Capítulo 3 y 4

Variables aleatorias y Distribuciones de probabilidad

1. Experimento a =lanzar una moneda

Ω={c , s 0}
numero de lanzamientos 1
2 =2 =2 X :numero de caras
1
A
B
{s}
X=0

{c}
X=1

Experimento b = lanzar una moneda dos veces 0

Ω={cc , ss , cs1, sc }
X :numero de2caras
numero de lanzamientos 2
2 =2 =4
A
B
{ss}
0
{cs,sc}
1
{cc}
2
Experimento c = lanzar una moneda tres veces

Ω={ccc , sss , scs , scc , ssc , ccs , csc, css }

0
X :numero de caras
1 2numero de lanzamientos=23=8

Definición: Dado un experimento aleatorio, definimos una variable aleatoria como una función definida sobre el espacio muestral que asigna un
número REAL a cada uno de los puntos, o resultados posibles, de dicho espacio muestral.
+¿ ¿ +¿ ¿
Subconjunto de Números enteros Z o Puede NO ser un de Números enteros Z

x ∈ { 0,1,2,3,4,5,6 , } x ∉ {0,1,2,3,4,5,6 , }
VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS CONTINUAS
toma un número finito o infinito, NO
toma un número finito o infinito, pero
contable, de valores.
contable, de valores.

Ejemplos de variables aleatorias:

  Al lanzar una moneda tres veces, el número de caras que se obtienen.
 Al encuestar a un grupo de personas, el número de hijos en la familia.
 Al examinar una muestra de sangre, el número de plaquetas.
 Al estudiar una población de aves, el número de estas que cumplen cierto criterio Discretas
“peso mayor a”.
 El número de bacterias que crecen en un cultivo durante cierto tiempo.
 Al estudiar un nuevo material para la construcción, la elasticidad del material.
 Al estudiar las características de los suelos, la porosidad del suelo.
 Al analizar algunos productos alimenticios, el tiempo de vida del alimento.
 El peso en kilogramos de un tipo de especie de aves. Continuas

Distribución de probabilidad

X:número de caras

Experimen
to a X 0 1
P({s})=P(X=0)=1/
P(X) 2 P({c})=P(X=1)=1/2

Experiment
o b:lanzar
una
moneda 2
veces X 0 1 2
P({ss})=P(X=0)=1 P({cs,sc})=P(X=1)= P({cc})=P(X=2)=
P(X) /4 2/4 1/4

Experiment
oc X 0 1 2 3
P(X) P(X=0)=1/8 f(1)=P(X=1)=3/8 P(X=2)=3/8 P(X=3)=1
 /8


Variables aleatorias discretas

Sea una variable aleatoria discreta X y supongamos que puede tomar los valores x 1 , x 2 , x 3 ,. . .

Como ya se ha indicado, para describir completamente la variable aleatoria hay que indicar las probabilidades de que tome cada uno de sus
valores posibles.

De esta forma a cada valor de la variable aleatoria se le asigna como probabilidad la probabilidad de que ocurra el subconjunto del espacio
muestral asociado con ese valor particular.

Para esto se define una función f ( x) que indica la probabilidad de cada valor x de la variable aleatoria.

Esta es la función de probabilidad, también llamada distribución de probabilidad, de la variable aleatoria discreta X .

f ( x)≡ P( X=x).
f (3)≡ P ( X=3) .

En particular, para un valor x ide la variable aleatoria: f ( x i ) ≡ P ( X =x i ) .

Ejemplo:

Para el experimento lanzar una moneda 2 veces, la variable aleatoria X =número de caras

X toma valores 0 , 1,2

f ( 2 ) =P ( X=2 )=1 /4
Además, por las propiedades de la probabilidad, la función de probabilidad cumple, para todo x i
n n
f ( x i ) ≥ 0 ; ∑ f ( x i )=f ( x 1) + f ( x 2 ) +…+ f ( x n)=1, o lo mismo que ∑ P( X=x i )=1
i=1 i=1

En muchas ocasiones, la distribución discreta de probabilidad se presenta en forma de tabla

X  x1    x 2 …    x i   … 
P( X =x)  f ( x1 )  f ( x2 )  …  f ( xi ) … 

Ejemplo: Funciones de probabilidad

X:número de caras

Experiment
oa X 0 1
P(X) f(0)=P(X=0)=1/2 f(1)=P(X=1)=1/2 Suma 1

Experiment
ob X 0 1 2
P(X) P(X=0)=1/4 P(X=1)=2/4 P(X=2)=1/4
Suma 1

Experiment
oc X 0 1 2 3
P(X) P(X=0)=1/8 P(X=1)=3/8 P(X=2)=3/8 P(X=3)=1/8

Suma 1

Asimismo, gráficamente se suele representar usando un diagrama de barras (en el caso de v.a. discretas) donde en abscisas se sitúan los
diferentes valores de X y en ordenadas las probabilidades correspondientes:
Otra forma de caracterizar la distribución de una variable aleatoria es mediante la función de distribución F (x) , o función de probabilidad
acumulativa, definida para cada x como la probabilidad de que la variable aleatoria X tome un valor menor o igual que x . Es decir

F ( x )=P ( X ≤ x ) .
Ejemplo:

Para el experimento lanzar una moneda 2 veces, la variable aleatoria X =número de caras

X toma valores 0 , 1,2

0
f ( 0 )=P ( X=0 )1=1/4
X
f ( 1 ) =P ( X=1 )=2
2 /4
f ( 2 ) =P ( X=2 )=1 /4
F ( 1 )=P (X ≤1)
F ( 0 )=P ( X ≤0 )=P ( X=0 )=1/4
1 2 3
F ( 1 )=P ( X ≤ 1 )=P ( X=0 ) + P ( X=1 )= + =
4 4 4
 F ( 2 )=P ( X ≤ 2 )=P ( X =0 ) + P ( X=1 ) + P ( X =2 )=1

Si suponemos que la variable aleatoria puede tomar los valores X ={x 1 , x 2 , x 3 , … x n }, ordenados de menor a mayor, entonces la función de
distribución para cada punto estará dada por

0 0 1

0 1 1 2
De modo que la representación gráfica de la función de distribución discreta tiene forma de escalera, con saltos en los valores aislados que toma
la variable y con continuidad por la derecha (es decir, en cada salto el valor que toma F(x) es el del escalón superior.

Ejemplo:

Experimento: Lanzar dos dados

v.a. X=suma de los puntos de ambos dados

Posibles valores de esa variable = {2,3,4,5,6,7,8,9,…12}

¿X es discreta? Si, porque sus valores son contables

 ¿Cuál es la distribución de probabilidad?

X 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
 Grafico de Distribución de
probabilidad v.a. discreta
0.17
0.14 0.14
0.11 0.11
0.08 0.08
0.06 0.06
0.03 0.03

2 3 4 5 6 7 8 9 10 11 12
Media o Esperanza matemática: La principal medida de centralización de la distribución de una variable aleatoria es la media, también conocida
como esperanza matemática. Sea una variable aleatoria discreta X que toma los valores x 1 , x 2 , .. . y sea f ( x) su función de probabilidad. Por
definición, la media o esperanza matemática μ ¿también representada por E( X) ¿ de X viene dada por la expresión:

μ= E ( X )=∑ x i∗P ( X=x i )=∑ x i∗f (x i )

i i

NOTA: Es decir, la media se obtiene multiplicando cada valor de X por su probabilidad y sumando estos productos para todos los posibles valores
de X

Suma de
esta
columna
Varianza y desviación estándar E(X)=7
La media por sí sola no proporciona una adecuada descripción de la distribución de la variable aleatoria. Además de conocer en qué valor se
centra esa distribución es importante determinar la dispersión o variación de los valores de la variable aleatoria en torno a la media. Para ello se
define la varianza, representada por σ 2 o Var ( X ), de una variable aleatoria discreta X como:

σ =V ( X )=∑ ( xi −E(X ) ) ∗f ( x i )
2 2

σ 2=V ( X )=
(∑ x ∗f ( x ) )−E(X )
2 2
i i
i

Es decir, es la esperanza matemática de las desviaciones al cuadrado de los valores de la variable respecto a su media. Es claro que cuanto mayor
sea la varianza menos concentrados estarán los valores de X respecto a su media.

Distribuciones de
Probabilidad para v.a. discretas
Existen muchos fenómenos naturales que obedecen a distribuciones de probabilidad similares.

En este tema vamos a conocer algunas de las más frecuentes e importantes.

El comportamiento de una variable aleatoria queda, en general, descrito por su distribución de probabilidad, o función de
probabilidad f (x), que, en el caso de que la variable sea discreta, indica la probabilidad de que se dé cada uno de los valores x
posibles de la variable aleatoria (f (x)=P (X =x)).

La práctica indica que muchos experimentos aleatorios tienen comportamientos similares, de forma que sus resultados siguen la
misma distribución de probabilidad.

En este capítulo se van a presentar las principales distribuciones discretas de probabilidad.

Distribución de probabilidad discreta uniforme

La distribución uniforme es la más simple de todas las distribuciones discretas de probabilidad.

Diremos que tenemos una distribución discreta uniforme cuando todos los posibles valores de la variable aleatoria sean igualmente probables.
 En este caso, si la variable aleatoria X puede tomar los valores x 1 , x 2 , . .. , x n con probabilidades iguales, la función de probabilidad vendrá
dada por:

1
u ( x ; n )=f ( x )=
n
1
P( X =x 1)=
n

1
P( X =x 2)=
n

Ejemplo: lanzar un dado, tiene una distribución uniforme

Si definimos la variable aleatoria X: los resultados que se pueden obtener

Los posibles valores de la variable aleatoria son: Ω={1,2,3,4,5,6 }

1
f ( x 1 ) =f ( 1 )=P ( X =1 )=
6

1
f ( x 2 ) =f ( 2 )=P ( X =2 )=
6
⋮

1
f ( x 6 ) =f ( 6 )=P ( X=6 )=
6

Ejemplo: Ganarte el baloto, que un solo número el ganador, que una persona puede comprar un solo número.
Distribución binomial

Supongamos un experimento aleatorio consistente en realizar un número de ensayos o pruebas repetidas, cada una de ellas con
únicamente dos posibles resultados mutuamente excluyentes, que denominaremos éxito o fracaso.

Supongamos que la probabilidad de obtener un éxito en un ensayo es siempre constante y que los diferentes ensayos son
independientes, en el sentido de que el resultado de un ensayo no afecta a los otros.

En este caso diremos que tenemos un proceso de Bernoulli.

En concreto, el proceso de Bernoulli debe tener las siguientes propiedades:

1. El experimento consiste en n ensayos repetidos. (n es un número entero)

2. El resultado de cada uno de los ensayos puede clasificarse en éxito o fracaso (excluyentes).

3. La probabilidad de éxito, que denotaremos por p, es constante en todos los ensayos.

4. Los diferentes ensayos son independientes.

Ejemplos de procesos de Bernoulli son:

 la prueba de artículos de una cadena de producción para determinar cuales son defectuosos,
 la extracción de una carta para ver si es de un As o no (siempre que se devuelva la carta extraída a la baraja) o
 la observación del sexo de recién nacidos.
 La observación la respuesta a cierto tratamiento en un individuo, tiene efecto o No tiene efecto.

Se define la variable aleatoria binomial como la función que da el número de éxitos en un proceso de Bernoulli.
Evidentemente, la variable binomial X podría tener valores en el rango X ={0 , 1 ,2 , . . ., n }, donde n es el número de veces que se
repite el ensayo.

La distribución de probabilidad asociada con esta variable aleatoria se denomina distribución binomial y vendrá representada por

f ( x )=P ( X =x )=b ( x ; n , p )

ya que depende del número de ensayos n y la probabilidad de éxito p en un solo ensayo.

Para calcular una expresión para b (x ; n , p) consideremos la probabilidad de que se obtengan x éxitos y n−x fracasos en un orden
determinado. Llamando q a la probabilidad de fracaso (que será evidentemente q = 1− p) y teniendo en cuenta que los n ensayos
son independientes, la probabilidad de esa disposición de resultados particular será el producto de las probabilidades de cada
ensayo, es decir

( nx)∗p ∗( 1− p )
b ( x ; n , p)=
x n− x
, x=0,1,2,3 , … . , n

ensayos Prob del ( nx)= x !∗(nn−x

!
)!
éxito