Semana 9

Variables Aleatorias
Distribuciones
 DISTRIBUCIONES DE PROBABILIDAD.
Toda distribución de probabilidad es generada por una variable aleatoria x, la que
puede ser de dos tipos:
1.Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores
enteros y un número finito de ellos.
Ejemplos:
x Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
xVariable que nos define el número de productos defectuosos en un lote de 25
productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
xVariable que nos define el número de alumnos aprobados en el curso de
Estadística Descriptiva en un grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en Estadística Descriptiva.
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre serán enteros, nunca fraccionarios.
VARIABLE ALEATORIA(V.A.).-SE LLAMA V.A. A TODA FUNCIÓN X DE Ω
CUYO DOMINIO ES EL ESPACIO MUESTRAL Y CUYO RECORRIDO O
RANGO ES UN SUBCONJUNTO DE LOS NÚMEROS REALES.
Ω X ІR

.a
x=X(a)

Función que asigna a cada punto del

espacio muestral un número real
X: R
Ejemplo N°1:  = falla , no falla 

X( no falla ) = 0
X( falla ) = 1
 Variables Aleatorias

 falla
A cada s  
le corresponde
Espacio Muestral no falla exactamente
un valor X(s)

X({no falla}) = 0 X({falla}) = 1

Conjunto
IR Números
Reales
- 0 1 +

X: Rx  IR
 Variables Aleatorias

si
 A X(s) = b; s  
sk

X(s) = a
RX

a b

• El espacio RX es el conjunto de TODOS los posible valores de X(s).

• En cierto sentido podemos considerar Rx como otro espacio muestral
• El espacio muestral original  “induce” un espacio muestra Rx asociado a
la Variable Aleatoria X
• Luego un evento A en S induce un evento en el espacio muestral RX
Ejemplo
A continuación se describen algunas variables aleatorias

Experimento Variable aleatoria x Valores posibles

Inspección un lote de 75 Número de CARROS defectuosos
CARROS
100 llamadas de ventas Total de ventas realizadas

Construcción de nueva Porcentaje del proyecto

biblioteca terminado luego de 6 meses.

Funcionamiento de un Número de clientes que

Almacén entran en un día
 Ejemplo
A continuación se describen algunas variables aleatorias
Experimento Variable aleatoria x Valores posibles
Inspección un lote de 75 Número de CARROS defectuosos 0, 1, 2, 3, … , 75
CARROS
100 llamadas de ventas Total de ventas realizadas 0, 1, 2, 3, …,100

Construcción de nueva Porcentaje del proyecto

biblioteca terminado luego de 6 meses. 0≤ 𝑋 ≤ 100

Funcionamiento de un Número de clientes que 0, 1, 2, …

Almacén entran en un día
Variable aleatoria discreta
Una variable aleatoria es discreta si el conjunto de valores que puede
tomar es finito o infinito numerable. Una variable aleatoria discreta
asume cada uno de los valores con cierta probabilidad que se denota:
P(X = xi)

Ejemplo
El jefe de mantenimiento de una empresa de transporte interprovincial
de pasajeros está interesado en el volumen diario de buses que entran
al taller para algún servicio. Los registros históricos que lleva
actualizados cuidadosamente muestran que cinco es el número
máximo de buses que alguna vez ingresaron al taller y representa de
una manera adecuada lo que puede ocurrir en el futuro.
Solución:

La variable aleatoria: X: número de buses que ingresan al taller

diariamente para algún servicio. Los valores numéricos que puede
tomar la variable aleatoria son: 0,1, 2, 3, 4 ó 5.
Distribución de probabilidad de una variable
aleatoria discreta
La distribución de probabilidad de una variable aleatoria discreta X es
una función f(x) que asigna a todo número real x, la probabilidad de
que X asuma ese valor, esto es:
f(x) ≥ 0
σ 𝑓(𝑥) =1
f(x) = P(X =x)
Ejemplo:
Siguiendo con el ejemplo anterior, suponga que revisando los registros de los
últimos 300 días útiles, el número de buses que entraron al taller por
servicios se muestran en la siguiente tabla de frecuencias:
Número de buses que ingresaron por día Número de días
Ningún ingreso 54
Exactamente 1 bus 117
Exactamente 2 buses 72
Exactamente 3 buses 42
Exactamente 4 buses 12
Exactamente 5 buses 3
Total 300
 Solución:
Dado que en 54 de los 300 días de datos históricos, no ingresaron buses al taller y
dado que ningún ingreso corresponde a x = 0, asignamos f(X = 0) el valor 54 / 300
= 0,18 y de manera similar para los otros valores que puede tomar X. Definida la
variable aleatoria, la tabla de distribución de probabilidades es:
x f (x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00
En el desarrollo de la tabla de probabilidades se satisface las tres condiciones que
definen a una distribución de probabilidades.
Los valores de la tabla de probabilidades se
pueden representar gráficamente tal como se
muestra a continuación.
0.45
f(x)
0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 1 2 3 4 5
Función de distribución acumulada de una V.A.
discreta
La distribución acumulada de una variable aleatoria discreta X cuya
distribución de probabilidad es f(x), se define por:
F(x) = P(X ≤ x)
Ejemplo:
Tomando como base el ejemplo anterior, obtenga la función acumulada
y represéntela gráficamente.
 Solución: Chart Title

X f(x) F(X)
0 0.18 0.18
1 0.39 0.57 1

2 0.24 0.81 0.9

3 0.14 0.95 0.8

0.7
4 0.04 0.99
0.6
5 0.01 1.00
0.5
TOTAL 1.00 0.4

0.3

0.2

0.1

0
0 1 1 2 2 3 3 4 4 5 5 6
Ejemplo: Caso de una VA discreta:
• Experimento: Arrojar dos dados y observar la VA X : la suma de los
puntos de las caras que quedan hacia arriba.
Determinar la función de probabilidad (fdp) y la función de distribución
acumulativa(fda).
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Y1 Y2 X=Y1+Y2 Y1 Y2 X=Y1+Y2

1 1 2 4 1 5
1 2 3 4 2 6
1 3 4 4 3 7

Las formas en que puede ocurrir 1 4 5 4 4 8

cada uno de los valores que 1 5 6 4 5 9

toma la VA X se muestran en la 1 6 7 4 6 10

tabla. 2 1 3 5 1 6
2 2 4 5 2 7
2 3 5 5 3 8
2 4 6 5 4 9
2 5 7 5 5 10
Observemos que hay 1 posibilidad
2 6 8 5 6 11
en 36 de que X=2, mientras que hay
3 1 4 6 1 7
2 posibilidades en 36 de que X=3
3 2 5 6 2 8
3 3 6 6 3 9
3 4 7 6 4 10
3 5 8 6 5 11
3 6 9 6 6 12
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Las probabilidades para cada valor de la VA X se muestran en la tabla. En este
ejemplo la tabla representa la función de distribución de probabilidad (fdp) de la
VA X.

X P(X=x)
Representación gráfica de la función de distribución de probabilidad de la VA X
2 1/36
P(X)
3 2/36
P(x)
0.20
4 3/36 0.18
0.16
5 4/36
0.14
6 5/36 0.12
0.10
7 6/36
0.08
8 5/36 0.06
0.04
9 4/36 0.02

10 3/36 0.00 X
0 1 2 3 4 5 6 7 8 9 10 11 12 13

11 2/36
12 1/36
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Distribución de probabilidad de una VA X:
f(x) = P( X=x )

En nuestro ejemplo de la suma de dos dados: f(3) = P( X=3 ); f(3) = 2/36

Propiedades de la distribución de probabilidad de una variable aleatoria discreta

(también conocida como función masa de probabilidad, fmp) :

a) f (x)  0 Para toda x que pertencece a X

b)  f ( x)  1
x
DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
DE UNA VARIABLE ALEATORIA DISCRETA
Las probabilidades acumuladas para cada valor de la VA X se muestran en la siguiente
tabla que representa la función de distribución acumulativa (FDA) de la VA X.

X P(Xx)
P(X<=x)
2 1/36
1.00
3 3/36

4 6/36 0.80

5 10/36
0.60
6 15/36
j
F ( x j )  P( X  x j )   xi
0.40
7 21/36

8 26/36 i 1
0.20

9 30/36
0.00
10 33/36 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

11 35/36
Esta es una función escalón, hay un salto en cada valor de X y es plana entre ellos.
12 36/36

En nuestro ejemplo: F(3) = P( X<=3 ); F(3) = 1/36 + 2/36 = 3/36

 Valor Esperado
Valor esperado de una variable aleatoria
El valor esperado o esperanza matemática de una variable aleatoria X o media de
una distribución de probabilidad de X se denota E(x).
Valor esperado de una variable aleatoria discreta:
𝜇𝑥 =E(x)=σ𝑛𝑖=1 𝑥𝑖 𝑝(𝑥𝑖)
Ejemplo:
Siguiendo el ejemplo anterior de lo buses. Calcule el valor esperado de x.
x f (x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00
Solución
x f(x) x.f(x)
0 0.18 0(0.18)=0.00
1 0.39 1(0.39)=0.39
2 0.24 2(0.24)=0.48
3 0.14 3(0.14)=0.42
4 0.04 4(0.04)=0.16
5 0.01 5(0.01)=0.05
Total 1.00 E(x)=1.50
Valor esperado de una función de variable aleatoria
discreta:
Sea g(x) una función de la variable aleatoria discreta X. El valor
esperado de g(x):
𝑛

𝜇𝑔(𝑥) = 𝐸 𝑔 𝑥 = ෍ 𝑔 𝑥𝑖 . 𝑝(𝑥𝑖 )
𝑖=1
Ejemplo
Con referencia al ejemplo anterior, si cada bus que ingresa al taller para
un servicio limpiado y el costo diario en el que se incurre por
materiales de limpieza, en soles, está dado por la siguiente expresión:
C(x) = 4,5 x + 10. Calcule el valor esperado del costo de materiales de
limpieza.
Solución:
x f(x) x.f(x) C(x) C(x).f(x)
0 0.18 0(0.18)=0.00 4.5(0)+10=10.0 10.0(0.18)=1.800

1 0.39 1(0.39)=0.39 4.5(1)+10=14.5 14.5(0.39)=5.655

2 0.24 2(0.24)=0.48 4.5(2)+10=19.0 19.0(0.24)=4.560
3 0.14 3(0.14)=0.42 4.5(3)+10=23.5 23.5(0.14)=3.290
4 0.04 4(0.04)=0.16 4.5(4)+10=28.0 28.0(0.04)=1.120
5 0.01 5(0.01)=0.05 4.5(5)+10=32.5 32.5(0.01)=0.325
Total 1.00 E(x)=1.50 E(c(X))=16.75
Propiedades del valor esperado
Si a y b son constantes, entonces:
E(aX + b) = a E(X) + b = a 𝜇𝑥 + 𝑏
Como casos particulares se tiene:
E(b) = b
E(X + b) = E(X) + b = 𝜇𝑥 + 𝑏
E(aX) = a E(X) = a 𝜇𝑥

Si X e Y son variables aleatorias, a y b son constantes, entonces:

E(aX + bY) = a E(X) + b E(Y) = a 𝜇𝑥 + 𝑏𝜇𝑦

Como casos particulares se tiene:
E(X + Y) = E(X) + E(Y) = 𝜇 𝑥 + 𝜇 𝑦
E(X – Y) = E(X) – E(Y) = 𝜇 𝑥 - 𝜇 𝑦
Si X e Y son variables aleatorias independientes, a y b son constantes,
entonces:
E(a X b Y) = a b E(X) E(Y) = a b 𝜇 𝑥 𝜇 𝑦
Si X1, X2, X3, . . . , Xn son n variables aleatorias independientes,
entonces:
E(X1 . X2 . X3 . . . Xn) = E(X1) . E(X2) . E(X3) . . . E(Xn)
= 𝜇𝑥1 𝜇𝑥2 𝜇𝑥3 ………𝜇𝑥𝑛 .
Si X1, X2, X3, . . . , Xn son n variables aleatorias
independientes, y a1, a2, a3, . . . , an son n constantes,
entonces:
E(σ𝑛𝑖=1 𝑎𝑖 𝑥𝑖 ) = σ𝑛𝑖=1 𝑎𝑖 𝐸(𝑋𝑖 )
Ejemplo
Tomando como referencia el ejemplo del bus y aplicando la propiedad
del valor esperado, calcule el valor esperado de C(x) = 4,5 x + 10.

Solución:

E(C(X)) = E(4,5x + 10) = 4,5 E(x) + 10 = 4,5 (1,5) + 10 = 16,75

Varianza y desviación estándar
Varianza de una variable aleatoria discreta:

𝝈𝒙 𝟐 = σ𝒏𝒊=𝟏 𝒙𝒊 − 𝝁𝒙 𝟐 𝒑(𝒙𝒊 )OTRA FÓRMULA:V(X) = σ𝒏𝒊=𝟏 𝑿𝒊 𝟐 p(𝑿𝒊 )- 𝝁𝟐

Desviación estándar de una variable aleatoria discreta:

𝝈𝒙 = σ𝒏𝒊=𝟏 𝒙𝒊 − 𝝁𝒙 𝟐 𝒑(𝒙𝒊 ) ó 𝝈𝒙 = σ𝒏𝒊=𝟏 𝑿𝒊 𝟐 p(𝑿𝒊 )− 𝝁𝟐
Ejemplo
Tomando como referencia el ejemplo de los buses, calcule la varianza
de la variable aleatoria x.
Solución:
x f(x) x.f(x) (x−𝝁𝒙 ) 𝟐 𝒇(𝒙)
0 0.18 0(0.18)=0.00 (0−1.5) 𝟐 𝟎. 𝟏𝟖 = 𝟎. 𝟒𝟕𝟓𝟎

1 0.39 1(0.39)=0.39 (1−1.5) 𝟐 𝟎. 𝟑𝟗 =0.0975

2 0.24 2(0.24)=0.48 (2−1.5) 𝟐 𝟎. 𝟐𝟒 =0.0600

3 0.14 3(0.14)=0.42 (3−1.5) 𝟐 𝟎. 𝟏𝟒 =0.3150

4 0.04 4(0.04)=0.16 (4−1.5) 𝟐 𝟎. 𝟎𝟒 =0.2500

5 0.01 5(0.01)=0.05 (5−1.5) 𝟐 𝟎. 𝟎𝟏 =0.1225
Total 1.00 E(x)=1.50 𝝈𝒙 𝟐 =1.25
 Propiedades de la varianza en variables aleatorias
1. 𝝈𝒙 𝟐 =𝐸 𝑥 2 − 𝜇2

2. Si a y b son constantes, entonces:

2
𝜎(𝑎𝑥+𝑏) =𝑎2 𝜎𝑥2

Como casos particulares se tiene:

𝜎𝑏2 = 0
2
𝜎(𝑥+𝑏) =𝜎𝑥2
2
𝜎(𝑎𝑥) = 𝑎2 𝜎𝑥2
3. Si X e Y son dos variables aleatorias independientes,
a y b son dos constantes, entonces:
2
𝜎(𝑎𝑥+𝑏𝑦) =𝑎2 𝜎𝑥2 +𝑏 2 𝜎𝑦2

Como casos particulares se tiene:

2
𝜎(𝑥+𝑦) =𝜎𝑥2 +𝜎𝑦2 (a=1 y b=1)

2
𝜎(𝑥−𝑦) =𝜎𝑥2 +𝜎𝑦2 (a=1 y b=-1)
4. Si X1, X2, X3, . . . , Xn son n variables aleatorias
independientes, y a1, a2, a3, . . . ,an son n constantes,
entonces:
𝜎(2σ𝑛 𝑛 2 2
𝑖=1 𝑎𝑖 𝑋𝑖 )=σ𝑖=1 𝑎𝑖 𝜎(𝑋𝑖 )
5. Teorema de Tchebysheff: La probabilidad de que cualquier variable
aleatoria X tome
2
un valor dentro de k desviaciones estándar de la media es al
menos 1-1/𝑘 , es decir:
1
P(𝜇 − 𝑘𝜎 < 𝑥 < 𝜇 + 𝑘𝜎) ≥ 1 − 2 para k > 1
𝑘
Ejemplo :Una variable aleatoria tiene una media 𝜇 = 8, una varianza 𝜎 2 = 9 y
una distribución de probabilidades desconocida. Encuentre el valor de
P(-4< x <20).
Solución:
Como P( -4 < x < 20) = P( 8 – (4).(3) < x < 8 + (4).(3)) ≥ 15 / 16
 Ejercicios:
1.La demanda diaria de una herramienta en el almacén de Enigma S.A. es
una variable aleatoria D cuya distribución de probabilidades está dada
por la tabla que sigue:
D 1 2 3 4 5
P(D=d) 1/16 4/16 6/16 k 1/16

a. Calcule el valor de k
b. Calcule e interprete el valor numérico del promedio de la demanda
diaria de la herramienta.
c. Si la utilidad Y en dólares del bien está dada por la relación:
Y = 10 + 2D. Halle la distribución de probabilidades de la utilidad diaria.
d. Calcule e interprete la utilidad diaria esperada.
 Solución:
a. Como la suma de todas las probabilidades es 1, el valor de K es:
K = 1 – (1/16 + 4/16 + 6/16 + 1/16) = 4/16
b. El valor esperado de D es:
E(D) = 1 .1/16 + 2.4/16 + 3.6/16 + 4.4/16 + 5.1/16 = 3
Interpretación: Si durante varios días registramos la demanda, el
promedio de las demandas diarias tenderá a 3, mientras mayor sea la
cantidad de días que se toman en cuenta.
c. D Y=10+2.D P(Y=y)
1 10+2.1=12 1/16
2 10+2.2=14 4/16
3 10+2.3=16 6/16
4 10+2.4=18 4/16
5 10+2.5=20 1/16
d. El valor esperado de Y es:
E(Y) = 12 . 1/16 + 14 . 4/16 + 16 . 6/16 + 18 . 4/16 + 20 . 1/16 = 16

También: Si Y = 10 + 2D entonces E(Y) = 10 + 2 . E(D) = 10 + 2 . 3 = 16

Interpretación: Si durante varios días registramos la utilidad, el

promedio de las utilidades diarias tenderá a 16, mientras mayor sea la
cantidad de días que se toman en cuenta.
Ejemplo: La distribución de probabilidad de una v.a. X viene dada por la siguiente tabla:

¿Cuánto vale P(X=3)?

Calcula la media y la varianza.
EJEMPLO
En urna hay 3 bolas blancas y 5 bolas negras. Si sacamos una bola negra
pagamos a la banca 5 Dólares, pero si es blanca ganamos 10 Dólares. ¿
Cuál es la esperanza matemática o valor esperado ?.
Solución
2
xi pi xi – μ (xi – μ) .pi

-5 5/8 = 0,625 -5,525 19,08

10 3/8 = 0,375 9,475 33,66
∑= 52,74

μ = -5.0,625+10.0,375 = -3,125 + 3,75 = 0,525

Sí jugaría, pues tengo ventaja.

σ = √ 52,74 = 7,275 CV (x) = 7,275 / 0,525 = 14

EJEMPLO
Lanzamos dos monedas al aire. Apostamos 5 Dólares. Si salen
dos caras, volvemos a tirar; si salen dos sellos, nos llevamos 10
Dólares; pero si sale una cara y una sello perdemos lo apostado.
¿ Cuál es la esperanza matemática o valor esperado ?.
Solución
Xi pi

-5 2/4 = 0,5
0 1/4 = 0,25
10 1/4 = 0,25

μ = - 5. 0,5+ 0. 0,25 + 10. 0,25 = -2,5 +0 + 2,5 = 0

Al ser μ = 0 el juego es equitativo, no hay ventaja ni para el

jugador ni para el contrincante.
EJEMPLO
En una urna hay 2 bolas blancas y 5 bolas rojas. Extraemos
una bola y la sustituimos por otra de distinto color. Luego
extraemos otra bola. Si el resultado es BB, ganamos 50 SOLES;
si es BR, ni ganamos ni perdemos; si es RB perdemos 5 SOLES;
y si es RR perdemos 10 SOLES. ¿ Cuál es la esperanza
matemática o valor esperado ?.
Solución
P(BB) = 2 / 7 . 1/ 7 = 2 / 49 = 0,041
P(BR) = 2/ 7 . 6 /7 = 12 / 49 = 0,245
P(RB) = 5 / 7 . 3 / 7 = 15 / 49 = 0,306
P(RR) = 5 / 7 . 4 / 7 = 20 / 49 = 0,408

Xi pi
50 0,041
0 0,245
-5 0,306
- 10 0,408
μ = 50. 0,041+ 0. 0,245 – 5 .0,306 – 10.0,408 = - 3,56
No jugaríamos, pues tenemos desventaja, no es equitativo.
EJEMPLO
Lanzamos dos dados en forma de tetraedro, uno con las caras
numeradas del 0 al 3, y el otro con las caras numeradas del 1 al
4. ¿Cuál es la esperanza matemática o valor esperado de la
función que asigna a cada valor de x la suma de resultados?.
Solución

xi fi pi xi.pi
1 1 0,0625 0,0625
2 2 0,1250 0,25
3 3 0,1875 0,5625
4 4 0,25 1,00
5 3 0,1875 0,9375
6 2 0,1250 0,75
7 1 0,0625 0,4375
μ = ∑xi.pi = 4
16 4,00