Variables Aleatorias y Distribuciones de Probabilidad

Pérez Arce José Antonio

Probabilidad y Estadística, UPIIH, Instituto Politécnico Nacional,
Ciudad del Conocimiento y la Cultura, San Agustín Tlaxiaca, Hidalgo, 42162, México

Y [0,100]
I. INTRODUCCIÓN
Se analizará ahora los dos tipos de variable bidimensionales que En el caso continuo no es posible asignar una probabilidad a
podemos encontrar, las variables aleatorias y continuas, cada uno de los infinitos posibles valores de la variable aleatoria
analizando el tipo de variable que cada uno de ellos maneja, así y que estas probabilidades sumen la unidad como en el caso
como el análisis algebraico y grafico de cada una, añadiendo la discreto, siendo necesario utilizar una aproximación diferente
explicación de las distribuciones de probabilidad. para llegar a obtener la distribución de probabilidad de una
variable aleatoria continua. así pues, la aproximación que
adoptaremos utiliza el histograma de frecuencia relativa. Véase
II. VARIABLE ALEATORIA el siguiente ejemplo:
La razón por la que usamos variables aleatorias es cuando Una variable aleatoria X que nos mide los tiempos que
tenemos la necesidad de modelar magnitudes que transcurren entre dos llegadas consecutivas, de 100 vehículos a
desconocemos su valor, podríamos conocer el intervalo de una gasolinera. los tiempos entre dos llegadas consecutivas son
valores que nos aporta cierta información a que valor tienden. medidos con un cronómetro de alta precisión que es capaz de
Siendo una función que asigna un número real, a cada resultado medir el tiempo hasta una milésima de segundo, de tal manera
del espacio muestral, de un experimento aleatorio. que si un vehículo llega en el instante 54,325 s y el próximo en
el instante 54,335 s. el punto medio del intervalo sería 54,330 s
En otras palabras, es una función X definida: pero la probabilidad correspondiente se le asigna al intervalo y
no al valor medio 54,330 s. pues en el caso continuo la
X : S → IR probabilidad de que una variable aleatoria tome un valor
concreto es cero. La distribución de frecuencia relativas de los
Por tanto, es una función cuyo dominio es el espacio tiempos entre dos llegadas consecutivas de 100 vehículos a una
muestral y el rango es el conjunto de los números reales. gasolinera viene dada por la siguiente tabla.
Refiriéndonos al espacio muestral de las variables aleatorias
podemos decir que con estas es posible que sean expresadas de TABLA I.
forma numérica. Las variables aleatorias pueden clasificarse en DISTRIBUCIÓN RELATIVA DE LOS TIEMPOS ENTRE DOS LLEGADAS
CONSECUTIVAS
dos grupos de acuerdo con el tipo de valor que pueden tomar,
estas son las variables aleatorias discretas y continuas. Intervalo de No. De vehículos Frecuencia relativa
tiempo que llegan
A. Variables Aleatorias Continuas
0  x 1 3 0.03
Cuando puede tomar un número infinito no numerable de
1 x 1 4 0.04
valores. Alternativamente, se puede definir como aquella
variable que puede tomar cualquier valor dentro de un intervalo 2  x 1 6 0.06
de números reales. 3  x 1 18 0.18
Ejemplos: 4  x 1 23 0.23
5  x 1 17 0.17
X = “Longitud en cm de un mes elegido al azar entre los 6  x 1 16 0.16
capturados”
7  x 1 8 0.08
X [6, 260] 8  x 1 3 0.03
9  x 1 2 0.02
Y = “Resultado de medir la proporción (en %) de alcohol en un
recipiente con fruta en fermentación” La grafica de distribuciones de frecuencias relativas quedaría
de la siguiente forma.

1
 Diremos que f(x) es la función de densidad de la variable
aleatoria continua X. En el caso discreto, la probabilidad o
masa de probabilidad se asigna a cada valor de la variable
aleatoria, mientras que en el caso continuo, la probabilidad
es considerada como una densidad de probabilidad sobre el
rango de valores de la variable aleatoria, es decir en el caso
discreto existen probabilidades puntuales, sin embargo, en
el caso continuo la P (X = x) = 0, y la probabilidad no se
asigna a un punto sino a un intervalo. En el caso continuo
la suma de las densidades de probabilidad o el área bajo la
curva f(x) debe ser igual a la unidad, y consecuentemente
la probabilidad de que la variable aleatoria continua X
tome valores en el intervalo [a, b] será igual al área bajo la
curva f(x) acotada entre a y b, es decir:
Hemos de tener en cuenta que la frecuencia se refiere a cada b
intervalo y no al punto medio del intervalo, y además como P(a  X  b) =  f ( x)dx
a
todos los intervalos tienen la misma longitud, una unidad, el
área del rectángulo construida sobre cada intervalo es igual a la
frecuencia relativa del correspondiente intervalo y
consecuentemente la suma de todas las áreas de todos los
rectángulos es igual a la unidad. Si aumentamos el número de
vehículos, así como el número de intervalos obtendremos una
función mejor definida y obtendremos una función f(x). La
curva límite f(x) del histograma de frecuencias relativas se
obtiene para un número grande de observaciones, en nuestro
ejemplo, vehículos que llegan a la gasolinera, y para unas
amplitudes de intervalos de tiempo muy pequeñas. La función
f(x), cuya representación gráfica es la curva límite
correspondiente al histograma de frecuencias relativas es la
función de densidad de probabilidad o simplemente la función
de densidad de la variable aleatoria continua X.
B. Variables Aleatorias Discretas
Son variables que pueden tomar un numero finito o infinito
numerable de valores.
Ejemplos:

X = “Resultado de lanzar un dado”

X {1, 2,3, 4,5,6}

Y = “La eficacia de un tratamiento para ver si se cura (1) o no

se cura (0)”

Sea X una variable aleatoria de tipo continuo, y si existe una Y {0,1}

función f(x) tal que verifica:

i. f ( x)  0 , −  x  + III. DISTRIBUCIÓN DE PROBABILIDAD

+ Una distribución de probabilidad es aquella que permite
ii. −
f ( x)dx = 1 establecer toda la gama de resultados probables de ocurrir en un
experimento determinado. Es decir, describe la probabilidad de
que un evento se realice en el futuro.

2
 Un lote de 100 lámparas contiene 10 lámparas defectuosas.
A. Distribución de Probabilidad de una Variable el minorista decide tomar dos lámparas aleatoriamente, y si
Discreta ninguna de las dos es defectuosa, entonces acepta el lote.
definimos la variable aleatoria X como el número de lámparas
defectuosas en una selección aleatoria de dos lámparas. obtener
La distribución de probabilidad, función de probabilidad o la distribución de probabilidades de la variable aleatoria X.
función de cuantía de una variable aleatoria discreta X, la
notaremos por P(x), y es una función que asigna las Solución: el experimento aleatorio de selección de dos
probabilidades con que la variable aleatoria toma los posibles lámparas al azar define los sucesos elementales:
valores, de tal manera que las probabilidades verifiquen las dos
condiciones siguientes: L1: 1ra lámpara defectuosa.
L2: 2da lámpara defectuosa.
I. 0  P( xi )  1 i = 1, 2,..., r
L1 : 1ra lámpara no defectuosa.
r
II.  P( x ) = 1
i =1
i L2 : 2da lámpara defectuosa.

Al considerar la selección conjunta de las dos lámparas, el

La condición I indica que la probabilidad no puede ser espacio muestral generado por este experimento aleatorio
negativa, y de la condición II se deduce que los sucesos, X=x, contiene cuatro sucesos mutuamente excluyentes y forman un
para todos los valores posibles x, son mutuamente excluyentes sistema completo de sucesos. En la siguiente tabla aparecen los
y exhaustivos. sucesos elementales del espacio muestral.
La función de distribución está definida como:
TABLA I.
    E  SUCESOS ELEMENTALES
F ( x) = P( X  x) = P  
  X ( )  x  
  Sucesos Probabilidades Valor de la variable aleatoria
X
De esta forma, F(x) es la probabilidad acumulada por todos L1  L2 0.0091 2
los sucesos que dan lugar a valores de X que son menores o
iguales que x. La función de distribución de una variable L1  L2 0.0909 1
aleatoria discreta siempre existe y está definida para todo valor
x real. L1  L2 0.0909 1
Algunas de las propiedades de la función de distribución de
L1  L2 0.8091 0
probabilidad de una variable aleatoria discreta son las
siguientes:
Las probabilidades con la que la variable aleatoria X toma
• 0  F ( x)  1 x sus diferentes valores serían:

• F (k ) =  f ( j ) P1 = P( X = 0) = P(0) = 0.8091
j k
P2 = P( X = 1) = P(1) = 0.0909 + 0.0909 = 0.1818
• lim F (k ) = 1; lim F (k ) = 0
k → k →−
P3 = P( X = 2) = P(2) = 0.0091
• f (k ) = F (k ) − F (k −1)
• F ( x) es no decreciente; además F ( x) es una La probabilidad de que el minorista acepte el lote de las 100
función escalonada, cuyos saltos (escalones) se lámparas será:
producen en los valores k tales que f (k )  0
P( X = 0) = P(0) = 0.8091
• P(a  X  b) = F (b) − F (a)
Las distribuciones de probabilidad P(x), de la variable
Ejemplo. Distribución de probabilidad.
aleatoria X aparece en la siguiente tabla donde aparecen los
diferentes valores x de la variable aleatoria y sus probabilidades

3
P(x) TABLA III.
FUNCIÓN DE DISTRIBUCIÓN DE LA VARIABLE ALEATORIA .
TABLA II.
Valores de X Función de Función de distribución
DISTRIBUCIÓN DE PROBABILIDAD DE LA VARIABLE ALEATORIA X. x probabilidad F(x) = P(X  x)
P(x)
Valores de la variable aleatoria Probabilidades P(x) 0 0.8091 F(x) = P(X  0) = 0.8
x 1 0.1818 F(x) = P(X  1) = 0.9
0 0.8091 2 0.0091 F(x) = P(X  2) = 1,0
1 0.1818
2 0.0091 Así obtenemos la función de distribución

La función de probabilidad de una variable aleatoria

 0 x0
discreta se puede expresar de tres maneras:  0.8091 0  x 1
• Tabular. consiste en expresar en forma de tabla una 
F ( x) 
lista de los valores posibles de la variable aleatoria
0.9909 1 x  2
X y las correspondientes probabilidades P(x),
como aparece en la tabla II.  1 x2
• Algebraica o funcional. Se presentan cuando es
posible escribir una función en la forma de una Obtendríamos la siguiente grafica.
ecuación, de tal manera que para cada valor de la
variable aleatoria se pueda obtener su
probabilidad. así pues, para el ejemplo la forma
funcional de la distribución de probabilidad sería:

10 100 − 10 
  
 x  2 − x 
P( x) = P( X = x) = ; x = 0,1, 2
100 
 
 2 

• Gráfica. Sobre el eje de abscisas llevaríamos los

diferentes valores x, de la variable aleatoria X y
sobre el eje de ordenadas, las probabilidades P(x).
Una variable aleatoria discreta X, está caracterizada por su
función de probabilidad o distribución de probabilidad P(x) y
también por su función de distribución F(x).

B. Distribución de Probabilidad de una Variable

Continua

Dada cualquier variable aleatoria continua X, la función de

probabilidad:

F ( x) = P( X  x)

Siempre estará definida para todo valor x real (ya que, por
La función de distribución del ejemplo anterior quedaría construcción. Por ejemplo, si M es el mayor valor que puede
definida como se muestra en la siguiente tabla. tomar la variable aleatoria X, es claro que
F (M ) = P( X  M ) = 1 .

4
 En el caso continuo no es posible asignar una probabilidad a 1 − F ( x) = P( X  x) = P( X  x)
cada uno de los infinitos posibles valores de la variable aleatoria La función de distribución de una variable aleatoria
y que estas probabilidades sumen la unidad como en el caso
discreto, siendo necesario utilizar una aproximación diferente
para llegar a obtener la distribución de probabilidad de una
variable aleatoria continua
Algunas de las propiedades de la función de distribución de
probabilidad de una variable aleatoria discreta son las
siguientes:

• 0  F ( x)  1 x
• F ( x) es continua y no decreciente
• P(a  X  b) = F (b) − F (a)
• Al ser P( X = x) = 0 para todo x real se tiene
que: continua es una función que verifica:

P( X  x) = P( X  x) 1. F (−) = 0
P(a  X  b) = P(a  X  b) = P(a  X  b) = P(a  X 
2.b) F (+) = 1
3. Es no decreciente, es decir si xi  x j entonces
La función de distribución de una variable aleatoria X de
tipo continuo que toma un número infinito de valores sobre la F ( xi )  F ( x j )
recta real y cuya función de densidad es f(x), notaremos por b
F(x), como la probabilidad de que la variable aleatoria continua 4. P(a  X  b) =  f ( x)dx = F (b) − F (a )
a
X tome valores menores o iguales a x, es decir:
5. La derivada de la función de distribución es la función
x de la densidad
F ( x) = P( X  x) =  f ( x)dx
−
dF ( x)
= f ( x)
Representa el área limitada por la curva función de densidad, dx
f(x), y a la izquierda de la recta X = x

consideramos una masa unidad, distribuida sobre todo el IV. CONCLUSIÓN

intervalo de definición de la variable aleatoria, que podría ser
el intervalo ( −, + ), y la función de distribución F(x) para
cada valor x de la variable aleatoria nos da la cantidad de masa
que hay en el intervalo ( − , x], es decir la masa que hay en el
punto x y a la izquierda de x, pero como en el caso continuo
sabemos que no existen masas puntuales, nos dará lo mismo
considerar el intervalo abierto por la derecha ( − , x), de tal
manera que:
F ( x) = P( X  x) = P( X  x)
Pues la
P( X = x) = 0
Y también
El uso de las variables aleatorias nos permite resolver
problemas en los cuales la probabilidad depende de factores
aleatorios, problemas mas acercados a la realidad, donde
podemos encontrar múltiples posibles respuestas para un
problema en particular. Con el conocimiento y saberes para el
manejo de funciones y áreas bajo la curva de estas podemos
realizar los cálculos previamente explicados para aproximar
nuestros resultados a un hecho mas probable como es en el caso
de las variables aleatorias continuas.
V. REFERENCIAS
[1] Joan Fernando Chipia Lobo. (2022). Variable aleatoria y Distribuciónes
de Probabilidad. slideshare. Geraadpleegd op 19 april 2022, van
https://es.slideshare.net/JoanFernandoChipia/variable-aleatoria -y-
distribucines-de-probabilidad
[2] https://www.kau.edu.sa/Files/320/Researches/61836_32803.pdf. journal
of King Abdulaziz University Engineering Sciences, 23(1), 21–37.
https://doi.org/10.4197/eng.23-1.2

5
[3] Función de probabilidad de variable aleatoria discreta | Intro.
(2020, 27 januari). YouTube. Geraadpleegd op 19 april 2022, van
https://www.youtube.com/watch?v=7mF89j-rCoE