Variable aleatoria: Conocida también como variable estocástica.

Es la
característica considerada en un experimento aleatorio cuyo valor de
ocurrencia solo puede saberse con exactitud una vez observado.

Para un espacio muestral  (espacio muestral) de algún

experimento una variable aleatoria es cualquier reglas que
asocia un número en cada resultados de . [Devore (2001)]

Consideremos en siguiente ejemplo, tiremos una moneda al aíre y definamos

la variable X:

1 si la moneda cuando cae esta en cara

X
0 si la moneda cuando cae esta en escudo
Variable aleatoria discreta: Es aquella cuyos valores posibles forman un
conjunto finito o bien se pueden listar en una sucesión infinita donde hay un
primer elemento, un segundo, etc. [Devore (2001)]

Variable aleatoria continua: Su conjunto de valores posibles abarca todo

un intervalo en la recta numérica. Aunque cualquier intervalo de la recta
numérica contiene una cantidad infinita de números, se puede demostrar
que no hay manera de crear una lista infinita de esos valores. [Devore
(2001)]
 DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES
ALEATORIAS DISCRETAS

Cuando se asignan probabilidades a varios resultados en , estos, a su vez,

determinan las probabilidades asociadas con los valores de cualquier
variable aleatoria X en particular. La distribución de probabilidad de X, es la
probabilidad total igual a 1 y está distribuido entre todos los valores posibles
de X. [Devore (2001)] Veamos un ejemplo al respectos

En una población X se conoce las cantidad de sujetos sanos y con algún

padecimientos crónico con se expresa en la siguiente tabla

Problemas Total de la
Sanos Hipertensos Asmáticos Diabetes
Articulares población
234 34 16 17 9 310

Supongamos que X es el estado de la persona en función de las

características descritas anteriormente si seriamos seleccionar al azar uno
de los sujetos de la población, obesrvemos que puede suceder
 Existen 5 estados físicos (X) que pueden ser susceptibles de ser
seleccionamos del total de la población y cualquiera de ellos es igualmente
probable de ser seleccionado. Si consideramos a p() la probabilidad de ser
seleccionado podemos hacer el siguiente análisis.
Casos posibles
p ( x) 
Casos posibles 234 Total de casos
p(0)  X ( Sanos)    0,75
Total de casos 310
Casos posibles 34
p(1)  X ( Hipertenso s )    0,11
Total de casos 310
Casos posibles 16 p(0)  p(1)  p(2)  p(3)  p(4)
p(2)  X ( Asmáti cos)    0,05
Total de casos 310 0,76  0,11  0,05  0,06  0,03  1
Casos posibles 16
p(3)  X ( Diabetes )    0,06
Total de casos 310

Casos posibles 9
 Todas las x posibles p(x) 1
p(4)  X ( P. Articulare s )    0,03
Total de casos 310
Discutamos otro ejemplo: Su pongamos que la distribución de probabilidad
para X es la siguiente:
Supongamos que el un determinado grupo de un colegio las calificaciones de
los estudiantes en un examen de Matemática es la siguiente:
0 si el estudiante tiene calificación de Insuficiente
1 si el estudiante tiene calificación de Deficiente
2 si el estudiante tiene calificación de Aprobado
X= 3 si el estudiante tiene calificación de Bien
4 si el estudiante tiene calificación de Muy Bien
5 si el estudiante tiene calificación de Excelente

0,09 si x = 0
0,11 si x = 1
0,23 si x = 2
p(x)= 0,26 si x = 3
0,17 si x = 4
0,14 si x = 5
 REPRESENTACIÓN GRÁFICAMENTE LOS
RESULTADO ANTERIORES

Función de probabilidad para la variable aleatoria discreta

calificaciones de los estudiantes en un grupo

0,30

0,25

0,20
p(x)

0,15

0,10

0,05

0,00
0 1 2 3 4 5
Resultados de la calificaciones

Variable aleatoria discreta: Es aquella cuyos valores posibles forman un

conjunto finito o bien se pueden listar en una sucesión infinita donde hay un
primer elemento, un segundo, etc. [Devore (2001)]

¿Relacione el gráfico y el concepto postulados anteriormente?

 Para una variable aleatoria discreta se puede señalar la función de
densidad de probabilidad de la siguiente forma:

f ( x)  PX  x
Para el número real x se llama función
de densidad de probabilidad de X.

Para que la función anterior sea considerada un función de densidad de

probabilidad de una variable aleatoria discreta debe cumplir las dos
condiciones necesarias y suficientes, siguientes:

1.  f ( x)  0 2.   f ( x)  1
 DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLEA ALEATORIA DISCRETA.
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

Para conocer la distribución binomial se hace necesario postular el

teorema que defina a la misma.

Sea en caso de dos números reales cualquiera a y b, además de cualquiera

entero positivo n se tiene:
Teorema binomial
 n  x n x
n
(a  b)     a b
n

x 0  x 

n n!
Donde   
 x  x!(n  x)!
 DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLEA ALEATORIA DISCRETA.
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

Puede suceder que un experimento cumpla exactamente o aproximadamente

los siguientes requisitos.
1.- El experimento consiste en una secuencia de n ensayos, donde n se fija
antes de comenzar el experimento.
2.- Los ensayos son idénticos y cada uno puede resultar en uno de los
posibles resultados que señalados con éxito (V) o fracaso (F).
3.- Los ensayos son independientes, por lo que el resultado de cualquier
intento particular no influye sobre el resultado de cualquier otro ensayo.
4.- La probabilidad de éxito un constante de un ensayo s otro, denotada esa
probabilidad por p. [Devore (2001)]

UN EXPERIMENTO QUE SATISFACE LAS CONDICIONES

ANTERIORES SE LLAMA EXPERIMENTO BINOMIAL.
 Lo desarrollado hasta el momento permite postular lo siguiente: Una
variable aleatoria X tiene distribución binomial con parámetros n y p si su
densidad de probabilidad esta dada por:

n x n x x  0,1, 2,  , n
f ( x)    p (1  p)
 x 0  p 1

n n!
   Donde n un número entero positivo
 x  x!(n  x)!

Se puede concluir que:

 x!(n  x)! p (1  p)   p  (1  p) 1

n! x n x n
De las variables aleatorias discretas existe tres tipos de
distribuciones la binomial que acabamos de estudiar la
distribución hipergeométrica y la distribución de Poisson,
estas distribuciones son usadas para la realización de un
conjunto de pruebas de hipótesis que serán tratadas el
unidades posteriores.
En este curso no es objetivo realizar cálculos de
probabilidades sino solo conocer la existencia de estas
distribuciones y saber lo que representa este tipo de
variables aleatorias discretas para la estadística
inferencial.
 DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLES
ALEATORIAS CONTINUAS.

Una variable aleatoria es continua si puede asumir cualquier valor en uno o

más intervalos de números reales y la probabilidad de asumir un valor
específico dado es 0 (cero), [Milton & Arnold (2004)]

Como se puede calcular teniendo en cuenta el postulado anterior la función de

densidad de probabilidad de una variable aleatoria continua: Sea X una
variable aleatoria continua. Su función de densidad de probabilidad f es tal
que:

1.  f ( x)  0, Para todo x real


2.   f ( x) dx 1

b
3.  Pa  X  b   f ( x) dx Donde a y b son números reales
a
Se llama función de densidad de probabilidad de X.
Son condiciones necesarias y suficientes de cumplir en la en la función de
densidad de probabilidad de una variable aleatoria continua las siguientes:

1.  f ( x)  0, Para todo x real


2.   f ( x) dx 1


En el caso de las variables aleatorias discretas, se calcula la probabilidad de

que X asuma un valor único dentro de una serie de valores A, lo señalado se
puede representar mediante la siguiente ecuación.

PX  A  f ( x)
xA

Queda claro que este proceder no se puede aplicar para calcular la

probabilidad de una variable aleatoria continua.
Para el caso de calcular la probabilidad en el caso de una variable aleatoria
continua X asuma valores en el intervalo [a, b]. Supongamos que A con [a, b] si
tomamos la ecuación tres de la definición de una variable aleatoria continua, se
puede señalar:
b
Pa  X  b   f ( x) dx
a

1,0325 x 1,362 1 x 6
f (x) 
0 En cualquier otro caso

Si realizáramos todo los cálculos necesarios obtendríamos una gráfica para

el calculo de la probabilidad de esta variable, como se muestra a
continuación.
 Área = 1

El área debajo de la curva representa la probabilidad total del ejemplo que se

analiza. Veamos un ejemplo concreto del calculo de la probabilidad para un
avariable aleatoria continua.
La concentración de plomo en la gasolina varía actualmente entre 0,1 y 0,5 gramos
por litro. ¿Cuál es la probabilidad de que la concentración en un litro de gasolina
seleccionado aleatoriamente que se ubique en 0,2 y 0,3 gramos por litros inclusive.
[Milton & Arnold (2004)]
Para ello se conoce la densidad de probabilidad f de la variable aleatoria X , el
número de gramos de plomo por litro de gasolina, según:
12,5 x 1,25 0,1  x  0,5
f (x ) 
0 En cualquier otro caso

Comprobemos función de densidad de probabilidad  f ( x) dx  1

 0, 5
0,5
12,5 x
2

 f ( x ) dx  0,1(12,5 x  1, 25) dx  
 2
 1, 25
 0,1 Los resultados demuestran
la veracidad de función de
12,5(0,5) 2  12,5(0,1) 2  densidad de probabilidad
 1,25(0,5)   1,25(0,1) ahora podemos continuar
 2   2  con la solución del problema
plantado.
0,9375  ( 0,0625) 1
Calculemos la probabilidad que nos pide el problema
0,3 0,3
P0,2  x  0,3  f ( x) dx   (12,5x 1,25) dx
0, 2 0, 2
0,3
12,5 x 2  12,5(0,3) 2  12,5(0,2) 2 
 1, 25 x     1, 25( 0,3) 
   1, 25( 0, 2) 
 2  0, 2  2   2 
 0,1875

Podemos representar gráficamente los resultados obtenidos:

 Las distribuciones de variables aleatorias continuas mas usadas son:
Distribución normal que se puede definir de la siguiente forma: Se dice que una
variable aleatoria X con densidad:
  x
1  1 2  x     2   
f ( x)  e
2  0

Tienen distribución normal con parámetros  (media poblacional) y  (desviación

estándar poblacional). [Milton & Arnold (2004)]
De acuerdo con la definición anterior se puede plantear: Campana de Gauss. Gráfica
de la distribución normal

1  (1 2 )  x     2

 2
e dx 1

Si representados los resultados que se

muestran en la ecuación anterior obtenemos
una gráfica que toma la siguiente forma.
 Se puede señalar en este momento el teorema de la estandarización:
Sea X una variable normal con media  y desviación estándar . La
variable (X - )/ es la variable normal estándar.

Para el caso de una muestra podemos representar lo (x  X )

expuesto anteriormente a través de la siguiente formula. z
s
En este momento podemos establecer la relación entre la curva de distribución
normal los puntajes estándar, para ellos analicemos los siguientes ejemplos

Primer caso: Hallar la probabilidad de valores de z iguales o menores que 1.

p( X  z )  ?

Para la realización de estos cálculos nos vamos a auxiliar del Microsoft Excel
 p( X  z )  ?

p( X  1)  ?

p( X  1)  0,841344746

Valor correspondiente al
área debajo de la curva

z
Segundo caso: Hallar la probabilidad de valores de z mayor que 1.

p( X  z )  ?

Para resolver este problemas tenemos la siguiente información: El valor

de la probabilidad cuando z ≤ 1 y sabemos que el área total de la curva
de distribución normal es igual a 1 esto nos permita plantear:

p( X  1) 1  p( X 1)
p( X  1) 1  0,841344746
p( X  1)  0,158655254

Valor correspondiente al
área debajo de la curva

z
Tercer caso: Hallar la probabilidad de valores de z igual cero.
p( X  z )  ?

p ( X  0)  ?

p( X  0)  0,5

z
Cuarto caso: Hallar la probabilidad de valores de z menor que 1 y mayor que
-1.
p(1  z 1)  ?

0,68268949
EJEMPLO: Se llevan varios años haciendo un estudio de crecimiento y
desarrollo de una comunidad rural y una de las variables que se mide es la
talla de los niños al nacer, que se ha demostrado que se distribuye
normalmente con media de 45,34 cm y desviación estándar 16,32. Cual es la
probabilidad de que al nacer un niño mida más de 70 cm.

( x  X ) 70  45,34
p ( x  70)  ? z   1,51
s 16,32

p ( x  70)  1  p( x  70)  1  0,9345

p ( x  70)  0,0655
 Distribución ji cuadrado 2

Esta es una distribución asimétrica, es utilizada en la estimación de la

varianza y en varias pruebas de hipótesis que se estudiaran en temas
posteriores.

Similar al tratamiento que dimos a la distribución normal trabajaremos la

distribución 2. Pero antes de comenzar este tratamiento debemos definir un
nuevo concepto los grados de libertad es un número que determina la forma
de algunas distribuciones y no es más que el número de observaciones
linealmente independiente que existe en una suma de cuadrados. [Bologna
(2011)].

Para comprender este concepto partamos del siguiente ejemplo del calculo
de la varianza según la formula:
n

 i
( x  X ) 2
Esta fórmula está basada en n-1 grados de libertad.
s 2  i 1 Esta terminología resulta del hecho de que si bien s2
(n  1) está basada en n cantidades: x1  X , x2  X , , xn  X
éstas suman cero, así que especificar los valores de cualquier n-1 de las
cantidades determina el valor restante.
Ejemplificando lo anterior tenemos que:
Si n=4 y tenemos que x1  X  11; x2  X  7; x3  X  2
Si sabemos que la sumatoria de todos los valores tiene que dar cero queda
fijando el valor a: x4  X  6
Esto nos permite afirmar que tres valores están libres es decir tres grados de
libertad porque el cuatro esta fijado y se puede plantear entonces que los
grados de libertad para este caso con iguales a n-1 que dará 3.
Después de esta explicación para la comprensión del concepto grados de
libertad podemos trabajar la distribución 2 que como se señalo anterior
mente es asimétrica pero además su forma dedende de los grados de
libertad para ellos les mostraremos algunas gráficas de ejemplo.

2 2 2
Para el caso de la distribución 2 calculemos la probabilidad con 10 grados de
libertad superior a 20

 
p 102  20  ?

 
p 102  20  0,029252688
 Distribución t de Student

La distribución t de Student, es simétrica como la distribución normal pero

también su forma depende de los grados de libertad, a continuación se
muestran ejemplos de esta distribución.

Calculo de la probabilidad
p(t1  2)  ?
p(t1  2)  0,147583618
 Distribución F de Fischer

La distribución F de Fischer, es asimétrica no negativa y su forma depende

de los grados de libertad del numerador y del denominador:

12
n1
Fn1 , n2 
12
n2
Algunos ejemplos son los siguientes:

n1= 3 grados de libertad en el numerador

n1= 10 grados de libertad en el numerador
n2= 2 grados de libertad en el denominador
n2= 8 grados de libertad en el denominador
Calculo de probabilidad p( F10,8  3)  ?

p( F10,8  3)  0,066450863

n1= 10 grados de libertad en el numerador

n2= 8 grados de libertad en el denominador
 POSIBLES BIBLIOGRAFÍA QUE PUEDEN SER UTILIZADAS EN EL CURSO.
 Murray Spiegel. Probabilidad y Estadística. Editorial McGraw.Hill. España 2010.
David Moore. Estadística Aplicada Básica. Editorial Mozart Art.S.L. España 2004.
Antonio Vargas. Estadísticas Descriptiva e Inferencial. Editorial Compobell. S.L. España 1995.
Elmer Mode. Elementos de Probabilidad y Estadística. Editorial Reverté. S.A. España. 2005.
Irwin Miller y John Freund. Probabilidad y Estadística para Ingeniero. Editorial Reverté. S.A.
México. 2004
2004. Juan Murgiondo y Javer Tejedor. Análisis Descriptivo de datos en Educación. Editorial
Murralla. S.A. España. 2005.
Roberto Pagano. Estadística para las ciencias del comporamiento. Editorial Thonson. México.
2003.
Geolfrey Norman y David Streiner. Bioestadística. Editorial Harcourt. España. 2005.
 Robert Soka y Rohlf F. Introducción a la bioestadística. Editorial Reverté S.A. España. 2002.
Sidney Siegel y John Castella. Estadística no paramétrica. Aplica a las ciencias de la conducta.
Editorial Trilla. México. 1998.
Jay Davore. Probabilidad y Estadística para Ingeniería y Ciencias. Editorial Thomson. México.
2001.
Susan Milton y Jesse Arnold. Probabilidad y Estadística con aplicaciones para la ingeniería y
ciencias computacionales. Editorial McGraw Hill. México. 2004
Eduardo Bologna. Estadística para Psicología y Educación. Editorial Brujas. Argentina. 2011.