UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS CONTABLES

Curso: Estadística Descriptiva

SEMANA 13-14: Variable Aleatoria

1. Variable Aleatoria: Definición, clasificación.
2. Variable Aleatoria Discreta: Distribución de probabilidad y distribución de
probabilidad acumulada, valor esperado y varianza.
3. Variable Aleatoria Continua: Función de densidad de probabilidad y función de
distribución acumulada, valor esperado y varianza.
 OBJETIVOS
• Estudiar variable aleatoria, variable aleatoria discreta y variable
aleatoria continua.
• Definir distribución de probabilidad y distinguir una distribución
de probabilidad discreta.
• Calcular la función de distribución acumulada.
• Calcular la media, varianza y desviación estándar de una
variable aleatoria discreta.

2
 VARIABLES ALEATORIAS (v.a.)
DEFINICION 1: Una variable aleatoria es una cantidad, que es el
resultado al azar de un experimento, debido a la aleatoriedad
puede tomar valores diferentes.
Una variable aleatoria es una descripción numérica del resultado
de un experimento.
Las variables aleatorias se denotan con letras mayúsculas tales
como X, Y, etc.

3
 VARIABLES ALEATORIAS (v.a.)
DEFINICION 2: Una variable aleatoria X es una función real, que
asocia un número real a cada resultado de un espacio muestral
Ω, en un experimento aleatorio. Una variable aleatoria X es una
función definida en Ω tal que a cada resultado wϵΩ le asocia el
número real x=X(w).
X: Ω → R

wi xi

El dominio de la v.a. X es el Ω y el rango es el subconjunto de

números reales (R).

R X
 xR / x  X (w), x
4
 VARIABLES ALEATORIAS (v.a.)
Ejemplo: Una empresa fabrica componentes electrónicos y se
cuenta el número de artículos defectuosos. Se verifican al azar
dos componentes. ¿Qué valores toma la variable aleatoria?
Solución: X: Número de artículos defectuosos
Ω={BB, BD, DB, DD}

X: Ω →
R BB 0
BD 1
DB 2
DD

El recorrido de la variable aleatoria es el conjunto de todos los

valores posibles
R X

 0, 1, 2
5
 Variable
Experimento Resultado Rango
Aleatoria

Número de X: Número de
Ofrecer en venta
arboles de arboles de
50 arboles de 0, 1, 2, …, 50
navidad navidad
navidad
vendidos vendidos

Funcionamiento
de un Cantidad de Y: Cantidad de
0, 1, 2, ..……
restaurante clientes clientes
durante un día

Probar la vida Tiempo que

T: Tiempo en
útil de una dura la
que se funde 0 ≤ T ≤ 80000
bombilla bombilla hasta
la bombilla
eléctrica 80000 minutos

Tiempo en Tiempo en
Funcionamiento minuto, entre minuto, entre
w≥0
de un banco llegadas de llegadas de
clientes clientes
6
 Ejemplo
Ejemplo: En una Universidad se considera que el número mínimo
de cursos por semestre en que puede matricularse un alumno es
1 y el máximo es 5.
• Experimento: Matricula de estudiantes
• Espacio muestral : Alumnos matriculados según el número de
cursos
• Variable aleatoria X: Número de cursos por semestre.
• Rango o Recorrido:

R X
 1, 2, 3, 4, 5
7
 Ejemplo

Ejemplo: Resultados posibles que se obtiene en tres

lanzamientos de una moneda:

• Experimento: Lanzar tres veces una moneda.

• Espacio Muestral:
  SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC

• Variable aleatoria: Número de caras

• Rango o Recorrido:

R X
 0, 1, 2, 3
8
 CLASES DE VARIABLES ALEATORIAS
VARIABLE ALEATORIA DISCRETA: Es aquella cuyo
rango es un conjunto finito o infinito numerable
de valores.

R X
 x1 , x , ..., x ,....
2 n
Ejemplo:
Número de autos entrando en un autolavado
por hora.
Número de lámparas defectuosas producidas
durante una semana.

9
 Ejemplo
Ejemplo: De un registro donde están todas las
familias de un poblado, se elige una familia al azar y
para cada familia se considera el número de hijos
que tiene.
• Experimento: Registro de familias
• Espacio muestral : Familias según el numero de
hijos que están inscritas en el registro.
• Variable aleatoria X: Número de hijos.
• Rango o Recorrido:
RX  0, 1, 2, 3, .....
10
 Ejemplo
Ejemplo: La cantidad de ausentes el día lunes en una
empresa compuesta por 100 empleados.
• Experimento: Asistencia de los empleados a la empresa
• Espacio muestral : 100 empleados considerando la
cantidad de ausencia que han tenido.
• Variable aleatoria X: Cantidad de ausentes
• Rango o Recorrido:

R X
 0, 1, 2, ..., 100

11
 VARIABLE ALEATORIA CONTINUA
VARIABLE ALEATORIA CONTINUA: Es aquella cuyo
rango es un conjunto infinito no numerable de
valores. Las variables aleatorias continuas
representan mediciones: Tiempo, peso, longitud
Ejemplos:
• Si se pesa un lingote de acero, el resultado (en
libras) puede ser 2500, 2500.1, 2500.13, etc…, y así
sucesivamente, dependiendo de la precisión de la
báscula.
• La presión de un neumático (en libras por pulgada
cuadrada) podría ser 28, 28.6, 28.62, 28.624, etc…,
dependiendo de la precisión del medidor.
12
 Ejemplo
Ejemplo: Realizamos un experimento, el objetivo es
probar la vida útil de una bombilla eléctrica.
• Experimento: Probar la vida útil de una bombilla
• Espacio muestral : Tiempo que dura la bombilla
hasta 80000 minutos
• Variable aleatoria continua X: Tiempo que tarda en
fundirse la bombilla
• Rango o Recorrido:

R X
: 0  T  80000
13
DISTRIBUCION DE
PROBABILIDAD

14
 DISTRIBUCION DE PROBABILIDAD

Una distribución de probabilidad indica una lista de

todos los resultados posibles de un experimento junto
con la probabilidad correspondiente a cada uno de
ellos.
Una distribución de probabilidad en vez de describir el
pasado, describe que tan probable es un evento en el
futuro.

Valores de xi de X x1 x2 x3 ……... xn
Probabilidad pi = P[X=xi] p1 p2 p3 ……… pn

15
DISTRIBUCION DE PROBABILIDAD DISCRETA
• Una distribución de probabilidad discreta es el conjunto
de valores posibles de una variable aleatoria discreta,
organizadas en una distribución de probabilidades.
• Una distribución de probabilidad discreta asume sólo
valores claramente separados.
• La función o distribución de probabilidad de una
variable aleatoria discreta X, es p(x), esta representado
por la probabilidad:

p( x)  PX  x

16
 Distribución de Probabilidad
• Los valores de la distribución de probabilidad de la variable
aleatoria discreta X, p(x) satisfacen las siguientes condiciones:

i ) p( x)  0
ii )  p ( xi )  1
xi R x

• La función o distribución de probabilidad discreta se puede

expresar por una tabla:
Valores de xi de X x1 x2 x3 ……... xn
Probabilidad pi = P[X=xi] p1 p2 p3 ……… pn

17
FUNCION DE DISTRIBUCION ACUMULADA DE UNA
VARIABLE DISCRETA

La función de distribución acumulada (f.d.a.) de

probabilidades o simplemente función de distribución
P(x) de la variable aleatoria discreta X, cuya función de
probabilidad es p(x) se define por:

P( x)  P( X  x)   P( X  k )   p(k );    x  
kx

18
MEDIA DE UNA VARIABLE ALEATORIA DISCRETA

• La media o valor esperado de una variable

aleatoria discreta X con función de
probabilidad p(x) es la expresión:
n
  E ( X )   [ xi p( xi )]
i 1

• La media o valor esperado de una variable

aleatoria discreta H(X) con función de
probabilidad p(x) es la expresión:
n
  EH ( X )  [ H ( xi ) p( xi )]
i 1
19
VARIANZA Y DESVIACION ESTANDAR DE UNA VARIABLE
ALEATORIA DISCRETA

• La varianza de una variable aleatoria X con

función de probabilidad p(x) es:
n n
V ( X )    E[( x u) ]   [( x   ) p( x)]   x p( x)  u
2 2 2
2 2

i 1 i 1

• La desviación estándar de la variable aleatoria X

es la raíz cuadrada de la varianza:

  V (X )

20
 PROPIEDADES DE LA ESPERANZA MATEMATICA

• Si a y b son constantes reales, entonces:

E(aX  b)  aE( X )  b
• Si X e Y son variables aleatorias y a, b constantes:
E(aX  bY )  aE( X )  bE(Y )
• Si X1, X2, …., Xn son n variables y a1, a2, …., an son n constantes:
n n
E ( ai X i )   ai E ( X )
i
i 1 i 1

• Si X e Y son variables aleatorias independientes y a, b son

constantes reales, entonces:
E(aXbY )  abE( X ) E(Y )
21
 PROPIEDADES DE LA VARIANZA
2
• La varianza también se calcula: V ( X )  E ( X )  (E( X ))
2

• La varianza de una constante es: V (a)  0

• Si a y b son constantes reales, entonces: V (aX  b)  a V ( X )

2

• Si X e Y son variables aleatorias independientes y a, b son dos

constantes reales, entonces:
V (aX  bY )  a 2 E ( X )  b 2 E (Y )
• La varianza:
V ( X  Y )  V ( X )  V (Y )

22
 Ejemplo
Ejemplo: Un jefe de laboratorio de computación tiene
trabajando con él; a 5 hombres y 3 mujeres. Para un
trabajo especial selecciona 4 de ellos al azar. Si X es el
número de hombres seleccionados, determinar:
a) La función de probabilidad
b) La función de distribución acumulada y graficarla
c) Calcular el valor esperado y la desviación estándar

23
Solución: La distribución de probabilidad de X
a) La distribución de probabilidad de X
 Espacio muestral:
Ω={H, H, H, H, H, M, M, M}
 Variable Aleatoria:
Número de hombres seleccionados
 Recorrido:

R X
 1, 2, 3, 4

24
 Las probabilidades
 Las probabilidades son:

5 3

P ( X  1)  C C1 3

5
 0.07
8
C 70
4
5 3

 2)  C C
30
P( X 2
8
2
  0.43
C 70
4
5 3

 3)  C C
30
P( X 3
8
1
  0.43
C 70
4
5 3

 4)  C C
5
P( X 4
8
0
  0.07
C 70
4

25
 La distribución de probabilidad
La distribución de probabilidad es:
Valores de xi 1 2 3 4
Probabilidad pi = P[X=xi] 0.07 0.43 0.43 0.07

b) La función de distribución acumulada es:

Rx p(x) FP(x)
0, x 1 
1 P(X=1) = 0.07 P(1) = 0.07 0.07 1 x  2
 
2 P(X=2) = 0.43 P(2) = 0.50
P( x)  0.50 2  x  3
3 P(X=3) = 0.43 P(3) = 0.93 0.93 3  x  4
 
4 P(X=4) = 0.07 P(4) = 1
1 4 x 
26
 Grafico de la función
c) Grafico de la función de distribución acumulada

P(X)

1
0.93

0.5

0.07
1 2 3 4 X

27
 Cálculo de Promedio - Varianza
d) El promedio de hombres seleccionado es:
Valores de xi 1 2 3 4
Probabilidad pi = P[X=xi] 0.07 0.43 0.43 0.07

  E( X )  1* 0.07  2 * 0.43  3 * 0.43  4 * 0.07  2.5

e) La varianza es:
E( X 2 )  12 * 0.07  2 2 * 0.43  32 * 0.43  4 2 * 0.07  6.78
2
V ( X )  E ( X )  (E( X ))  6.78  2.5 2  0.53
2

f) La desviación estándar es: 0.7280, es el grado de variabilidad

del número de hombres seleccionados respecto a su promedio
S  V ( X )  0.53  0.7280
28
 Ejemplo

Ejemplo: Sea X la variable aleatoria definida

como el número de caras que resultan al
lanzar una moneda 3 veces.
a) Determinar la distribución de
probabilidad p(x)
b) Calcular la probabilidad P(1≤X≤2)
c) Determinar la función de distribución de
probabilidad acumulada P(x) de
la variable aleatoria X y graficarla
29
 Determinar la función de distribución de
Probabilidad
a) Determinar la función de distribución de
probabilidad
Los posibles resultados para este experimento serán:
• El espacio muestral es:
 ={sss, ssc, scs, scc, css, csc, ccs, ccc}
• La variable aleatoria es X: “Numero de caras”
• El recorrido es:

R X
 0, 1, 2, 3

30
 Las probabilidades
• Las probabilidades son:

1
p(0)  P[ X  0]  P[ sss] 
8
3
p(1)  P[ X  1]  P[css, scs, ssc] 
8
3
p(2)  P[ X  1]  P[ccs , csc, scc] 
8
1
p(3)  P[ X  1]  P[ccc ] 
8

31
 Distribución de Probabilidad
Entonces la distribución de probabilidad es:

xi 0 1 2 3
P(x=x) 1/8 3/8 3/8 1/8

b) Calcular la probabilidad P(1≤X≤2)

2
3 3 6
P(1  X  2)   p  p(1)  p(2)     0.75
k 1
k 8 8 8

32
 Determinar la función de distribución
c) Determinar la función de distribución acumulada P(x) de la
variable aleatoria X y graficarla

Rx p(x) FF(x)
0, x0 
1 
0 p(o) = 1/8 P(o) = 1/8  0  x 1
8 
1 P(1) = 3/8 P(1) = 4/8 
4 

F ( x)   1 x  2
2 p(2) = 3/8 P(2) = 7/8
8 
7 
8 2  x  3
3 p(3) = 1/8 P(3) = 1  

1 3 x 


33
 GRAFICA
• GRAFICA:

8/8
7/8

4/8

1/8

0 1 2 3

34
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE CIENCIAS CONTABLES
Curso: Estadística Inferencial

MUCHAS GRACIAS

35