UNIVERSIDAD DE SANTIAGO DE CHILE

FACULTAD DE CIENCIA

VARIABLES ALEATORIAS (v.a)

Los experimentos se conciben de manera que los resultados del espacio muestral
pueden ser cualitativos o cuantitativos.

Por ejemplo:

: “Examinar un artículo que puede tener un defecto grave, leve o no estar defectuoso”.
 =  grave, leve , no defectuoso

: “Se fabrican artículos en una línea de producción y se cuenta el número de artículos

defectuosos producidos en un período de 24 horas”.

 = 0,1,2,3,..........n donde n es el número total de artículos producidos durante este

período.
Puede ser útil la cuantificación de los resultados cualitativos de un espacio muestral
y mediante el empleo de medidas numéricas, estudiar su comportamiento aleatorio. El
concepto de variable aleatoria proporciona un medio para relacionar cualquier resultado
con una medida cuantitativa.

Definición: Sea  un espacio muestral sobre el que se encuentra definida una función de
probabilidad . Sea X una función de valor real definida sobre  , de manera que
transforme los resultados de  en puntos sobre la recta de los reales. Se dice entonces que
X es una variable aleatoria.

f :R

Ejemplo: “Se revisan de una en una tres baterías para ver si están cargadas (C ) o
descargadas (D)”

Se define la variable aleatoria:

X : “número de baterías cargadas en la muestra”

El espacio muestral asociado a este experimento:

Ω = {(D,D,D);(D,D,C);(D,C,D);(C,D,D) ;(C,C,D): (D,C,C); (C,D,C); (C,C,C)}

X : “número de baterías cargadas en la muestra” Rx = 0,1,2,3

 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

OBSERVACIONES SOBRE LAS VARIABLES ALEATORIAS

a.- Los nombres de las variables aleatorias se denotan siempre con mayúsculas
(X,Y,V,W,…) y los valores particulares de ellas con letras minúsculas y subíndice si fuese
necesario. En el ejemplo: x1 = 0; x2 =1,……

b.- Se pueden definir varias variables aleatorias para un mismo espacio muestral.
En el ejemplo anterior:

c.- Como los valores de la variable aleatoria dependen del experimento tiene sentido hacer
enunciados probabilísticos respecto a ellos. Podemos considerar los subconjuntos Rx como
sucesos que "heredarán" la probabilidad del suceso correspondiente en .

P(x=2) =¿? (CCD) (CDC) (DCC)

En el ejemplo anterior: P(x =2) = 3/8 ; para determinar esta probabilidad se debe mirar el
espacio muestral.

Definición:
Si X es una variable aleatoria discreta (v.a.d.) con recorrido Rx se define la función
de cuantía o función de probabilidad ((p (x) o P(X=x)) como:

P( X  xi ) si xi  Rx
p( x)  
 0 si xi  Rx

En el ejemplo:

O bien puede representarse de la siguiente forma:

x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8

Gráfico función de cuantía o función de probabilidad v.a.d.

X: “número de baterías cargadas en la muestra”

Propiedades de la función de cuantía

a.- 0  p(xi)  1
b.-  p( x )  1
rec x
i
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Definición:
Si X es una v.a.d. se define la función de distribución, función acumulada
(acumulativa), función de probabilidad acumulada, función de distribución acumulada
(FDA) (F(x)) como:

F(x) = P ( X  x)

En el ejemplo:

7/8 ; 2 < x < 3

1 ;x> 3

Función de distribución acumulada v.a.d.

X: “número de baterías cargadas en la muestra”

P(x < 2) = F(2) = 7/8 Utilizando la función de distribución acumulada

O bien P(X < 2) = P(x=0) + P(x=1) + P(x=2) = 7/8 Utilizando la función de cuantía

P(x < 5) = F(5) = 1

P(x < 5) = P(x=0) + P(x=1) + P(x=2) + P(x=3) +P(x=4) +P(x=5) = 1

1 0

Definición: Sea X una v.a.d. con recorrido Rx y función de cuantía p(x) se define la
esperanza (matemática) de la v.a.d X (E(X)) como:
E( X )   x p( x )
rec x
i i

Calcular el valor esperado del número de baterías cargadas en la muestra:

E(X) = 0*1/8 + 1*3/8 + 2*3/8 + 3* 1/8 = 12/8 =1,5

El número esperado de baterías cargadas en la muestra es 1,5.

O bien el número promedio de baterías cargadas en la muestra es 1,5.

 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Propiedades de E(X)

Si a, b y k son constantes , X variable aleatoria se tiene que:

En el ejemplo de las baterías:

x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8

Moda (Mo): 1 y 2 , se tiene una distribución bimodal.

Los mayores valores de la función de cuantía son 1 y 2 baterías cargadas en la muestra.

Mediana Me = 1. En el 50% de las veces se extraen entre 0 y 1 baterías cargadas en la

muestra y en el 50% de las veces restantes se extraen entre 1 y 3 baterías cargadas en la
muestra.

P(x < 1) = F(1) = 0,50 xm = Me =1

Determinemos e interpretemos el percentil 80 (P80)

P (X < xp) = 0,80 P(x < 2) = F(2) = 7/8 =0,875 P80=xp =2

P80 = 2 . En el 80% de las veces se extraen entre 0 y 2 baterías cargadas en la muestra y en

el 20% de las veces restantes se extraen entre 2 y 3 baterías cargadas en la muestra.

Notación: E(X) = µ =µx

 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Tenemos que:
V(X) = E (X - E(X))2

V(X)= E(X2) – E2 (X)

Expresión utilizada para cálculo:

Calcular la varianza de baterías cargadas en la muestra.

V(X) = 02*1/8 + 12*3/8 + 22*3/8 + 32* 1/8 – (3/2)2 = 0,75

La varianza del número de baterías cargadas en la muestra es 0,75.

Propiedades V(X)

Si a , b y k son constantes y X variable aleatoria, se tiene que:

i) V(X) > 0
ii) V(k) = 0
iii) V(bX) = = b2V(X)
iv) V(a + bX) = b2V(X)

Observaciones:

a) V(X) =

b) Desviación típica o desviación estándar.

Si multiplicamos el coeficiente de variación por 100%, se habla de porcentaje de

variabilidad.

Pág.12.
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

X: “cantidad de automóviles vendidos en un mes”

Función de cuantía o función de probabilidad

x 0 1 2 3 4
p(x) 0,1 0,2 0,4 0,2 0,1

Y: sueldo mensual ($)

Y=2600000 + 260000*X

E(Y) = ¿? C.V.(Y) = ¿?

E(Y) = E(a+bX) = a+ b*E(X)

E(X) = 0*0,1+1*0,2+2*0,4+3*0,2+4*0,1 = 2

El número esperado de autos vendidos al mes es 2

O en promedio se venden 2 autos mensuales.

E(Y)= 2600000 + 260000*2= 3120000

El sueldo esperado es de $3.120.000 mensuales ( o sueldo promedio)

V(Y) = V(a + bX) = b2* V (X)

σY = b* σx

V(X) = 02*0,1+12*0,2+22*0,4+32*0,2+42*0,1 -22 = 1,2 σx =1,095445

σY = 260000* 1,095445=284815,7

C.V(Y) = $284815,7/ $3120000 = 0,091287083

Mientras más cercano a cero es el coeficiente de variación, la variabilidad de la distribución

de la variable aleatoria es menor.
La dispersión relativa es 0,09128.
O bien el coeficiente de variación es 0,09128
O bien el porcentaje de variabilidad es 9,128%

Mo =2 Me= 2 E(X)=µ =2 (automóviles)

P75 = 3. En el 75% de los meses se venden entre 0 y 3 automóviles y en el 25% de los

meses se venden entre 3 y 4 automóviles.
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

DISTRIBUCIONES DE PROBABILIDAD
O MODELOS PROBABILÍSTICOS

El comportamiento de una variable aleatoria queda descrito por su distribución de

probabilidad. Con frecuencia las observaciones que se generan de diferentes experimentos
estadísticos, tienen el mismo comportamiento en términos generales. En consecuencia, las
variables aleatorias que se asocian con estos experimentos pueden describirse,
esencialmente, por la misma distribución de probabilidad y por lo tanto se representan por
una sola fórmula. De hecho, se necesitan muy pocas distribuciones de probabilidad para
describir muchas de las variables aleatorias que se encuentran en la práctica.

Ejemplos:
X : “número de artículos defectuosos producidos en 24 hrs”
Y : “número de accidentes laborales ocurridos durante un mes”
V: ”número de sismos mayores a 5 grados en escala Richter, ocurridos en los últimos dos
años”
……………….
Estas tres variables aleatorias definidas y muchas otras que se podrían definir pueden tener
la misma esperanza, la misma varianza, es decir, se pueden modelar de la misma forma. Es
entonces que se habla de distribuciones de probabilidad o de modelos probabilísticos.

PARAMETRO: es una caracterización numérica de la población de manera que describe

parcial o completamente la función de probabilidad de una variable aleatoria.

ALGUNAS DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

1.- Distribución Binomial X  B(n,p)

Si se considera un experimento cuyo resultado puede ser éxito o fracaso con probabilidades
“p” y “q = 1- p” respectivamente, entonces la función de cuantía de la variable aleatoria:

X: “número de éxitos en n experimentos independientes”

o bien X: “número de éxitos en la muestra”

que se distribuye binomial con parámetros n y p (X  B(n,p)) está dada por:

n
P( X  x)    p x q n  x x= 0,1,2,3,……..n
 x

Observaciones: para aplicar el modelo binomial se deben cumplir las siguientes

condiciones:
a.- El experimento consiste en n intentos repetidos.
b.- Los ensayos deben ser dicotómicos (éxito-fracaso).
Por ejemplo 80% artículos buenos, 20% de artículos defectuosos.
c.- Los ensayos deben ser independientes, de tal manera que la probabilidad de éxito sea
constante, esto significa que si se realiza muestreo este debe ser con reposición.

Teorema : Si X  B (n,p), entonces:

i.- E(X) = n* p ii.- V(X)= n* p* q

 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Ejemplo: Se tienen 100 artículos, de los cuales 80 están buenos y el resto está defectuoso.
Se toma una muestra aleatoria, con reposición, tamaño cuatro.

Determine la función de cuantía de la variable aleatoria

X: “número de artículos buenos en la muestra”

2.- Distribución de Bernoulli X  Bernoulli(p)

Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea así (éxito) y q=1-p el que no lo sea
(fracaso). Es una variable dicotómica. Podríamos por tanto definir este experimento
mediante una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en
caso contrario, y que se denota:
X  Bernoulli(p)
 p , si x  1

P( X  x)   q , si x  0
0 , en otro caso

Teorema : Si X  Bernoulli(p), entonces:

i.- E(X) = p ii.- V(X)= p* q

Nota: el modelo Bernoulli es un caso particular del modelo Binomial en donde n=1.

3.- Distribución Hipergeometrica XH(N,n,k)

La función de cuantía de la variable aleatoria

X : “número de éxitos en la muestra”
que se distribuye hipergeométrica con parámetros N, n y k (XH(N,n,k)) está dada por:

 k  N  k 
  
 x  n  x 
P( X  x)  x=0,1,2,3,…..n; n  k o bien x=0,1,2,…k k  n
N
 
n
donde k es el número total de éxitos.

N tamaño población
n tamaño muestra
Ensayos dependientes, es decir, al realizar muestreo este debe ser sin reposición.

Teorema: Si X  H(N,n,k), entonces:

nk nk ( N  n)( N  k )
i.- E ( X )  ii.- V ( X ) 
N N 2 ( N  1)
Ejemplo: En el ejemplo de anterior. (80 artículos buenos y 20 defectuosos). Se toma una
muestra aleatoria sin reposición tamaño 4. ¿Cuál es la probabilidad de sacar tres artículos
defectuosos?
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

4.- Distribución de Pascal X  Pascal (r,p)

Si repetidos intentos independientes pueden resultar en un éxito con una probabilidad p y

en un fracaso con una probabilidad de q=1-p, entonces la función de cuantía de la v.a

X: “número de intentos hasta que ocurre el r-esimo éxito”

que se distribuye Pascal (o Binomial Negativa) con parámetros r y p (X  Pascal (r,p)) está
dada por:

Ejemplo: En el ejemplo anterior. (80 artículos buenos y 20 defectuosos). ¿Cuál es la

probabilidad de sacar el tercer artículo bueno en el quinto intento?

5.- Distribución Geométrica X  Geo (p)

Si repetidos intentos independientes pueden resultar en un éxito con una probabilidad p y

en un fracaso con una probabilidad de q=1-p, entonces la función de cuantía de la v.a

X: “número de intentos hasta que ocurre el primer éxito”

que se distribuye geométrica con parámetro p (XGeo(p)) está dada por:

P(X=x)= p qx-1 , x = 1,2,3,………..

Teorema: Si XGeo(p)

i.- E(X)= 1/p ii.- V(X)= q/p2

Ejemplo: En el ejemplo anterior. (80 artículos buenos y 20 defectuosos). ¿Cuál es la

probabilidad de sacar el primer artículo defectuoso en el tercer intento?

6.- Distribución de Poisson XP()

La función de cuantía de la variable aleatoria

X: ”número de resultados que ocurren en un intervalo de tiempo dado”

Ejemplos:
X : “número de automóviles que pasan por cierta intersección durante 1 hora”
Y : “número de accidentes laborales ocurridos durante un mes”
V: ”número de sismos mayores a 5 grados en escala Richter, ocurridos en los últimos dos
años”
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

O bien, de la variable aleatoria

X: ”número de resultados en una región específica “

Ejemplos:
X: “número de baches en 2 km de carretera” (la región es una longitud)
Y: “Número de impurezas en 500 cc de petróleo” (la región es un volumen)
Z: “Número de nudos en 3 m2 de madera” (la región es una superficie)

que se distribuye Poisson con parámetro  (XP()) está dada por:

e  x
P( X  x)  x =0,1,2,………….
x!
Donde  es el promedio de resultados por unidad de tiempo o región, según como se haya
definido la variable aleatoria.

Teorema: Si X  P (), entonces:

i.- E(X) =  ii.- V(X) = 

pág 24.

b) ¿Cuál es la probabilidad de que cinco usuarios no puedan acceder a este sitio web
durante una hora?

c)¿Cuál es la probabilidad de que en 20 min no tengan acceso a este sitio web

menos de 2 personas?
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Propiedades de esperanza y varianza de variables aleatorias X e Y.

i.- E(X + Y ) = E(X) + E(Y)

ii.- E(X – Y ) = E(X) – E(Y)

iii. V(X + Y) = V(X) + V(Y) + 2 Cov(X.Y)

iv.- V(X - Y) = V(X) + V(Y) - 2 Cov(X.Y)

Si Cov (X,Y) > 0 ᴲ relación directa entre variables aleatorias X e Y.

Si Cov (X,Y) < 0 ᴲ relación inversa entre variables aleatorias X e Y.

Si Cov (X,Y) = 0

X e Y sean variables aleatorias independientes

Si X e Y son variables independientes Cov (X,Y) = 0

Recordar que si A y B son sucesos independientes P(A B) = P(A)*P(B)

Y además se cumple que:

P(A/B) = P(A) P(A/BC) =P(A) P( B/A) = P(B) P(B/AC)= P(B)

 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

Coeficiente de correlación lineal de Pearson

dirección (directa, inversa), lo indica el signo.

(Rho)
Fuerza, intensidad relación lineal entre las variables, lo indica su
cercanía a 1

Ejercicio de guía de Coordinación

Unidad I (parte 2) VARIABLES ALEATORIAS Y DISTRIBUCIONES DE
PROBABILIDAD

Ejercicio pág.15

X Y p(x)
0 1 2 3 4
1 0,15 0,10 0,05 0,02 0 0,32
2 0,04 0,23 0,12 0,02 0,01 0,42
3 0,01 0,12 0,08 0,03 0,02 0,26
p(y) 0,20 0,45 0,25 0,07 0,03 1
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE CIENCIA

X : número de especialistas disponibles

Y : número llamadas recibidas solicitando atención de emergencia cada fin de semana