Trabajo Monográfico

Variable Aleatoria
Una variable aleatoria es una función que asigna un valor, usualmente numérico, al
resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado
dos veces: (1, 1), (1, 2), etc. o un número real (p.e., la temperatura máxima medida a lo
largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados
de un experimento aún no realizado, o los posibles valores de una cantidad cuyo valor
actualmente existente es incierto (p.e., como resultado de medición incompleta o
imprecisa). Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo
valor no es fijo pero puede tomar diferentes valores; una distribución de probabilidad se usa
para describir la probabilidad de que se den los diferentes valores. En términos formales
una variable aleatoria es una función definida sobre un espacio de probabilidad.

Tipos de variables Aleatorias

 Variables Discretas:  son aquellas cuyas observaciones se agrupan
‘inherentemente’ o ‘naturalmente’ en categorías, porque dichas variable por su
naturaleza sólo pueden tomar ciertos valores muy específicos. El “género” de un
sujeto es un buen ejemplo de una variable discreta: los seres humanos pueden ser
mujeres u hombres, se ajustan a una u otra categoría y no hay continuidad ni puntos
intermedios entre ellas. Los países o regiones del mundo también son buenos
ejemplos de variables discretas. Otro ejemplo son las calificaciones o educación de
los maestros.
 Variables Continuas: como su nombre lo indica, sólo se pueden agrupar en forma
arbitraria en categorías, porque por su naturaleza pueden tomar cualquier valor a lo
largo de un continuo (o de una escala numérica continua). La estatura de los
habitantes de un país es un ejemplo de variable continua, así como el ingreso de las
familias en dicho país. Un buen ejemplo en el área de la educación son las
“calificaciones de pruebas”, que sólo se pueden agrupar arbitrariamente creando
‘intervalos’ artificiales, como por ejemplo 1-20, 21-40, etc. Note que los intervalos
también podrían ser 1-10, 11-20, 21-30, etc, o cualquier otro intervalo que se
prefiera, ya que la variable no se ajusta naturalmente a categorías predeterminadas
como en el caso de las variables discretas.

Función de Probabilidad ( variable discreta)

Las distribuciones de probabilidad discreta son una función que asigna a cada

elemento de X(S)={x1,x2,…,xi,…}, donde X es una variable aleatoria discreta
dada y S es su espacio muestral, la probabilidad de que dicho suceso ocurra. Esta
función f de X(S) definida como f(xi)=P(X=xi) a veces es llamada función masa de
probabilidad.
Si X es una variable aleatoria discreta con rango de valores Rx entonces, su
función de probabilidad se define por:
p(x) = P[X = x], para todo x Rx
 Propiedades:
• p(x) > 0
•  p(x) = 1, x Rx
Cuando Rx no contiene muchos valores es más conveniente expresar p(x) en una
tabla de valores, la cual es llamada tabla de función de probabilidad.

Valor Esperado

Es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por

el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como
resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene
constante y el experimento se repite un elevado número de veces. Por ejemplo, si lanzamos
dos dados al aire y definimos la variable aleatoria como la suma de los valores obtenidos,
quisiéramos saber, después de lanzar estos dos dados 1000 veces, cuál es el promedio de las
sumas obtenidas.

Si X es una variable aleatoria que toma valores {x1, x2, x3,…xn} y sea p(x) la función de
probabilidad de esta variable, entonces la esperanza se calcula como:

E(x)=x1∙P(x1)+x2∙P(x2)+⋯+xn∙P(xn)

Varianza
La Varianza (o Variancia) es una medida estadística de la dispersión (variabilidad) que
se define como la media aritmética del cuadrado de las desviaciones de las muestras
respecto a la media. La Varianza se representa mediante el símbolo griego sigma al
cuadrado (σ2) .

Función Densidad (variable continua)

Es aquella función f positiva e integrable en los reales, tal que acumulada desde −∞

hasta un punto x, nos proporciona el valor de la función de distribución en x, F(x).  La
función de densidad continua toma valores en el conjunto de números reales y no se
interpreta como una probabilidad. No está acotada por 1, puede tomar cualquier valor
positivo. Es más, en una variable continua se cumple que probabilidades definidas sobre
puntos concretos siempre son nulas.

P(X = x) = 0 para todo x real.

Valor Esperado
Para una variable aleatoria absolutamente continua, la esperanza se calcula mediante la
integral de todos los valores y la función de densidad f(x):

:
 Varianza
Es, por tanto, el promedio teórico de las desviaciones cuadráticas de los diferentes
valores que puede tomar la variable respecto de su valor medio teórico o esperanza.

Distribución Discreta
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una
variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene
valores contables, tales como una lista de enteros no negativos.
Características:

 Al ser una probabilidad,     .

       es nula para todo valor de       menor que el menor valor de la variable
aleatoria, y es igual a uno para todo valor de       mayor que el mayor valor de la
variable.
      es creciente.
       es constante en cada intervalo     , además es continua a la
derecha de       y a la izquierda     , y discontinua a la izquierda de       y a la
derecha de     , para   
 Sea     , entonces   
Aplicaciones: probabilidad de que en una familia los hijos sean varones o hembras
 Tipos Distribución Discreta

 Binominal

La distribución binomial es típica de las variables que proceden de un experimento que

cumple las siguientes condiciones:

 El experimento está compuesto de n pruebas iguales, siendo n un número natural

fijo.
  Cada prueba resulta en un suceso que cumple las propiedades de la variable
binómica o de Bernouilli, es decir, sólo existen dos posibles resultados, mutuamente
excluyentes, que se denominan generalmente como éxito y fracaso.
 La probabilidad del ‚éxito (o del fracaso) es constante en todas las pruebas
. P(éxito) = p ; P(fracaso) = 1 - p = q
  Las pruebas son estadísticamente independientes
 En estas condiciones, la variable aleatoria X que cuenta el número de ‚éxitos en las n
pruebas se llama variable binomial. Evidentemente, el espacio muestral estar compuesto
por los números enteros del 0 al n. Se suele decir que una variable binómica cuenta objetos
de un tipo determinado en un muestreo de n elementos con reemplazamiento.

 Binomial negativa 
Es una distribución de probabilidad discreta que incluye a la distribución de Pascal.
Es una ampliación de las distribuciones geométricas, utilizada en procesos en los cuales
se ve necesaria la repetición de ensayos hasta conseguir un número de casos favorables
(primer éxito).
Ejemplo:
Si la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga es
0,40, ¿Cuál es la probabilidad de que el décimo niño expuesto a la enfermedad sea el
tercero en contraerla?
En este caso, X es el número de niños expuestos a la enfermedad hasta encontrar el tercero
en contraer la enfermedad.

La solución es:

 Geométrica
En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes:

 la distribución de probabilidad del número X del ensayo de Bernoulli necesaria para

obtener un éxito, contenido en el conjunto { 1, 2, 3,...} o
 la distribución de probabilidad del número Y = X − 1 de fallos antes del primer éxito,
contenido en el conjunto { 0, 1, 2, 3,... }.
 Multinominal

La distribución multinomial es esencialmente igual a la binomial con la única

diferencia de que cada prueba tiene más de dos posibles resultados mutuamente
excluyentes. Si tenemos K resultados posibles (Ei , i = 1, ... , K) con probabilidades fijas
(pi , i = 1, ... , K), la variable que expresa el número de resultados de cada tipo obtenidos en
n pruebas independientes tiene distribución multinomial.

 Hipergeométrica
 En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta
relacionada con muestreos aleatorios y sin reemplazo. Suponga que se tiene una población
de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La distribución
hipergeométrica mide la probabilidad de obtener x (0≤x≤d) elementos de la categoría A en
una muestra sin reemplazo de n elementos de la población original.
 Poisson
Es una distribución de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado número de eventos
durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos "raros".
Ejemplo:
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa,
para obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson. En este caso
concreto, k es 5 y, λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8.
Por lo tanto, la probabilidad buscada es:

❑ 2
❑ PA =π r

Distribución Continua

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria con
un conjunto de valores posibles (conocido como el rango) que es infinito y no se puede
contar.

Características:
 Es generada por una variable continua (x). Es una variable que puede tomar tanto
valores enteros como fraccionarios.
 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la función de densidad de
probabilidad deberá tomar solo valores mayores o iguales a cero.
  La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1. El área definida bajo la función de densidad de
probabilidad  deberá ser de 1.

Aplicación: puede describir la distribución del peso de hombres adultos. Por ejemplo,
usted puede calcular la probabilidad de que un hombre pese entre 160 y 170 libras.

Tipos Distribución Continua

  Normal
Es una de las distribuciones de probabilidad de variable continua que con más frecuencia
aparece en estadística y en la teoría de probabilidades. La gráfica de su función de
densidad tiene una forma acampanada y es simétrica respecto de un determinado parámetro
estadístico. Esta curva se conoce como campana de Gauss y es el gráfico de una función
gaussiana
Ejemplo: En la hidrología se presume que precipitaciones y descagas de ríos de larga
duración (por ejemplo mensuales o anuales) siguen una distribución normal 
Uniforme
Es una familia de distribuciones de probabilidad para variables aleatorias continuas,
tales que para cada miembro de la familia, todos los intervalos de igual longitud en la
distribución en su rango son igualmente probables. El dominio está definido por dos
parámetros, a y b, que son sus valores mínimo y máximo.
Ejemplo:  Muchos lenguajes de programación poseen la capacidad de generar números
pseudo-aleatorios que están distribuidos de acuerdo a una distribución uniforme
estándar.
 Exponencial
La distribución exponencial es un caso particular de distribución gamma con k = 1.
Además la suma de variables aleatorias que siguen una misma distribución exponencial es
una variable aleatoria expresable en términos de la distribución gamma.
Ejemplo: En la hidrología, la distribución exponencial se emplea para
analizar variables aleatorias extremos de variables como máximos mensuales y
anuales de la precipitación diaria
 Weibull
Es una distribución de probabilidad continua. Recibe su nombre de Waloddi Weibull,
que la describió detalladamente en 1951, aunque fue descubierta inicialmente
por Fréchet (1927) y aplicada por primera vez por Rosin y Rammler (1933) para describir
la distribución de los tamaños de determinadas partículas.
Ejemplo: Análisis de la supervivencia y para modelar la distribución de la velocidad del
viento (frecuencia con la que se dan diferentes velocidades de viento)

 Gamma
La distribución gamma es una distribución continua que se define por sus
parámetros de forma y escala. La distribución gamma de 3 parámetros se define por sus
parámetros de forma, escala y valor umbral. 
Ejemplo: ingresos familiares, edad del hombre en contraer matrimonio por primera
vez, flujos máximos
 Beta
 La distribución beta es posible para una variable aleatoria continua que toma valores
en el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. La
distribución beta es posible para una variable aleatoria continua que toma valores en el
intervalo [0,1], lo que la hace muy apropiada para modelar proporciones.
Ejemplo: proporción de horas que duerme un individuo o la proporción de cierto
elemento de un compuesto químico.
 Log-normal
Es una distribución de probabilidad de una variable
aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable
aleatoria con una distribución normal, entonces exp(X) tiene una distribución log-normal.
La base de una función logarítmica no es importante, ya que log a X está distribuida
normalmente si y solo si logb X está distribuida normalmente, solo se diferencian en un
factor constante.
Ejemplo: En la hidrología, se utiliza la distribución log-normal para analizar variables
aleatorias como valores máximos de la precipitación y la descarga de ríos, y además para
describir épocas de sequía

 T de Student
Es una distribución de probabilidad que surge del problema de estimar la media de
una población normalmente distribuida cuando el tamaño de la muestra es pequeña.
Aparece de manera natural al realizar la prueba t de Student para la determinación de las
diferencias entre dos varianzas muestrales y para la construcción del intervalo de
confianza para la diferencia entre las partes de dos poblaciones cuando se desconoce
la desviación típica de una población y esta debe ser estimada a partir de los datos de una
muestra.

Ejemplo: El test de posición de muestra única por el cual se comprueba si la media de una
población que se conoce posee una distribución normal, tiene un valor especificado en
una hipótesis nula.
 Chi Cuadrada
En estadística, la distribución de Pearson, llamada también ji cuadrada(o) o chi
cuadrado(a) (χ²), es una distribución de probabilidad continua con un parámetro que
representa los grados de libertad de la variable aleatoria

Donde Z son variables aleatorias normales independientes de media cero y varianza

uno.
Ejemplo: Prueba χ² utilizada como prueba de independencia y como prueba de buen ajuste
y en la estimación de varianzas. Pero también está involucrada en el problema de estimar la
media de una población normalmente distribuida y en el problema de estimar la pendiente
de una recta de regresión lineal.