Estadı́stica

Tema 2: Variables Aleatorias Discretas y Continuas.

Curso 2022-2023

1 Introducción
Una variable aleatoria X es una función que asigna un valor numérico a cada posible resultado
de un experimento: X : ⌦ ! R.

Ejemplo 1 Sea el experimento “lanzamiento de una moneda dos veces”. El espacio muestral es
⌦ = {CC, +C, C+, ++} y las probabilidades sobre los sucesos elementales serán:
1 1 1 1
P (CC) = , P (+C) = , P (C+) = , P (++) =
4 4 4 4
Definimos la variable X =“Número de caras” como X : ⌦ 7 ! R donde:

CC 7 ! 2, +C 7 ! 1, C+ 7 ! 1, ++ 7 ! 0

2 Distribución de una variable aleatoria

Una variable aleatoria induce un nuevo espacio probabilı́stico sobre R de la siguiente manera:
Dado A ⇢ R, P (A) será la probabilidad de aquellos resultados del experimento que dan lugar a
un número en A.

Ejemplo 2 Sea X la variable aleatoria“número de caras en dos lanzamientos de una moneda”.

La probabilidad inducida por X en R será:
1 1 1
P (0) = P (++) = , P (1) = P (C+, +C) = , P (2) = P (CC) = .
4 2 4

1
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

2.1 Función de distribución

Dado un punto x, la función de distribución de una variable aleatoria X se define como:

F (x) = P (X  x).

Es decir, la función de distribución en un punto x es la probabilidad de que el valor observado

de la variable X sea menor o igual a x. Dicha función verifica las siguientes condiciones:

1. F es no decreciente.

2. F es continua por la derecha: limh!0,h>0 F (x + h) = F (x).

3. F ( 1) = 0.

4. F (+1) = 1.

3 Clasificación de variables aleatorias

En función de los valores que tomen (X(⌦)), las variables se clasifican en discretas y continuas.

3.1 Variables aleatorias discretas

Definición: una variable aleatoria es discreta si el conjunto de posibles valores que puede tomar
es finito o infinito numerable.
Ejemplos: número de hermanos que tiene una persona, número de caras obtenidas en el
lanzamiento de 5 monedas, número de piezas defectuosas que produce una máquina...
Dada una variable discreta X que toma los valores X(⌦) = {x1 , x2 , . . .}, llamaremos función
masa de probabilidad de la variable aleatoria X a aquella función que nos especifica la pro-
babilidad de cada uno de los valores que toma X. Se trata, pues, de una función P : ⌦ ! [0, 1]
definida por P (X = xi ) = pi .
Propiedades:

0  P (X = x)  1 para todo x 2 {x1 , x2 , . . .}.

P P
P (X = xi ) = pi = 1.
i i

Podemos calcular las probabilidades sobre cualquier otro suceso a partir de las pi de la siguiente
manera: X X
P (A) = pi = P (X = xi ) para todo A ⇢ R
xi 2A xi 2A

2
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

La función de distribución de una variable aleatoria discreta es de la forma:

X
F (x) = P (X  x) = pi
xi x

1=F(5)

P(X=5)
F(4)

P(X=4)

F(3)

P(X=3)
F(1)
P(X=1)
F(0)
P(X=0)

0 1 2 3 4 5 6 7

3.1.1 Caracterı́sticas de una variable aleatoria discreta

Sea X una variable aleatoria discreta, con valores x1 , x2 , . . . xn , . . . y función de masa de proba-
bilidad p1 , p2 , . . . pn , . . .

Esperanza matemática o valor esperado (media), E(X):

X
E(X) = µ = xi pi
i
Propiedades:
Sean X una variable aleatoria y a y b constantes. Entonces, E(aX + b) = aE(X) + b.

Sean X e Y dos variables aleatorias. Entonces, E(X + Y ) = E(X) + E(Y ).

Cuando la variable aleatoria X es simétrica respecto a un valor c, E(X) = c.

P
Dada una función real continua g : R ! R. E(g(X)) = g(xi )pi .
i

Moda, Mo(X):
Es el valor o valores que maximizan la función de masa de probabilidad, es decir aquel xi al
que le corresponde el mayor pi (el más probable).
Cuantil de orden p (xp ) y Mediana (Me(X)): Dado p tal que 0 < p < 1, en el caso de
una variable discreta se define el cuantil de orden p como aquel o aquellos puntos x que verifican:
P (X  x) p y P (X x) 1 p. Es decir, se trata de aquel o aquellos puntos que dejan a su
izquierda una probabilidad p.

3
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Para calcularlo tenemos que buscar el primer xi tal que F (xi ) = P (X  xi ) p. Tenemos
dos posibles casos:

1. Si F (xi ) > p entonces xp = xi .

2. Si F (xi ) = p entonces xp = [xi , xi+1 ].

La Mediana de una variable aleatoria es el valor que divide a la distribución en dos partes
de igual probabilidad. Por tanto coincide con el cuantil de orden 0.5
Por su parte, los cuantiles de orden 0.25, 0.5 y 0.75 se llaman primer cuartil (denotado por
Q1 ), segundo cuartil (Q2 , que coincide con la mediana) y tercer cuartil (Q3 ), respectivamente.
Análogamente, también podemos calcular los deciles, que son 9 puntos que dividen la dis-
tribución de la variable en 10 intervalos con probabilidad 0.1 cada uno y los percentiles, que
dividen la distribución de la variable en 100 intervalos con probabilidad 0.01 cada uno.
2
Varianza, V ar(X) = X:
X
2
V ar(X) = X = E[(X µ)2 ] = (xi µ)2 pi
i

Propiedades:

Fórmula alternativa para el cálculo de la varianza: V ar(X) = E(X 2 ) E(X)2 =

P 2 P
= xi pi ( xi pi ) 2 .
i i

Sean X una variable aleatoria y a y b constantes. Entonces, V ar(aX + b) = a2 V ar(X).

Desviación tı́pica DT (X) = X: es la raı́z cuadrada positiva de la varianza:

p
DT (X) = X = + V ar(X).

3.1.2 Principales distribuciones de probabilidad discretas

Uniforme en n puntos: variable aleatoria que toma n valores distintos, todos con la misma
probabilidad.
Ejemplo: lanzar un dado y observar el resultado: X(⌦) = {1, 2, 3, 4, 5, 6}, P (X = 1) = · · · =
1
P (X = 6) = .
6
Función de masa de probabilidad:

x i x 1 . . . xn
1 1
pi ...
n n

4
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

1P n 1P n 1P n
Caracterı́sticas: E(X) = xi , V ar(X) = (xi E(X))2 = x2 E(X)2 .
n i=1 n i=1 n i=1 i
Función de distribución:
8
>
> 0 si x < x1
<
k
F (x) = si xk  x < xk+1 , k = 1, . . . , n 1
>
: n
>
1 si x xn

Bernoulli, Be(p): llamaremos experimento de Bernoulli al experimento aleatorio donde sólo

hay dos posibles resultados: éxito y fracaso. Llamaremos p a la probabilidad de éxito y q = 1 p
a la probabilidad de fracaso. Una variable aleatoria de Bernoulli tomará dos únicos valores: 1
(éxito) y 0 (fracaso).
Ejemplos: lanzamos un triple y observamos si encestamos o no, 1 (éxito) serı́a encestar y 0
(fracaso) no encestar. Resultado obtenido al lanzar una moneda al aire, 1 serı́a cara y 0 serı́a
cruz.

Valores que toma la variable X(⌦) = {0, 1}.

Función de masa de probabilidad:

xi 0 1
pi q p

Caracterı́sticas: E(X) = p, V ar(X) = pq.

Función de distribución: 8
>
< 0 si x < 0
F (x) = q si 0  x < 1
>
:
1 si x 1

Binomial, B(n, p): La variable X de interés será X =“número de éxitos en n experimentos

de Bernouilli independientes”. Dicha variable la denominaremos binomial de parámetros n, p y la
representaremos por B(n, p), donde n es el número de experimentos realizados y p la probabilidad
de éxito.
Ejemplos: número de triples encestados en 10 lanzamientos, número de caramelos de limón
en un paquete de 10 caramelos, número de caras obtenidas en 5 lanzamientos de una moneda...

Valores que toma la variable X(⌦) = {0, 1, . . . , n}.

Función de masa de probabilidad: la probabilidad de obtener k éxitos será:

P (X = x) = nx px q n x , x = 0, 1, ..., n.

5
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Caracterı́sticas: E(X) = np, V ar(X) = npq.

Propiedades:

Be(p) = B(1, p)

Si X ⇠ B(n, p), entonces n X ⇠ B(n, 1 p). Es decir, si X mide el número de éxitos en

n observaciones, n X medirá el número de fracasos en las n observaciones.
P
n
Si Xi ⇠ Be(p), con i = 1, ..., n, son variables aleatorias independientes entonces, Xi ⇠
i=1
B(n, p).

Reproductividad: Si X ⇠ B(n1 , p) e Y ⇠ B(n2 , p) son variables aleatorias independientes,

entonces X + Y ⇠ B(n1 + n2 , p)

Geométrica, G(p): en las mismas condiciones del experimento binomial, consideremos la

variable aleatoria X =“número de fracasos hasta obtener el primer éxito”. La variable ası́ definida
tiene una distribución geométrica de parámetro p (donde p es, de nuevo, la probabilidad de éxito).
Ejemplos: número de fallos hasta encestar el primer triple, número de cruces obtenidas en el
lanzamiento de una moneda hasta obtener la primera cara...

Valores que toma la variable X(⌦) = {0, 1, 2, . . .}.

Función de masa de probabilidad: la probabilidad de fracasar k veces antes de obtener el

primer éxito será P (X = k) = q k p.
q q
Caracterı́sticas: E(X) = , V ar(X) = 2 .
p p

Binomial Negativa, BN (r, p): en las mismas condiciones del experimento binomial, con-
sideremos la variable aleatoria X =“número de fracasos hasta obtener r éxitos”. La variable
ası́ definida tiene una distribución binomial negativa de parámetros r y p, donde r representa el
número de éxitos a obtener y p la probabilidad de éxito.
Ejemplos: número de fallos hasta encestar dos triples, número de cruces obtenidas en el
lanzamiento de una moneda hasta obtener cuatro caras...

Valores que toma la variable X(⌦) = {0, 1, 2, . . .}.

Función de masa de probabilidad: la probabilidad de fallar k veces antes de obtener los r

éxitos será P (X = k) = r+kk 1 q k pr .
q q
Caracterı́sticas: E(X) = r , V ar(X) = r 2 .
p p

6
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Propiedades:

G(p) = BN (1, p).

P
n
Si Xi ⇠ G(p), i = 1, ..., n, son variables aleatorias independientes entonces, Xi ⇠
i=1
BN (n, p).

Distribución de Poisson, P ( ): para definir esta variable es necesario explicar la noción

de proceso de Poisson. Consideremos un experimento en el que observamos la aparición de
sucesos en un intervalo de espacio o tiempo. Supondremos que el proceso que genera estos sucesos
se caracteriza por:

Es estable: produce, a largo plazo, un número medio de sucesos constante por unidad de
observación (tiempo, espacio, . . . )

Los sucesos aparecen de forma independiente, es decir, conocer el número de sucesos en un

intervalo no ayuda a predecir el número de sucesos en el siguiente.

La variable X =“número de sucesos en un intervalo de tiempo o espacio”sigue una distribución

de Poisson de parámetro , donde es la tasa media de sucesos por unidad de tiempo o espacio.
Ejemplos: el número de radares en 200km de carretera, el número de clientes que llegan a una
gasolinera durante una hora, el número de defectos en un metro cuadrado de tela, el número de
llamadas en una centralita durante 8 horas,. . .

Valores que toma la variable X(⌦) = {0, 1, 2, . . .}.

Función de masa de probabilidad: la probabilidad de que ocurran k sucesos será

k
P (X = k) = e
k!

Caracterı́sticas: E(X) = , V ar(X) = .

Propiedad:

Reproductividad: Si X ⇠ P ( 1 ) e Y ⇠ P ( 2 ) son variables aleatorias independientes,

entonces X + Y ⇠ P ( 1 + 2 )

3.2 Variables aleatorias continuas

Definición: una variable aleatoria es continua si toma un número infinito no numerable de

valores. Es decir, el conjunto de posibles valores de una variable aleatoria continua es un intervalo
de la recta real.

7
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Ejemplos: tiempo que tarda en llegar un bus a una determinada parada, peso de una persona,
duración de una llamada telefónica, cantidad de agua consumida en un hogar en un mes...
Se define la función de densidad asociada a una variable aleatoria continua X como una
función real que verifica:

Es una función no negativa, f (x) 0, para todo x 2 R.

R1
1
f (x)dx = 1.

Propiedades:
R
P (A) = A
f (x)dx1

De la propiedad anterior se deduce que: P (a < X  b) = P (X  b) P (X  a) =

Rb
a
f (x)dx

P (X = x0 ) = 0 para cualquier valor x0 2 R.

La función de distribución de una variable aleatoria continua es CONTINUA y se calcula

Rx
como F (x) := P (X  x) = 1 f (x)dx. Por lo tanto f (x) = F 0 (x).
Ejemplo de una función de distribución de una variable continua:

Observación: al contrario de lo que ocurre con la función de distribución, la función de

densidad no tiene que ser continua necesariamente y sus valores no se tienen porque restringir al
intervalo [0, 1].
1
Recordar que al integrar una función, estamos calculando el área por debajo de dicha función entre los lı́mites
de integración.

8
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

3.2.1 Caracterı́sticas de una variable aleatoria continua

Sea X una variable aleatoria continua con función de densidad f (x).

Esperanza matemática o valor esperado (media), E(X):
Z +1
E(X) = xf (x)dx
1

Propiedades:

Sea X una variable aleatoria y a y b constantes. Entonces, E(aX + b) = aE(X) + b.

Sean X e Y dos variables aleatorias. Entonces, E(X + Y ) = E(X) + E(Y ).

Cuando la variable aleatoria X es simétrica respecto a un valor c, E(X) = c.

R +1
Dada una función real continua g : R ! R. E(g(X)) = 1 g(x)f (x)dx.

Moda, Mo(X): es el valor que maximiza la función de densidad, es decir,

M o = arg max f (x).

x2R

Cuantil de orden p (xp ) y Mediana (Me(X)): dado p tal que 0 < p < 1, el cuantil de
orden p xp se define como aquel valor que deja una probabilidad p a su izquierda y (1 p) a su
derecha. Por lo tanto tenemos que buscar el xp tal que F (xp ) = p.
La mediana es el cuantil de orden 0.5.

Al igual que ocurre en el caso discreto podemos hablar de cuartiles (tres puntos que dividen
a la distribución en cuatro partes iguales), deciles (nueve puntos que dividen a la distribución en
10 partes iguales) y percentiles (99 puntos que dividen a la distribución en 100 partes iguales).

2
Varianza, V ar(X) = X:
Z 1
2 2
V ar(X) = X = E[(X µ) ] = (x µ)2 f (x)dx
1

Propiedades:

Fórmula alternativa para el cálculo de la varianza: V ar(X) = E(X 2 ) E(X)2 .

V ar(aX + b) = a2 V ar(X).

9
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Desviación tı́pica, DT (X) = X: es la raı́z cuadrada positiva de la varianza DT (X) =

p
X = + V ar(X).

Tipificación de una variable:

Se dice que una variable aleatoria está tipificada o estandarizada si su media es 0 y su
desviación tı́pica es 1.
Dada una variable aleatoria X con media µ y desviación tı́pica , podemos obtener su variable
tipificada de la siguiente manera:
X µ
Z= ,
que será adimensional. Además E(Z) = 0 y V ar(Z) = 1.

Variables Independientes:
Dos variables son independientes si sus valores no dependen entre sı́. Formalmente, X e Y
son independientes si P (X  x, Y  y) = P (X  x)P (Y  y) para cualquier x e y.

Propiedad: Si X e Y son independientes, entonces,

V ar(X + Y ) = V ar(X) + V ar(Y ).

3.2.2 Principales distribuciones de probabilidad continuas

Uniforme continua, U (a, b): una variable aleatoria sigue una distribución uniforme en un
intervalo (a, b) cuando su función de densidad es constante en dicho intervalo y se anula fuera de
él.

Valores que toma la variable X(⌦) = (a, b).

Función de densidad: 8
< 1
cuando a < x < b
f (x) = b a
:
0 en otro caso

Función de distribución:
8
>
> 0 cuando x  a
>
<
x a
F (x) = cuando a < x < b
>
> b a
>
:
1 cuando x b

b+a (b a)2
Caracterı́sticas: E(X) = , V ar(X) = .
2 12

10
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Distribución normal, N (µ, ): Se dice que una variable aleatoria X sigue una distribución
normal de parámetros µ y , con µ 2 R y > 0 si su función de densidad es:
⇢
1 1 (x µ)2
f (x) = p exp 2
con x 2 R
2⇡ 2 2

Valores que toma la variable X(⌦) = R.

⇢
Rx 1 1 (t µ)2
Función de distribución: F (x) = 1
p exp 2
dt.
2⇡ 2 2
2
Caracterı́sticas: E(X) = µ, V ar(X) = .

Propiedades:

Su función de densidad es simétrica respecto a µ y tiene forma acampanada.

La distribución N (0, 1) se conoce como normal estándar. Se denota por Z y está tabulada.

Sean X1 ⇠ N (µ1 , 1) y X2 ⇠ N (µ2 , 2) variables aleatorias independientes. Entonces,

⇣ p ⌘
2 2
X 1 + X 2 ⇠ N µ1 + µ2 , 1 + 2
⇣ p ⌘
2 2
X 1 X 2 ⇠ N µ1 µ2 , 1 + 2

Si Xi ⇠ N (µi , i) son variables aleatorias independientes, y ai son constantes (i = 1 . . . n),

entonces: 0 v 1
n n u n
X X uX
ai X i ⇠ N @ ai µ i , t a2 i
2A
i
i=1 i=1 i=1

Distribución exponencial, Exp( ): dado un proceso de Poisson de parámetro , que nos

indica el número medio de sucesos por unidad de tiempo (espacio), si llamamos X al tiempo
(espacio) que transcurre hasta que ocurre el primer suceso o el tiempo (espacio) transcurrido
entre dos sucesos consecutivos, esta variable seguirá una distribución exponencial de parámetro
, es decir, X ⇠ Exp( ).
Ejemplos: tiempo en minutos transcurrido entre dos llamadas consecutivas recibidas en una
centralita, espacio en metros entre dos radares consecutivos...

Valores que toma la variable X(⌦) = [0, +1).

11
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Función de densidad: 8
< e x
cuando x > 0
f (x) =
: 0 cuando x  0

Función de distribución:
8
< 0 cuando x  0
F (X) =
: R x e t dt = 1 e x
cuando x > 0
0

1 1
Caracterı́sticas: E(X) = , V ar(X) = 2
.

4 Aproximaciones a la normal
Teorema central del lı́mite: Si tenemos un conjunto de variables {X1 , . . . , Xn }, con n > 30,
donde todas las variables tienen la misma distribución, son independientes, y E(Xi ) = µ y
Pn
V ar(Xi ) = 2 para todo i = 1, . . . , n. Entonces la variable suma Xi tendrá una distribución
p i=1
aproximada a la de una N (nµ, n).

Relaciones entre Binomial, Poisson y Normal. Consecuencias del TCL.

Binomial: Dada una variable X ⇠ B(n, p), cuando el número de realizaciones del experi-
mento es suficientemente grande (n > 30), np > 5 y n(1 p) > 5 podemos aproximar la variable
p
por una normal de parámetros N (np, npq).
Poisson: Dada una variable X ⇠ P ( ) con > 10 podemos aproximarla por una normal de
p
parámetros N ( , ).
Binomial - Poisson: Dada una variable X ⇠ B(n, p) cuando n > 30, y p < 0.1,

B(n, p) t P (np)

5 Distribuciones asociadas a la normal

5.1 Chi cuadrado de Pearson
Sean Z1 , Z2 , · · · , Zn variables aleatorias independientes tales que Zi ⇠ N (0, 1), i = 1, . . . , n.
Entonces, la variable aleatoria:
n
X
Zi2 = Z12 + Z22 + . . . + Zn2 ⇠ 2
n
i=1

se dice que tiene una distribución Chi cuadrado con n grados de libertad.

12
Grado en Administración e Dirección de Empresas. Universidade de Vigo
Estadı́stica. Tema 2: Variables Aleatorias Discretas y Continuas

Valores que toma la variable X(⌦) = [0, +1).

2 2
Caracterı́sticas: E( n) = n, V ar( n) = 2n.
2 2 2
Propiedad: Sean X ⇠ n yY ⇠ m independientes, entonces X + Y ⇠ n+m .

5.2 Distribución t de Student

2
Sean X ⇠ N (0, 1) e Y ⇠ n independientes, entonces la variable aleatoria:

X
r ⇠ tn
Y
n
se dice que tiene una distribución t de Student con n grados de libertad

Valores que toma la variable X(⌦) = R.

n
Caracterı́sticas: E(tn ) = 0, V ar(tn ) = n 2

Su función de densidad es simétrica respecto a su media y tiene forma de campana.

5.3 Distribución F de Snedecor

2 2
Dadas dos variables X ⇠ n yY ⇠ m independientes, entonces la variable aleatoria:

X
n ⇠F
n,m
Y
m
se dice que tiene una distribución de Fisher-Snedecor con n y m grados de libertad

Valores que toma la variable X(⌦) = [0, +1).

1
Propiedad: Si X ⇠ Fn,m =) s Fm,n .
X

13
Grado en Administración e Dirección de Empresas. Universidade de Vigo