1

VARIABLES ALEATORIAS
Variable: Característica de los individuos u objetos
Definiciones
Aleatoria: Azar

1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada
resultado en el espacio muestral de un experimento aleatorio.

2. Notación: - Las v.a. se denotan con una letra mayúscula tal como X ( Usualmente
X,Y,Z ) y el valor posible de X se denota con una letra minúscula x ( o bien X=x )

3. El conjunto de posibles valores de la v.a. X recibe el nombre de Rango de X.

2

Ejemplos

1. Llamadas telefónicas recibidas por una Cía. en un día determinado

Sea X: Número de llamadas ( X∈{0,1,2,3,...,n}, n: conocido)

2. Lanzar una moneda hasta que salga cara por primera vez
Sea X: Número de sellos ( X∈{0,1,2,3,...} )

3. Largo del cable de un artefacto eléctrico ( por ej. Plancha )

Sea X: “ El largo del cable ” ( X∈ Intervalo, si hay especificaciones técnicas )
3

Variables Aleatorias Discretas ( v.a.d.)

Es una v.a. con un rango finito ( ejemplo 1 ) o infinito numerable ( ejemplo 2 )

Distribución de probabilidades
Es la forma de resumir las probabilidades en una “Tabla“. Su esquema es el siguiente:

x x1 x2 … xk
P( X = x) P( x1 ) P( x2 ) … P( xk )

La función de probabilidad
Es la regla ( o fórmula ) que asigna probabilidades a los valores de las v.a.

k
Nota: P(x k ) ≥0 y å P ( xi ) = 1
i =1
4

Ejemplo 4
Experimento: Se lanzan dos monedas honestas.
Ω = { ss , cs , sc , cc }
Sea X: N° de caras ( X∈{0,1,2} ) y P(X=0) = 1/4 , P(X=1) = 1/2 , P(X=2) = 1/4 .

G La distribución de Probabilidad es: ( “ La tabla “ )

x 0 1 2

P(X=x) 1/4 1/2 1/4

G La función de Probabilidad es: ( “ La regla o fórmula “ )

2
æ2ö æ1ö
P(X = k) = ç ÷ ç ÷ , k = 0,1,2.
èkø è 2ø
5

La Función de Distribución Acumulada ( F.D.A.)

Se define la F.D.A. de una v.a. X como

FX (k) = P(X ≤ k) = å P(xi)

xi ≤ k

Propiedades:

1° 0 ≤ FX (k) ≤ 1
2° Si p ≤ q Þ = FX (p) ≤ FX (q) ( No decreciente )
3° FX (x) es contínua por la derecha
6

... cont. Ejemplo 4

La F. D. A. está dada por:

X=k P(X=k) FX(k) = P( X≤k )

0 1/4 1/4

1 1/2 1/4+1/2 = 3/4

2 1/4 1/4+1/2+1/4 = 1

Otra manera de escribir la F.D.A. es:

ì 0 ; x<0
ï 1/4 ; 0 ≤ x <1
ï
FX (x) = í
ï3/4 ; 1≤ x < 2
ïî 1 ; x≥2
7

Gráficamente La F.D.A. en nuestro ejemplo es:

8

Valor esperado o Esperanza de una v.a. X

La esperanza se puede interpretar como el centro de gravedad

E( X ) = å k P(X = k)
k

Propiedades

1° E( c X ) = c E( X ), donde c es constante
2° E( X + Y ) = E( X ) + E( Y )
3° Si X1,X2,...,Xn son v.a. Entonces
n n
E( å X i ) = å E( X i )
i =1 i =1

4° E( g(X) ) = å g(k) P(X = k)

k
9

Varianza de una v.a. X

La varianza trata de describir la dispersión de los datos

(
VarX = E ( X - EX ) 2 )
Propiedades
1° Var X = E( X2 ) - { E(X) }2
2° Var( c ) = 0 , c : constante
2° Var( a X + b ) = a 2 Var X , con a y b constantes

Definición

Se llama desviación estándar de una v.a. X a la siguiente expresión:

σX = + VarX
También mide la dispersión de los datos y tiene la misma unidad de medida que
la v.a. X.
10

Modelos para v.a.d.

Modelo Bernoulli
Se llama experimento de Bernoulli a un experimento con las siguientes
Características:

1° Se realiza un experimento con dos resultados posibles: w0 y w1 tal que:

P( w0 ) = p y P( w1 ) = q = 1 – p
2° La repetición del experimento no altera las probabilidades de w0 y w1

Sea X una v.a. se dice que X es Bernoulli ( Notación : X~ Bern(p) )

ì1 ; si ocurre w 0
Si X = í
î0 ; e.o.c.
La función de probabilidad está dada por: P(X=x) = p x q 1 – x x = 0, 1.

EX = p , Var X = p q
11

Modelo Binomial

Si se repite un experimento Bernoulli n veces, se llama v.a. Binomial

( o modelo Binomial ) a:

X : N° de veces que ocurre w0 y la probabilidad asociada está dada por :

æ nö x n - x
P(X= x)= ç ÷ p q , x= 0,1,2,..., n.
è xø
E X = n p , Var X = n p q

Notación: X ~ Bin( n,p )

Observación: Bern(p) ≡ Bin ( 1, p ).

12

Ejemplo

Sea X: Número de varones en una familia de tres hijos y sea el evento

V: “Ser varón” , con P(V)=p ( y el evento M: ”Ser mujer” , con P(M)= q =1-p )
Calcular P( X=2 ) .

Solución

1ª Forma ( Intuición )
X=2 Þ V V M o V M V o M V V
P(X=2) = p p q + p q p + q p p = 3 p2 q

2ª Forma ( Modelo Binomial )

- Cumple las hipótesis del modelo Binomial
( Dos casos. Se asume que la probabilidad no se altera, n=3)

æ3ö 2
- P( X = 2) = ç ÷ p ( 1 - p )3-2 = 3 p 2 q
è 2ø
13

Modelo Geométrico

Si se repite un experimento Bernoulli indefinidamente, se llama v.a. Geométrica

( o modelo Geométrico ) a:

X : N° de la repetición en la cual se obtiene w0 por primera vez y la probabilidad

asociada está dada por :

P(X = x) = q x -1 p ; x = 1, 2,3,...
E X = 1/p , Var X = q / p2

Notación: X ~ Geo( p )
14

Ejemplo

Se lanza una moneda. Calcular la probabilidad que salga cara por primera
vez en el 3ª lanzamiento.
( P( C ) = p, P( S ) = q = 1-p )

Solución

1ª Forma ( Intuición )
S S C Þ P( pedida ) = q q p = q 2 p

2ª Forma ( Modelo Geométrico )

- Cumple las hipótesis del modelo Geométrico
( Dos casos. Se asume que la probabilidad no se altera hasta que ocurra éxito por
primera vez en el tercer lanzamiento )

- P( X = 3) = ( 1 - p )3 - 1 p = ( 1 - p) 2 p = q 2 p
15

Modelo Hipergeométrica

Un conjunto de N objetos contiene

K objetos clasificados como éxitos y

N – K objetos clasificados como fallas

Se toma una muestra de tamaño n, al azar y (sin reemplazo) de entre N objetos, donde
K ≤ N y n ≤ N. Sea X: Número de éxitos en la muestra, entonces X tiene distribución
Hipergeométrica y la función de probabilidad es

æK öæN -kö
ç ÷ç ÷
èx øèn - x ø
P(X = x) = , x = 0,1,2,..., mín(K, n)
N
æ ö
ç ÷
èn ø
Notación : X ~ HG(N,K,n)

E X = n p, Var X = n p q [ (N-n) / (N-1) ], donde p= K / N

16

Ejemplo
300 Fumadores
Población = 1000 personas , m.a.( 3 )
700 No Fumadores
Sea X: Número de fumadores. Calcular la probabilidad de que una persona fume

Solución
1ª Forma ( Intuición )
X=1 Þ F NF NF o NF F NF o NF NF F
P(X=1) = 300*700*699 + 700*300*699 + 700*699*300
1000*999*998 1000*999*998 1000*999*998

2ª Forma ( Modelo Hipergeométrico )

Cumple las hipótesis del modelo Hipergeométrico

æ 300 ö æ 700 ö
ç ÷ç ÷
è 1 øè 2 ø
P(X = 1) =
æ1000 ö
ç ÷
è 3 ø
17

Modelo Poisson

Si el número promedio de ocurrencias en un intervalo de tiempo o en una región

específica es λ >0. La v.a. X que es igual al número de ocurrencias en el
Intervalo o región tiene una distribución de Poisson con tasa λ.

La función de probabilidad de la v.a. X está dada por :

λ x e -λ
P(X = x) = , x = 0,1,2,3,....
x!

Notación : X ~ P( λ )

E X = λ , Var X = λ

Obs: Si X ~ Bin(n,p) con n→∞ y p≈0 , entonces X ~ P( λ ) con λ = n p

18

Ejemplo

El número promedio de partículas radiactivas que pasan a través de un contador durante

un milisegundo en un experimento de laboratorio es 4. Calcule la probabilidad de que
entren 6 partículas al contador en un milisegundo determinado

Solución

Sea X : Número de partículas que entran al contador en un milisegundo determinado

Þ X ~ P( 4 )
Se pide la probabilidad que X=6.

Luego:
4 6 e -4
P( X = 6) = = 0.1042
6!