VARIABLES ALEATORIAS

Una variable aleatoria es una función cuyo dominio es el espacio

muestral asociado a un experimento aleatorio.
Ejemplo:
a. Numero de caras en el lanzamiento de tres monedas.
b. Resultado en el lanzamiento de dos dados.
c. Numero de artículos defectuosos en una muestra de artículos
seleccionados.
Ejemplos.
Se lanza una moneda tres veces, sea X la variable aleatoria que mide el
número de caras que aparecen en los tres lanzamientos.

El conjunto de posibles resultados de una variable aleatoria X se

denomina el rango de la variable y se denota por Rx , en este caso Rx =
{0,1,2,3}.
Ejemplos.
Se lanzan dos dados, se X la variable aleatoria que mide el
resultado en el lanzamiento. En este caso se tiene que Rx =
{2,3,4,…,12}.
Tipos de variables Aleatorias.
Existen dos tipos de variables aleatorias.
 Variables Aleatorias Discretas (vad): Son aquellas cuyo
rango es un conjunto finito o infinito numerable de valores.
 Variables Aleatorias Continuas (vac): Son aquellas cuyo
rango es un conjunto infinito no numerable de valores.

De momento nos concentraremos en las variables aleatorias

discretas.
Función de Distribución de una variable
aleatoria discreta.
El interés se centra en conocer la probabilidad de que la
variable aleatoria tome diferentes valores, se denota con
letras mayúsculas como X, Y o Z a las variables aleatorias, y
con letras minúsculas como x, y o z a los valores específicos
de la variable aleatoria.
Así se denota la probabilidad de que la variable aleatoria X
tome el valor de x, de la siguiente forma.

P(X=x)=p(x)
Ejemplo.
En el lanzamiento de tres monedas.

Así:
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
Ejemplo.

Suponga que la variable aleatoria X posee la siguiente función

de probabilidad.
2
p x = (0.3)x (0.7)2−x , con x = 0,1,2
x
Se tiene que Rx = {0,1,2}

Ahora la función de probabilidad de la variable X se encuentra

en la siguiente tabla

x 0 1 2
p(x) 0.49 0.42 0.09
Propiedades de las funciones de probabilidad
variables aleatorias Discretas.
Una función de probabilidad de una variable aleatoria
discreta cumple las siguientes propiedades.

 p x ≥ 0 ∀ x ∈ Rx

 σ p x = 1, ∀ x ∈ R x

Es claro que las funciones vistas en los ejemplos anteriores,

cumplen las condiciones de una variable aleatoria discreta.
Ejemplo.
Un inspector realiza control de calidad a un lote que posee 10 artículos, de
los cuales hay 3 defectuoso. El inspector selecciona 4 artículos y rechazará
el lote si por lo menos encuentra un articulo defectuoso de los 4.
a. Hallar la función de probabilidad para la variable X que mide el numero
de artículos defectuosos seleccionados por el inspector.
b. Cual es la probabilidad de que el inspector rechace el lote?

Solución.
7 3 7 3 7 3 7 3
4 0 35 3 1 105 2 2 63 1 3 7
a. p(0)= 10 = p(1)= 10 = p(2)= 10 = p(3)= 10 = 210
4 210 4 210 4 210 4

x 0 1 2 3
p(x) 35 105 63 7
210 210 210 210
Ejemplo.
De manera general se puede tener la siguiente expresión para
la función de probabilidad de la variable aleatoria X.

7 3
4−x x
p(x)= 10 , x = 0,1,2,3
4

b. El inspector rechazara el lote si por lo menos encuentra un

articulo defectuoso de los cuatro que selecciona, luego la
probabilidad de que rechace el lote es dada por:
P X ≥ 1 = 1 − P X < 1 = 1 − P X = 0 = 1 −0.167=0.833
Valor esperado y varianza de una variable
Aleatoria Discreta
Valor esperado: Sea X una variable aleatoria discreta, el valor
esperado de X (también denominado promedio de X o
esperanza de X) es dado por:
E X = ෍ xp(x)
X=x
Varianza: Sea X una variable aleatoria discreta, entonces la
varianza de X es dada por:
V X = ෍ x 2 p x − 𝐸(𝑋) 2

X=x
Ejemplos.
Hallar los valores esperados y las varianzas para los ejemplos
vistos anteriormente.
Empecemos con los valores esperados.

i. E X = 0p(0)+1p(1)+2p(2)+3p(3)=0(1/8)+1(3/8)+2(3/8)+3(1/8)=1.5
Luego, al lanzar una moneda tres veces se espera que hallan 1 o dos
caras.

ii. E X = 0(0.49)+1(0.42)+2(0.09)=0.6

35 105 63 7
iii. E(X)= 0 +1 +2 +3 = 1.2
210 210 210 210

Luego se esperaría que uno de los artículos defectuosos

seleccionados por el inspector sea defectuoso
Ejemplos.
Ahora las varianzas.

i. V X = 02 𝑝 0 + 12 𝑝 1 + 22 𝑝 2 + 32 𝑝 3 − 𝐸 𝑋 2 = 0.75

ii. V(X)= 02 0.49 + 12 0.42 + 22 0.09 − 0.6 2 = 0,42

Ejercicio. Hallar la varianza para la variable aleatoria que

mide el numero de artículos defectuosos seleccionados por el
inspector.
Distribución Binomial.
Ensayo de Bernoulli. Es un experimento aleatorio con sólo dos
posibles resultados denominados éxito y fracaso.
Ejemplos.
a. Lanzar una moneda. El experimento tiene solamente dos
resultados (C, S).
b. Probando una nueva droga contra una enfermedad. La
droga cura (éxito) o no cura (fracaso) la enfermedad.
La probabilidad de éxito se denota p. y si los ensayos son
independientes, esta probabilidad se mantiene constante de
un ensayo a otro.
Distribución Binomial.
Definición. Una variable aleatoria con distribución Binomial
estudia o mide el numero de éxitos que hay en n ensayos
independientes de Bernoulli.
La función de probabilidad para una variable aleatoria con
distribución Binomial es dada por:
n x
p x = p (1 − p)n−x , x = 0,1, … n.
x
Donde n es el número de ensayos de Bernoulli y p es la
probabilidad de éxito en cada ensayo.
Si una variable aleatoria X posee distribución binomial,
entonces:
E(X)=np y V(X)=np(1-p)
Ejemplos de Distribución Binomial.
a. Si una moneda se lanza 15 veces, encuentre la probabilidad de obtener
exactamente 10 caras.
Solución:
El lanzar una moneda es un experimento binomial. Dado que nos interesa
contar el número de caras, así reclamamos como éxito cuando salen éstas.
Dejemos que el número de éxitos sea la variable aleatoria (x).
Substituyendo
n = 15, p = probabilidad de éxito (cara) en cada intento.
15
p 10 = 0,510 (1 − 0,5)15−10 = 0,0916
10
E(X)=np=15*0,5=7.5 (se espera que de los 15 lanzamientos 7 o 8 sean
cara.

V(X)=np(1-p)=15*0,5*0,5=3.25.
Ejemplos de Distribución Binomial.
b. Un examen de opción múltiple con única respuesta consta de 5
preguntas, cada una con 4 posibles opciones. Si un estudiante responde
aleatoriamente el examen, ¿Cuál es la probabilidad de que lo gane?
Solución:
n = número de intentos = 5, y p = 0,25, se quiere encontrar:
p X≥3 =p 3 +p 4 +p 5
5 5 5
= 0,253 (1 − 0,25)5−3 + 0,254 (1 − 0,25)5−4 + 0,255 (1 − 0,25)5−5 = 0,1035
3 4 5

E(X)=np=5*0,25=1.25 (se espera que de las 5 preguntas respondidas al

azar, una salga correcta.

V(X)=np(1-p)=5*0,25*0,75=9375.
Ejercicios de Distribución Binomial.
a. En un cargamento grande de llantas de automóviles. 5% tiene cierta
imperfección. Se eligen aleatoriamente cuatro llantas para instalarlas en un
automóvil. Cual es la probabilidad de que?
• Todas estén defectuosas.
• Mas de dos estén en buen estado.

b. El gerente de un restaurante que sólo da servicio mediante reservas sabe,

por experiencia, que el 20% de las personas que reservan una mesa no
asistirán. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas,
¿cuál es la probabilidad de que a todas las personas que asistan al restaurante
se les asigne una mesa?

c. Supóngase que la producción de un día de 850 piezas manufacturadas

contiene 50 piezas que no cumplen con los requerimientos del cliente. Se
seleccionan del lote dos piezas al azar y sin reemplazo. Sea la variable
aleatoria X igual al número de piezas de la muestra que no cumplen. ¿Cuál es
la función de distribución acumulada de X?, cual es la probabilidad de que
cumpla una o dos piezas?
Distribución Poisson.
Una variable aleatoria poisson estudia el numero de eventos (o
exitos ) que ocurren en una unidad de tiempo o espacio dado. Este
tipo de modelo se utiliza para modelar datos de conteo, cuya
naturaleza es una variable aleatoria poisson.

La función de probabilidad de una variable aleatoria con

distribución poissón es dada por:

λx e−λ
p x = ; x: 0,1, … …
x!
Donde 𝜆 es la tasa promedio de éxitos.

Se tiene que tanto el valor esperado como la varianza para la

distribución poissón son dados por 𝜆.
Distribución Poisson.
Por ejemplo:
1. Número de clientes que llegan a un banco en una hora.
2. Número de errores que se comenten en una hoja
transcrita a computador.
3. Número de orificios en un metro cubico de madera.
4. Numero de impurezas en un litro de agua.
5. Numero de imperfecciones de un metro cuadrado de tela.

La diferencia entre una variable aleatoria poisson y una

binomial es que en esta última se conoce el número máximo
de éxitos. También se tiene que el valor de la media es
proporcional a la unidad de tiempo o espacio dada.
Ejemplos de Distribución Poisson.
a. Durante un experimento de laboratorio el numero
promedio de partículas radiactivas que pasan a través de un
contador en un milisegundo es 4. .Cual es la probabilidad de
que entren 6 partículas al contador en un milisegundo dado?
Solución:
𝜆 = 4, se requiere calcular la probabilidad de que X=6.
46 e−4
p(6)= =0.1042
6!
Ejemplo de Distribución Poisson.
b. El numero promedio de camiones-tanque que llega cada
día a cierta ciudad portuaria es 10. Cual es la probabilidad de
que en un día determinado lleguen mas de 3 camiones?
Solución:
Sea X el numero de camiones-tanque que llegan cada día.
Entonces, tenemos
P (X > 3) = 1−P (X ≤ 3) = 1 −(p(0)+p(1)+p(2)+p(3))=1-
0.0102=0,9896
Ejercicios de Distribución Poisson.
a. Cierta área del este de Estados Unidos resulta afectada, en promedio,
por 6 huracanes al año. Calcule la probabilidad de que esta área resulte
afectada por:
 Menos de 4 huracanes en dos años;
 Cualquier cantidad entre 6 y 8 huracanes en 6 meses.
b. Una empresa electrónica observa que el número de componentes que
fallan antes de cumplir 100 horas de funcionamiento es una variable
aleatoria de Poisson. Si el número promedio de estos fallos es ocho,
 ¿cuál es la probabilidad de que falle un componente en 25 horas?
 ¿y de que fallen no más de dos componentes en 50 horas?
 ¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas?
c. En promedio, en una cierta intersección ocurren 3 accidentes viales por
mes.
¿Cuál es la probabilidad de que en un determinado mes en esta
intersección.
 Ocurran exactamente 5 accidentes?.
 Ocurran menos de 3 accidentes?.
 Variables Aleatorias Continuas.
Se entiende como variable aleatoria discreta, aquella cuyo rango
posee un conjunto finito o infinito numerable de valores, por el
contrario, las variables aleatorias continuas son aquellas que pueden
tomar infinitos valores dentro de un intervalo dado. Por ejemplo:
 Tiempo que transcurre hasta que se daña un circuito.
 Distancia recorrida por hora por un carro.
 Peso de un niño al nacer.
En fin, existen muchos fenómenos de la naturaleza asociados a las
variables continuas.

Una variable aleatoria continua tiene una probabilidad 0 de adoptar

exactamente cualquiera de sus valores. En consecuencia, su
distribución de probabilidad no se puede presentar en forma
tabular. En un principio esto parecería sorprendente, pero se vuelve
más probable cuando consideramos un ejemplo específico.
 Variables Aleatorias Continuas.
Consideremos una variable aleatoria cuyos valores son las estaturas de todas las
personas mayores de 21 años de edad. Entre cualesquiera dos valores, digamos
163.5 y 164.5 centímetros, o incluso entre 163.99 y 164.01 centímetros, hay un
número infinito de estaturas, una de las cuales es 164 centímetros.
La probabilidad de seleccionar al azar a una persona que tenga exacta- mente 164
centímetros de estatura en lugar de una del conjunto infinitamente grande de
estaturas tan cercanas a 164 centímetros que humanamente no sea posible medir la
diferencia es remota, por consiguiente, asignamos una probabilidad 0 a tal evento.
Sin embargo, esto no ocurre si nos referimos a la probabilidad de seleccionar a una
persona que mida al menos 163 centímetros pero no más de 165 centímetros de
estatura. Aquí nos referimos a un intervalo en vez de a un valor puntual de nuestra
variable aleatoria. Nos interesamos por el cálculo de probabilidades para varios
intervalos de variables aleatorias continuas como P(a < X < b), P(W ≥ c), etc.
Observe que cuando X es continua,

P(a < X ≤ b) = P(a < X < b) + P(X = b) = P(a < X < b).

Es decir, no importa si incluimos o no un extremo del intervalo. Sin embargo, esto

no es cierto cuando X es discreta.
Variables Aleatorias Continuas.
Aunque la distribución de probabilidad de una variable aleatoria
continua no se puede representar de forma tabular, sí es posible
plantearla como una fórmula, la cual necesariamente será función de
los valores numéricos de la variable aleatoria continua X, y como tal
se representará mediante la notación funcional f(x). Cuando se trata
con variables continuas, a f(x) por lo general se le llama función de
densidad de probabilidad, o simplemente función de densidad de X.
Como X se define sobre un espacio muestral continuo, es posible que
f(x) tenga un número finito de discontinuidades. Sin embargo, la
mayoría de las funciones de densidad que tienen aplicaciones
prácticas en el análisis de datos estadísticos son continuas. Como se
utilizarán áreas para representar probabilidades y éstas son valores
numéricos positivos, la función de densidad debe caer completamente
arriba del eje x.
Variables Aleatorias Continuas.
La función f(x) es una función de densidad de probabilidad (fdp)
para la variable aleatoria continua X, definida en el conjunto de
números reales, si:
 f (x ) > 0, para toda x que pertenece a Rx.
∞
 ‫׬‬−∞ f x dx=1, para toda x que pertenece a Rx.
b
 P(a<X<b)=‫׬‬a f x dx.

f(x)

x
a b
Distribución Normal.
La distribución normal es la distribución continua de probabilidad mas
importante, ya que muchos fenómenos aleatorios de la naturaleza se
pueden explicar mediante esta distribución, ya que se utiliza en distintas
disciplinas como ecología, biología, química, industria, entre otras.
Variables como edad, estatura, calificación etc. Se pueden modelar
mediante una distribución normal.
La media de la distribución normal se denota por μ y la desviación
estándar por σ.

μ
Distribución Normal.
Caracteristicas de la Distribución Normal.
 La función de densidad de una va con distribución normal es dada por:

 La distribución normal es simetrica con respecto al la media (μ).

 La curva de la distribución normal es asintotica con respecto al eje x.
 Aproximadamente toda la información se encuentra a 3 desviaciones
estandar de la media,

μ
 Calculo de probabilidades para la
distribución normal.
Para el calculo de las probabilidades de la distribución normal no se utilizaran
integrales. Existen unas tablas para poder calcular dichas probabilidades, sin
embargo, es imposible tabular todas las posibles probabilidades; dado que existen
infinitos valores para la media y la desviación estándar. Por lo anterior se utilizará
un resultado denominado estandarización, una normal estándar es aquella variable
normal con media 0 y desviación 1; el siguiente resultado muestra que cualquier
variable normal con cualquier media y cualquier desviación puede llevarse a la
forma normal estándar Como se muestra a continuación .

Sea X una variable aleatoria con distribución normal, con media μ y desviación σ,
entonces la nueva variable Z dada por:
𝑋−𝜇
𝑍=
𝜎
Posee distribución normal con media 0 y desviación estandar 1. Es decir,

𝑋−𝜇
X~N(μ , σ) 𝑍= ~N(0,1)
𝜎
 Ejemplos de Distribución normal.
a. Una empresa de material eléctrico fabrica bombillas de luz cuya duración,
antes de quemarse, se distribuye normalmente con una media igual a 800
horas y una desviación estándar de 40 horas. Calcule la probabilidad de que
una bombilla se queme entre 778 y 834 horas.

Solución:

778−μ X−μ 834−μ 778−800 X−μ 834−800

P (778 < X < 834)=P < σ < σ =P < σ < 40
σ 40
=P(-0,55<Z<0,85)=P(Z<0,85)-P(Z<-0,55)=0.8023 − 0.2912 = 0.5111.

σ = 40

778 800 834

 Ejemplos de Distribución normal.
b. Cierto tipo de batería de almacenamiento dura, en promedio, 3,0 años, con una
desviación estándar de 0,5 años. Suponga que la duración de la batería se distribuye
normalmente y calcule la probabilidad de que una batería determinada dure menos
de 2,3 años.

Solución:

Sea X la va que mide el tiempo de vida de la batería, se quiere calcular P(X<2,3)

2,3−3
Z= =-1,4, así:
0,5

P(X<2,3)=P(Z<-1,4)=0,0808.
σ = 0,5

2,3 3
 Ejercicios de Distribución normal.
a. En una ciudad se estima que la temperatura máxima en el mes de junio sigue una
distribución normal, con media 23° y desviación típica 5°. Calcular el número de días del
mes en los que se espera alcanzar máximas entre 21° y 27°.

b. La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviación típica 3

kg. Suponiendo que los pesos se distribuyen normalmente, hallar cuántos estudiantes
pesan:
 Menos de 64 kg
 Más de 90 kg
 Entre 60 kg y 75 kg

c. Se supone que los resultados de un examen siguen una distribución normal con media 78
y desviación típica 36.Cuál es la probabilidad de que una persona que se presenta el
examen obtenga una calificación superior a 72?

d. Tras un test de cultura general se observa que las puntuaciones obtenidas siguen una
distribución una distribución N(65, 18). Se desea clasificar a los examinados en tres grupos
(de baja cultura general, de cultura general aceptable, de excelente cultura general) de
modo que hay en el primero un 20% la población, un 65% el segundo y un 15% en el
tercero. ¿Cuáles han de ser las puntuaciones que marcan el paso de un grupo al otro?