Investigación

3.2 Variables aleatorias continuas

Una variable aleatoria es discreta cuando su campo de variación (dominio de definición)

está constituido por un conjunto finito o infinito numerable de valores posibles. Cada
suceso de W se corresponde con un valor.

Ej 1: ante el experimento: lanzar un dado diez veces se aleatoriza de forma que la variable
aleatoria X = nº de ases que se obtengan: X ={0,1,2,3,4,5,6,7,8,9,10} (v.a. discreta de orden
finito).

Ej 2: ante el experimento: contemplar los coches que pasen por un tramo de carretera se
aleatoriza de forma que la variable aleatoria X = nº de coches que pasen: X={0,1,2,3,...}
( X= N ) (v. a. discreta de orden infinito).

3.2.1 Distribución de probabilidad en forma continua

En teoría de la probabilidad una distribución de probabilidad se llama continua si su

función de distribución es continua. Puesto que la función de distribución de una variable

aleatoria X viene dada por la definición implica que en una

distribución de probabilidad continua X se cumple P[X = a] = 0 para todo número real a,
esto es, la probabilidad de que X tome el valor a es cero para cualquier valor de a. Si la
distribución de X es continua, se llama a X variable aleatoria continua.
En las distribuciones de probabilidad continuas, la distribución de probabilidad es la
integral de la función de densidad, por lo que tenemos entonces que:

3.2.2 Valor esperado

La esperanza matemática de una variable aleatoria X, es el número que expresa el valor

medio del fenómeno que representa dicha variable.

El valor esperado, es igual al sumatorio de las probabilidades de que exista un suceso

aleatorio, multiplicado por el valor del suceso aleatorio. Dicho de otra forma, es el valor
medio de un conjunto de datos. Esto, teniendo en cuenta que el término esperanza
matemática está acuñado por la teoría de la probabilidad.

Mientras que, en matemáticas, se denomina media matemática al valor promedio de un

suceso que ha ocurrido. En distribuciones discretas con la misma probabilidad en cada
suceso, la media aritmética es igual que la esperanza matemática.

Formula: μ=E(X)=k∑i=1xi⋅pi.

3.2.3 Varianza, desviación estándar

La varianza y la desviación estándar son medidas de dispersión o variabilidad, es decir,

indican la dispersión o separación de un conjunto de datos. Hay que tener en cuenta que las
fórmulas de la varianza y la desviación estándar son diferentes para una muestra que para
una población.

Formulas:
3.2.4 Función acumulada

La distribución de probabilidad acumulada (FDA) es una función matemática que depende

de una variable aleatoria real y de una distribución de probabilidad determinada que
devuelve la probabilidad de que la variable sea igual o menor que un valor concreto.

En otras palabras, la distribución de probabilidad acumulada es una función matemática

que se emplea para saber la probabilidad de que una variable aleatoria tome valores más
pequeños o iguales que un número en concreto, sea cual sea su distribución.

La distribución de probabilidad acumulada también recibe el nombre de función de

distribución (FD) y acostumbra a denotarse como F(x) para diferenciarla de la función de
densidad f(x).

3.2.5 Cálculos de probabilidad

El cálculo de probabilidades es el estudio de cómo se determina la posibilidad de

ocurrencia de un suceso. Esto, cuando tiene injerencia el azar.

Es decir, mediante el cálculo de las probabilidades, se usan herramientas matemáticas para

hallar qué tan factible es que suceda un evento. Esto, en el marco de ciertas condiciones.

El cálculo de probabilidades forma parte de la teoría de la probabilidad. Esta es aquella área

de las matemáticas y la estadística que engloba todos los conocimientos relativos a la
probabilidad. Dicho análisis es aplicado, por ejemplo, en los juegos de azar; como el póker.
Ejemplo:

Supongamos que una persona debe elegir al azar una carta de un mazo con 52 cartas. Son
13 cartas por cada uno de los cuatro palos (no estamos incluyendo al Joker). Por lo que,
¿cuál es la probabilidad de que saque una carta con el número 7?

Número de casos favorables: 4, uno por cada palo.

Número total de casos posibles: 52.

Probabilidad: 4/52= 1/13= 0,0769= 7,6923%.

Función de probabilidad y distribución

P[X=xi] =pi donde i > = 0

Ejemplo: Sea la variable X la cantidad de “águila” que cae una moneda al lanzarla 2 veces.

Función de probabilidad

xi P(X=xi)
0 1/2
1 1/4
2 1/4
P[X=o]=1/2

P[X=1]=1/4

Propiedades de la función probabilidad

 P[X=xi]>0
n
 ∑ ❑ P[X=xi]>0
I=1

P[X=0] + P[X=1] + P[X=2]=1/2 = ¼ = ¼