TEMA 4.

Probabilidad y poblaciones
estadísticas univariantes
4.2. Variable aleatoria
Estadística Econòmica I Empresarial I
Grau d’Economia
Facultat d’Economia i Empresa
Universitat de Barcelona

Professora: Elisabet Motellón

 4.2.1 Definición

—  Comportamiento de los resultados de un experimento

aleatorio compuesto por tres elementos:
(Ω, S, P)

—  Elementos de Ω pueden ser de cualquier categoría (no

numérico). Inconvenientes:
—  No podemos realizar comparaciones
—  No podemos trabajar matemáticamente con los elementos de Ω

—  Solución: Transformar sucesos en números reales (asignándole

un número) y a cada suceso elemental (ω) le corresponde
un único número real. Variable aleatoria
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.1 Definición

—  Variable aleatoria se define como:

X :Ω→ ℜ
Siendo: ω → X(ω )
—  Ω el dominio de la definición (conjunto de valores para los que
una función matemática es definida)
—  ℜ campo de variación de la función, variable aleatoria, X

—  Esta solución “traduce” los elementos de Ω (ω), resultado

de un experimento aleatorio, a números reales.

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.1 Definición

Sea un experimento aleatorio A y Ω el espacio muestral

asociado a él

Una función X q asigna a cada uno de los elementos ω∈Ω

un número real x = X(ω), se llama variable aleatoria

Siendo:
—  Ω: espacio muestral del experimento aleatorio A
—  X(ω): variable aleatoria
—  R(x): valores posibles de X, llamado recorrido o campo de
variación de la v.a. X

Estadística econòmica i empresarial I Elisabet Motellón

 Variable aleatoria

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.1 Definición

—  Se utilizan letras mayúsculas para designar las variables

aleatoria: X, Y, Z; y sus respectivas letras minúsculas para los
valores concretos de las mismas: x, y, z.

—  Variable “aleatoria” (v.a.) no por la atribución de modo

imprevisible de un valor cualquiera a un elemento ω∈Ω, ya
que este valor definido de forma precisa (determinística). Lo
que es aleatorio es el resultado del experimento (no sabemos
qué elemento de Ω puede ocurrir)

—  Si Y y Z son 2 v.a., las operaciones siguientes dan lugar a una

nueva variable aleatoria
Y+k; kY; Y+Z; Y-Z; Y 2; YZ
Estadística econòmica i empresarial I Elisabet Motellón
 Ejemplo

Experimento aleatorio de arrojar 2 veces 1 moneda y estamos

interesados en el número de caras.
Ω={(CC),(C+),(+C),(++)}→ Rx={0,1,2}
X(CC)=2
X({C+}∪{+C})=1

X(++)=0

— Se pueden comparar diferentes experimentos y trabajar

matemáticamente
— La transformación de Ω en elementos de R constituye una v.a.

Estadística econòmica i empresarial I Elisabet Motellón

 Ejemplo
Tirar dos dados y estamos interesados en la suma de los puntos de
los dos dados.
Ω Rx}
 Ejemplo
Tirar dos dados y estamos interesados en la suma de los puntos de
los dos dados.
 4.2.2 Tipología

—  Variable aleatoria discreta si su espacio muestral es un

conjunto discreto (conjunto finito o infinito pero numerable)
—  Sólo puede tomar una cantidad numerable de valores

—  Variable aleatoria continua si su espacio muestral es

infinito no numerable, como el conjunto de p untos de un
intérvalo real.
—  Puede tomar infinitos valores dentro de un intervalo de la recta
real

Estadística econòmica i empresarial I Elisabet Motellón

Estadística econòmica i empresarial I Elisabet Motellón
Estadística econòmica i empresarial I Elisabet Motellón
Estadística econòmica i empresarial I Elisabet Motellón
Estadística econòmica i empresarial I Elisabet Motellón
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.2 Tipología

Función de Cuantía
Variable aleatoria Discreta
Variable aleatoria Función de Distribución
Unidimensional Función de Densidad
Variable aleatoria Continua
Función de Distribución

Estadística econòmica i empresarial I Elisabet Motellón

 Si sobre los elementos de Ω existe una distribución de
probabilidad, ésta se transmite a los valores que toma la
variable X

… conserva la estructura probabilística del experimento

aleatorio que describe

Variable aleatoria y función de probabilidad

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.3 Distribución de probabilidades
Modelo teórico que describe cómo varían los resultados de un
experimento aleatorio (facilita todas las probabilidades de todos los
posibles resultados que pueden obtenerse)

Distribución de probabilidades discretas

— 

Distribución de probabilidades continuas

— 

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.3 Distribución de probabilidades
Modelo teórico que describe cómo varían los resultados de un
experimento aleatorio (facilita todas las probabilidades de todos los
posibles resultados que pueden obtenerse)

Distribución de probabilidades discretas

— 

X = x1,x2,…,xn
Conjunto de pares (x1,pi) que a cada valor de la variable le
asocia una probabilidad, donde pi = P(X=xi), tal que la suma de
todas las probabilidades sea igual a la unidad
p(x) ≥ 0 ∀x
∑ p(x) = 1
∀x
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.3 Distribución de probabilidades
Modelo teórico que describe cómo varían los resultados de un
experimento aleatorio (facilita todas las probabilidades de todos los
posibles resultados que pueden obtenerse)

Distribución de probabilidades continua

— 

No posible calcular la probabilidad en valor puntual. Pero sí calcular

probabilidad acumulada hasta cierto valor (función de distribución)
y como cambia esta probabilidad acumulada en cada punto (función
de densidad).
f(x) es una función no negativa definida sobre la recta real, tal q
cualquier intervalo que estudiemos se verifica ∀A P(X ∈ A) = ∫ f (x)dx
∞
f (x) ≥ 0
Estadística econòmica i empresarial I
∀x ; ∫ f (x)dx = 1
−∞ Elisabet Motellón
 4.2.4 a) Función de cuantía p(x)

Denominaremos función de cuantía al conjunto {pi} que

satisface P(X = xi ) = pi ; de tal forma que:
∞ ∞

∑ P(X = x ) = ∑ p = 1 i i
i=1 i=1

P(X = xi ) = pi ≥ 0 ∀xi

— Indica cuanta probabilidad se concentra en cada punto de X

— Distribución equivalente a la función relativa en estadística
descriptiva
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.4 b) Función de distribución F(x)

F(x) = P(X ≤ xi ) = ∑ P(X = xi )

xi ≤x

… o probabilidad acumulada
— 

F(x) proporciona cantidad de masa que hay en el punto x y a su

— 

extremo inferior del campo de variación de X.

No puede ser negativa ni decreciente, por ser acumulativa.
— 

Acotada:
—  0 ≤ F(x) ≤ 1
Propiedades
— 

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.4 b) Función de distribución F(x)
Propiedades
1.  F(−∞) = 0 ; F(+∞) = 1
2.  P(x1 < X ≤ x2 ) = F(x2 ) − F(x1 )
3.  Función monótona creciente
si x1 < x2
P(x1 < X ≤ x2 ) = P(X ≤ x2 ) − P(X ≤ x1 ) ≥ 0
y
P(X ≤ x2 ) ≥ P(X ≤ x1 )
F(x2 ) ≥ F(x1 )
4.  La función de distribución es continua por la derecha. Por el
contrario, puede ser discontinua por la izquierda
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.4 c) Momentos
Momentos respecto al origen de orden r a la esperanza de Xk
N
α r = E[X r ] = ∑ xir pi
i=1

Momentos respecto a la media (centrales) de orden r como

la esperanza de (X-µ)k
N
µr = E "#(X − µ )r $% = ∑ (xi − µ )r pi
i=1

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.4 c) Momentos
1.  Esperanza matemática
N N
µ = E[x] = ∑ xi P(X = xi ) = ∑ xi pi
i=1 i=1

2.  Varianza
N N
σ 2 = Var(X) = E[(X − µ )2 ] = ∑( xi2 − µ 2 ) pi =∑ xi2 pi −µ 2
i=1 i=1

= E[X 2 ]−[E(X)]2

σ 2 = α 2 − (α1 )2

3.  Desviación Estándar

σ = Des(X) = E[X − µ ]
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.4 c) Momentos
Transformaciones lineales

Estadística econòmica i empresarial I Elisabet Motellón

 Ejemplo
Sea la variable aleatoria con la siguiente función de cuantía

Estadística econòmica i empresarial I Elisabet Motellón

 Ejemplo
Sea la variable aleatoria con la siguiente función de cuantía

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribuciones que permiten representar el comportamiento de
diferentes fenómenos del mundo real.

Distribuciones univariantes discretas:

1.  Uniforme
2.  Bernoulli
+ usadas, pero hay +
3.  Binomial distribuciones de interés
4.  Poisson

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribución uniforme
v.a. puede tomar n valores diferentes con la misma probabilidad cada
uno de ellos (masa de probabilidad se distribuye de forma uniforme)
-  Función de cuantía:
1 0 x < x1
P(X = xi ) = , para i = 1, 2,..., n
n 1
x1 ≤ x < x2
n
-  Función de distribución: 2
x k ≤ x < x3
K
1 k n
F(X) = P(X ≤ xk ) = ∑ = F(X ) =
………..................
i=1 n n
k
x2 ≤ x < xk+1
-  Esperanza matemática: n
N N
1 1 N ………..................
E[X] = ∑ xi P(X = xi ) = ∑ xi = ∑ xi
n n i=1 1 x ≥ xn
i=1 i=1

-  Varianza: #N & 1 N
Var(X) = E[X ]−[E(X)] = %∑ (xi − x ) ( / N
2 2 2
, x = ∑ xi
Estadística econòmica i empresarial I $ i=1 ' N i=1
 4.2.5 Modelos de probabilidad
Distribución uniforme

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribución uniforme
Ejemplo
Dado perfecto en que la probabilidad de cada resultado 1/6

N
Esperanza matemática? E[X] = ∑ xi = n +1 = 6 +1 = 3, 5
1
n i=1 2 2
Pq son los n primeros
N números naturales
∑ i
(x − x ) 2

n 2 −1 6 2 −1 35
Varianza? Var(X) = i=1
= = =
N 12 12 12

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribución de Bernoulli X∼B(0,1)
Distribución útil para aquellos fenómenos de carácter dicotómico. La
v.a. se presenta bajo dos alternativas complementarias de forma que:
P(A) = P(éxito) = P(X = 1) = p
P(A)C = P(A) = P(fracaso) = P(X = 0) = q = 1− p

Función de cuantía:
P(X = x) = p x ·q1−x para x = 1 y x = 1

Función de distribución:
0 x<0
F(X) = q 0 ≤ x <1
1 x ≥1
Esperanza matemática E[X] = p
Varianza Var(X) = p·(1− p) = pq
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.5 Modelos de probabilidad
Distribución de Bernoulli X∼B(0,1)
Probabilidad de que un individuo se contagie de gripe es 0,3.
Determinar la esperanza y la varianza de esta variable y la probabilidad
de que no padezca esta enfermedad.

E(X)=p=0.3 , Var(X)=p·(1-p)=0,3·0,7=0,21 , P(No contagio)=0,7

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribución Binomial X∼ B(N,p) (I)
X = X1 + X 2 +... + X N , siendo todas las variables Xi independientes y con
la misma distribución B(0,1)

Describe un proceso dicotómico que puede repetirse N veces y donde

los posibles resultados que se pueden obtener son independientes del
resto de realizaciones.

Función que debe cumplir los siguientes postulados:

1.  N está prefijado (número fijo de experimentos independientes)
2.  Para cada experimento sólo existen 2 resultados: éxito o fracaso
3.  La probabilidad es constante para p (éxito) y q (fracaso) para cada
prueba (Xi)
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.5 Modelos de probabilidad
Distribución Binomial X∼ B(N,p) (II)
Función de Cuantía:
! N $ x N−x N!
P(X = x) = # & ⋅ p ⋅ q = ⋅ p x ⋅ q N−x
" x % x!⋅ (N − x)!

Función de Distribución:
0 x<0
x ! N $ k N−k
F(X) = P(X ≤ x) = ∑# k & ⋅ p q 0≤x<N k = 0,1, 2,…, x
k=0 " %
1 x≥N

Esperanza matemática: E[X] = E[X1 + X 2 +... + X N ] = N ⋅ p

Varianza: Var(X) = Var(X1 + X 2 +... + X N ) = pq + pq +... + pq = N ⋅ pq

Estadística econòmica i empresarial I Elisabet Motellón
4.2.5 Modelos de probabilidad
Distribución Binomial X∼ B(N,p) (III)
Ejemplo 1
Probabilidad de obtener dos caras al lanzar 6 veces una moneda.
6
! 6 $ 2 4 6! ! 1 $ 15
P(X = 2) = # & ⋅ 0, 5 ⋅ 0, 5 = ⋅ # & = = 0, 2344
" 2 % 2!⋅ 4! " 2 % 64
 4.2.5 Modelos de probabilidad
Distribución Binomial X∼ B(N,p) (IV)
Ejemplo 2
Probabilidad de que un estudiante finalice el Grado es del 30%. Si en
un curso hay 10 estudiantes ¿Qué probabilidad hay que acaben dos?
! N $ x N−x N!
P(X = x) = # &⋅ p ⋅ q = ⋅ p x ⋅ q N−x
" x % x!⋅ (N − x)!

! 10 $ 2 8 10!
P(X = 2) = # & ⋅ 0, 3 ⋅ 0, 7 = ⋅ 0, 32 ⋅ 0, 78 =
" 2 % 2!⋅ 8!

3628800
= ·0, 09·0, 05765 = 0, 2335
80640
Estadística econòmica i empresarial I Elisabet Motellón
 4.2.5 Modelos de probabilidad
Distribución Binomial X∼ B(N,p) (VI)
Ejemplo 3
Probabilidad de que familia con 4 hijos 1) al menos uno sea chico y 2)
al menos un chico y una chica (probabilidad de que nazca un varón es ½)
1 3
! 4 $ !1$ !1$
1. Opción a) P(X = 1) = # & ⋅ # & ⋅ # & = 4 ⋅ 0, 5⋅ 0,125 = 0, 25 =
1
" 1 % "2% "2% 4
2 2
! 4 $ !1$ !1$ 3
P(X = 2) = # & ⋅ # & ⋅ # & = 6 ⋅ 0, 25⋅ 0, 25 = 0, 375 =
1 3 1 1 15 " 2 % "2% "2% 8
P(X ≥ 1) = + + + = ! 3 1
4 8 4 16 16 4 $ !1$ !1$ 1
P(X = 3) = # & ⋅ # & ⋅ # & = 4 ⋅ 0,125·0, 5 = 0, 25 =
" 3 % "2% "2% 4
4 0
! 4 $ !1$ !1$ 1
P(X = 4) = # & ⋅ # & ⋅ # & = 1⋅ 0, 0625·1 = 0, 0625 =
" 4 % "2% "2% 16
Opción b)
# 4 & # 1 &0 # 1 & 4 *# 1 &4 - 1 15
P(X ≥ 1) = 1− P(X = 0) = 1− % ⋅ ⋅
( % ( % ( = 1− , % ( / = 1− =
$ 0 ' $2' $2' ,+$ 2 ' /. 16 16

2.  1− P(X = 4) − P(X = 0) = 1− −

1 1 7
=
Estadística econòmica i empresarial I 16 16 8 Elisabet Motellón
 4.2.5 Modelos de probabilidad
Distribución Poisson X∼ P(λ) (I)
O “de los sucesos raros”. La v.a. recoge eventos independientes que
ocurren en intervalos continuos y constantes de tiempo o espacio.
(Llamadas recibidas en un intervalo de tiempo en una centralita, distribución de
entrada de usuarios a un pto de información y van formando cola, etc.)
Función de cuantía:
e− λ λ x
P(X = x) = para x = {0,1, 2,…}
x!
Función de distribución:
x −λ k
e λ
F(X) = P(X ≤ x) = ∑
k=0 k!
Esperanza matemática: E [ X ] = λ
Varianza: Var [ X ] = λ

Estadística econòmica i empresarial I Elisabet Motellón

 4.2.5 Modelos de probabilidad
Distribución Poisson X∼ P(λ) (II)
Ejemplo 1
Una individuo comete un promedio de cuatro errores por página.
Supuesto que la v.a. Sigue una distribución de Poisson, ¿cuál es la
probabilidad de que en una página cometa entre 1 y 4 errores?
P [1 ≤ x ≤ 4] = P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4) =
e−4 41 e−4 4 2 e−4 43 e−4 4 4
= + + + =
1! 2! 3! 4!
0, 0183⋅ 4 0, 0183⋅ 8 0, 0183⋅ 64 0, 0183⋅ 256
= + + + = 0, 6103
1 2 6 24
¿Y que cometa menos
x
de dos fallos?
−λ k
e λ
F(X) = P(X ≤ x) = ∑
k=0 k!
2
e−4 4 k e−4 4 0 e−4 41 e−4 4 2
= P(X ≤ 2) = ∑ = + + = 0, 0183+ 0, 0733+ 0,1465 =
k=0 k! 0! 1! 2!
= 0, 2381 Elisabet Motellón
4.2.5 Modelos de probabilidad
Distribución Poisson X∼ P(λ) (II)
Ejemplo 1
Una individuo comete un promedio de cuatro errores por página.
Supuesto que la v.a. Sigue una distribución de Poisson, ¿cuál es la
probabilidad de que en una página cometa entre 1 y 4 errores?

Elisabet Motellón
4.2.5 Modelos de probabilidad
Distribución Poisson X∼ P(λ) (III)
Ejemplo 2
En un tramo de carretera se producen un promedio de 2 accidentes
semanales. Determina:
a)  La probabilidad de que no se registre ningún accidente
e−2 2 0
P [ x = 0] = = 0,1353
0!

b)  La probabilidad de que en un mes haya más de 5 accidentes.

(supuesto: un mes tiene cuatro semanas. Por tanto, λ’=4·λ=8

$ 5 e−8 8k ' $ −8 5 8k '

F(X) = P(X ≤ 4) = P(X > 5) = 1− & ∑ ) = 1− & e ∑ ) =
% k=0 k! ( % k=0 k! (
* −8 $ 80 81 82 83 84 85 '-
= 1− ,e & + + + + + )/ = 1− ( 0, 00034 ⋅ 570, 07) = 0,8088
+ % 0! 1! 2! 3! 4! 5! (.
Elisabet Motellón
4.2.5 Modelos de probabilidad
Distribución Poisson X∼ P(λ) (IV)
Ejemplo 3
En promedio 6 personas usan el cajero automático por hora
a)  Probabilidad de que 5 personas usen el cajero en una hora
e−6 6 5 0, 00248⋅ 7776
P [ x = 5] = = = 0,1606
5! 120
b)  Probabilidad que menos de 5 personas lo usen en una hora.
P(X < 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 4) =
" 0 61 6 2 6 3 6 4 %
−6 6
= e $ + + + + + ' = 0, 2850
# 0! 1! 2! 3! 4! &
c)  Que nadie use el cajero en 10 minutos.
1 1 e−110
λ' = λ = 6 =1 ; P(X = 0) = = 0, 3679
6 6 0!
d)  Y que nadie lo use en 5 minutos
1 1 e−0,5 0, 50
λ ' = λ = 6 = 0, 5 ; P(X = 0) = = 0, 6065
12 12 0! Elisabet Motellón