Variables aleatorias

Probabilidad y Estadística

Carlos Gaviria & Carlos Márquez⋆

⋆ Universidad de San Buenaventura, Departamento de Ciencias Básicas y Matemáticas

Semestre 2023–1

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Idea general.
Cuando se estudió el objeto matemático espacio de probabilidad (Ω, S, P) que resulta de un
experimento aleatorio particular, se advirtió que una de las mayores dificultades en su entendi-
miento radica en el hecho de que cada experimento aleatorio da lugar a conjuntos Ω y S junto
con subconjuntos de S que en muchos casos no son fáciles de describir ya sea por extensión o
comprensión. Se mencionó además que la acción contar no es trivial y que además en el caso
de poblaciones infinitas, el cálculo de probabilidades (vía el modelo clásico), no es útil. Por otro
lado, el objetivo principal de la estadística inferencial es estudiar una población P a partir de una
muestra representativa M, dicho en otros términos, una de las ideas de la inferencia es estimar
parámetros poblaciones con base en estadísticos, que se construyen a partir de las muestras y que
como se verá más adelante, son variables aleatorias.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Idea general.
De esta manera, la introducción de variables aleatorias es pertinente en el sentido que estas permi-
ten transformar los elementos de la σ-álgebra S de subconjuntos de Ω en objetos más naturales y
fáciles de manejar, como lo son el conjunto de los números reales R y además las variables alea-
torias permiten establecer el vínculo teórico entre una muestra representativa M y la población
de interés P, es decir, las variables aleatorias resuelven en principio un problema práctico, el de
evitar la manipulación directa de los conjuntos Ω y S, y posteriormente toman un sentido impres-
cindible pues precisamente son éstas las que vinculan las muestras con las poblaciones. Además,
el concepto de variable aleatoria tiene gran importancia en la modelación de fenómenos, cuya
conducta está determinada por reglas probabilísticas, tal concepto se encuentra frecuentemente
en la naturaleza, razón por la cual el estudio del comportamiento real de este tipo de variables,
son de gran interés en el campo de la ingeniería y las ciencias.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 1.
Considere el experimento aleatorio que consiste en lanzar una moneda al aire tres veces y deter-
minar que cae en cada lanzamiento. Se tiene que el conjunto de todos los posibles resultados Ω
está dado por:
Ω = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}.
A partir de los elementos de funciones estudiados posteriormente se puede construir una función
X = (X, Ω, R), de manera que no se tenga que trabajar directamente con el conjunto Ω, sino con
un subconjunto de números reales que represente el conjunto Ω. Por ejemplo, sea X: Número de
caras en los tres lanzamientos. A continuación se muestra una tabla que representa la gráfica X.

Ω CCC CCS CSC SCC CSS SCS SSC SSS

X(ω) 3 2 2 2 1 1 1 0

Tabla 1: Función X para el Ejemplo 1.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 1. Continuación.
De esta manera se tiene que:
1 Si A: Evento formado por resultados de Ω donde caen exactamente dos caras, entonces
X(A) = 2.
2 Si B: Evento formado por resultados de Ω donde caen exactamente dos sellos, entonces
X(B) = 1.
3 X({CCC}) = 3.
4 El rango de la función X, está dado por Ran(X) = {0, 1, 2, 3}.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 2.
Considere de nuevo el ejemplo donde un estudiante de la Universidad de San Buenaventura,
sede Medellín, selecciona al azar un punto (x, y) de una región R para medir el nivel de presión
sonora presente en dicho punto. En dicho ejemplo se explicó el experimento asociado. Ahora,
como se mencionó antes, la idea es transformar los resultados de Ω en números reales y esto se
logra colocando un micrófono sensible a las variaciones de presión, el cual tiene en su interior
un diafragma que vibra cuando se perturba la presión atmosférica y transduce estas variaciones
en una señal eléctrica, luego se filtra esta última y se obtiene una medida del nivel de ruido
expresada en decibeles. Estas variaciones se presentan en el intervalo [0, 120], siendo 0 el umbral
de audición para el ser humano y 120 el umbral del dolor. En este caso la variable aleatoria X es
el nivel de ruido, expresado en decibeles, en un punto (x, y) de una región de interés R.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Definición. Variable Aleatoria.

Considere un experimento aleatorio que da lugar a un espacio muestral (Ω, S). Una variable
aleatoria es una función X = (X, Ω, R) tal que X −1 (B) ∈ S para todo B ∈ B, esto es, una
variable aleatoria es una función X que transforma los resultados del experimento aleatorio en
números reales y es tal que la imagen inversa bajo X de cualquier conjunto Boreliano de R cae
en la σ-álgebra S.

Notación.
Las Variables aleatorias se denotan por medio de letras mayúsculas y latinas X, Y, Z, entre otras,
o letras mayúsculas y latinas subindizadas X1 , X2 , · · · , entre otras.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Definición. Variables aleatorias discretas y continuas.

Considere un experimento aleatorio que da lugar a un espacio muestral (Ω, S). Considere ade-
más una variable aleatoria X = (X, Ω, S). Se tiene que:
1 La variable aleatoria X se dice discreta si y sólo si Ran(X) es un conjunto finito o contable-
mente infinito.
2 La variable aleatoria X se dice continua si y sólo si Ran(X) es un subconjunto continuo de
los números reales R.

Teorema.
Si X y Y son variables aleatorias y a ∈ R, entonces:
1 X + Y es una variable aleatoria.
2 aX es una variable aleatoria.
3 máx{X, Y} y mı́n{X, Y} son variables aleatorias.
4 XY es una variable aleatoria.
X
5
Y
es una variable aleatoria, si Y ̸= 0.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 3.
A continuación se describen algunas variables aleatorias y se caracterizan según su naturaleza,
es decir, en discretas o continuas:
1 Sea X : Número de componentes defectuosas de algún tipo particular en un lote conformado
por 250 componentes. Se tiene que Ran(X) = {x ∈ N : 0 ≤ x ≤ 250}, esto es, Ran(X) es
un conjunto finito y por lo tanto X es una variable aleatoria discreta.
2 En un cruce vehicular, un automóvil puede girar a la izquierda, girar a la derecha o seguir
la misma dirección. Se le pide a un niño que observe automóviles hasta que gire uno a la
derecha. Sea Y : Número de automóviles que observa el niño en el experimento aleatorio. Se
tiene que Ran(Y) = N, por lo tanto la variable aleatoria Y es una variable aleatoria discreta.
3 Sea X : Peso en gramos de un recién nacido en Medellín. Se tiene que Ran(X) =
[wmı́n , wmáx ], donde wmı́n y wmáx representan el peso mínimo y el peso máximo posi-
bles de un recién nacido. De esta manera se tiene que X es una variable aleatoria continua.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 3. Continuación.
4 Sea T : Tiempo que tarda un estudiante de la Universidad de San Buenaventura en terminar
una prueba escrita en un curso de estadística 1. Se tiene que Ran(T) = [0, tmáx ] donde
tmáx representa el tiempo máximo de dicha prueba. Se tiene entonces que la variable alea-
toria T es una variable aleatoria continua.
5 En meteorología, la precipitación es cualquier tipo o forma de hidrometeoro que cae de
la atmósfera y llega a la superficie terrestre. Dicho fenómeno, por ejemplo, incluye lluvia,
llovizna, nieve, aguanieve, granizo, entre otros, sin embargo, no se considera por ejemplo
neblina o rocío, que son formas de condensación y no de precipitación. La precipitación
se mide con un aparato llamado pluviómetro y se calcula midiendo el agua que cae sobre
un metro cuadrado de superficie durante 24 horas y expresando esa cantidad en litros por
metro cuadrado. Un sencillo pluviómetro podría ser un cilindro con un embudo para recoger
el agua. Sea Z : Precipitación promedio que se obtiene durante un mes. Se tiene claramente
que la variable aleatoria X es una variable aleatoria continua.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 3. Continuación.
6 Un jugador experto en ajedrez juega con una máquina, sea X : Número de jugadas que hace
el experto hasta terminar el juego con la máquina. Claramente X es una variable aleatoria
discreta.
7 Un ingeniero ambiental está interesado por una especie de árbol particular presentes en
cierto bosque. Sea X : Cantidad de ejemplares de la especia de árbol particular alrededor
de una región delimitada en el bosque de interés. Claramente la variable aleatoria X es una
variable aleatoria discreta.
8 Una estudiante de ciencias sociales se interesa por el fenómeno que ocurre al interior de
un grupo de ayuda que interviene personas con algún problema particular, por ejemplo
alcohol, drogas, compras, comidas, entre otras. Considere una persona elegida al azar entre
las personas que se someten al programa de intervención y sea T : Tiempo que tarda una
persona elegida al azar en recaer en su conducta compulsiva. En este caso se tiene que
Ran(T) = [0, ∞), por lo tanto T es una variable aleatoria continua.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Idea general.
El paso a seguir es considerar una función f que asigna a cada elemento x ∈ R un único número
p ∈ [0, 1] para el caso discreto o una función f susceptible de manipularse matemáticamente de
manera que permita calcular probabilidades para el caso continuo. A continuación se muestra de
manera gráfica este proceso para el caso discreto.
X f

S Ran(X) [0,1]

A x p

Figura 1: Asignación de probabilidades para el caso Discreto.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Definición. Función de masa de probabilidad

Sea X = (X, Ω, R) una variable aleatoria discreta. La función de masa de probabilidad de la
variable aleatoria X es una función f = (F , Ran(X), [0, 1]) tal que f (x) = P(X = x). La
función de masa probabilidad f debe satisfacer las siguientes condiciones:
1 f (x) ≥ 0 para todo x ∈ Ran(X).
P
2 f (x) = 1.
x∈Ran(x)

Observación.
Según la definición se tiene que cada vez que se tenga una función de masa de probabilidad f , se
tiene que probar que esta es necesariamente legítima, esto es, se tiene que probar que satisface
las condiciones 1 y 2 de la definición.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 4.
Considere nuevamente el ejemplo 1 donde se tiene como experimento aleatorio lanzar una mo-
neda al aire tres veces y determinar que cae, donde X : Número de caras en los tres lanzamientos.
Se tiene que la función de distribución de X está dada por:

x 0 1 2 3

1 3 3 1
f (x) 8 8 8 8

Tabla 2: Función de Masa de Probabilidad para la V.A X del Ejemplo 4.

Se tiene que esta es la función de distribución de X puesto que los lanzamientos son indepen-
dientes y de esta manera se tiene por ejemplo:

3
P(X = 1) = 3 × P({CSS}) = 3 × P(C)P(S)P(S) = .
8

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias
Ejemplo 4. Continuación.
Ahora, la función de distribución de probabilidad f es una función de distribución de probabilidad
legítima, en efecto:
1 Claramente f (x) ≥ 0 para todo x ∈ {0, 1, 2, 3}.
f (x) = 81 + 38 + 38 + 18 = 1.
P
2
x∈{0,1,2,3}

1 La probabilidad de que haya exactamente dos caras en los tres lanzamientos es

P(X = 2) = 38 .
2 La probabilidad de que haya a lo sumo dos caras en los tres lanzamientos (A) es:

P(A) = P(X = 0 ∨ X = 1 ∨ X = 2)
= P(X = 0) + P(X = 1) + P(X = 2)
= f (0) + f (1) + f (2)
1 3 3
= + +
8 8 8
7
=
8

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 4. Continuación.
3 La probabilidad de que caigan menos de dos caras en los tres lanzamientos está dada por:

P(X = 0 ∨ X = 1) = P(X = 0) + P(X = 1)

= f (0) + f (1)
1 3
+ =
8 8
1
=
2
4 La probabilidad de que hayan entre una y tres caras inclusive en los tres lanzamientos está
dada por:

P(X = 1 ∨ X = 2 ∨ X = 3) = P(X = 1) + P(X = 2) + P(X = 3)

= f (1) + f (2) + f (3)
7
=
8

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 4. Continuación.
5 La probabilidad de que hayan más de dos caras en los tres lanzamientos está dada por:

P(Caigan más de dos caras en los tres lanzamientos) = P(X = 3)

= f (3)
1
=
8
6 La probabilidad de que caigan mínimo 2 caras en los tres lanzamientos está dada por:

P(Caigan mínimo 2 caras en los tres lanzamientos) = P(X = 2 ∨ X = 3)

= f (2) + f (3)
1
=
2

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 4. Continuación.
7 La probabilidad de que caigan entre una y tres caras en los tres lanzamientos es la misma
probabilidad de que caigan dos caras pues la variable aleatoria X no toma, en este caso, los
valores 1 ni 3.
8 La probabilidad de que caigan exactamente dos sellos equivale a la probabilidad de que
caiga exactamente una cara, de esta manera:

P(Caigan exactamente dos sellos) = P(X = 1)

= f (1)
1
=
8

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Observación.
Como se puede observar en el ejemplo 4 la función de masa de probabilidad f de una variable
aleatoria discreta X es tal que para x ∈ Ran(X) se tiene que que f (x) = P(X = x), es decir, es
una función que bajo las condiciones dadas en la definición de función de masa de probabilidad
permite calcular probabilidades de igualdad, sin embargo también permite calcular probabilida-
des que no son de igualdad. Por ejemplo, la probabilidad de que a lo sumo caigan dos caras se
puede traducir como P(X ≤ 2) o la probabilidad de que caigan entre una y tres caras, inclusive,
se puede traducir como P(1 ≤ X ≤ 3). De manera más general, se pueden calcular no solo pro-
babilidades de igualdad P(X = x), sino probabilidades como P(X ≤ b), P(X < b), P(X > a),
P(X ≥ a), P(a < X < b), P(a ≤ X < b), P(a < X ≤ b), P(a ≤ X ≤ b), entre otras.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 5.
Considere el experimento aleatorio: buscar una persona de manera aleatoria en el bloque E de la
universidad de San Buenaventura, sede Medellín y sea X : Número del piso donde se encuentra
la persona y suponga que X tiene la siguiente f.m.p:

x -2 -1 1 2 3 4 6

f (x) 0.01 0.03 0.13 0.25 0.39 0.17 0.02

Tabla 3: Función de Masa de Probabilidad para la V.A X del Ejemplo 5.

donde −2 y −1 representan los sotanos 2 y 1, respectivamente. Como Ran(X) =

{−2, −1, 1, 2, 3, 4, 5, 6}, entonces la variable aleatoria X es una variable aleatoria discreta.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 5. Continuación.
Claramente la v.a X es una función de distribución de probabilidad legítima, pues se tiene que:
1 f (x) ≥ 0 para todo x ∈ Ran(X).
P
2 f (x) = 0.01 + 0.03 + 0.13 + 0.25 + 0.39 + 0.17 + 0.02 = 1.
x∈Ran(X)

Se tiene que:
1 f (−1) = P(X = −1) = 0.03, es decir, la probabilidad de que la persona que se busca se
encuentre en el sótano 1 es igual a 3 %.
2 La probabilidad de que la persona buscada se encuentre en el tercer piso es:
f (3) = P(X = 3) = 39 %.

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 5. Continuación.
Si bien la función de masa de probabilidad es una función que permite calcular probabilidades
de igualdad, también se pueden calcular probabilidades de desigualdad, dado que los valores
x ∈ Ran(X) representan eventos disjuntos. Para este caso, se tiene por ejemplo que:
1 Dado que los valores de X representan eventos disjuntos puesto que es imposible que una
persona esté en dos lugares diferentes al tiempo, entonces la probabilidad de que la
persona esté en el piso 2 o en el piso 6 está dada por:

P(X = 2 ∨ X = 6) = P(X = 2) + P(X = 6) = 27 %.

2 La probabilidad de que la persona esté entre los piso 1 y 4, inclusive, está dada por:

P(1 ≤ X ≤ 4) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) = 94 %.

3 La probabilidad de que la persona buscada esté a lo sumo en el piso 4 está dada por:

P(X ≤ 4) = 98 %

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 6.
Considere una variable aleatoria discreta X cuya función de masa de probabilidad es:

 k(x2 + 1)

Para x = 0, 1, 2, 3, 4
f (x) =

0 En otro caso
A continuación se halla el valor de k para el cual la función es una función de distribución de
probabilidad legítima. Como f es legítima , entonces:
1 f (x) ≥ 0 para todo x ∈ Ran(X), luego k(x2 +1) ≥ 0, por lo tanto k > 0 pues (x2 +1) ≥ 0.
4 4 4
k(x2 + 1) = 1, por lo tanto k (x2 + 1) = 1, pero se
P P P
2 Como f (x) = 1, entonces
x=0 x=0 x=0
4
1
(x2 + 1) es igual a 35, de donde k =
P
tiene que 35
.
x=0

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 6. Continuación.
De esta manera la función de distribución de X está dada por:
1
(x2

 35
+ 1) Para x = 0, 1, 2, 3, 4
f (x) =

0 En otro caso

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística

 Ideas generales
Variables aleatorias
Funciones de masa, de densidad y de distribución de Probabilidad

Variables aleatorias

Ejemplo 7.
Una variable aleatoria X que toma los valores N0 , N0 + 1, N0 + 2 . . . , N1 con N0 < N1 se
denomina variable aleatoria discreta uniforme si cada valor N0 , N0 + 1, N0 + 2 . . . , N1 tiene
la misma posibilidad de ser elegido. De esta manera se tiene la siguiente función de masa de
probabilidad para X:

x N0 N0 + 1 N0 + 2 ··· N1

1 1 1 1
f (x) N1 −N0 +1 N1 −N0 +1 N1 −N0 +1
··· N1 −N0 +1

Tabla 4: Función de Masa de Probabilidad para la V.A X del Ejemplo 7.

Se tiene que la función de distribución de probabilidad f es una función de distribución de pro-

babilidad legítima. En efecto,
1
1 Claramente f (x) ≥ 0 para todo x ∈ Ran(X), pues N1 −N0 +1
≥ 0.
N1
P P 1
2 f (x) = f (N0 ) + f (N0 + 1) + · · · + f (N1 ) = N1 −N0 +1
= 1.
x∈Ran(X) x=N0

Carlos Gaviria & Carlos Márquez Probabilidad y Estadística