VARIABLE ALEATORIA

Definición. Sea E un experimento aleatorio y  el espacio muestral asociado al experimento.

Una función que asigna a cada uno de los elementos del espacio muestral
( w   )un número real X (w), se llama variable aleatoria.

W1 
 X
wi

wn

Ejemplo
De una caja que contiene 5 artículos, de las cuales 3 son buenos y 2 son malos, se selecciona
2 artículos.
a. con reposición
b. sin reposición
Se observa el estado de cada artículo.

Solución.
a. Exp.  Acción: Seleccionar dos artículos con reposición.
Interesa: Observar el estado en que se encuentra cada artículo seleccionado.
 = ( B1 , B2 ),( B1 , D2 ),( D1 , B2 ),( D1 , D2 )
donde Bi : Artículo bueno en la i-ésima selección, i= 1, 2
Di: artículo defectuoso en la i-ésima selección, i= 1, 2
Sea la variable:
X: Número de artículos defectuosos.
Luego:
X  B1 , B2  = 0
X  B1 , D2  = X  D1 , B2  = 1
X  D1 , D2 
=2
RX: 0, 1, 2 a RX se le llama recorrido de la variable.
Cada uno de estos valores está en situación de incertidumbre

De esto tenemos que:

Si X = 0 entonces ocurre el evento {(B1,B2 )}
X = 1 entonces ocurre uno de cualesquiera de los siguientes eventos:
{(B1,D2), (D1,B2)}
X = 2 entonces ocurre el evento {(D1, D2)}

De lo anterior sabemos cuales son los posibles valores que puede tomar la variable, pero antes
de llevar a cabo el experimento no sabemos cual va ser el valor que tome la variable, lo que si

MARÍA ANTONIETA ZACARIAS DÍAZ 17

podemos saber es la probabilidad con que cada una de los valores de la variable puede ocurrir,
así:

P(X = 0) = P( B1 , B2 )  P( B1 ) P( B2 ) =(3/5)(3/5)
P(X = 1) = P ( B1 , D2 ),( D1 , B2 )  P( B1 , D2 )  P( D1 , B2 )
= P(B1)P(D2)+P(D1)P(B2)=3/5x2/5+2/5x3/5=12/25
P(X = 2) = P  D1 , D2  = P(D1)P(D2)=2/5x2/5=4/25

Si los resultados anteriores lo presentamos en una tabla, tenemos:

xi p( x i )
0 9/25
1 12/25
2 4/25
Esta tabla muestra la distribución de probabilidades de acuerdo a los valores de la variable, se
le denomina DISTRIBUCIÓN DE PROBABILIDADES, y a p(xi ) función de probabilidad o
cuantía.

La representación gráfica de la tabla anterior es:

Función de cuantia
0.60
Probabilidad

0.40

0.20

0.00
0 1 2
Número de artículos defectuosos

Esta gráfica y la tabla nos indica el comportamiento probabilístico de la variable, o sea nos
está indicando que al seleccionar 2 artículos con reposición es más probable que salga 1
artículo defectuoso.

Resumiendo lo anterior y estableciendo Equivalencias

Exp. Exp.
Acc. Seleccionar dos artículos = Acc. Seleccionar dos artículos
Int. Observar el estado de cada articulo  X: Número de artículos defectuosos
 = ( B1 , B2 ),( B1 , D2 ),( D1 , B2 ),( D1 , D2 )  RX : 0, 1, 2
La probabilidad de cada evento elemental La probabilidad de cada valor de la
es: variable es:
3 3 9 9
P  B1 , B2   P  B1  P  B2   x   P( X = 0 ) =
5 5 25 25

3 2 6 12
P  B1 , D2   P  B1  P  D2   x   P( X = 1 ) =
5 5 25 25

MARÍA ANTONIETA ZACARIAS DÍAZ 18

 2 3 6
P  D1 , B2   P  D1  P  B2   x 
5 5 25
2 2 4 4
P  D1 , D2   P  D1  P  D2   x   P( X = 2 ) =
5 5 25 25

Modelo de probabilidad en términos Modelo de probabilidad en términos

del espacio muestral de la variable aleatoria

CÁLCULO DE LA PROBABILIDAD DE UN EVENTO CON LOS DOS MODELOS

Sea el evento: Sea el evento

S: A lo más un artículo es defectuoso S: A lo más un artículo es defectuoso
S   B1 , B2  ,  B1 , D2  ,  D1 , B2   S   X  1
P(S )  P  B1 , B2   P  B1 , D2   P  D1 , B2   P(S )  P  X  1  P  X  0   P  X  1
9 6 6 21 9 12 21
P( S )      P( S )   
25 25 25 25 25 25 25

El símbolo  significa equivalente.

Todos los puntos tratados hasta antes de variable aleatoria, ahora van a ser tratados en términos
de variable aleatoria, por lo tanto tenemos las siguientes equivalencias:
1. El experimento aleatorio siempre se va a dar.
2. Lo que Interesa va ser reemplazado por la variable aleatoria X.
3. El espacio muestral va ser reemplazado por el recorrido de la variable aleatoria, R X
4. La probabilidad de cada uno o más eventos elementales, va estar dado por la
probabilidad de cada uno de los valores de la variable aleatoria.
5. La probabilidad de cualquier evento, como subconjunto del espacio muestral, va ser la
probabilidad de un intervalo, siendo este intervalo un subconjunto del recorrido de la
variable aleatoria.

Ejercicio.
Obtenga la distribución de probabilidades para la variable Número de artículos defectuosos,
cuando la selección de los artículos se hace sin reposición.

Al estudiar variables aleatorias distinguiremos 2 casos importantes:

Variables aleatorias discretas.
Variables aleatorias continuas.

Variable Aleatoria Discreta

Definición. Si el número de valores posibles de X es finito o infinito numerable, llamamos a
X una variable aleatoria discreta.
Es decir los valores posibles de X se pueden anotar como x 1, x2,...

MARÍA ANTONIETA ZACARIAS DÍAZ 19

Función Probabilidad o Cuantía
Definición. En una variable aleatoria discreta, con cada posible valor de X, asociamos un
número p( xi ) = P(X=xi) llamada la probabilidad de xi.

Los números p( xi ) deben satisfacer las siguientes condiciones:

a. p( xi )  0
b.  p( xi ) = 1
La función P se llama función de probabilidad de la variable aleatoria X.
La colección de pares (xi, p( xi )) i=1,2... se le llama distribución de probabilidades de X.

MARÍA ANTONIETA ZACARIAS DÍAZ 20

Variable Aleatoria Continua.
Supongamos que el recorrido de X está formado por un gran número de valores, xi, i = 1, 2, 3,
…., N, como por ejemplo 0; 0.01; 0.02; 0.03; 0.04; …, 0.96, 0.97; 0.98; 0.99; 1.00. Con cada
uno de estos valores está asociado un número no negativo p(xi)= P(X= xi), i = 0 1, 2, 3, … , N
cuya suma es igual a 1.
La representación gráfica de esta situación es:

Gráfica de los puntos del 0 al 1 con separación de 0.02

0.00 0.14 0.28 0.42 0.56 0.70 0.84 0.98

Recorrido de X

La anterior descripción probabilística de X, podría ser matemáticamente idealizada, al suponer

que X puede tomar todos los valores posibles, 0 < = x < = 1, al hacer esto, puesto que los valores
posibles de X no son contables, no se puede hablar del i-esimo valor de X, por lo tanto p(xi)
pierde significado. Por lo que se hará es sustituir la función p, definida sólo para x1, x2, x3, …
por una función f para todos los valores x, 0 < = x < = 1 y esta función f , cumplirá que f(x) >=
1
0 y 
0
f ( x)dx  1 .

Formalizando lo anterior tenemos:

Definición. Se dice que X es una variable aleatoria continua si existe una función f, llamada
función de densidad de probabilidad (fdp) de X, que satisface las siguientes condiciones:

f (x)  0, x , es decir la función es no negativa.


El área bajo la curva es igual a 1, es decir: 

f ( x )dx  1

Para cualquier a, b tal que   a  b   tenemos:

b
P(a < X < b) =  f ( x)dx
a

La variable, X, su recorrido, RX y su función de densidad de probabilidad f (x) recibe el

nombre de Distribución de Probabilidades.

Una consecuencia de la descripción probabilística de X, que para cualquier valor especifico

x0

de X, por ejemplo x0, es que tenemos P(X = x0) = 0, puesto que P(X = x0) =  f ( x)dx  0 ,
x0

MARÍA ANTONIETA ZACARIAS DÍAZ 21

sin embargo, debemos notar que sí permitimos que X tome todos los valores en un intervalo,
entonces la probabilidad cero no es equivalente con la imposibilidad. Por lo tanto, en el caso
continuo, P(A) = 0 no implica A =  , el conjunto vacio. En vista de estas consideraciones, las
siguientes probabilidades son todas iguales, si X es una variable aleatoria continua:
P(c  X  d ), P(c  X  d ), P (c  X  d ) y P (c  X  d )

Ejemplo
Considere la siguiente función:
2 x 0  x  1
f ( x)  
0 para cualquier otro valor
1. ¿Es esta una función de densidad de probabilidad asociada a la variable aleatoria X?
2. Si lo es, muestre el comportamiento probabilístico de la Variable aleatoria y halle la
P(X > 0.7)

Solución.
1.
Si x  0.1  f (0.1)  0.2 

a. x  0.5  f (0.5)  1  luego f(x) > = 0
x  0.9  f (0.9)  1.8 

 1
b.  2 xdx   2 xdx  x 2  0  1
1

 0
Cumple las 2 condiciones, por lo tanto f(x) es una función de densidad de probabilidad.

2. Comportamiento probabilístico.
Comportamiento probabilistico de X
2.5
2
1.5 Área bajo la curva
f(x)

Es 1
1
0.5
0
0 1
x

 2 x dx  x
2 1
P(X > 0.7) =  1  0.49  0.51
0.7
0.7

MARÍA ANTONIETA ZACARIAS DÍAZ 22

 Comportamiento probabilistico de X
2.5
2
1.5
f(x)

1
0.5
0
0 1
x

1
A = [X > 0.7] P(x > 0.7)= ∫0.7 2𝑥𝑑𝑥 = 0.51
Ejemplo
Considere la siguiente función:
 kx, 0  x2

f ( x)   k (4  x), 2  x  4
0,
 en otros casos

a. Halle el valor de k para que f sea una función de densidad.

b. Muestre el comportamiento probabilístico de la variable.
c. Calcule: P(X<1.2), P(X>= 2.5), P(1 < X < 3), P(X = 0.5)

Solución.
 2 4
1
a. 

f ( x)  1   kxdx   k (4  x)dx  1  4k  1  k 
4
0 2
luego:
 x / 4, 0  x2

f ( x)  (4  x) / 4, 2  x  4
 0, en otros casos

b.

Comportamiento probabilistico de X
0.6
0.4
P(x)

0.2
0
0 2 4
x

MARÍA ANTONIETA ZACARIAS DÍAZ 23

 1.2
1.2
x  x2  1.44
c. i. P(X<1.2) = 
0
4
dx    
 8 0 8
 0.18

2 x 2.5
ii. P(X>=2.5) = 1 - P  X  2.5   1    dx  
 4  x  dx  = 0.2825

0 4 2
4 
2
x
iii. P(1<X<3) =  dx  
3
 4  x dx = 0.75
1
4 2
4
iv. P( X = 0.5) = 0

Esperanza y varianza y varianza de X

Variable discreta Variable continua
∞
E(X) = ∑∞
1 𝑥𝑖 𝑃(𝑥𝑖) E(X) = ∫− ∞ 𝑥 𝑓(𝑥)𝑑𝑥

V(X) = E(𝑋 2 ) - (𝐸(𝑋))2 V(X) = E(𝑋 2 ) - (𝐸(𝑋))2

2 ∞
E(X2) = ∑∞
1 𝑥𝑖 𝑃(𝑥𝑖) E(X2) = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥

Ejemplo
Sea la variable aleatoria X: Número de artículos defectuosos
Con la siguiente función de cuantía
Calculo de la Esperanza y varianza

xi p( x i ) xi p(xi) xi 2 p(xi)
0 0,36 0 0
1 0,48 0,48 0,48
2 0,16 0,32 0,64
0,8 1,12
Esperanza
E(X) = 0.8
Varianza
E(𝑋 2 ) = 1.12
V(X) = E(𝑋 2 ) - (𝐸(𝑋))2 = 1.12 – 0.64 = 0.48

Ejemplo

Sea la variable aleatoria X, con fdp

2 x 0  x 1
f ( x)  
0 para cualquier otro valor

MARÍA ANTONIETA ZACARIAS DÍAZ 24

Esperanza de X
1
1 𝑥3 2
E(X) = ∫0 𝑥(2𝑥)𝑑𝑥 = 2 | | = unid
3 3 0

Varianza de X
1
1 1 𝑥4 2
E(X2) = ∫0 𝑥 2 (2𝑥)𝑑𝑥 = 2 ∫0 𝑥 2 𝑥𝑑𝑥 = 2 | 4 | = 4
0

1 2 2 1 4 1
V(X) = 2 − (3) = 2 − 9
= 18 = 0.055556 Unid2

MARÍA ANTONIETA ZACARIAS DÍAZ 25