Mg.

Raúl Ruiz Arias

Variable aleatoria
Es una función que asocia un número real, perfectamente definido, a cada punto muestral.

A veces las variables aleatorias (v.a.) están ya implícitas en los puntos muestrales.

Ejemplo 1: Un experimento que consistente en medir la presión sistólica de 100

individuos. Un punto muestral (resultado del experimento) es ya un número (presión sistólica),
en este caso la v.a. está implícita.

Ejemplo 2: Se selecciona a tres personas para clasificarlas según su estado de salud:

sana “S” o enferma “E”, el espacio muestral de todos los posibles resultados es:

𝛀 = {SSS, SSE, SES, SEE, ESS, ESE, EES, EEE}

Se podría definir una variable que asigna a cada elemento de Ω, el número de personas sanas en
este grupo.
X: sss 3; ssn 2; sns 2; ...

Los espacios muestrales pueden ser:

Discretos: número finito o infinito numerable de elementos.

Continuos: número infinito no numerable de elementos.

Las v.a. definidas sobre espacios muestrales discretos se llaman v.a. discretas y las definidas
sobre espacios muestrales continuos se llaman v.a. continuas.

Una v.a. puede ser continua, aunque nosotros sólo podamos acceder a un subconjunto finito de
valores. Por ejemplo: la presión arterial es una v.a. continua pero sólo podemos acceder a un
conjunto finito de valores por la limitación de los aparatos de medida.

En general, las medidas dan lugar a v.a. continuas y los conteos a v.a. discretas.

PROBABILIDAD DE VARIABLES ALEATORIAS

Ejemplo 3: Tiramos una moneda 3 veces. Representamos cara por c y cruz por z.

Ω = { ccc, ccz, czc, zcc, czz, zcz, zzc, zzz }

La probabilidad de cada suceso elemental es 1/8. Por ejemplo p(ccc)=1/8, ya que la

probabilidad de sacar cara en un lanzamiento es 1/2 según la definición clásica y los
lanzamientos son independientes.
1
Página
Mg. Raúl Ruiz Arias

Definimos la v.a. X: número de caras, esta variable puede tomar los valores {0, 1, 2, 3}. Se
buscan todos los puntos muestrales que dan lugar a cada valor de la variable y a ese valor se le
asigna la probabilidad del suceso correspondiente.

x Sucesos P(X=x)=f (x)

0 {zzz} P(X=0)=1/8

1 {czz, zcz, zzc} P(X=1)=3/8

2 {ccz, czc, zcc} P(X=2)=3/8

3 {ccc} P(X=3)=1/8

A esta función se le denomina función de densidad de probabilidad (fdp), que tiene

características distintas en las variables discreta que en las continuas.

Ejemplo 4: Sea la variable tipo histológico de un tumor, con los valores 1, 2, 3, 4. Si la fdp
fuera

x f(x)

1 P(X=1) = 0,22

2 P(X=2) = 0,27

3 P(X=3) = 0,30

4 P(X=4) = 0,21

Significaría que la probabilidad del tipo 2 es 0,27, etc.

Para variables continuas la probabilidad de que una variable tome cualquier valor concreto es
0, por lo tanto la fdp sólo permite calcular la probabilidad para un intervalo del tipo (a<X<b),
mediante el área bajo la curva de la fdp.

P(a<X<b)
2
Página
Mg. Raúl Ruiz Arias

Distribución acumulativa o función de distribución

F(x) = p(X ≤ x)

Para el ejemplo 3

X f(x) F(x)

0 1/8 P(X ≤0)=F(0) =1/8

1 3/8 P(X ≤ 1)=F(1)=4/8

2 3/8 P(X ≤2)=F(2)=7/8

3 1/8 P(X ≤3)=F(3)=8/8=1

y para el ejemplo 4

x f(x) F(x)

1 0,22 0,22

2 0,27 0,49

3 0,30 0,79

4 0,21 1

Propiedades para la variable aleatoria discreta

i) 𝒇(𝒙) ≥ 𝟎 ∀ 𝒙 𝝐 𝑹𝒙

ii) ∑ 𝒇(𝒙) = 𝟏 ∀ 𝒙 𝝐 𝑹𝒙

iii) 𝑷[𝑿 ≤ 𝒙] = ∑𝒙𝒊 ≤𝒙 𝒇(𝒙𝒊 )

Propiedades para la variable aleatoria continua

i) 𝒇(𝒙) ≥ 𝟎 ∀ 𝒙 𝝐 𝑹𝒙

ii) ∫𝑹𝒙 𝒇(𝒙)𝒅𝒙 = 𝟏

iii) 𝑷[𝑿 ≤ 𝒙] = ∫𝑿≤𝒙 𝒇(𝒙)𝒅𝒙

3
Página
Mg. Raúl Ruiz Arias

Ejemplo
Sea una va con función de densidad
𝑎(4𝑥 − 𝑥2 ) 𝑠𝑖 1 ≤ 𝑥 ≤ 4
𝑓(𝑥) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Halar el valor de para f(x) sea una función de densidad
b) Calcular la probabilidad de que X se encuentre en el intervalo [2; 3]
Solución
4
4 4 𝑥2 𝑥3
a) ∫1 𝑎(4𝑥 − 𝑥2 )𝑑𝑥 = 𝑎( 2
−
3
)| =1 a=1/9
1
31 1 3 3
b) ∫2 9 (4𝑥 − 𝑥2 )𝑑𝑥 = (2 𝑥2 − 𝑥 )| = 11/27
9 3 2

Parámetros característicos de una fdp

Valor esperado o esperanza matemática o media

∑ 𝑥 𝑓(𝑥) 𝑐𝑎𝑠𝑜 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑜

𝑥
𝜇𝑥 = 𝐸[𝑥] = ∞
∫ 𝑥 𝑓(𝑥)𝑑𝑥 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜
{ −∞

Si X es una v.a. cualquier función de ella, digamos h(x), es también una v.a., en consecuencia
también se define este parámetro para una función de v.a.

∑ ℎ(𝑥) 𝑓(𝑥) 𝑐𝑎𝑠𝑜 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑜

𝑥
𝜇ℎ = 𝐸[ ℎ(𝑥) ] = ∞
∫ ℎ(𝑥) 𝑓(𝑥)𝑑𝑥 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜
{ −∞

Ejemplo 5: Se tira un dado. Se define como v.a. el número que sale ¿Cuál es su media?

La variable X puede tomar los valores 1, 2, 3, 4, 5, 6 y para todos ellos f(x) = 1/6. En
consecuencia la media es

Se define ahora una función sobre X: el premio: si sale 1 ó 2 se gana S/100, si sale 3 se gana S/
500 y si sale 4, 5 ó 6 no se gana nada

X 1 2 3 4 5 6

h(x) 100 100 500 0 0 0

¿Cuál es el valor medio de esta función?

4
Página
Mg. Raúl Ruiz Arias

¿Qué significa? si se juega un número grande de veces la ganancia final es como si en cada
jugada se hubiera ganado S/ 116,6. Si la apuesta costará menos de eso, el juego sería ventajoso
para el jugador.

Varianza: Se define como:

Aunque para el cálculo se suele usar esta otra fórmula equivalente:

¿Qué mide la varianza? Mide la dispersión de la variable alrededor de la media.

Ejemplo.- La duración en horas, de cierto equipo de radio es una variable aleatoria X con fdp
f(x)=100/x2, para x>100. ¿Cuál es la probabilidad de que un equipo dure menos de 200 horas si
se sabe que el equipo todavía funciona después de 150 horas de servicio?
Solución

200100
𝑃[150<𝑋<200] ∫150 2 𝑑𝑥
𝑥
𝑃[𝑋 < 200/𝑥 > 150] = = = 0.25
𝑃[𝑋>150]
∞ 100
∫150 2 𝑑𝑥
𝑥

5
Página
Mg. Raúl Ruiz Arias

PRACTICA
VARIABLE ALEATORIA Y VALOR ESPERADO
1. Un capataz de una planta manufacturera tiene 5 hombres y 3 mujeres trabajando
para él. El capataz desea seleccionar 4 trabajadores para un trabajo especial.
Deseando no tener influencia en la selección de los trabajadores, él decide
seleccionar al azar los 4 trabajadores. Sea X el número de hombres en el grupo.
Hallar la tabla de distribución de probabilidad de X.

2. Sea f(x) = k(x-2) con x Є [1,3]

a) Hallar k para que f(x) sea una función de densidad
b) Hallar la mediana

x 1
1 6
3. Sea p(x)  P X  x       , x  1, 2, 3, . . ., la función de probabilidad de
7 7
una variable aleatoria X. Hallar la función de distribución acumulada de X.

4. Una mujer tiene 4 llaves en un llavero de los cuales, exactamente una abre la
cerradura de la puerta de su casa. Ella prueba las llaves una en cada vez,
escogiendo al azar en cada tentativa una de las llaves que no han sido probadas.
Sea X la variable aleatoria que denota el número de llaves que se prueba hasta
abrir la puerta. Cuál es la distribución de probabilidad de X?

5. Sea X la variable aleatoria que describe el lanzamiento de un dado sesgado. La

distribución de probabilidad de X esta dado por:

p1  p2  ; p3  ; p4  p5  ; p6  d

1 1 1
6 12 4

a) Determinar el valor de d
b) Calcule la función de distribución en x=3,6, es decir F(3,6)
c) Hallar P3  X  5

6. La variable aleatoria discreta X, que tiene la siguiente función de distribución

acumulada:
0 , x  10


1 , 10  x  15
4
F x   
3 , 15  x  20

4
Calcular 
1 , x  20
a) P X  10.5  P X  15.5
b) P10.2  X  15.5
c) La distribución de probabilidad de la variable aleatoria X

7. Una urna contiene 6 bolas blancas y 8 negras. Se extraen las bolas una a una, sin
6

reposición, hasta que se encuentren 4 bolas blancas. Hallar la función de

Página

probabilidad del número de extracciones.

Mg. Raúl Ruiz Arias

8. Encontrar la función de probabilidad de la variable aleatoria X: numero de veces

que se arroja un dado normal hasta que aparece el 6 (incluyendo la prueba en
que aparece el 6)

9. En una localidad determinada, la distribución de la renta en miles de soles es una

x 1
10  10 ,0 x2


variable aleatoria X, con función de densidad: f ( x)    3x 9 , 2  x  6

 40 20

0 en otro caso

Si se escoge una persona al azar, cuál es la probabilidad de que su renta sea superior
a S/ 3000.

10. Suponiendo que D, la demanda diaria de un articulo, es una variable aleatoria

con la siguiente distribución de probabilidades:
C 2d
P D  d   d  1, 2, 3, 4
d!
Hallar la constante C y calcular la demanda esperada

7
Página