UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág.

Nº 1

UNIDAD 3 VARIABLES ALEATORIAS UNIDIMENSIONALES

1) INTRODUCCIÓN

En la unidad anterior se han estudiado los experimentos aleatorios describiéndolos

mediante espacios probabilísticos, de manera que a cada suceso se le asigna una
probabilidad. Lo que interesa es el número de veces que ha ocurrido un suceso, o
la medida de ciertas magnitudes como el tiempo, la longitud, el peso, etc. Estas
medidas se representan mediante variables aleatorias discretas y continuas.

En esta unidad se definen y caracterizan las variables aleatorias discretas y

continuas y se exponen diversos ejemplos que intentan clarificar estos conceptos.

2) VARIABLE ALEATORIA

Es una función real definida sobre que asigna a cada elemento de un número
real. Transforma, por lo tanto, los elementos del espacio muestral en valores
numéricos.

Al realizar un experimento aleatorio se obtienen una serie de sucesos elementales

que forman el espacio muestral . Veamos algunos ejemplos para aclarar este
concepto.

Ejemplos

(1) Sea el experimento aleatorio de lanzar dos monedas. Los resultados posibles
son:

*( )( )( )( )+

Se puede definir, por ejemplo, la variable aleatoria:

La variable aleatoria X asigna un número real a cada elemento de .

( ) ( ) ( ) ( )

El posible conjunto de los posibles valores de X es * +.

 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 2

TIPOS DE VARIABLES ALEATORIAS

Variable aleatoria discreta

Es aquella variable aleatoria que toma un número finito o infinito numerable de

valores.

Variable aleatoria contínua

Es aquella variable aleatoria que toma cualquier valor en un intervalo real dado.

Teniendo en cuenta que los valores de una variable aleatoria quedan determinados
por el resultado de un experimento aleatorio, es posible asignar probabilidad a cada
uno de ellos en el caso de las variables aleatorias discretas, o bien definir una
función para evaluar la probabilidad en intervalos, en el caso de las variables
aleatorias continuas.

La forma de caracterizar estas variables se tratará más adelante.

1) VARIABLE ALEATORIA DISCRETA. FUNCIÓN DE CUANTÍA

Sea X una variable aleatoria y sea k uno de los valores que toma dicha variable, la
probabilidad de que la variable tome dicho valor es: ( ) ( ).

Función de cuantía (masa)

Es cualquier función que cumple:

1) ( ) ( )

2) ∑ ( )

La función de cuantía de una variable aleatoria discreta se puede representar

gráficamente mediante un diagrama de barras del mismo modo que las variables
estadísticas, si bien en lugar de levantar barras de longitud proporcional a las
frecuencias se hacen de longitud proporcional a las probabilidades.

Ejemplo. Sea la variable aleatoria X definida por.

, que toma los valores * +.
Entonces:

( ) ( ) *( )+ ( ) ( ) *( )( )+ ( )

( ) *( )+

Entonces, se tiene:

X 0 1 2

( ) 0,25 0,50 0,25

 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 3

2) VARIABLE ALEATORIA CONTÍNUA. FUNCIÓN DE DENSIDAD

En el caso continuo, la variable aleatoria toma valores en un intervalo. A menudo,

lo que interesa son variables que miden el peso de una persona, el tiempo de
duración de un suceso, la longitud de una barra de cobre, etc. No es posible, en
estos casos, conocer el valor exacto, ya que dar un valor que toma una variable de
este tipo consiste en clasificarlo dentro de un intervalo. Por ejemplo, se dice que el
peso de una determinada sustancia es de 2 mg cuando se observa que está entre
1,5 y 2,5 mg. Por tanto, en el caso de las variables aleatorias continuas sólo se
puede hablar de la probabilidad de intervalos, ya que la probabilidad de que la
variable aleatoria tome un valor concreto es cero.

2.1) FUNCIÓN DE DENSIDAD DE PROBABILIDAD (FDP)

Es cualquier función que cumple:

1) ( )

2) ∫ ( ) =1

Nótese que:

 ( ) ( ) ( ) ( )

∫ ( )

 ( ) ∫ ( ) ( ) ( )

2.2) FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA V.A

Función de Distribución acumulada (fda)

Es una función definida para cada número real que hace corresponder a cada x la
probabilidad de que la variable aleatoria tome un valor menor o igual que él:

( ) ( )

Esta función caracteriza tanto a variables continuas como discretas.

Tal como está definida, se trata de una función no decreciente que verifica:

1º) ( )

2º) ( )

y que presenta un perfil diferente según se trate de variables aleatorias discretas o

continuas.

En el caso de las variables aleatorias discretas, si se conoce la función de cuantía,

se puede obtener la función de distribución:
 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 4

( ) ( ) ∑ ( )

Recíprocamente, conocida la función de distribución, se puede hallar la distribución

de probabilidad, así como la probabilidad de cualquier intervalo.

Ejemplo Sea X: número de caras al tirar dos monedas, se tiene:

( )

En el caso de las variables aleatorias continuas, la función de distribución se

obtiene:

( ) ( ) ∫ ( )

Utilizando el Teorema Fundamental del Cálculo Integral, basta con derivar en los
puntos en que sea posible la función F(x) para obtener f(x). En los puntos en los
que no sea derivable F(x), se adopta el convenio de asignar a f(x) el valor 0.

Las variables aleatorias continuas se caracterizan porque su función de distribución

es una función continua.

El valor esperado de una variable aleatoria X se define:

∑ ( )
( ) { siempre que exista
∫ ( )

El cálculo de la varianza se hace utilizando un resultado análogo al visto en la

primera unidad.

( ) ( ( ))

La varianza de una variable aleatoria X es un número real no negativo. Su raíz

cuadrada se llama desviación estándar. La varianza y la desviación típica son
medidas de la dispersión de una variable aleatoria respecto de su media. Si X
tiene una distribución concentrada, es decir, si toma los valores cercanos a ( )
con probabilidad grande, la varianza es pequeña; en otro caso, la varianza es
grande. La desviación típica tiene la ventaja sobre la varianza de que está
expresada en las mismas unidades que la variable X .
 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 5

UNIDAD 4 MODELOS DE DISTRIBUCIONES DISCRETAS

INTRODUCCIÓN

En este capítulo se estudian algunas de las distribuciones discretas que se presentan

con mayor frecuencia y que sirven para modelar un gran número de experimentos
aleatorios.

1) DISTRIBUCIÓN BINOMIAL

Se considera un experimento con sólo dos resultados posibles, , que

llamamos "éxito" y "fracaso" con probabilidades constante ,
respectivamente. Se repite de modo independiente el experimento n veces y se
pretende estudiar la v.a:

X = “número de éxitos en las n pruebas"

Esta variable aleatoria toma los valores con probabilidad:

( ) ( ) ( )

y se dice que sigue una Distribución Binomial de parámetros n y p. Se designa

por ( )

Aunque la distribución Binomial modela un gran número de experimentos, conviene

observar que para utilizar esta variable aleatoria es preciso, que se tenga evidencia
de que la probabilidad de éxito es constante a lo largo de las repeticiones, y que
éstas se realizan de modo independiente.

Ejemplo.

Si en un proceso de fabricación la probabilidad de obtener una pieza defectuosa es

p y se extrae una muestra de n piezas, la v.a. X = "nº de piezas defectuosas
entre las n" sigue una distribución ( ).

Como característica importante de la distribución Binomial, indicaremos que si X

sigue una distribución ( ), entonces: ( ) ( ) ( )

Ejemplo.

Si el número de caras obtenidas al lanzar una moneda es una v.a con distribución
( ), el número de caras obtenidas al lanzar 4 monedas será una v.a con
distribución ( ).
 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 6

2) DISTRIBUCIÓN DE POISSÓN

Esta v.a discreta también es conocida como “ley de los sucesos raros”, y
representa experimentos del tipo:

 "número de llamadas que llegan a una central telefónica en un intervalo de

tiempo"

 “número de vehículos que llegan a la cola de un peaje en cierto intervalo de

tiempo"

 "número de barcos que llegan a puerto en un día determinado", etc.

En general, la distribución de Poisson modela el número de veces que se verifican

algunos fenómenos por unidad de tiempo, espacio, superficie o volumen, y su
parámetro representa el número medio de veces que han ocurrido.

Se dice que una v.a X sigue una distribución de Poisson de parámetro y se

designa por ( ) si toma los valores con probabilidades:

( ) ( )

Tiene la propiedad de que su media y su varianza son iguales e iguales al

parámetro de la distribución: ( ) ( )

Ejemplo.

Si el número de accidentes laborales en una planta química durante un periodo de

un mes es una v.a con distribución de Poisson de media 2, entonces, el número de
accidentes laborales en dicha planta durante un año será una v.a de Poisson de
parámetro 24.

3) DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución binomial es importante en muestreos “con reemplazo”, sin

embargo cuando el muestreo es “sin reemplazo” en una población finita se usa la
“Distribución Hipergeométrica”.

Se dice que una v.a X = Nº de éxitos en “n” extracciones sin reemplazamiento;

sigue una distribución Hipergeométrica de parámetro se designa por
( ) si toma los valores con probabilidades:

( ) ( )
( )
( )

Donde:

.
 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 7

La media y la varianza de esta v.a son:

( )

Ejemplo.

Una lista de 100 artículos contiene 20 defectuosos. Se eligen 10 artículos al azar,

sin sustituir el artículo antes que sea elegido el próximo. ¿Cuál es la probabilidad
de que exactamente la mitad de los artículos escogido sea defectuoso?

Solución:

( ) ( )
} ( ) ( )
( )

UNIDAD 5 MODELOS DE DISTRIBUCIONES CONTINUAS

INTRODUCCIÓN

En este capítulo se estudian algunas distribuciones continuas que han demostrado en la

práctica servir de modelo a un gran número de experimentos aleatorios.

1) DISTRIBUCIÓN NORMAL

Es la distribución continua más usada, y además sirve de aproximación a muchas

distribuciones que aparecen en la práctica.

Se dice que una v.a X sigue una distribución Normal de parámetros y se

designa por ( ) si su función de densidad es de la forma:

( )
( ) ;
√

La gráfica de esta función se conoce como campana de Gauss (tiene forma de

campana). Puede observarse que es simétrica, está centrada en , tiene dos
puntos de inflexión de abscisas .

(1.1) PROCESO DE TIPIFICACIÓN

Como no existe primitiva de la función de densidad, para calcular probabilidades es

preciso utilizar métodos numéricos. Para la v.a ( ) existen tablas con
valores de ( )o ( )o ( ) para distintos valores de k. Si se
precisa calcular probabilidades a partir de una v.a X con distribución ( ), se

hace una transformación para pasar de dicha variable X a otra variable con
 UNIVERSIDAD ARTURO PRAT – IQUIQUE CHILE Pág. Nº 8

distribución ( ), que es la que esta tabulada. A este proceso se le conoce

como tipificar la variable.

La función de densidad de esta nueva variable es:

( ) ;
√