Universidad Metropolitana

Escuela de Matemáticas

VARIABLES ALEATORIAS
En numerosas ocasiones el análisis estadístico de los datos se lleva a cabo para proponer un
modelo que permita estudiar la población de una forma simple e inclusive capaz de efectuar
predicciones sobre el comportamiento de la misma.

Los resultados de un experimento aleatorio pueden ser de naturaleza numérica como las
notas de un examen, o no numérica como el sexo de los estudiantes. Para analizar los
resultados de un experimento, usualmente se asocia un número con cada resultado del
espacio muestral. Es así como se llega a la definición de variable aleatoria.

Una variable aleatoria X es una función que asigna un número real a cada resultado en el
espacio muestral S de un experimento aleatorio.

Espacio muestral
S

Resultados Variable aleatoria

posibles X Subconjunto
de un de los
experimento números
aleatorio reales

Ejemplo
Considere el experimento aleatorio en el cual se lanza una moneda 3 veces, anotándose en
cada ocasión el resultado obtenido como c ó s. Por lo tanto el espacio muestral que resulta
es S = { ccc, ccs, csc, css, scc, scs, ssc, sss }.
Defina la variable aleatoria X como el número (#) de caras observadas al lanzar la moneda
3 veces. Observe que bajo esta definición se tiene X(ccc) = 3, X(scs) = 1, etc.
En cambio si define Y como el número de caras observadas en el segundo lanzamiento se
tiene Y(ccc) = 1, Y(scs) = 1, Y(csc) = 0, etc.

Observe que la incertidumbre de las variables aleatorias radica en la incertidumbre respecto

al resultado del experimento aleatorio. Sin embargo una vez que se ha observado el
resultado del mismo, y siempre que la variable aleatoria esté definida claramente, no queda
duda acerca del valor que esta adoptará.

El conjunto de los posibles valores de la variable aleatoria X se denomina rango. Según su

rango la variable aleatoria puede ser discreta o continua. Diremos que se trata de una
variable aleatoria discreta si su rango es finito o es infinito contable y que se trata de una
variable aleatoria continua si su rango es un intervalo (ya sea acotado o no) de números
reales.

Nota de teoría de conjuntos: un conjunto C es contable (ó numerable) si existe una relación

biyectiva entre los elementos de C y algún subconjunto de los enteros (Z = ( ..., -3, -2, -1, 0,
1, 2, 3, ...)).
 Universidad Metropolitana
Escuela de Matemáticas

La distribución de probabilidad de X es la descripción rango de X, junto con la

probabilidad asociada con cada uno de los valores del rango, ó con un subconjunto del
rango. La distribución de probabilidad de una variable aleatoria es a menudo el resumen
más útil de un experimento aleatorio.

Usualmente las variables aleatorias se denotan por letras mayúsculas T, W, X, Y o Z, si

bien letras como t (minúscula), Z y  (chi-cuadrado), entre otras, se reservan como
nombres propios de ciertas variables especiales. Los números reales alcanzados por las
variables aleatorias se denotan por sus respectivas letras minúsculas.

CASO DISCRETO

Distribución de probabilidades para variables aleatorias discretas.

Si X es una variable aleatoria discreta, la expresión “ X = x ” es una forma resumida para

denotar el evento consistente del conjunto de todos los resultados básicos para los cuales la
variable X ha asignado el valor x. En el ejemplo anterior la expresión “ X = 2 ” representa
al evento A = {ccs, csc, scc}.

La probabilidad de que una variable aleatoria X tome un valor particular x de su rango se

denota como P( X  x) . En el ejemplo anterior, P(A) se puede representar como P(X = 2).

Sea X una variable aleatoria discreta. La función de probabilidades de X se define como:

p ( x )  P( X  x )

Propiedades
 0  p( x) para cualquier valor x.
  p( x)  1 (la suma se refiere sobre todos los valores del rango de X)
x

Nota: observar que ambas condiciones implican que 0  p( x)  1 para todo x.

La función de probabilidad acumulada de X se denota por F (x) y es la probabilidad de que

X sea menor o igual que el número x:
F ( x )  P( X  x)   p ( y )
y x

Propiedades
1. 0  F ( x)  1 para cualquier valor x.
2. F (x) es una función no decreciente.
 Universidad Metropolitana
Escuela de Matemáticas

Ejemplo
Considere nuevamente el experimento aleatorio en el cual se lanza una moneda 3 veces,
anotándose en cada ocasión el resultado obtenido como c ó s. Ya sabemos que S = { ccc,
ccs, csc, css, scc, scs, ssc, sss }. Sea como antes X = # de caras observadas al lanzar la
moneda 3 veces. Utilizando las técnicas de conteo estudiadas se puede determinar que para
una moneda justa (igual probabilidad para c y para s) los resultados posibles y sus
probabilidades se resumen en:
x 0 1 2 3
p(x) 18 38 38 18

La distribución anterior es una distribución de probabilidades para la variable aleatoria X,

ya que en efecto 0  p( x)  1 para todo x (x = 0, 1, 2 y 3) y además  p x   1 . Para
x
determinar la función de distribución acumulada observe que:
P(X  0) = P(X = 0) = 1 8
P(X  1) = P(X = 0) + P(X = 1) = 1 8 + 3 8 = 1 2
P(X  2) = P(X = 0) + P(X = 1) + P(X = 2) = 1 8 + 3 8 + 3 8 =78
P(X  3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 1 8 + 3 8 + 3 8 +18 =1
Se tiene entonces
x 0 1 2 3
F(x) 18 12 78 1

Momentos de variables aleatorias discretas

La extensión natural de las medidas de centralización y dispersión que se estudian en la

estadística descriptiva viene dada a través de la esperanza y la varianza de la variable
aleatoria. En otros contextos estas medidas se conocen como los momentos de la variable
aleatoria, existiendo en general definiciones para los momentos de orden k.

Esperanza
La esperanza o valor esperado de una variable aleatoria X se define como:
E ( X )   xp ( x)  xP( X  x)
x x

La notación para representar E (X ) es  X y se le llama también media de X.

Ejemplo
Considere la variable aleatoria X con función de distribución de probabilidades:
x 0 1 2 3
p(x) 18 38 38 18
La esperanza de esta variable aleatoria se calcula como
 Universidad Metropolitana
Escuela de Matemáticas

1 3 3 1 12 3
EX  =  xpx  = 0 p0  1p1  2 p2  3p3 = 0  8  1 8  2  8  3  8 
x

8 2

El valor esperado de una función g(X) es

E ( g ( X ))   g ( x) p( x)  g ( x) P( X  x)
x x

Nota: observe que para calcular la esperanza de X se usa la función g(x) = x (es decir, g es
la función identidad).

Varianza
A veces, el interés es determinar la variabilidad de los valores de la variable aleatoria. La
varianza de X es una medida de dispersión denotada por V(X), cuyo cálculo viene dado por
la expresión:
 
V ( X )  E  X  E ( X )   x  E  X  p( x)
2 2

Otra notación comúnmente utilizada es  (se lee sigma cuadrado). Considerando que la
2

esperanza de la variable aleatoria no es otra que la media de la población, es fácil deducir

una expresión más fácil para calcular la varianza:
 
V ( X )  E X 2  E  X    x 2 p( x)  X2
2

x
Ejemplo:
Para la variable X de los ejemplos anteriores tenemos
 
E X 2 = 02 p0  12 p1  22 p2  32 p3 = 0   1   4   9  
1
8
3
8
3
8
1 24
8 8
3

 3  12  9 3
2

Entonces, V  X  = 3     
2 4 4

Nota: vista como la esperanza de una función de una variable aleatoria, la varianza no es
otra que la esperanza de g(x) = x - X

La desviación estándar, también conocida como desviación típica de X es , es decir, la

raíz cuadrada de la varianza

Propiedades básicas de la esperanza y la varianza

Para variables aleatorias X y Y y constantes reales a, b y c se verifican las siguientes
propiedades:

Esperanza
1. E(X + Y) = E(X) + E(Y)
2. E(aX) = aE(X)
3. E(a) = a
 Universidad Metropolitana
Escuela de Matemáticas

Por lo tanto de 1, 2 y 3 se tiene que E(aX + bY + c) = aE(X) + bE(Y) + c, es decir, la

esperanza es lineal con respecto a las variables aleatorias.

Varianza
1. V(aX) = a2V(X)
2. V(a) = 0

Por lo tanto de 1 y 2 se tiene que V(aX + b) = a 2V(X). Como consecuencia se tiene que
para la desviación estándar la relación es V (aX )  a V ( X ) .

Otra propiedad de la varianza de la suma de variables aleatorias sólo puede ser

estudiada posteriormente a la sección siguiente.

Distribución Conjunta de Dos Variables Aleatorias Discretas

Sean X y Y dos variables aleatorias discretas. La función de probabilidad conjunta de X y

Y se define como
p( x, y)  P( X  x, Y  y)  P( X  x y Y  y)
Es decir, la probabilidad de que X adopte el valor x y Y adopte el valor y.

Propiedades:
 0  p( x, y) para cualquier par de valores x,y.
  p( x, y)   p( x, y)  1
x y y x

La función de probabilidad marginal se define, respectivamente para X y para Y, como

p( x)   p( x, y) (es decir, la sumatoria sobre todos los valores de y)
y

p ( y )   p ( x, y )
x

La función de probabilidad condicional de X dado Y se define como

P ( X  x, Y  y ) p ( x, y )
p( x | y )  P( X  x | Y  y )   siempre que p( y)  0
P(Y  y ) p( y)
Similarmente la función de probabilidad condicional de Y dado X se define
p ( x, y )
p( y | x)  siempre que p( x)  0
p( x)

Un concepto de vital importancia en el análisis de datos es el de independencia estadística.

Las variables aleatorias X y Y son independientes si y sólo si
p( x, y)  p( x) p( y) para todo par de puntos (x,y)

Es decir que, si las variables son independientes entonces

 Universidad Metropolitana
Escuela de Matemáticas

p( x | y )  p ( x) y p( y | x)  p( y )

La función de probabilidad conjunta acumulada se define como

F(x,y) = P(X  x , Y  y) =  p(u, v)
u x v y

La esperanza o valor esperado de una función g(X,Y) se define como

E ( g ( X , Y ))   g ( x, y) p( x, y)
x y

La covarianza describe y mide la relación lineal entre dos variables aleatorias, se define
como
Cov(X,Y) = E(X - X)(Y - Y) =E(XY) - XY

Si las variables son independientes entonces su covarianza es 0.

Si la covarianza es 0 entonces no hay relación lineal entre las variables, pero no se puede
garantizar que sean independientes.

Propiedad de la varianza para suma de variables aleatorias

Para variables aleatorias X y Y se verifica la siguiente propiedad:
Var(aX + bY) = a2 Var(X) +b2 Var(Y) + 2abCov(X,Y)
En particular si las variables X y Y son independientes entonces
Var(X + Y) = Var(X) + Var(Y)

Distribuciones Discretas Notables

Algunos de los modelos que más aparecen en la resolución de problemas cotidianos son los
relacionados a variables aleatorias Bernoulli, Binomial, Poisson, Geométrica,
Hipergeométrica y Binomial Negativa.

 Distribución Bernoulli

Una variable aleatoria X tiene distribución Bernoulli si su función de probabilidad es:

p(1)  p
p(0)  1  p  q
p es una valor entre 0 y 1 y se conoce como la probabilidad de éxito, en tanto que q es la
probabilidad de fracaso. Se dice que X ~ Bernoulli(p)
E(X) = p
V(X) = p(1-p)

Un ensayo Bernoulli es un experimento aleatorio que sólo admite dos posibles resultados,
denominados éxito y fracaso. El éxito se asocia al número 1, el fracaso se asocia al número
0, y la probabilidad de éxito se denota p.
 Universidad Metropolitana
Escuela de Matemáticas

 Distribución Binomial

Una v.a. X tiene distribución binomial con parámetros n y p si su función de probabilidad

es
 n
P(X = x) = p( x)    p x (1  p) n  x para x = 0, 1, ..., n
 x
En este caso, n es un entero positivo, y p se conoce como “probabilidad de éxito” y es un
valor entre 0 y 1. Se dice que X ~ Bin(n,p).
E(X) = np
V(X) = np(1-p) = npq

Un experimento binomial es un proceso en el cual se verifican las siguientes condiciones:

 el experimento aleatorio se repite n veces en idénticas condiciones
 hay sólo dos posibles resultados en cada repetición del experimento, llamados
arbitrariamente éxito y fracaso
 la probabilidad de éxito, denotada p, es la misma para cada repetición (permanece
constante entre repeticiones)
 las n repeticiones del experimento aleatorio son independientes entre sí

En la práctica, en un experimento binomial se quiere determinar la probabilidad de observar

x éxitos en n intentos. El orden de ocurrencia de los éxitos es irrelevante; así, para contar de
cuántas formas pueden observarse x éxitos en n repeticiones empleamos las combinaciones
n
  . Por otro lado, como las n repeticiones del experimento son independientes entre sí, la
x
probabilidad de cualquiera de las combinaciones con x éxitos y n-x fracasos es px qn  x .
n n
n
Observe que 0    p x qn  x  1 y    px qn  x  1.
x x  0 x

Nota: la suma de n variables Bernoulli(p) da como resultado una variable aleatoria

Binomial(n,p).

Distribución binomial en Excel

Para calcular las probabilidades de una variable aleatoria Binomial(n, p) se puede usar:
DISTR.BINOM.(Núm_éxito; Ensayos; Prob_éxito; Acumulado)
Coloque el valor de p en Prob_éxito, escriba verdadero o falso en Acumulado a fin de
obtener F(x) ó p(x) respectivamente, coloque el valor de x en Núm_éxito, y coloque n en
Ensayos.

 Distribución Poisson

Una v.a. X tiene distribución Poisson con parámetro  (lambda) si su función de

probabilidad es
 Universidad Metropolitana
Escuela de Matemáticas

e   x
P(X = x) = p ( x)  x = 0, 1, 2, 3, ...
x!
donde  es un número positivo. Se dice que X ~ Poisson().
E(X) = 
V(X) = 

Observe que una variable aleatoria Poisson es un ejemplo de variable con rango infinito
contable.

La variable aleatoria Poisson se utiliza para modelar experimentos donde el aspecto de

interés es el número de veces que ocurre cierto evento A en un intervalo determinado de
tiempo o espacio.

 es el número promedio de resultados por unidad de tiempo o región. La unidad de tiempo

puede ser de cualquier longitud: un minuto, un día, una semana, etc.

 Distribución Geométrica

Una v.a. X tiene distribución geométrica con parámetro p si su función de probabilidad es

p( x)  p(1  p) x 1 para x = 1, 2, 3, ...
En este caso, x es un entero positivo, y p se conoce como probabilidad de éxito y es un
valor entre 0 y 1.
1
E(X) =
p
V(X) =
1  p 
p2
La variable aleatoria geométrica se utiliza para modelar experimentos donde el aspecto de
interés es el intento en el que ocurrió el primer éxito.

 Distribución Binomial Negativa

Una v.a. X tiene distribución binomial negativa con parámetros r y p si su función de

probabilidad es
 x  1 r
p( x)    p (1  p) x  r para x = r , r+1, r+2, ...
 r  1 
En este caso, r es un entero positivo, x es un entero positivo mayor o igual a r, y p se
conoce como “probabilidad de éxito” y es un valor entre 0 y 1.
r
E(X) =
p
r 1  p 
V(X) =
p2
La variable aleatoria binomial negativa se utiliza para modelar experimentos donde el
aspecto de interés es el intento en el que ocurrió el r-ésimo éxito.
 Universidad Metropolitana
Escuela de Matemáticas

 Distribución Hipergeométrica

Una v.a. X tiene distribución hipergeométrica con parámetros A y B si su función de

probabilidad es
 A  B 
  
 x  k  x 
p ( x)  siempre que 0  x  A y 0k–xB
 A  B
 
 k 
donde A, B y k son enteros no negativos y k  A + B

Para recordarla asóciela como el modelo para el cálculo de probabilidades del Kino.

PROBLEMAS
1. Construya una tabla de distribución de probabilidad basándose en la distribución de
frecuencia que se da a continuación:
Resultado 102 105 108 111 117
Frecuencia 10 20 45 15 20
a. Dibuje una gráfica de distribución hipotética de probabilidad.
b. Calcule el valor esperado del resultado.

2. Determine si las siguientes funciones representan distribuciones de probabilidad.

Considere que la supuesta variable aleatoria sólo puede adoptar los valores 1, 2, 3 y 4:
a. p(1) = 0.15, p(2) = 0.28, p(3) = 0.29 y p(4) = 0.28
b. p(1) = 0.00, p(2) = 0.15, p(3) = 0.90 y p(4) = -0.05
c. F(1) = 0.33, F(2) = 0.70, F(3) = 0.67 y F(4) = 1
d. F(1) = 0.30, F(2) = 0.70, F(3) = 1 y F(4) = 1
e. Para los casos en que se trate de una distribución, use Excel para graficar la función
de densidad de probabilidades y la función de distribución acumulativa.

3. Compruebe si las siguientes funciones pueden definir distribuciones de probabilidad y

explique sus respuestas:
a. p ( x)  x 15 para x = 0, 1, ..., 5
5  x2
b. p( x)  para x = 0, 1, 2, 3
6
 Universidad Metropolitana
Escuela de Matemáticas

k
4. Concediendo que p(x )  es una función de distribución de probabilidad para una
2x
variable aleatoria que puede adoptar los valores x = 0, 1, 2, 3, 4,
a. Determine el valor de k.
b. Determine F(x) para la variable aleatoria.
c. Calcule la probabilidad de que X sea no mayor a 2.

5. Uso importante de probabilidades para la toma de decisiones: Un fabricante de aparatos

de fax sostiene que a lo sumo 10% de sus aparatos requieren reparación dentro del
periodo de garantía de 12 meses. Si 5 de 20 de sus aparatos requirieron de reparación en
el primer año, ¿esto apoya o refuta la afirmación del fabricante? Sugerencia: proponga
una variable aleatoria adecuada para modelar la situación y calcule la probabilidad de
observar cierto número de aparatos en reparación.

6. Un estudio demuestra que una empresa de computadoras responde alrededor del 70%
de las consultas que se le hacen en un término de 6 días. Determine las probabilidades
de que las empresa responda 0, 1, ..., ó 5 de 5 consultas en 6 días y determine la
distribución de probabilidad.

7. El reporte anual es una de los documentos más importantes de una empresa y su

producción representa un gasto considerable. Sin embargo un estudio revela que 40%
de los accionistas dedican 5 minutos o menos a la lectura del reporte anual de su
compañía. Suponga que se eligen al azar 100 accionistas de empresas.
a. Encuentre el número esperado de accionistas que dedican 5 o más minutos a la
lectura del reporte anual de su compañía.
b. Determine la desviación estándar de la variable aleatoria.
c. Si se observa que 25 de los 100 accionistas seleccionados dedican no más de 5
minutos a la lectura del reporte anual, ¿seria razonable pensar que la proporción de
accionistas que dedican 5 minutos o menos a la lectura del reporte anual es 40%?
Justifique.

8. Los registros de mantenimiento revelan que solamente 3 de cada 100 computadoras HP

requiere una reparación mayor durante el primer año de uso. Los clones en cambio se
dañan a una tasa de 8 cada 75 computadoras. El gerente de una oficina ordenó la
compra de 10 máquinas de esa marca, y durante este año se dañaron 2. Encuentre la
probabilidad de que dos máquinas requieran una reparación mayor durante el primer
año de uso. ¿Considera que al gerente le vendieron clones?

Pensar si es binomial o hipergeométrica…

9. Resolver el siguiente problema utilizando la distribución Hipergeométrica: ¿Cuál es la

probabilidad de que un auditor de impuestos del Seniat encuentre sólo dos
declaraciones de impuestos sobre ingresos con deducciones improcedentes si seleccionó
 Universidad Metropolitana
Escuela de Matemáticas

aleatoriamente 6 declaraciones entre 18, 8 de las cuales contienen deducciones

improcedentes. Si usted fuera jefe de este auditor, ¿desconfiaría de su trabajo?

18 declaraciones (A = 8 improcedentes, B = 10 procedentes)

Selección de 6, sólo 2 improcedentes
Sea X la variable aleatoria que cuenta el número de improcedentes en la selección. En este
caso se tiene x = 2.
En selección de 6, si hay dos improcedentes debe hacer 4 procedentes.
P(X = 2) = 8C2*(10C4)/18C6
P(X <=2) = ?

10. Un equipo electrónico contiene 6 transistores dos de los cuales son defectuosos. Se
seleccionan tres transistores al azar, se sacan del equipo y se inspeccionan. Sea X el
número de defectuosos observados. Encuentre la distribución de probabilidad de X y su
función acumulativa.

11. Con el objeto de verificar la exactitud de su contabilidad la compañía utilizan auditores

regularmente para verificar las anotaciones en sus cuentas. Supongamos que los
empleados de la compañía hacen anotaciones erróneas el 5% de las veces. Si un auditor
revisa al azar tres anotaciones.
a. Encuentre la distribución de probabilidad del número de errores detectados por el
auditor
b. Encuentre la probabilidad de que el auditor detecte más de un error.

12. Un llavero contiene cuatro llaves de una oficina, que son idénticas en apariencia. Sólo
una abre la puerta de la oficina. Supongamos que se selecciona una al azar y se prueba.
Si no es la llave adecuada se selecciona al azar una de las tres llaves restantes. Si esta
última no es la llave que corresponda, se selecciona la azar una de las dos restantes. Sea
X igual al número de llaves que se tienen que probar hasta encontrar la llave que abre la
puerta. Encuentre la distribución de probabilidad de X, ¿cuál es la media?

13. Una caja contiene 10 bombillas, tres de las cuales están fundidas. Se extraen bombillas
sucesivamente y se prueban, sin devolución, hasta que aparezca la última defectuosa.
Sea X el número de bombillas probadas hasta que aparece la tercera defectuosa.
a. Hallar la función de probabilidad de esta variable aleatoria discreta
b. Hallar P(x=6)
c. Hallar P(x5)

14. Una línea aérea vende boletos sobre la base que el 5 % de las personas que hacen
reservación para un vuelo no se presentan. Se sabe que la aerolínea vendió 160 boletos
 Universidad Metropolitana
Escuela de Matemáticas

para un vuelo con sólo 155 asientos, ¿cuál es la probabilidad de que haya un asiento
disponible para cada persona con reservación que se presenta al vuelo?

Sugerencia: pensar en binomial

n = ??
p = ? = 0.05
¿probabilidad que piden?
IMPORTANTE: definir la variable aleatoria.
Ejemplo: sea X el número de pasajeros con boleto que se presentaron
X se distribuye Bin(160;0.95)
La pregunta se contesta mediante P(X <= 155)

Otra forma: pensar para mañana (los estudiantes)

¿qué pasa si pienso en términos de los que no se presentan?