Variables

Aleatorias y Distribuciones
de Probabilidad
Investigacin de Operaciones
Julio 2015

Variable Aleatoria
Una variable aleatoria es una funcin que asocia un nmero real

a cada elemento del espacio muestral.

Ejemplo 1: El espacio muestral que da una descripcin detallada
de cada resultado posible cuando se prueban tres componentes
electrnicos se puede escribir como:
{NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
Donde N denota no defectuoso y D defectuoso. Es natural estar
interesado en el nmero de defectuosos que puedan ocurrir. De sta
forma a cada punto del espacio muestral se le asignar un valor
numrico de 0,1,2 3.
stos valores son canLdades aleatorias determinadas por los

resultados del experimento estadsLco.

Se uLlizar la letra mayscula X para denotar una variable
aleatoria y su respecLva minscula x para uno de sus valores.

Variable aleatoria
En el Ejemplo, notamos que la variable aleatoria X

toma el valor 2 para los elementos del subconjunto

E={DDN,DND,NDD}del EM.
Ejemplo 2: Se sacan dos bolas de manera sucesiva sin
reemplazo de una urna que conLene cuatro bolas
rojas y tres negras. Los posibles resultados y los
valores y de la variable aleatoria Y, donde
Y es el nmero de bolas rojas, son:

Variable Aleatoria
Espacio Muestral

RR

RN

NR

NN

Variable Aleatoria
Ejemplo 3: El empleado de una almacn regresa tres cascos de

seguridad al azar a tres empleados de un taller siderrgico que ya los

haban probado. Si Vidal, Snchez e Isla, en ese orden, reciben uno de
los tres cascos, listar los puntos muestrales para los posibles rdenes
de regreso de los cascos y encontrar el valor de m de la variable
aleatoria M que representa el nmero de asociaciones correctas.
Si V, S e I representan los cascos de Vidal, Snchez e Isla,
respecLvamente, entonces los posibles arreglos en los cuales se
pueden regresar los cascos y el nmero de asociaciones correctas son:

Variable Aleatoria
EM

VSI

VIS

SVI

SIV

IVS

ISV

Variable Aleatoria
Cada uno de los espacios muestrales anteriores conLene un

nmero nito de elementos.

Ejemplo 4: Cuando se lanza un dado hasta que ocurre un cinco,
obtenemos un espacio muestral con una secuencia interminable
de elementos {C, NC, NNC, NNNC, NNNNC,} donde N y C
representan respecLvamente la ocurrencia y no ocurrencia de
un cinco. Pero incluso en ste experimento el nmero de
elementos puede ser igual a todos los nmeros enteros, de
modo que hay primer, segundo, tercer elemento, y en ese
senLdo todos se pueden contar.
Si un espacio muestral conLene un nmero nito de
posibilidades con tantos elementos como nmeros enteros
existe, se llama espacio muestral discreto (EMD)
Los resultados de algunos experimentos estadsLcos no pueden
ser nitos ni contables.

Variable Aleatoria
Ejemplo 5: cuando se lleva a cabo una invesLgacin para

medir la distancia que recorre un Hyundai Accent en ruta,

con una canLdad preestablecida de 5 litros de
combusLble. Supongamos que la distancia es una variable
que se mide con algn grado de precisin, por lo tanto
tenemos un nmero innito de posibles distancias en el
EM, que no se puede igualar a todos los nmeros enteros.
Ejemplo 6: Si se registrara el Lempo requerido para ser
atendido despus de esperar en la cola del banco. Una vez
ms los posibles intervalos de Lempo que forman nuestro
EM son innitos en nmero e incontables.
Si un EM conLene un nmero innito de posibilidades
igual al nmero de puntos, se llama espacio muestral
conLnuo.

Variable Aleatoria
Una variable aleatoria se llama variable aleatoria discreta

(v.a.d.) si se puede contar su conjunto de resultados posibles.

Cuando una variable aleatoria puede tomar valores en una
escala conLnua, se le denomina variable aleatoria conLnua
(v.a.c.). Muchas veces los posibles valores de una v.a.c. son
precisamente los mismos valores que conLene el EMC. Tal
como ocurre en los Ejemplos 5 y 6.
En la mayor parte de los problemas prcLcos, las v.a.c.
representan datos medidos, como son los posibles pesos,
alturas, temperaturas o perodos de vida, mientras que las v.a.d.
representan datos contados, como en los Ejemplos 1, 2, 3 y 4.
Con frecuencia es conveniente representar las probabilidades
de una v.a. X mediante una frmula. Tal frmula
necesariamente sera una funcin de los valores numricos x
que denotaremos con f(x), g(x), r(x) y as sucesivamente. Por lo
tanto, escribimos f(x)=P(X=x), es decir, f(3)=P(X=3).

Distribuciones de probabilidad
El conjunto de pares ordenados (x, f(x)) se llama funcin

de probabilidad o distribucin de probabilidad de la v.a.d.

X
El conjunto de pares ordenados (x, (x)) es una funcin de
probabilidad, funcin de masa de probabilidad o
distribucin de probabilidad de la v.a.d. X, si para cada
resultado posible x,
1.
2.
3.

(x) 0
(x) =1
P (X=x) = (x)

Ejemplo 7: Si lanzamos un dado, sabemos que el espacio

muestral E (esto es, todos los casos posibles) es: E = {1, 2,

3, 4, 5, 6}. Calcule la probabilidad de que la variable sea
mayor que 3.

Distribuciones de probabilidad
P[X>3] = P[X = 4] + P[X = 5] + P[X = 6] =

1/6 +1/6 +1/6=3/6=1/2.

Distribuciones de probabilidad
Hay muchos problemas donde queremos calcular la

probabilidad que el valor observado de una v.a. X sea

menor o igual que algn nmero real x.
La distribucin acumulada F(x) de una v.a.d. X con
distribucin de probablidad (x) es:
F(x) = P(Xx) = (t), - < x <
Para la v.a. M, el nmero de asociaciones correctas en
el ejemplo 3 tenemos:
F(2.4) = P(X2.4) = (0) + (1) = 1/3 + = 5/6

Distribuciones de probabilidad
La distribucin acumulada de M es:
F(m) =
Notar que la distribucin acumulada se dene no slo

para los valores que toma la v.a. dada, sino para todos
los nmeros reales.

Distribuciones Continuas de
Probabilidad
Una v.a.c. Lene una probabilidad cero de tomar exactamente

cualquiera de sus valores.

Ejemplo 8: Consideremos una v.a. cuyos valores son las alturas de
toda la gente mayor de 21 aos de edad. Entre cualquiera dos valores,
digamos 163.5 y 164.5 cenpmetros, o incluso 163.99 y 164.01
cenpmetros, hay un nmero innito de alturas, una de las cuales es
164 cenpmetros. La probabilidad de seleccionar una persona al azar
que mida exactamente 164 cenpmetros de altura y no sea una del
conjunto innitamente grande de alturas tan cercanas a 164
cenpmetros que humanamente no se pueda medir la diferencia es
remota, por esto asignamos una probabilidad cero a tal evento.
Sin embargo, s podemos referirnos a la probabilidad de seleccionar
una persona que al menos mida 163 cenpmetros pero no ms de 165
cenpmetros de estatura. En este caso, tratamos con un intervalo en
lugar de un valor puntual de nuestra v.a.

Distribuciones Continuas de
Probabilidad
Trataremos el clculo de probabilidades para varios intervalos de

v.a.c. como P(a<X<b), P(W>c), etc.

Notar que cuando X es una v.a.c.
P(a < X < b) = P(a < X < b) + P{X = b) = P(a<X < b)
Es decir, no importa si incluimos o no un extremo del intervalo. Sin
embargo, esto no es cierto cuando X es una v.a.d.
La distribucin de probabilidad de una v.a.c. no se puede representar
de forma
tabular, sin embargo se puede establecer como una
frmula. Al tratar con v.a.c., f(x) por lo general se llama funcin de
densidad de probabilidad, o simplemente funcin de densidad de X.
Como X se dene sobre un EMC, es posible que f(x) tenga un nmero
nito de disconLnuidades. Sin embargo, la mayor parte de las
funciones de densidad que Lenen aplicaciones prcLcas en el anlisis
de datos estadsLcos son conLnuas y sus grcas pueden tomar varias
formas.

Distribuciones Continuas de
Probabilidad
Una

funcin de densidad de probabilidad se

construye de modo que el rea bajo su curva limitada
por el eje x sea igual a 1 cuando se calcula en el rango
de X para el que se dene f(x).

Distribuciones Continuas de
Probabilidad
En la gura anterior, la probabilidad que X tome un

valor entre a y b es igual al rea sombreada bajo la

funcin de densidad entre las ordenadas x=a y x=b, y
del clculo integral es dada por:

La funcin

es una funcin de densidad de

probabilidad para la v.a.c. X, denida en el conjunto
de nmeros reales si
1. (x) 0,
2. =1

Distribuciones Continuas de
Probabilidad
Ejemplo 9: Supongamos que el error en la

temperatura de reaccin en C para un experimento

de laboratorio controlado es una v.a.c. X que Lene la
funcin de densidad de probabilidad
(x) =
a) Vericar la condicin 2 anterior
b) Calcular P(0< X <1)
La distribucin acumulada F(x) de una v.a.c. X con
funcin densidad (x) es
F(x) = P (Xx) = - < x <

 De lo anterior, se concluye inmediatamente, s existe la

derivada.
Ejemplo 10: Para la funcin densidad del Ejemplo 9,
calcular F(x), y usarla para calcular P(0 < X <=1). Gracar
F(x).
Ejemplo 11: Si se lanzan 16 veces dos monedas y X es el
nmero de caras que ocurre por lanzamiento, entonces
los valores de X pueden ser 0, 1 2. Supongamos que
en el experimento salen cero caras (cuatro veces), una
cara (siete veces) y dos caras (cinco veces). El nmero
promedio de caras por lanzamiento de las dos monedas es
(0)(4)+(1)(7)+(2)(5)
16