Dpto.

Ciencias de la Computación

Estadística
Tema 5: parte I - Variables Aleatorias
 Variables Aleatorias
• Una variable aleatoria es una variable que toma valores numéricos determinados
por el resultado de un experimento aleatorio, es decir es una función que asocia un
valor numérico a cada posible resultado de un experimento aleatorio.
 Nº de reclamaciones al mes en un servicio
 Nº de servicios prestados
 Nº de piezas defectuosas producidas la máquina
 Retraso promedio en los trenes
 Nº de caras al lanzar 6 veces una moneda (valores: 0, 1, 2…)
 Nº de llamadas que recibe un teléfono en una hora
 Tiempo que esperan los clientes para pagar en un supermercado…

• Podemos asignar probabilidades a los valores de una variable aleatoria es decir no

conocemos los valores exactos de las variables, como en estadística descriptiva, pero, a
través del estudio de una muestra, determinaremos sus probabilidades de aparición.
• Como hemos hecho en estadística descriptiva con las distribuciones de frecuencias,
también vamos a poder medir características de las distribuciones de probabilidad, tales
como la Esperanza y la Varianza.

2
Variables Aleatorias
Las variables aleatorias pueden ser discretas o continuas:

Discretas: el conjunto de posibles valores es numerable. Suelen estar asociadas a

experimentos en que se mide el número de veces que sucede algo.

Continuas: el conjunto de posibles valores es no numerable. Puede tomar todos los

valores de un intervalo. Son el resultado de medir.

Ejemplos:

 Nº de páginas de un libro → discreta

 Tiempo de respuesta de un servicio → continua

 Nº de preguntas en una clase de una hora → discreta

 Cantidad de agua consumida en un mes → continua

3
Variables Aleatorias
DISTRIBUCIÓN DE PROBABILIDAD
 Es un modelo teórico que describe la forma en que varían los resultados de un
experimento aleatorio, es decir, nos da todas las probabilidades de todos los
posibles resultados que podrían obtenerse cuando se realiza un experimento
aleatorio.
 Una variable aleatoria se caracteriza por su distribución.
 Esta distribución se puede representar mediante dos funciones que asignan
probabilidad (de diferente forma) a los valores que toma la variable:
 Función de probabilidad o Función de densidad.
 Función de distribución.

• La Función de Probabilidad es la probabilidad de que una variable aleatoria

discreta tome un valor particular y la Función de Densidad de una variable
aleatoria continua nos calcula la probabilidad de que una variable aleatoria
continua tenga un valor que esté dentro de un intervalo específico

• La función de distribución asociada a una variable aleatoria es una función

matemática que describe la probabilidad de que la variable tenga un valor
menor o igual que un valor determinado x.
4
Variables Aleatorias Discretas
FUNCION DE PROBABILIDAD

𝑝𝑖 = 𝑝 𝑥𝑖 = 𝑃(𝑋 = 𝑥𝑖 )
Si E es el espacio muestral → σ𝑖∈𝐸 𝑝 𝑥𝑖 = 1

5
 Variables Aleatorias Discretas
FUNCION DE PROBABILIDAD. PROPIEDADES

La probabilidad de que una variable aleatoria x tome un valor entre dos cantidades a y b
será:
P{a  x  b}  P{x  a}  P{x  a  1}... P{x  b  1}  P{x  b}
b
  P{x  xi }
xi  a

6
Variables Aleatorias Discretas
Ejemplo: Sea la variable aleatoria x=nº de caras al lanzar tres veces una moneda

Posibles valores de x: 0, 1, 2 y 3

Lanzar 3 veces moneda: E={CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}

Siendo los sucesos C= salir cara y X=salir cruz

La variable aleatoria x:

• Toma valor 0 cuando ocurre el suceso {XXX}

• Toma valor 1 cuando ocurre el suceso {XXC,XCX,CXX}

• Toma valor 2 cuando {CCX,CXC,XCC}

• Toma valor 3 cuando {CCC}

7
 Variables Aleatorias Discretas
Ejemplo: Sea la variable aleatoria x=nº de caras al lanzar tres veces una moneda

La función de probabilidad es:

p0 p0P{xP{x0}0}1 /81/ 80125
, 0125
,
p1 p1P{xP{x1}1}3 / 83/ 80,375
0,375
p2 p2P{xP{x2}2}3 / 83/ 80,375
0,375
p3 p3P{xP{x3}3}1 /81/ 80,125
0,125

¿Cuál será la probabilidad de que salgan al menos dos caras?

𝑃 𝑋 ≥ 2 = 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 = 0,375 + 0,125 = 0,5

¿y la probabilidad de que el número de caras esté entre 1 y 2?

P{1  x  2}  P{x  1}  P{x  2}  0,375  0,375  0,75

8
Variables Aleatorias Discretas
Función de Distribución: Función matemática discreta que
especifica para cada valor del espacio muestral de una variable
discreta la probabilidad de aparición de un valor menor o igual a
dicho valor.
𝐹 𝑥𝑖 = 𝑃 𝑋 ≤ 𝑥𝑖

𝐹 𝑥𝑘 = 𝑃 𝑋 ≤ 𝑥𝑘 = σ𝑘𝑖=1 𝑝 𝑥𝑖 con n valores σ𝑛𝑖=1 𝑝 𝑥𝑖 = 1

9
Variables Aleatorias Discretas
Función de Distribución

10
 Variables Aleatorias Discretas
Ejemplo: nº caras al lanzar tres veces una moneda

F(0) = P{x  0}  P{x  0}  0,125

F(1) = P{x  1}  P{x  0}  P{x  1}  0,125  0,375  0,5

F(2) = P{x  2}  P{x  0}  P{x  1}  P{x  2}  0,5  0,375  0,875

F(3) = P{x  3}  P{x  0}  P{x  1}  P{x  2}  P{x  3}  0,875  0,125  1

11
Variables Aleatorias Continuas

Función de Densidad: Función matemática continua que especifica la

probabilidad de aparición de cada valor del espacio muestral de una
variable continua.
𝑝 𝑥𝑖 = 𝑓 𝑋 = 𝑥𝑖 = f(x) donde f (x)  0,   x  
∞
Como f es continua → ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1
El conocimiento de f(x) permite calcular cualquier probabilidad por integración

12
Variables Aleatorias Continuas

La probabilidad de que X asuma un valor en el

intervalo [a, b] es el área sobre este intervalo y
bajo la gráfica de la función de densidad.

13
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
 Variables Aleatorias Continuas
 La Función Distribución para una variable aleatoria X continua se
define, como en el caso discreto, por la probabilidad de que X tome un
valor menor o igual a algún x específico
x
P( X  x)  F ( x)  
f (t ) dt

 Es la función que asocia a cada

valor de una variable, la
probabilidad acumulada
de los valores inferiores o iguales
 Puede entenderse también como
la generalización de las
frecuencias acumuladas.

14
Variables Aleatorias Continuas
PROPIEDADES
Una función de distribución cumple las siguientes propiedades:

No son funciones de tipo escalón, sino suaves.

15
Variables Aleatorias Continuas
EJEMPLO: Dada la siguiente función de densidad vamos a obtener su función de
Distribución

x
P( X  x)  F ( x)   
f (t ) dt
16
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas

dt

17
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas

dt
dt t dt

18
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas

t2 𝑥
t dt +
𝑡2
0 dt + (2-t) dt 2𝑡 −
2 1

19
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas

0 dt + t dt + (2-t) dt 0 dt = 1

20
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas
En resumen tendremos que:

21
Elena Perez Bernabeu - Universitat Politécnica de Valencia – UPV. https://www.youtube.com/watch?v=6SfHVDH5nvo&t=160s
Variables Aleatorias Continuas

Calcular la P(X≤ 0,5)

Calcular la P(0,2 ≤ X ≤ 0,5)
Calcular la P(X ≤ x)

22
Variables Aleatorias Continuas

23
Variables Aleatorias Continuas
PROPIEDADES

24
 Variables Aleatorias Continuas
EJEMPLO
Sea X una v.a. continua cuya función de distribución es:

Obtener la función de densidad.

Para 0

25
Medidas características de una variable aleatoria

Cuando se tiene una variable Discreta o Continua, cuyos valores se pueden

inferir con un grado de probabilidad mediante una Función de Probabilidad
o una Función de Densidad, respectivamente, se pueden inferir también los
mismos parámetros de caracterización de la población que se obtenían para
caracterizar poblaciones en Estadística Descriptiva.
Éstos son la media (aquí denominada Esperanza) y la varianza.
Esperanza (o media):
 Variable Discreta: 𝜇𝑥 = 𝐸 𝑥 = σ𝑛𝑖=1 𝑥𝑖 . 𝑝(𝑥𝑖 )
∞
 Variable Continua: 𝜇𝑥 = 𝐸 𝑥 = ‫׬‬−∞ 𝑥. 𝑓 𝑥 𝑑𝑥
Varianza:
𝑖=1(𝑥𝑖 − 𝜇𝑥 ) . 𝑝(𝑥𝑖 ) = σ𝑖=1 𝑥𝑖 . 𝑝(𝑥𝑖 ) −𝜇𝑥
 Variable Discreta: 𝜎𝑥2 = σ∞ 2 ∞ 2 2

∞ ∞
 Variable Continua: 𝜎𝑥2 = ‫׬‬−∞(𝑥 − 𝜇𝑥)2 . 𝑓 𝑥 𝑑𝑥 = ‫׬‬−∞ 𝑥 2 . 𝑓 𝑥 𝑑𝑥 − 𝜇𝑥2

26
Medidas características de una variable aleatoria

Propiedades de la Esperanza

Propiedades de la Varianza

27
Medidas características de una variable aleatoria

 Ejemplo
 Calcular el beneficio esperado (beneficio medio) con una apuesta de 100 € a la ruleta:
a) un número cualquiera
b) rojo frente a negro

• a) Los resultados posibles de una jugada en la ruleta son los números (0, 1, …, 36) con
probabilidades 1/37. Si apostamos 100 € a un número, la variable aleatoria X, beneficio
obtenido, tomará los valores siguientes:
 x = -100, si sale cualquier número distinto al apostado  P(x = -100)=36/37
Pagos Apuestas 35:1 un jugador apuesta a un número y la bola cae sobre el número el jugador
gana la apuesta, el pago de la apuesta es de 35 x 1. Es decir, se pagan 35€ por cada 1€ apostado.
Si se apuestan 100€ se cobra 3.500€  x = 3.500, luego si sale el número elegido
 P(x = 3.500) = 1/37
Por tanto: E(x) = -100 (36/37) + 3.500 (1/37) = -2,7 €

que supone una pérdida del 2,7% de la cantidad invertida: ¡ ¡La banca gana!!

28 https://www.math4all.es/las-matematicas-de-la-ruleta/#apuestas
Medidas características de una variable aleatoria

b) En el segundo caso hay dos resultados posibles:

• +100 (si sale rojo),
• -100 (si sale negro o el cero).
Entonces:
E(x) = -100 (19/37) + 100 (18/37) = -2,7 €
que es el mismo resultado anterior.

Todas las apuestas de la ruleta tienen la misma esperanza de pérdida.

¡¡La banca vuelve a ganar!!

29
Medidas características de una variable aleatoria

Ejercicio 1:
Una variable aleatoria X puede tomar los valores 30,40,50 y 60 con
probabilidades 0.4,0.2,0.1 y 0.3.
Representar en una tabla la función de probabilidad, y la función de
distribución de probabilidad.
Calcular la Esperanza matemática, la varianza y la desviación típica

Ejercicio 2 :
La altura de un cierto árbol sigue una v.a. con la siguiente función de
densidad:
f(x) = x/ 12 si 1< x < 5 y 0 en el resto.
Calcular la esperanza y la varianza de X.

30
31