República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada Nacional Bolivariana
(UNEFA)
Turén-Portuguesa

Variables Aleatorias Discretas

Profesora: Carlos Alvarez Estudiante: Oscar Lobatón

C.I 27.939.260
3er Semestre de Contaduría Pública

30/11/2020
Variable aleatoria
Una variable aleatoria es una función que asigna un valor, usualmente numérico, al resultado de
un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc. o un
número real (p.e., la temperatura máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un experimento aún
no realizado, o los posibles valores de una cantidad cuyo valor actualmente existente es incierto (p.e., como
resultado de una medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede tomarse como
una cantidad cuyo valor no es fijo pero puede tomar diferentes valores; una distribución de probabilidad se usa
para describir la probabilidad de que se den los diferentes valores. En términos formales una variable aleatoria es
una función definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios como valores
lógicos, funciones o cualquier tipo de elementos (de un espacio medible). El término elemento aleatorio se
utiliza para englobar todo ese tipo de conceptos relacionados. Un concepto relacionado es el de proceso
estocástico, un conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).

Concepto intuitivo
Una variable aleatoria puede concebirse como un valor numérico que está afectado por el azar. Dada una
variable aleatoria no es posible conocer con certeza el valor que tomará esta al ser medida o determinada, aunque
sí se conoce que existe una distribución de probabilidad asociada al conjunto de valores posibles. Por ejemplo,
en una epidemia de cólera, se sabe que una persona cualquiera puede enfermar o no (suceso), pero no se sabe
cuál de los dos sucesos va a ocurrir. Solamente se puede decir que existe una probabilidad de que la persona
enferme.
Para trabajar de manera sólida con variables aleatorias en general es necesario considerar un gran número
de experimentos aleatorios, para su tratamiento estadístico, cuantificar los resultados de modo que se asigne un
número real a cada uno de los resultados posibles del experimento. De este modo se establece una relación
funcional entre elementos del espacio muestral asociado al experimento y números reales.

Variable aleatoria discreta

Se denomina variable aleatoria discreta aquella que sólo puede tomar un número finito de valores dentro de un
intervalo. Por ejemplo, el número de componentes de una manada de lobos, puede ser 4 ó 5 ó 6 individuos pero
nunca 5,75 ó 5,87. Otros ejemplos de variable discreta serían el número de pollos de gorrión que llegan a volar
del nido o el sexo de los componentes de un grupo familiar de babuinos.
Densidad
Se denomina densidad discreta a la probabilidad de que una variable aleatoria discreta X tome un valor numérico
determinado (x). Se representa:
f(x) = P[X=x]

La suma de todas las densidades será igual a 1

Variables aleatorias continuas

Una variable aleatoria continua es aquella que puede tomar cualquier valor (al menos teóricamente) entre 2
fijados. Los valores de la variable (al menos teóricamente) no se repiten.
Todas las precisiones realizadas en el capítulo de variables estadísticas son igual de adecuadas en este caso.
Cuando observamos valores de una variable aleatoria continua, existe una limitación en cuanto al número de
valores que puede tomar la misma. Esto es, en la práctica, la variable no toma infinitos valores. A la hora de
medir el peso o la estatura, por ejemplo, se trabaja con un número preciso de decimales (que puede ser grande
pero nunca será infinito). Lo que se está haciendo es lo que se llama una discretización a la hora de tomar datos.
Sin embargo, desde un punto de vista matemático, consideraremos siempre que una variable continua puede
tomar infinitos valores. Esto nos permitirá trabajar con propiedades matemáticas que nos aportarán mucha
información de la variable considerada.

Función de distribución
En la teoría de la probabilidad y en estadística, la función de distribución acumulada (FDA, designada
también a veces simplemente como función de distribución o FD) o función de probabilidad acumulada
asociada a una variable aleatoria real: X (mayúscula) sujeta a cierta ley de distribución de probabilidad, es una
función matemática de la variable real: x (minúscula); que describe la probabilidad de que X tenga un
valor menor o igual que x.
Intuitivamente, asumiendo la función f como la ley de distribución de probabilidad, la FDA sería la función con
la recta real como dominio, con imagen del área hasta aquí de la función f, siendo aquí el valor x para
la variable aleatoria real X.
La FDA asocia a cada valor x, la probabilidad del evento: «la variable X toma valores menores o iguales a x».
El concepto de FDA puede generalizarse para modelar variables aleatorias multivariantes definidas en R
Para cada número real x, una FDA está dada por la siguiente definición:

Distribución muestral de Proporciones

Existen ocasiones en las cuales no estamos interesados en la media de la muestra, sino que queremos investigar
la proporción de artículos defectuosos o la proporción de alumnos reprobados en la muestra. La distribución
muestral de proporciones es la adecuada para dar respuesta a estas situaciones. Esta distribución se genera de
igual manera que la distribución muestral de medias, a excepción de que al extraer las muestras de la población
se calcula el estadístico proporción (p=x/n en donde "x" es el número de éxitos u observaciones de interés y "n"
el tamaño de la muestra) en lugar del estadísitico media.
 Una población binomial está estrechamente relacionada con la distribución muestral de proporciones; una
población binomial es una colección de éxitos y fracasos, mientras que una distribución muestral de
proporciones contiene las posibilidades o proporciones de todos los números posibles de éxitos en un
experimento binomial, y como consecuencia de esta relación, las afirmaciones probabilísticas referentes a la
proporción muestral pueden evaluarse usando la aproximación normal a la binomial, siempre que

Cualquier evento se puede convertir en una proporción si se divide el número obtenido entre el número de
intentos.
Generación de la Distribución Muestral de Proporciones
Suponga que se cuenta con un lote de 12 piezas, el cual tiene 4 artículos defectuosos. Se van a seleccionar 5
artículos al azar de ese lote sin reemplazo. Genere la distribución muestral de proporciones para el número de
piezas defectuosas.
Como se puede observar en este ejercicio la Proporción de artículos defectuosos de esta población es 4/12=1/3.
Por lo que podemos decir que el 33% de las piezas de este lote están defectuosas.
El número posible de muestras de tamaño 5 a extraer de una población de 12 elementos es 12C5=792, las cuales
se pueden desglosar de la siguiente manera:

Proporción de Número de maneras

Artículos Artículos
artículos en las que se puede
Buenos Malos
defectuoso obtener la muestra

1 4 4/5=0.8 8C1*4C4=8

2 3 3/5=0.6 8C2*4C3=112
 3 2 2/5=0.4 8C3*4C2=336

4 1 1/5=0.2 8C4*4C1=280

5 0 0/5=0 8C5*4C0=56

Total 792

Para calcular la media de la distribución muestral de proporciones se tendría que hacer la sumatoria de la
frecuencia por el valor de la proporción muestral y dividirla entre el número total de muestras. Esto es:

como podemos observar la media de la distribución muestral de proporciones es igual a la Proporción de la

población.

También se puede calcular la desviación estándar de la distribución muestral de proporciones:

La varianza de la distribución binomial es:

Por lo que la varianza de la distribución muestral de proporciones es:

Si se sustituten los valores en esta fórmula tenemos que:

 Este valor no coincide con el de 0.1681, ya que nos falta agregar el factor de corrección para una población
finita y un muestreo sin reemplazo:

La fórmula que se utilizará para el cálculo de probabilidad en una distribución muestral de proporciones está
basada en la aproximación de la distribución normal a la binomial . Esta fórmula nos servirá para calcular la
probabilidad del comportamiento de la proporción en la muestra.

A esta fórmula se le puede agregar el factor de corrección de  

si se cumple con las condiciones necesarias.

Distribución binomial
En estadística, la distribución binomial o distribución binómica es una distribución de probabilidad discreta
que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotómico, esto es, solo dos resultados son posibles. A uno de estos se denomina «éxito» y tiene una
probabilidad de ocurrencia p y al otro, «fracaso», con una probabilidad2 q = 1 - p. En la distribución binomial el
anterior experimento se repite n veces, de independiente, y se trata de calcular la probabilidad de un determinado
número de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli. Para
representar que una variable aleatoria X sigue una distribución binomial de parámetros n y p, se escribe:
X~B(n,p)
La distribución binomial es la base del test binomial de significación estadística.
Distribución de Bernoulli
En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución dicotómica), nombrada
así por el matemático suizo Jacob Bernoulli, es una distribución de probabilidad discreta, que toma valor 1 para
la probabilidad de éxito (p ) y valor 0 para la probabilidad de fracaso ( q=1-p).

Si X es una variable aleatoria que mide el "número de éxitos", y se realiza un único experimento con dos
posibles resultados (éxito o fracaso), X se dice que la variable aleatoria se distribuye como una Bernoulli de
parámetro p.
X~Be(p)
Su función de probabilidad viene definida por:
f(x)=p^x(1-p)^1-x Con x={0, 1}
La fórmula será:

Un experimento al cual se aplica la distribución de Bernoulli se conoce como Ensayo de Bernoulli o

simplemente ensayo, y la serie de esos experimentos como ensayos repetidos.