corchetes es un resultado de una
combinatoria sin repetición, el cual se obtiene con la siguiente formula:
El signo de exclamación representa el símbolo de factorial, es decir el producto de
todos los números enteros positivos desde 1 hasta n. Por ejemplo: 5! = 1 · 2 · 3 · 4
· 5 = 120

 al lanzar un dado, la posibilidad de que el resultado sea par o impar

será exactamente la misma: el 50 %. Y por muchas veces que lo
lancemos, la probabilidad, en cada una de esas veces, seguirá
siendo el 50 %. Igual que en el ejemplo de la moneda. En la
distribución binomial hay tres variables:

 n es el número de veces que repetimos el experimento.

 p es uno de los dos resultados al que llamaremos éxito.
 q es el otro resultado posible al que llamaremos fracaso.

La probabilidad de cada posibilidad no puede ser más grande que 1 y no puede ser
negativa. Por eso, como p y q son los dos únicos resultados posibles, entre los dos
su porcentaje debe sumar uno, por lo que p =1- q

 Vamos a imaginar que un 80 % de las personas de todo el mundo

vieron las Olimpiadas 2016 en Río de Janeiro. Una vez finalizadas, 4
amigos se reúnen para charlar. ¿Cuál es la probabilidad de que 3 de
ellos las hayan visto?

Lo primero que hay que hacer es definir las variables del experimento:

 n = 4 (el total de la muestra)

 x = número de éxitos (en este caso es igual a 3, ya que
buscamos la probabilidad de que 3 de los 4 amigos las hayan
visto)
 p = probabilidad de éxito (0,8)
 q = probabilidad de fracaso (0,2). Este resultado se obtiene al
restar 1-p.

Sustituyendo en la fórmula:

Obtiene entonces multiplicando 4 · 3 · 2 · 1 = 24, mientras que en el denominador

tendríamos que multiplicar 3 · 2 · 1 · 1 = 6. Por lo tanto, el resultado del factorial
sería 24/6=4.
 Fuera del corchete, hay dos números. El primero sería 0,8 3=0,512 y el segundo es
0,2 (porque 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, el resultado final sería: 4 · 0,512 · 0,2 = 0,4096.

Si lo multiplicamos por 100, tenemos como resultado que hay una probabilidad del
40,96 % de que 3 de los 4 amigos hayan visto las Olimpiadas de Brasil.

 Se pretende coger un taxi, vamos a calcular la probabilidad de que el

próximo taxi que pase esté libre u ocupado. Definimos las variables del
experimento. Vamos a asignar a la probabilidad de éxito (p), es decir,
de que esté libre un 40 % (es decir: 0,4). Por tanto, la probabilidad de
fracaso (q), es decir, de que esté ocupado, será 1-p, es decir, 1-
0,4=0,6 o, lo que es lo mismo, el 60 %.

Vamos a calcular la probabilidad de que de 5 taxis, 2 estén libres.

El numerador del factorial se obtiene entonces multiplicando 5 · 4 · 3 · 2 · 1 = 120,

mientras que en el denominador tendríamos que multiplicar 2 · 1 · 3 · 2 · 1 = 12.
Por lo tanto, el resultado del factorial sería 120/12=10.

Fuera del corchete, tendríamos 0,42=0,16 y 0,63=0,002.

Por tanto, el resultado final sería: 10 · 0,16 · 0,002 = 0,0064.

Si lo multiplicamos por 100, tenemos como resultado que hay una probabilidad del
0,64 % de que 2 de los 5 taxis estén libres.

 Función de distribución Poisson (5 ejemplos)

Esta distribución es una de las más importantes distribuciones de variable discreta.

Sus principales aplicaciones hacen referencia a la modelización de situaciones en las
que nos interesa determinar el número de hechos de cierto tipo que se pueden
producir en un intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y
ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la consideración
límite de procesos dicotómicos reiterados un gran número de veces si la probabilidad
de obtener un éxito es muy pequeña
 Se observa la realización de hechos de cierto tipo durante un cierto
periodo de tiempo o a lo largo de un espacio de observación

 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o

no de una manera no determinística.

 La probabilidad de que se produzcan un número x de éxitos en un

intervalo de amplitud t no depende del origen del intervalo (Aunque, sí de
su amplitud)

 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es

prácticamente proporcional a la amplitud del intervalo.

 La probabilidad de que se produzcan 2 o más hechos en un intervalo

infinitésimo es un infinitésimo de orden superior a dos.

 En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1

hecho pero nunca más de uno.

 Suponemos que estamos en temporada de invierno y queremos ir a

esquiar antes de diciembre. La probabilidad que abran las estaciones
de esquí antes de diciembre es del 5%. De las 100 estaciones de
esquí, queremos saber la probabilidad de que la estación de esquí
más cercana abra antes de diciembre. La valoración de esta estación
de esquí es de 6 puntos.

Los inputs necesarios para calcular la función de probabilidad de

densidad de la Poisson son el conjunto de datos y mu: 

Conjunto de datos = 100 estaciones de esquí.

Mu = 5% * 100 = 5 es el número de estaciones de esquí esperado

dado el conjunto de datos

56 e−5
P X=6 =
( ) =0.1462
6!

Entonces, la estación más cercana tiene una probabilidad de 14,62%

de que abra antes de diciembre.

 Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles

son las probabilidades de que reciba, a) cuatro cheques sin fondo en
un día dado, b) 10 cheques sin fondos en cualquiera de dos días
consecutivos?
  x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3,..., etc.
 λ = 6 cheques sin fondo por día
 ε = 2.718
 
4
p ( x=4 , λ=6 )=( 6 ) ¿ ¿

 x= variable que nos define el número de cheques sin fondo que llegan
al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 λ = 6 x 2 = 12 cheques sin fondo en promedio que  llegan al banco en
dos días consecutivos
 Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

p ( x=10 , λ=12 ) =( 12 )10 ¿ ¿

 En la inspección de hojalata producida por un proceso electrolítico

continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más
una imperfección en 15 minutos.

 x = variable que nos define el número de imperfecciones en la

hojalata por cada 3 minutos = 0, 1, 2, 3,..., etc., etc.
 λ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos
en la hojalata

1
p ( x=1 , λ=0.6 )=( 0.6 ) ¿ ¿

 Que otras funciones de distribución discretas existen

10.Qué es una función de densidad de distribución de la probabilidad-VAC?

11.Consulte cual es la fórmula de las siguientes funciones de densidad de
distribución de probabilidad y en qué casos se puede usar para representar el
comportamiento de una variable aleatoria continua:
 Función de distribución Uniforme Continua (5 ejemplos)
  Función de distribución Normal (5 ejemplos)
 Función de distribución Exponencial (5 ejemplos)
 Función de distribución Triangular (5 ejemplos)
 Que otras funciones de distribución continua existen
12. ¿Qué es una función de distribución de probabilidad acumulada?
13. Consulte las fórmulas de la función de probabilidad acumulada para las
distribuciones citadas en el numeral 9 y 11.
14. En una hoja de cálculo realice las gráficas de las funciones de distribución de la
probabilidad y las funciones de distribución de probabilidad acumulada, para 2
funciones discretas y 2 funciones continuas.
15. ¿En qué consiste la ley de los grandes números y como se puede relacionar con
las funciones de probabilidad estudiadas?
16. ¿Qué es el Teorema del Limite Central (TLC)? En una hoja de cálculo elabore un
ejemplo con variables aleatorias para explicar el concepto del “TLC”.

Bibliografías
 https://www.superprof.es/diccionario/matematicas/calculo/variable.html
 https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/dis
tribucion-binomial/funcion-de-distribucion.html
 https://es.wikipedia.org/wiki/Funci%C3%B3n_de_probabilidad#:~:text=En
%20teor%C3%ADa%20de%20la%20probabilidad,de%20que%20esta
%20lo%20asuma.
 http://www.mat.uda.cl/hsalinas/cursos/2011/2do/clase5.pdf
 https://economipedia.com/definiciones/ejemplo-de-distribucion-de-
bernoulli.html#:~:text=En%20los%20libros%20te%C3%B3ricos
%20encontramos,par%C3%A1metro%20p%20se%20vuelve
%20elemental.
 https://matemovil.com/distribucion-de-bernoulli/#ejemplo
 http://halweb.uc3m.es/esp/Personal/personas/mwiper/docencia/Spanish/I
ntroduction_to_Statistics/intro_discrete.pdf
 http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/0
5Distr%20Poisson.htm