VARIABLES

ESTADÍSTICA I
AUTOR: Patricia Castillo Garzón
ÍNDICE
ÍNDICE

1. Variables aleatorias
2. Clases de variables aleatorias
3. Características de las variables aleatorias discretas, su función de probabilidad y de
distribución acumulada
4. Características de las variables aleatorias continuas, su función de probabilidad y de
distribución acumulada
5. Características de las variables aleatorias continuas, su función de probabilidad y de
distribución acumulada
6. Varianza de una variable aleatoria discreta y continua Acceso rápido

GENERALIDADES DESARROLLO

REFERENCIAS

Este material pertenece al Politécnico

Grancolombiano y a la Red Ilumno. Por ende, son
de uso exclusivo de las Instituciones adscritas a
la Red Ilumno. Prohibida su reproducción total
o parcial.

INTRODUCCIÓN
En esta lectura trataremos el concepto de variable aleatoria y distribuciones de probabilidad. Un
aspecto importante en esta parte del módulo es lograr diferenciar un evento de una variable
aleatoria; si recordamos, en matemáticas nos explicaron el significado de variable: son
características de una situación o contexto que se representan a través de una letra y varían de
acuerdo con el valor que debe tomar cada una, según en el contexto estudiado. Estas variables
las trabajamos en la primera parte de este curso y las organizamos en tablas y gráficos
estadísticos, y en medidas representativas. Ahora, las vamos a trabajar como variables
aleatorias y distribuciones de probabilidad.
RECOMENDACIONES ACADÉMICAS
Para una mejor comprensión del tema, se recomienda que inicialmente haga una lectura
detallada de cada uno de los contenidos. Siga la lectura con papel, lápiz y calculadora o ayuda
del computador para que aprenda a utilizar las fórmulas dadas; no le gaste tiempo a memorizar
las fórmulas, trate de comprender su razonamiento, la forma como la aplica y, sobre todo, la
interpretación que le pueda dar al resultado obtenido. Recuerde que el uso de las funciones
estadísticas que tienen las calculadoras, o que encuentra en programas como el Excel, le
reducen el tiempo que gastaría haciendo cálculos aritméticos.
DESARROLLO DE CADA UNA DE LAS UNIDADES TEMÁTICAS
1. 4.1 Variables aleatorias.
Si estudiamos los ingresos de una empresa por la venta de impresoras, entonces, tanto estos
como el número de impresoras fabricadas se consideran variables porque cambian o varían: un
día se pueden vender 5 impresoras, otro día 9 y así sucesivamente; esa variación en las
unidades de impresora vendidas hace que a su vez los ingresos cambien. Suelen usarse las letras
I y x para denotar, respectivamente, los ingresos y el número de unidades vendidas.
Ahora que hemos recordado el significado de variable, describamos intuitivamente el concepto
de variable aleatoria para luego presentar la definición formal. Ya sabemos que una variable es
una característica que toma valores que varían; si a esto le agregamos la palabra aleatoria
diremos que es una variable cuyos valores provienen de una característica cuyo resultado no es
predecible. Más precisamente:
Una variable aleatoria es un valor numérico que corresponde a una
característica cuantitativa de un experimento aleatorio.
3 POLITÉCNICO GRANCOLOMBIANO
01 -
02
Ejemplo 1
Determinemos la variable aleatoria en la siguiente situación: de un grupo de personas se
selecciona al azar una persona y se mide su estatura.
El experimento aleatorio es seleccionar una persona del grupo, la característica cuantitativa es
su estatura y la variable aleatoria es la medida de dicha estatura.
Debe resaltarse que un evento es simplemente una característica de un experimento aleatorio
mientras una variable aleatoria es una característica cuantitativa de un experimento aleatorio.
2. Clases de variables aleatorias
Las variables aleatorias se clasifican en dos tipos, las discretas y las continuas.
Una variable es discreta cuando sus valores se pueden contar y organizar
secuencialmente. Estas variables asumen valores finitos.
Una variable es continua cuando toma valores en un intervalo o en la unión de varios
de ellos. Al estar en un intervalo, una variable aleatoria continua puede asumir
valores infinitos.
En adelante
Ejemplo 2 usaremos la letra X para indicar una variable aleatoria, ya sea discreta o
continua.
Si consideramos el lanzamiento de 4 monedas, entonces, el número de veces que aparece cara
es una variable aleatoria. Determinemos la variable aleatoria, establezcamos los valores que
toma y luego averiguaremos si es discreta o continua.
El experimento aleatorio es el lanzamiento de cuatro monedas, la variable aleatoria es el
número de caras que resultan de lanzar las cuatro monedas. Los posibles resultados del
experimento son:
0 caras: al lanzar las monedas no cayó ninguna cara.
1 cara: al lanzar las monedas cayó solo una cara.
2 caras: al lanzar las monedas cayeron dos caras.
3 caras: al lanzar las monedas cayeron tres caras.
ESTADÍSTICA I 4
 4 caras: al lanzar las monedas todos los resultados fueron cara.
Nombremos entonces la variable aleatoria y sus valores:
X  0,1, 2,3, 4
Como esta variable toma valores finitos, ella es discreta.
Ejemplo 3
Si consideramos ahora la variable aleatoria peso, en toneladas, del arroz de las cosechas en
determinada región, esta es continua porque sus valores se encuentran en un intervalo. Por
ejemplo entre 0 y 100 toneladas:
0  X  100
3. Características de las variables aleatorias discretas, su función de probabilidad y de
distribución acumulada
Cuando una variable aleatoria es discreta a la regla que asigna a cada valor de ella, a su
probabilidad se le denomina función de probabilidad.
Por otra parte, denominamos función de distribución acumulada de la variable aleatoria X a la
probabilidad de que X sea menor o igual a un valor específico de x y está dada por:
5 POLITÉCNICO GRANCOLOMBIANO
Esto significa la suma de las probabilidades de que X tome valores menores o iguales a uno
dado. También es posible calcular la probabilidad de que X tome valores mayores (mayores o
iguales) a un número dado y menores (menores o iguales) a otro. Cuando esto suceda
tendremos que la probabilidad es la siguiente:
 P(a  X  b) P( X  b)  P( X  a)
 P(a  X  b) P( X  b)  P( X  a)
 P(a  X  b) P( X  b)  P( X  a)
 P(a  X  b) P( X  b)  P( X  a)
Ejemplo 4
Consideremos el número de caras que resultan al lanzar 4 veces una moneda y determinemos la
variable aleatoria, establezcamos su función de distribución de probabilidad y su función de
distribución acumulada.
X : número de caras que resultan al lanzar 4 veces una moneda.
Para determinar la probabilidad de cada valor de la variable aleatoria estableceremos por medio
de las técnicas de conteo el número de elementos en el espacio muestral y el número de casos
exitosos en que podemos obtener cara.
Como en el primer, segundo, tercer y cuarto lanzamiento tenemos 2 opciones de resultado, cara
o sello, entonces utilizaremos el principio fundamental de conteo:
Así, decimos que hay 16 posibles resultados en el espacio muestral.
Por otra parte, para determinar el número de casos favorables de cada valor de la variable
aleatoria utilizaremos la técnica de conteo de la combinatoria porque en un lanzamiento existen
4 posibilidades de que los resultados sean cara y necesitamos saber cuántos contienen 0, 1, 2, 3
y 4 caras.
ESTADÍSTICA I 6
  X  0 : ningún resultado fue cara. En este caso estamos obligando a que tres resultados se llenen en algún lanzamiento con un
solo elemento (cara).

 X  4 : cuatro de los resultados fueron cara.

4! 4! 1 2  3  4 24
C     1
4! 4  4  ! 4! 0 ! (1  2  3  4)(1) 24
4 4

Con la anterior información podemos establecer la función de distribución de probabilidad es:

De 4 elementos se formaron grupos que no contenía a ninguno de ellos.

número de casos favorables 1
Nótese que con esto estamos indicando que solo un valor puede llenar el resultado de cada P(0) P( X 0) 
número de elemetos en el espacio muestral 16
lanzamiento (sello), por ende el único grupo que no contiene ninguna cara es (s,s,s,s).
4 6
 X  1 : uno de los resultados fue cara. P(1) P( X 1) P(2)
 P( X 2)

16 16
4! 1  2  3  4 24
C    4 4 1
1! 4  1 ! 1  2  3 P(3) P( X 3) P(4)
 P( X 4)

4 1
6
16 16

De 4 elementos se formaron grupos con un elemento de ellos. Formemos ahora la tabla de distribución de probabilidad:

Tabla 1. Distribución de probabilidad

En este caso estamos obligando a que un resultado se llene en algún lanzamiento con un solo
elemento: cara.
Valores de la variable Probabilidad del valor que toma la
 X  2 : dos de los resultados fueron cara. aleatoria variable aleatoria
X x P( X  x)
4! 4! 1  2  3  4 24
4C
     6 1
2! 4  2  ! 2! 2 ! (1  2)(1  2) 4
2
0
16
4
En este caso estamos obligando a que dos resultados se llenen en algún lanzamiento con un solo 1
elemento (cara). 16
6
2
 X  3 : tres de los resultados fueron cara. 16
4
4! 4! 1  2  3  4 24 3
4C
     4 16
3! 4  3 ! 3!1! (1  2  3)(1) 6
3
1
4
16
Fuente: (elaboración propia)

7 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 8

 Con los datos de la tabla podemos determinar algunas probabilidades acumuladas y, así, con Organizando esta información en una tabla obtenemos:
ellas, crear una tabla de distribuciones acumuladas.
Tabla 2. Distribuciones acumuladas
Probabilidad de que en el resultado de los lanzamientos ninguno sea cara.

1 0  x 1 0 x2 0 x3 0 x4

P( X 0)  0.0625
16

Probabilidad de que como máximo uno de los resultados sea cara. Esto significa que puede ser Probabilidad 0.3125 0.6875 0.9375 1
que ningún resultado sea cara o que uno solo de los resultados sea cara.
Fuente: (elaboración propia)
1 4 5
P(0  x  1)  P(0)  P(1)     0.3125
16 16 16
De igual manera, nos podrían pedir las probabilidades presentadas a continuación. Observe los
1. Probabilidad de que, a lo más, en los resultados haya 2 caras. Esto significa que puede signos y recuerde que  significa “ser menor pero no igual a”;  significa “ser menor e igual a”;
que no haya ninguna, o que salga una o dos caras.  significa “ser mayor pero no igual a”; y  significa “ser mayor e igual a”. Como ejercicio
interprete los enunciados y resultados:
1 4 6 11
P(0  x  2)  P(0)  P(1)  P(2)      0.6875
16 16 16 16 4 6 4 14
P(1  x  4) P(1)  P(2)  P(3)      0.875
16 16 16 16
2. Probabilidad de que máximo en los resultados salgan 3 caras. En este caso, los resultados
pueden ser 0, 1, 2 o 3 caras. 4 6 10
P(1  x  3)  P(1)  P(2)     0.625
16 16 16

1 4 6 4 15 4
P(0  x  3)  P(0)  P(1)  P(2)  P(3)       0.9375 P(2  x  4)  P(3)   0.25
16 16 16 16 16 16

4 6 4 14
P(1  x  4)  P(2)  P(3)  P(4)      0.875
16 16 16 16
3. Probabilidad de que en los resultados haya máximo 4 caras:

Ejemplo 4
1 4 6 4 1 16
P(0  x  4)  P(0)  P(1)  P(2)  P(3)  P(4)       1 ¿Cuál es la probabilidad de que al lanzar una moneda 4 veces el número de caras sea menor o
16 16 16 16 16 16
igual que 3?

P( X  3)  p( X 0) p( X  1) p( X 
2) p( X 
3)
 p (0)  p (1)  p (2)  (3)
1 4 6 4
   
16 16 16 16
15

16

9 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 10

 La probabilidad de que a lanzar una moneda 4 veces el número de caras sea menor o igual que 3
es de un 0,9375.
Si X es una variable aleatoria continua y existe una función f ( x) tal que:

Ejemplo 5
1. f ( x)  0,   x  
¿Cuál es la probabilidad de que al lanzar una moneda 4 veces el número de caras sea mayor que
2? 
2. 

f ( x)dx  1
P( X  2)  p( X  3)  p( X  4)
b
 p (3)  (4)  f ( x)dx
3. P(a  X  b) 
a
4 1
 
16 16
5
 Entonces
Cabe resaltarésta
quese
endenomina función
la definición de densidad
se indica de probabilidad
que los valores de aleatoria
de la variable la variable
están entre
16 aleatoria continua X.
 e  pero en realidad señala que debe estar en un intervalo, no necesariamente el
Es posible resolver el ejercicio utilizando el concepto de complemento. Veámoslo: mencionado.

P( X  2) 1  P( X  2) Análogamente al caso de la variable aleatoria discreta, la función de distribución acumulada de

una variable continua X es la probabilidad de que X tome un valor menor o igual a algún x
1  ( P( X  0)  P ( X  1)  P ( X 
2))
específico. En otras palabras,
1  ( p (0)  p (1)  p (2))
x
1 4 6
1    
 P( X  x) F ( x) 

f (t )dt .
 16 16 16 
11 5 Una función de distribución acumulada de una variable continua satisface las siguientes
1
 
16 16 propiedades:

Así, la probabilidad de que al lanzar una moneda 4 veces el número de caras sea mayor que 2 es 1. F ()  0
0.3125 aproximadamente. 2. F () 1
3. P(a  X  b) F (b)  F (a)
4. Características de las variables aleatorias continuas, su función de probabilidad y de dF ( x)
4.  f ( x)
distribución acumulada dx
5. P( X  x) P ( X  x) F ( x)
Cuando la variable aleatoria es continua a la regla que asigna cada valor de ella, a su
probabilidad se le conoce como función de densidad.

Ejemplo 6

Consideremos la concentración, en miligramos, de amoniaco en un acuario.

X : cantidad de amoniaco en miligramos en un acuario.

11 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 12

 La función de densidad de la variable aleatoria continua X no es tan sencilla de establecer como 42 x(1  x)5 0  x 1
en el caso de las variables discretas. Sin embargo, existen diversos motivos que llevan a f ( x)  
 0 en otro caso
considerar esta función de densidad como una distribución normal, que se estudiará más
adelante, con 0  X  1 .
¿Cuál es la probabilidad de que no más del 25% de los accidentes automovilísticos sean fatales?
Para darnos una idea del significado de una distribución normal vamos a considerar el siguiente
La pregunta que debemos responder es ¿cuál es el valor de P  X  0.25 ?
ejemplo, cuya distribución se muestra gráficamente (figura 1). Cuando una función de densidad
se grafica y tiene forma de campana, se dice que su función de probabilidad se distribuye 0.25
normal. P  X  0.25
   42 x(1  x)5 dx
0
0.25
 42 x (1  x )5 dx
0
0.25
Ejemplo 7  x 2 5 x3 10 x 4 10 x5 5 x 6 x 7 
 42       
Si se miden los tiempos de llegada de 100 000 clientes y se agrupan en 100 intervalos de 5  2 3 4 5 6 7 0
segundos cada uno, entonces la representación gráfica es la siguiente.  0.5551

De esta manera, concluimos que la probabilidad de que no más del 25% de los accidentes
automovilísticos sean fatales es de 0.5551.
0,025

0,02

5. Características de las variables aleatorias continuas, su función de probabilidad y de

0,015
distribución acumulada
0,01
Antes de dar la definición de valor esperado para variables aleatorias discretas o continuas,
0,005
observemos el siguiente ejemplo que nos ilustra el significado del valor esperado de una
variable aleatoria discreta.
0
Tiempo de llegada Consideremos un vendedor comisionista. Aunque el no tiene certeza de cuál será su comisión
espera que esta supere los $500 000 al finalizar el mes; este valor es lo que se conoce como el
Figura 1. Distribución Normal
Fuente: (elaboración propia)
valor esperado. Para tratar de verificar la obtención de una comisión de $500 000, el
comisionista debería establecer una distribución de probabilidad, multiplicar cada resultado del
experimento por su probabilidad y sumar los resultados. Si esta esperanza coincide o supera los
$500 000, podría decir que con seguridad logrará dicha comisión.
Como la gráfica tiene forma de campana entonces podemos pensar que la función de densidad
es de tipo normal. Existen diversos contextos que nos conducen a la toma de decisiones, de forma que estas nos
lleven a una situación favorable sin conocer con certeza el resultado del fenómeno o situación
Ejemplo 8 (Canavos, 2003) estudiada. Estas decisiones se toman con base en la esperanza o valor esperado de la variable
aleatoria analizada.
La variable aleatoria que representa la proporción de accidentes automovilísticos fatales en
Estados Unidos tiene la siguiente función de densidad:

13 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 14

 Ejemplo 9 Ganancia
 esperada $60 000 000  0.3  $6 000 000  0.7 
 $13 800 000
Analicemos la siguiente distribución de probabilidad del vendedor comisionista.

Tabla 3. Distribución de probabilidad, ejemplo 9 Sitio B

P(sacar petróleo) 0.4  Ganancia $40 000 000

Comisión $0 $200 000 $400 000 $600 000 P(no sacar petróleo)  0.6  Pérdida $6 000 000
Probabilidad 0.02 0.4 0.18 0.4
Ganancia
 esperada $40 000 000  0.4   $6 000 000  0.6 
Fuente: (elaboración propia)
 $12 400 000

Así concluimos que es mejor perforar inicialmente el sitio A porque se espera que la ganancia
El valor esperado de la comisión para el vendedor es: sea mayor que en el sitio B.

0  0.02   200000  0.4   400000  0.18  600000  0.4 

Comisión esperada 
 392000

Con este resultado podemos decir que nuestro vendedor comisionista no podrá obtener la Con base en lo anterior, el valor esperado de una variable aleatoria discreta se calcula de la
comisión de $500000 que esperaba a este nivel de venta. siguiente manera:

E ( X )   xp( x)
x

Ejemplo 10
Si una variable aleatoria es continua entonces su valor esperado se calcula así:
Una empresa petrolera ha elaborado un estudio y tiene dos posibles lugares donde perforar

para encontrar petróleo. Dado que una perforación resulta costosa por la mano de obra y la E ( X )   xf ( x)dx

maquinaria utilizada, la empresa debe escoger uno de los dos lugares para perforar inicialmente.

Si la posibilidad de extraer petróleo en el sitio A es del 30% y del sitio B del 40%, pero se calcula
que A producirá una ganancia $60 000 000 en caso de encontrar petróleo y una pérdida de
$6 000 000 en caso de no encontrar, mientras B producirá una ganancia de $40 000 000 si se Ejemplo 11 (Canavos, 2003)
halla petróleo y una pérdida de $6 000 000 en caso contrario, determinemos dónde deberá
perforar primero la compañía. Calculemos el valor esperado de la variable aleatoria proporción de accidentes fatales en los
Estados Unidos del ejemplo 10.

Dado que esta variable aleatoria es continua porque sus valores se encuentran en un intervalo,
Sitio A debemos utilizar una integral para calcular su valor esperado. Veamos:

P(sacar petróleo) 0.3  Ganancia $60 000 000

P(no sacar petróleo)  0.7  Pérdida $6 000 000

15 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 16

 1
E ( X )   xf ( x)dx Tabla 4. Varianza de la variable aleatoria, ejemplo 9
0
1
 42 x (1  x) dx
2 5
 Comisión $0 $200 000 $400 000 $600 000
0
1
 42 x (1  x) dx
2 5
Probabilidad 0.02 0.4 0.18 0.4
0
1
Fuente: (elaboración propia)
 x3 5 x 4 10 x5 10 x 6 5 x 7 x8 
 42       
 3 4 5 6 7 8 0 Dado que E ( X )  392 000 , solo necesitamos hallar E ( X 2 ) para encontrar la varianza.
 0.25
E( X 2 )  (0) 2 (0.02)  (200000) 2 (0.4)  (400000) 2 (0.18)  (600000)2 (0.4)
Luego se espera que un 25% de accidentes en los Estados Unidos sean fatales.
 188800000000000

Aplicando la expresión que permite calcular la varianza obtenemos:

6. Varianza de una variable aleatoria discreta y continua
( X ) E ( X 2 )   E ( X )
2
La varianza de una variable aleatoria es una medida de dispersión de la distribución de Var

probabilidad de esta (Canavos, 2003).  188800000000000  (392000)2
 351360000000000

Esta varianza al sacar la raíz nos indica qué tan alejados están los datos de la media de ellos; por
En el caso de una variable aleatoria discreta la varianza se determina así: lo tanto, tenemos que:
( X ) E ( X 2 )   E ( X )
2
Var
 Var ( X ) 351360000000000  187 445,9922
2
 
 x
x
2
p ( x)   xp ( x) 
 x 
En otras palabras, los datos o las comisiones están a $187 445,9922 de diferencia del promedio
o de la media de las comisiones.
Y cuando la variable aleatoria es continua calculamos su varianza de la siguiente manera:

( X ) E ( X 2 )   E ( X )
2
Var

2 A la raíz cuadrada de la varianza de una variable aleatoria se le conoce como
  x f ( x)dx    xf ( x)dx 

2
desviación estándar o error típico.
   

Ejemplo 12

Consideremos el ejemplo 9 y calculemos la varianza de la variable aleatoria comisión:

17 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 18

 04

REFERENCIAS

Textos

 Canavos, G. C. (2003). Probabilidad y estadística aplicaciones y métodos. Mexico: Mc

Graw Hill.

19 POLITÉCNICO GRANCOLOMBIANO ESTADÍSTICA I 20

POLITÉCNICO GRANCOLOMBIANO - 2016 ©