10.Variable aleatoria.

Una variable aleatoria es una función que asigna un número real,

perfectamente definido, a cada punto muestral del espacio muestral;
generalmente se lo denota con X, Y,.. mayúsculas. Variable porque toma
diferentes valores y aleatoria porque el valor observado no puede ser
predicho antes de la realización del experimento, aunque sí se sabe
cuáles son sus posibles valores.

i)Variable aleatoria discreta

Sea  un espacio muestral asociado con un experimento aleatorio ξ , una

variable aleatoria discreta X es una función que asigna un número finito
de valores enteros a cada elemento ω.

X(ω)= x significa que x es el número entero asociado al resultado ω ∈ 

a través de la variable aleatoria X.

A todos los posibles valores de x se denomina rango de x y se denota

por RX.

Ejemplo:

ξ : Sea el experimento de lanzar un dado dos veces y observar los

puntos.

: {(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3),(2,4),(2,5),(2,6), (3,1),
(3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1),
(5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
X: suma de los puntos del dado en cada punto muestral: X(ω)= x
X (1,1) = 2 X (2,1) = 3 X (3,1) = 4 X (4,1) = 5 X (5,1) = 6 X (6,1) = 7
X (1,2) = 3 X (2,2) = 4 X (3,2) = 5 X (4,2) = 6 X (5,2) = 7 X (6,2) = 8
X (1,3) = 4 X (2,3) = 5 X (3,3) = 6 X (4,3) = 7 X (5,3) = 8 X (6,3) = 9
X (1,4) = 5 X (2,4) = 6 X (3,4) = 7 X (4,4) = 8 X (5,4) = 9 X (6,4) = 10
X (1,5) = 6 X (2,5) = 7 X (3,5) = 8 X (4,5) = 9 X (5,5) = 10 X (6,5) = 11
X (1,6) = 7 X (2,6) = 8 X (3,6) = 9 X (4,6) = 10 X (5,6) = 11 X (6,6) = 12

RX ={2, 3, 4, 5, 6, 7, 8, 9, 10,11, 12}

i1)Función de probabilidad de v.a. discreta: p(X= xi)

La función de probabilidad de una variable aleatoria discreta X, p(x) es

la asignación de la probabilidad de los diferentes valores de x,
determinándolos a partir de la probabilidad de los sucesos asociados a
cada valor de x.
∞
p(X= xi) ∑ pi= 1.0
−∞

Para el caso del lanzamiento de dos dados a la vez donde la variable

aleatoria es la suma de los puntos que aparecen en las caras
superiores de los dados.

x 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

∑ p(x)= 36/36= 1.0

i2)Función de distribución de v.a. discreta: F(X)

La función de distribución o función acumulada F(X) en un valor, x es

la probabilidad de que X tome valores menores o iguales a x. Acumula
toda la probabilidad desde el menos infinito hasta el punto
considerado.
F(X) = p(X ≤ x)
Para el caso del lanzamiento de dos dados a la vez donde la variable
aleatoria es la suma de los puntos que aparecen en las caras
superiores de los dados.

x 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
6
F(4) = p(X ≤ 4) = p(X = 2) + p(X = 3) + p(X = 4) = 36
Es la probabilidad de obtener un puntaje menor o igual a 4.

NOTA
Las características más importantes de la distribución de una variable
son el valor esperado o esperanza matemática y varianza; para una
variable aleatoria discreta X:
Valor esperado o esperanza matemática: E(x)

E(x) = ∑x p(x)

Varianza: V(x)

V(x)= E(x2) – (E(x))2 E(x2) = ∑x2 p(x)

Ejemplo

Para el caso del lanzamiento de los dos dados

1 2 3 1
E(x) = ∑x p(x) = 2( 36 ) + 3( 36 ) +4( 36 ) +… + 12( 36 )= 7

1974 2 210
V(x)= E(x2) – (E(x))2= 36 −7 = 36 = 5.833

1 2 3 1 1974
E(x2)= 22( 36 ) + 32( 36 ) +42( 36 ) +… + 122( 36 )= 36
ii)Variable aleatoria continua.

La variable aleatoria continua es aquella cuyo rango es un intervalo en

los números reales, por tanto, es un conjunto infinito (no numerable)
de valores reales o de intervalos.
Para el caso de variable aleatoria continua la función de probabilidad
se denomina función de densidad de probabilidad o simplemente
función de densidad.

ii1)Función de probabilidad o Función de densidad de X: f(X)

Es la probabilidad media entre dos valores de la variable:
f(X) = p( a < X < b) = p( a ≤ X ≤ b)

Se dice que la función f(x) es función de densidad (ley, modelo o

distribución de probabilidad de la variable aleatoria) continua X si
satisface las siguientes condiciones.

-) f(x) ≥ 0
+∞

-¿ ∫ f ( x ) dx = 1 el área bajo la curva con eje x es 1.00

−∞

-) f(A)= f(a,b) = ∫ f ( x ) dx el área o probabilidad dentro de dos límites

a

La probabilidad en un punto se asume que es cero.

f(x) es la función de la variable aleatoria.

ii2) Función de distribución de v.a. contínua: F(X)

Es la probabilidad que X tome valores menores o iguales a x. Acumula
toda la probabilidad entre menos infinito y el punto acumulado.
x

F(X) = p(X ≤ x) = ∫ f ( t ) dt
−∞

Ejemplo.
El contenido de cierto mineral en onzas de un saco con fertilizante es
una variable aleatoria X cuya función de densidad es:

{
f ( x )= 8 ) x ,∧x ∈( 0,2)
( 2

0 ,∧otro caso

+∞ 2

Se verifica que ∫ f ( x ) dx = ∫ ( 38 ) x2 dx =1
−∞ 0

Hallar la probabilidad que en un determinado saco el contenido sea

menor a 1 onza
1
3 2 3 x3 1 3
f(0 ≤ x ≤1) =∫
0
()
8
x dx = ( )=()
8 3 0 24
=0.125

NOTA
El valor esperado o esperanza matemática E(x) y la varianza V(x)
para una variable aleatoria continua X está dado por:

Valor esperado o Esperanza matemática

+∞

E(X) = ∫ x f ( x ) dx = ∫R x f (x)dx
X
−∞

Varianza
V(X)= E(X2) – (E(X))2
+∞ 2
2
E(X ) = ∫ x 2 f ( x ) dx = ∫R x f (x )dx
X
−∞

Así para el caso del contenido del mineral

2 2
3 2 3 3 x4 2
E(X) =∫ x
0
()
8
x dx= ∫ x x 2 dx =
80 ()
[ ] =1.5 onzas
8 4 0

96 2
( )
V(X)= E(X2) – (E(X))2 = 40 −1.5 = 0.15

2
3 2 3 x5 2 96
2
E(X ) = ∫ x
0 8
2
x dx =() ()[ ] =
8 5 0 40 ( )
Se espera un contenido medio de 1.5 onzas en los sacos del
fertilizante.

B.DISTRIBUCIONES DE PROBABILIDAD

Existen distribuciones de probabilidad para variables aleatorias

discretas y para variables aleatorias continuas; Vamos a desarrollar
algunas de ellas.

1.LA DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL (discreta)

 La distribución binomial se aplica cuando se tiene un número fijo de n
pruebas sucesivas, con las siguientes características:

-Los n ensayos son estadísticamente independientes

-Cada ensayo tiene solo dos resultados: éxito y fracaso.

-La probabilidad p de éxito es invariante en cada ensayo (q= fracaso;

q=1-p)

- Sus parámetros son “n” y “p”.

La función de probabilidad está dada por

n!
Prob( X=x)= ( nx)p q
x n-x
x=0, 1, 2, … ,n ( nx)= x !(n−x )!

La función de distribución acumulada está dada por

x

F(X) = Prob( X≤x)= ∑

x=0
( nx )p q
x n-x

Ejemplos.

a) Si p= 0.25 n=6 calcular

i)Prob( X=2) = x ( n) p q
x n-x
= (62 ) (0.25)2 (0.75)4 = 0.2966

ii) Prob( X≤ 2) = Prob ( X =0 ) + Prob ( X=1 ) + Prob ( X=2)= 0.8306

iii) Prob( X≥ 3) = 1 - Prob( X≤ 2)= 1 -0.8306 = 0.1694

iv) Prob( 1≤X≤ 4) = Prob( X≤ 4) - Prob( X= 0) = 0.9954- 0.1780

=0.8174
b) Se lanza una moneda 10 veces, con la probabilidad p=0.50 que salga
cara (n =10)
i) Cuál es la probabilidad de obtener exactamente tres caras(x=3)

( n) (10 )
Prob( X=x)= x pxqn-x  Prob( X=3)= 3 0.5030.507 = 0.117

ii) Cuál es la probabilidad de obtener exactamente cinco caras(x=5)

( n) (10 )
Prob( X=x)= x pxqn-x  Prob( X=5)= 5 0.5050.505 =0.246

iii)Cuál es la probabilidad de obtener a lo más dos caras

2

Prob( X≤2)= ∑ (nx )pxqn-x

i=0

(10 ) (10 )
Prob( X≤2)= 0 0.5000.5010+ 1 0.5010.509+ 2 0.5020.508=(10 )
Prob( X≤2)=0.001+0.010+0.044=0.055.

c) Se conoce que la probabilidad de que un cliente, al ingresar a una

tienda específica haga una compra es de p=0.7. En una muestra de
n=8 clientes que ingresan a la tienda, diga cuál es la probabilidad de
que:
i) Exactamente dos clientes hagan compras.

(8 )
Prob( X=2)= 2 0.7020.306 = 28(0.49)(0.000729) = 0.01000

ii)A lo más dos clientes hagan compras (dos o menos)

(8 ) (8 ) (8 )
Prob(X ≤ 2)= 0 .0.7000.308+ 1 0.7010.307+ 2 0.7020.306= 0.0113

iii)Entre tres y cinco clientes hagan compra

Prob(3≤ X≤ 5)= Prob( X≤5) - Prob( X≤2)= 0.4369

Prob( X≤5)= Prob(X=0)+ Prob(X=1)+ Prob(X=2)+ Prob( X=3)+

Prob( X=4)+ Prob( X=5) = 0.4482

Prob( X≤5)= 0.4482

Prob( X≤2)= 0.0113

Nota:

Figura de la distribución binomial cuando X sigue una distribución

binomial con parámetros n, p; XB(n,p); cuando n crece la figura
tiende a aproximarse a la distribución normal.
x

x
 3.LA DISTRIBUCIÓN DE PROBABILIDAD DE POISSON (discreta)

Un experimento aleatorio de Poisson es un proceso que consiste en

observar el número x de veces que ocurre un evento en una unidad de
tiempo o espacio o volumen; así por ejemplo cuando se desea estimar:
-El número de llamadas malintencionadas que se reciben en tres horas.
-El número de fallas en la superficie de cerámicas en 20 unidades
-El número de accidentes de trabajo en una fábrica durante un mes
-El número de bacterias por m3 de agua.

El parámetro se denota como λ que es un valor medio de ocurrencias y

se puede escribir que x P(λ).
Las condiciones para aplicar esta distribución:
-Las ocurrencias de los eventos son independientes
-La presencia de un evento ocurre en un número muy grande de veces.

La función de probabilidad:

e−λ λx
Prob( X=x) =
x!

La función de distribución acumulada está dada por

x
e− λ λ x
F(X)= Prob( X≤x)= ∑
x!
 Tabla de Poisson
x=0

Ejemplos
a) Suponga que en una fábrica ocurren en promedio tres accidentes al
mes, es decir λ=3. Calcule la probabilidad que en un mes cualquiera:

i)No ocurra accidente alguno (x=0)

 e−λ λx e−3 3 0
Prob( X=0) = = = 0.050
x! 0!

ii)Ocurran exactamente dos accidentes(x=2)

e−λ λx e−3 32
Prob( X=2) = = = 0.224
x! 2!

Prob( X=2) = Prob( X≤2) - Prob( X≤1) =0.423 – 0.199= 0.224

iii)Ocurran al menos dos accidentes(x≥2)

Prob( X≥2) = 1- Prob( X≤1)= 1- 0.199= 0.801

Prob( X≤1)= Prob( X=0) + Prob( X=1)= 0.050 + 0.149=0.199

iv)Ocurran entre dos y cuatro accidentes(2≤x≤4)

Prob(2≤ X≤ 4)= Prob( X≤4) - Prob( X≤1)= 0.815- 0.199= 0.616

v)Ocurran a lo más tres accidentes(x≤3) tabla Poisson

3 x
e−3 3 0 e−3 31 e−3 32 + e−3 33
−3
Prob( X≤3)= ∑ e 3 !3 = 0!
+
1!
+
2! 3!
=
x=0

Prob( X≤3)= 0.050 + 0.149 + 0.224 + 0.224= 0.647 .

Nota

Se puede reportar una gráfica para diferentes valores de λ; a medida

que aumenta λ, la figura tiende a ajustarse a una curva normal. (k=x)
Aproximación de la distribución binomial a la distribución de
Poisson
En muchas ocasiones se tiene una probabilidad pequeña de
ocurrencia en un ensayo binomial (p), cuando se realiza el
experimento en un número muy alto de veces(n); en este caso
λ = np
Ejemplo
Suponga que la probabilidad de que ocurra el rompimiento de un
depósito o envoltura en el transporte de un producto agroindustrial es
de p=0.02. Diga cuál será la probabilidad que en 100 depósitos:
a) Haya tres depósitos rotos
b) Haya menos de dos depósitos rotos
c) Haya por lo menos tres depósitos rotos.
d) Haya entre dos y tres depósitos rotos.
SOLUCIÓN
λ = np =100(0.02) = 2.0
λ = 2.0 para los ensayos
a) Probabilidad que haya tres depósitos rotos

e−λ λx e−2 23
Prob( X=3) = = = 0.1804
x! 3!

Prob( X=3)= Prob( X≤3) - Prob( X≤2) = 0.857 – 0.677 = 0.180

b) Probabilidad que haya menos de dos depósitos rotos

1
e−2 λ3
Prob( X≤1) = ∑
x=0 x!
= 0.416

c) Probabilidad que haya por lo menos tres depósitos rotos

2
e−2 λ3
Prob( X≥3) = 1−Prob ( X ≤2 )=1−∑
x=0 x!
= 1 – 0.677 =0.323
d) Probabilidad que haya entre dos y tres depósitos rotos
Prob( 2≤X≤3) = Prob ( X ≤ 3 ) - Prob ( X ≤ 1 )= 0.857- 0.406 = 0.451

DISTRIBUCIÓN BINOMIAL: FUNCIÓN DE PROBABILIDAD

DISTRIBUCIÓN BINOMIAL :FUNCIÓN DE DISTRIBUCIÓN (acumulada)
x

Prob( X≤x)= ∑ ( nx )pxqn-x x=k

x=0
DISTRIBUCIÓN POISSON: FUNCIÓN DE DISTRIBUCIÓN
x
e− λ λ x
Prob( X≤x)= ∑
x=0 x!