Índice

Pág.

Introducción 2

4.1 variables Aleatorias Discretas 3

4.1.1 Distribución de Probabilidad de Forma General 8

4.1.2 Valor esperado 10

4.1.3 Varianza, Desviación Estándar 11
4.1.4 Función Acumulada 11

4.2 Variables Aleatorias Continua 13

4.2.1 Distribución de Probabilidad de Forma General 14

4.2.2 Valor Esperado. 16

4.2.3 Varianza, Desviación Estándar. 17

4.2.4 Función Acumulada 17

4.2.5 Cálculos de Probabilidad 18

Conclusión 21

Bibliografía 22

1
Introducción:

La Estadística Descriptiva nos ofrece una serie de herramientas muy ´útiles para
resumir gráfica y numéricamente los datos que hemos obtenido sobre una
característica o variable de interés, X, de una población.

En este tema aprenderemos a manejar los modelos de probabilidad que describen

los posibles resultados de una variable aleatoria, asignando probabilidades a los
diferentes sucesos que nos interesen. En este tema trataremos los modelos de
probabilidad a nivel muy general, analizando sus características generales y viendo
cómo extraer información probabilidades de ellos.

2
UNIDAD 4.VARIABLES ALEATORIAS

4.1. Variables Aleatorias Discretas:

Se dice que una variable aleatoria es discreta si toma un número finito o a lo más
numerable de valores:

En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el

conjunto de los valores posibles de que asocia la probabilidad al

singleton .

En la práctica el conjunto de los valores que puede tomar es o una parte de

.

Determinar la ley de una variable aleatoria discreta es:

1. Determinar el conjunto de los valores que puede tomar .

2. Calcular para cada uno de estos valores .

Punto de vista frecuentista.

Recordemos que el único sentido práctico que le podemos dar a la idea de

probabilidad es el de un límite de frecuencias experimentales. Este es también el

3
sentido que hay que dar a la noción de ley discreta. Repetimos veces, en forma
independiente, el experimento aleatorio del cual como resultado medimos . Se

obtiene así una -tupla de variables aleatorias independientes de

misma ley que (esto se llama una muestra). A partir de esta -tupla podemos

calcular las frecuencias experimentales de los eventos `` '' :

Según la Ley de los Grandes Números, esta frecuencia debe converger

a . Para todo las frecuencias experimentales

definen una ley de probabilidad discreta sobre el conjunto de los .

Usualmente se representa a las leyes discretas por diagramas de barras : Se dibuja

encima de la abscisa un segmento vertical de altura igual a .

Las leyes discretas más comunes son las siguientes.

Ley uniforme.

La ley uniforme definida sobre un conjunto finito es la ley de ``sorteos al azar'' en

este conjunto o equiprobabilidad. Ella asigna la misma probabilidad a todos

los elementos del conjunto, si el cardinal del conjunto es .

Ley de Bernoulli.

4
Las variables aleatorias discretas más simples son las indicatrices de eventos.

Si es un evento de probabilidad , la variable aleatoria toma el

valor si se realiza y 0 si no. Su ley es la ley de Bernoulli de parámetro .

Los otros dos ejemplos básicos son la ley binomial y la ley geométrica.

Ley binomial.

Se repite el mismo experimento veces en forma independiente y se cuenta el

número de veces que se produce el evento . Se considerará la repetición de
los experimentos como un nuevo experimento global. Como solamente nos
interesa el evento , bastará guardar de la experiencia global una -tupla
booleana del tipo:

la cual será más fácil de transformar en una -tupla de 0 y . Denotemos:

el número de veces en que se realiza a lo largo de

los experimentos.

5
Si denota la probabilidad del evento , la variable aleatoria sigue una ley de

Bernoulli de parámetro . La variable aleatoria toma sus valores en el

conjunto . Para determinar su ley, los eventos que nos interesan son

los del tipo `` ''. A partir de la hipótesis de independencia de los

experimentos, la probabilidad de un resultado cualquiera del experimento global es
un producto de probabilidades. Por ejemplo:

Toda -tupla particular que contenga `` '' y ``0'' tiene como

probabilidad . En total hay:

que es el número de maneras de seleccionar índices entre . De donde:

Definición 3.4 Se dice que una variable aleatoria sigue la ley binomial de

parámetros y (denotada ) si:

1. toma sus valores en el conjunto

6
 2.

Para recordar:

El número de ocurrencias de un mismo evento en el curso de experimentos

independientes sigue una ley binomial.

Simulación:

A la salida del algoritmo que mostramos a continuación, sigue la ley

binomial . Es el caso típico en el que encontramos una ley binomial, pero

no es el método mas eficaz de simulación de la misma.

Repetir veces

Si ( Random ) entonces
finSi
finRepetir.

Observación:

Es un buen hábito el comprobar que la suma de las probabilidades calculadas vale

.

En este caso: , por la fórmula del

binomio de Newton (de ahíel nombre de binomial).

El problema aquí es observar una sucesión de repeticiones independientes de un

7
mismo experimento. Nos interesa el momento en que se produce el evento por

primera vez. Se asume que la probabilidad de es estrictamente positiva.

Denotemos por el número de orden del experimento en el cual ocurre por

primera vez. Es una variable aleatoria que depende del experimento:

``repetir independientemente hasta que ocurra ''.

El conjunto de los valores posibles para es . Para

todo se tiene:

4.1.1.- Distribución de probabilidad de forma general

En teoría de la probabilidad y estadística, la distribución de probabilidad de

una variable aleatoria es una función que asigna a cada suceso definido sobre
la variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de los
sucesos es el rango de valores de la variable aleatoria. También puede decirse que
tiene una relación estrecha con las distribuciones de frecuencia. De hecho, una
distribución de probabilidades puede comprenderse como una frecuencia teórica,
ya que describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.

8
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.

El área sombreada debajo de la curva en este ejemplo representa el rango de 160

a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un
hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda
el área por debajo de la curva equivale a 1.0.

Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.
¿Qué es una distribución discreta?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable
aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,

9
puede utilizar la distribución discreta de Poisson para describir el número de quejas
de clientes en un día. Supongamos que el número promedio de quejas por día es
10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un
día.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718

Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.

Las barras sombreadas en este ejemplo representan el número de ocurrencias

cuando las quejas diarias de los clientes son 15 o más. La altura de las barras suma
0.08346; por lo tanto, la probabilidad de que el número de llamadas por día sea 15
o más es 8.35%.

4.1.2.- Valor Esperado

El valor que se espera obtener de un experimento estadístico se llama el valor

esperado. También llamado "esperanza matemática". También lo llamamos "media"
y esta es la palabra que vamos a seguir usando. Si tiramos una moneda 10 veces,
esperamos que salga 5 veces "cara" y 5 veces "cruz". Esperamos obtener este valor
porque la probabilidad de que salga "cara" es 0,5, y si lanzamos la moneda 10
veces, obtenemos 5. Por lo tanto, 5 es la media. Para formalizar este particular
ejemplo de la media, si p es la probabilidad y n el número de eventos, la media es
a = np. Esta es la forma de la media cuando se puede expresar la probabilidad por
medio de la distribución binomial.

10
Para formalizar el concepto un poco mas, en un experimento con resultados
discretos xi para los cuales la probabilidad es P(xi), la media estará dada por
a = SxiP(xi)
En el caso de variables continuas donde se expresa la probabilidad en términos de
una función de distribución, la media toma la forma

4.1.3.- Varianza, Desviación Estándar

Desviación estándar
La desviación estándar (σ) mide cuánto se separan los datos.
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la
varianza?"
Varianza
la varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (¿Por qué al cuadrado?)
y lo bueno de la desviación estándar es que es útil: ahora veremos qué alturas están
a distancia menos de la desviación estándar (147mm) de la media:

4.1.4.- Función Acumulada

La función de distribución acumulada (CDF) calcula la probabilidad acumulada de

un valor dado de x. Utilice la CDF para determinar la probabilidad de que una
observación aleatoria que se toma de la población sea menor que o igual a cierto

11
valor. También puede usar esta información para determinar la probabilidad de que
una observación sea mayor que cierto valor o se encuentre entre dos valores.
Ejemplo de uso de la CDF para evaluar pesos de llenado
Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución
normal, con una media de 12 onzas y una desviación estándar de 0.25 onzas. La
función de densidad de probabilidad (PDF) describe la probabilidad de valores
posibles de peso de llenado. La CDF proporciona la probabilidad acumulada de
cada valor de x.

La CDF para pesos de llenado en cualquier

punto específico es igual al área que se
encuentra por debajo de la curva PDF a la
izquierda de ese punto.
Utilice la CDF para determinar la
probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un
peso de llenado menor que 11.5 onzas, mayor que 12.5 onzas o entre 11.5 y 12.5
onzas.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un

peso de llenado menor que o igual a 11.5 onzas
es la CDF en 11.5 o aproximadamente 0.023.

La probabilidad de que una lata de gaseosa

seleccionada aleatoriamente tenga un peso de
llenado mayor que 12.5 onzas es 1 menos la CDF
en 12.5 (0.977) o aproximadamente 0.023.
12
 La probabilidad de que una lata de gaseosa
seleccionada aleatoriamente tenga un peso
de llenado entre 11.5 onzas y 12.5 onzas es
la CDF en 12.5 menos la CDF en 11.5 o
aproximadamente 0.954.

4.2.- Variables Aleatorias Continua

Una variable aleatoria X es continua si su función de distribución es una función

continua.

En la práctica, se corresponden con variables asociadas con experimentos en los

cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biométricas, intervalos de tiempo, áreas, etc.

Ejemplos

Resultado de un generador de números aleatorios entre 0 y 1. Es el ejemplo más

sencillo que podemos considerar, es un caso particular de una familia de variables
aleatorias que tienen una distribución uniforme en un intervalo [a, b]. Se
corresponde con la elección al azar de cualquier valor entre a y b.

Estatura de una persona elegida al azar en una población. El valor que se obtenga
será una medición en cualquier unidad de longitud (m, cm, etc.) dentro de unos
límites condicionados por la naturaleza de la variable. El resultado es impredecible
con antelación, pero existen intervalos de valores más probables que otros debido
a la distribución de alturas en la población. Más adelante veremos que,
generalmente, variables biométricas como la altura se adaptan un modelo de

13
distribución denominado distribución Normal y representada por una campana de
Gauss.

Dentro de las variables aleatorias continuas tenemos las variables aleatorias

absolutamente continuas.

Diremos que una variable aleatoria X continua tiene una distribución absolutamente
continua si existe una función real f, positiva e integrable en el conjunto de números
reales, tal que la función de distribución F de X se puede expresar como

Una variable aleatoria con distribución absolutamente continua, por extensión, se

clasifica como variable aleatoria absolutamente continua.

En el presente manual, todas las variables aleatorias continuas con las que
trabajemos pertenecen al grupo de las variables absolutamente continuas, en
particular, los ejemplos y casos expuestos.

4.2.1.- Distribución de Probabilidad en Forma General

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos

14
La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.

El área sombreada debajo de la curva en este ejemplo representa el rango de 160

a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un
hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda
el área por debajo de la curva equivale a 1.0.

Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de

una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable
aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
puede utilizar la distribución discreta de Poisson para describir el número de quejas
de clientes en un día. Supongamos que el número promedio de quejas por día es
10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un
día.

15
 x P (X = x)

5 0.037833

10 0.12511

15 0.034718

Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.

Las barras sombreadas en este ejemplo representan el número de ocurrencias

cuando las quejas diarias de los clientes son 15 o más. La altura de las barras suma
0.08346; por lo tanto, la probabilidad de que el número de llamadas por día sea 15
o más es 8.35%.

4.2.2.- Valor esperado

El valor que se espera obtener de un experimento estadístico se llama el valor

esperado. También llamado "esperanza matemática". También lo llamamos "media"
y esta es la palabra que vamos a seguir usando. Si tiramos una moneda 10 veces,
esperamos que salga 5 veces "cara" y 5 veces "cruz". Esperamos obtener este valor
porque la probabilidad de que salga "cara" es 0,5, y si lanzamos la moneda 10
veces, obtenemos 5. Por lo tanto, 5 es la media. Para formalizar este particular
ejemplo de la media, si p es la probabilidad y n el número de eventos, la media es
a = np. Esta es la forma de la media cuando se puede expresar la probabilidad por
medio de la distribución binomial.
Para formalizar el concepto un poco más, en un experimento con resultados
discretos xi para los cuales la probabilidad es P(x i), la media estará dada por
a = SxiP(xi)

16
En el caso de variables continuas donde se expresa la probabilidad en términos de
una función de distribución, la media toma la forma

4.2.3.- Varianza, Desviación Estándar

Desviación estándar
La desviación estándar (σ) mide cuánto se separan los datos.
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la
varianza?"
Varianza
La varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (¿Por qué al cuadrado?)
5

4.2.4.- Función Acumulada

La función de distribución acumulada (CDF) calcula la probabilidad acumulada de

un valor dado de x. Utilice la CDF para determinar la probabilidad de que una
observación aleatoria que se toma de la población sea menor que o igual a cierto
valor. También puede usar esta información para determinar la probabilidad de que
una observación sea mayor que cierto valor o se encuentre entre dos valores.

Ejemplo de uso de la CDF para evaluar pesos de llenado

17
Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución
normal, con una media de 12 onzas y una desviación estándar de 0.25 onzas. La
función de densidad de probabilidad (PDF) describe la probabilidad de valores
posibles de peso de llenado. La CDF proporciona la probabilidad acumulada de
cada valor de x.

La CDF para pesos de llenado en cualquier punto específico es igual al área que se
encuentra por debajo de la curva PDF a la izquierda de ese punto.
Utilice la CDF para determinar la probabilidad de que una lata de gaseosa
seleccionada aleatoriamente tenga un peso de llenado menor que 11.5 onzas,
mayor que 12.5 onzas o entre 11.5 y 12.5 onzas.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un

peso de llenado menor que o igual a 11.5 onzas es la CDF en 11.5 o
aproximadamente 0.023.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un

peso de llenado mayor que 12.5 onzas es 1 menos la CDF en 12.5 (0.977) o
aproximadamente 0.023.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un

peso de llenado entre 11.5 onzas y 12.5 onzas es la CDF en 12.5 menos la CDF en
11.5 o aproximadamente 0.954.

4.2.5.- Cálculos de Probabilidad

Para calcular la probabilidad de un evento se toma en cuenta todos los casos

posibles de ocurrencia del evento; es decir, de cuántas formas puede ocurrir
determinada situación.

18
Los casos favorables de ocurrencia de un evento serán los que cumplan con la
condición que estoy buscando.

Así para el tiro de una moneda tengo 2 casos posibles de ocurrencia (o cae águila
o cae sol) y sólo 1 caso favorable de que pueda caer águila (pues sólo hay un águila
en la moneda).

Para calcular la probabilidad de un evento se utiliza la siguiente fórmula:

Para nuestro ejemplo: Probabilidad de "que caiga un águila" tenemos:

Por lo tanto, existe una probabilidad del 50% que yo obtenga un águila al tirar una
moneda.

Veamos otro ejemplo: Si yo tengo una canasta llena de peras y manzanas, de las
cuales hay 20 peras y 10 manzanas. ¿Qué fruta es más probable que saque al azar
de la canasta?

Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los
casos posibles. Para calcular la probabilidad de sacar una manzana mis casos
favorables son 10 puesto que existen sólo 10 manzanas. Así, aplicando la fórmula
obtenemos que:

19
 ó 33.3% probable

Calculando igual, la probabilidad de sacar pera es:

ó 66.7% probable

Como 66.7 es mayor que 33.3 es más probable que saque una pera, pues hay más
peras que manzanas en la canasta.

Fíjate bien que 33.3% + 66.7% es igual al 100% porque siempre que saques algo
de la canasta es seguro que saques una fruta.

Así, el valor de la probabilidad de un evento imposible es 0 mientras que la

probabilidad de un evento seguro es 1; porque:

20
Conclusión profesional:

Se concluye que para las distribuciones continuas y discretas los dos métodos de
estimación trabajados proporcionan las mismas medidas descriptivas la media, la
varianza, el error promedio de estimación, coeficiente de kurtosis, coeficiente de
asimetría, etc.

La regla más evidente para las probabilidades es que deben variar en valor de 0 a
1. Un evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto
tiene una probabilidad uno de ocurrir.

Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones, etc.; El término elemento
aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados.

Conclusión personal:

Con el objetivo de visualizar la diferencia entre las variables aleatorias discretas y

continuas, podemos decir que las discretas surgen generalmente al contar, mientras
que las continuas aparecen cuando se mide.

Una variable aleatoria continua teóricamente puede asumir cualquier valor entre dos
límites dados, o sea que sus variaciones son infinitesimales, mientras que en las
variables aleatorias discretas existen “saltos” o “interrupciones” entre los valores que
puede tomar.

21
Bibliografía:

Probabilidad y estadística/técnicas de conteo

Luis Rincón

Editorial: Lumisa

Mexico DF.

Probabilidad y Estadística Aplicaciones y Métodos

George C. Canavos

Editorial: McGraw Hill

Mexico 2000

Probabilidad y estadística básica para ingenieros

Rodríguez Ojeda Luis

Editorial: MATLAB

Ecuador 2017

22