4.

Variables aleatorias
4.1. Concepto
Considera el experimento aleatorio que consiste en lanzar dos monedas, cada una con una
cara (c) y una cruz (+). El espacio muestral de este experimento es:
Ω = {(c,c),(c, +),(+, c),(+, +)}
Podemos asignar un valor numérico a cada uno de los
resultados posibles, por ejemplo, el número de caras ob-
tenidas. Esta asignación define una función del espacio (c, c)
muestral en el conjunto de los números reales. 2
(c, +)
A las funciones definidas de esta forma las denominamos
1
variables aleatorias, y las representamos mediante una le- (+, c)
tra mayúscula, por ejemplo X.
Una variable aleatoria, X, es cualquier función que asigne (+, +) 0
un número real a cada resultado posible de un experi-
mento aleatorio:
X: Ω → R Fig. 3.

ω → X(ω)
Observa que pueden asociarse diferentes variables aleatorias a un mismo experimento. Así,
por ejemplo, al lanzar dos monedas podemos considerar, además, la variable que hace
corresponder a cada resultado el número de cruces obtenidas, la que asigna a cada resul-
tado el valor 1 si contiene alguna cruz o el valor -1 si no contiene ninguna.
O ES RA
UP IÉN S BL DO
Y TAMB

REC RTA
TIC

LCULA
EN GR

y también: 4.2. Tipos de variable aleatoria

O

CA

El conjunto de valores que Una variable aleatoria es una función, por lo que tiene un
puede tomar una variable dominio y un recorrido. El dominio es el espacio muestral Ω
aleatoria discreta puede ser asociado con un experimento aleatorio y el recorrido es un
infinito.
subconjunto de ℝ.
Así, por ejemplo, considera
el experimento aleatorio que Las variables aleatorias que hemos considerado hasta aho-
consiste en lanzar una mone-
da hasta conseguir una cara.
ra solo toman valores dentro de un conjunto finito de ele-
El espacio muestral consta de mentos: {0, 1, 2}, {-1, 1},…
infinitos resultados:
Diremos que se trata de variables aleatorias discretas.
Ω = {c, + c, + + c, + + + c, …}
Considera, ahora, el experimento aleatorio que consiste en
De esta forma, la variable escoger al azar un estudiante de la clase y la variable alea-
aleatoria que asigna a cada
toria que asigna a cada uno de ellos su altura. Esta variable
Prohibida su reproducción

resultado el número de tira-

das puede tomar cualquier aleatoria puede tomar, en principio, cualquier valor dentro
valor dentro del conjunto de de un intervalo del conjunto de los números reales ℝ.
los números naturales:
ℕ = {1, 2, 3, 4, …} Diremos que se trata de una variable aleatoria continua.
Una variable aleatoria es continua si su recorrido es uno o va-
rios intervalos de ℝ. Caso contrario, diremos que es discreta.

192
5. Distribución de probabilidad de una variable aleatoria discreta
Considera de nuevo la variable aleatoria X, que asigna a cada resultado del lanzamiento de dos mo-
nedas el número de caras obtenidas. ¿Cuál es la probabilidad de que esta variable tome el valor 0?
Esta variable toma el valor 0 cuando en el lanzamiento de las dos monedas obtenemos dos cruces.
Por lo tanto, la probabilidad de que X tome el valor 0 es la probabilidad de conseguir dos cruces en
el lanzamiento de dos monedas.

1
P(X = 0) = P({(+, +)})=
4
De la misma manera, tenemos:
1
P(X = 1) = P({(c, +), (+, c)}) =
2
1
P(X = 2) = P({(c, c)})=
4

Así pues, podemos asignar a cada valor xi del recorrido de la va- xi 0 1 2

riable aleatoria X la probabilidad de que X tome dicho valor, tal y
P(X = xi) 1 1 1
como observamos en la tabla de la derecha. A esta asignación
4 2 4
de probabilidades la llamamos distribución de probabilidad.
Tabla 4.
5.1. Función de probabilidad
Considera, ahora, la función � que asigna a cada número real x la probabilidad de que la
variable aleatoria X tome ese valor. Esta función cumple lo siguiente:
• Si x no es un valor del recorrido de la variable, �(x) = P(X = x) = 0.
• Si x es un valor del recorrido de la variable, �(x) = P(X = x) vendrá dada por la distribu-
ción de probabilidad de X.
Así, en el ejemplo que analizamos: 1 si x = 0
4
1 si x = 1
� (x) = 2
1 si x = 2
4
0 en otro caso

A esta función la llamamos función de probabilidad de X y la po-

xi 0 1 2
demos expresar también en forma de gráfica o tabla de valores,
tal y como vemos a la derecha. Observa que, para los valores de f (x) 1 1 1
x que no aparecen en la tabla, se cumple que �(x) = 0. 4 2 4
Tabla 5.
En general:
Prohibida su reproducción

Llamamos función de probabilidad de una variable aleatoria discreta X a la función que asigna
a cada número real x la probabilidad de que X tome el valor x:
�: ℝ → ℝ
x →�(x)= P (X = x)

193
 6. Distribución de probabilidad de una variable aleatoria continua
Considera el experimento que consiste en escoger al azar una persona, y la variable aleato-
ria que asigna a cada una su peso. Esta variable puede tomar, en principio, cualquier valor
dentro de un intervalo de ℝ, por lo que hemos de distribuir la probabilidad entre infinitos
valores.
En consecuencia, la probabilidad de que una variable aleatoria continua tome un valor
determinado es, en general, cero. Debemos entonces buscar una alternativa para describir
las probabilidades asociadas con este tipo de variables.

6.1. Función de densidad

Efectuamos tres estudios estadísticos sobre los ingresos mensuales de las familias ecuatoria-
nas y obtenemos los siguientes histogramas de frecuencias relativas.
Estudio A: Muestra de 100 familias Estudio B: Muestra de 1000 familias Estudio C: Muestra de 10 000 familias

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
Miles de Miles de
Miles de

Tabla 6.
Observa que cada vez se han considerado muestras con un mayor número de familias y los ingresos
se han agrupado en intervalos cada vez más pequeños.
Así, en el caso de que la muestra fuera infinitamente grande y los intervalos, infinitamente estrechos,
el perfil del histograma se convertiría en la gráfica de la función � de la figura.
Nos preguntamos ahora cuál es la probabilidad de que una familia tenga unos ingresos de entre
1000 y 2000 dólares. Según la definición experimental de probabilidad, la probabilidad de un suceso
es el número al que tienden sus frecuencias relativas cuando aumenta el número de realizaciones
del experimento.
Por tanto, para hallar la probabilidad anterior, observamos el número hacia el que tiende la frecuen-
cia relativa del intervalo [1, 2] conforme tomamos muestras cada vez mayores.
Este número se corresponde con el área bajo la gráfica representada en la figura, que, como sabe-
mos, viene dada por la integral definida de � entre 1 y 2.
Vemos, entonces, que f nos permite asociar probabilidades a la variable aleatoria continua X.
2
P(1 ≤ X ≤ 2)= ∫1 �(x)dx
Esta función recibe el nombre de función de densidad. En general, llamamos función de densidad
de una variable aleatoria continua X a una función f que cumple las siguientes condiciones:
Prohibida su reproducción

+∞
�(x) ≥ 0 ∀ x ∫-∞ �(x)dx =1
La función de densidad asigna a cada intervalo real [a, b] la probabilidad de que la variable alea-
toria X esté comprendida en este intervalo mediante la expresión:
b
P(a ≤ X ≤b) = ∫a f (x)dx

194
 7. Parámetros descriptivos
Como ya sabemos, para entender los resultados de una distribución estadística, es común utilizar
medidas descriptivas para resumir las características principales de los datos.
Dado que podemos considerar una distribución de probabilidad como el caso límite de una distribu-
ción estadística, definimos la media aritmética, la varianza y la desviación estándar, para variables
aleatorias, y sustituimos las frecuencias relativas por probabilidades.

7.1. Esperanza
En distribuciones estadísticas, utilizamos el valor esperado como una medida del centro de los datos.
Recuerda que, para una distribución estadística con x1,…, xi,… datos, cuya frecuencia absoluta res-
pectiva es n1,…,ni,… , la media aritmética está dada por la ecuación:
∑i xi ⋅ n i
x= ,
N
ni
pero recuerda que es el valor de la probabilidad de la variable aleatoria P(X = xi ) = �(xi). Así pues,
N
podemos considerar una distribución de probabilidad como el caso límite de una distribución esta-
dística y definir la media aritmética para variables aleatorias, sustituyendo las frecuencias relativas
por probabilidades, por lo que podemos reescribir la expresión del valor medio como:

μ= ∑ x ⋅ �(x )
i i UP
O IÉN S BL
ES

Y TAMB

REC RTA
TIC
EN GR
i
y también:

O
En una distribución de probabilidad, a este valor lo conocemos
como la esperanza, E(X), de la variable aleatoria X. Propiedades de la esperanza:
Para todo número k ∈ ℝ, y
Juegos de azar para dos variables aleatorias
X y Y:
A un juego de azar podemos asociarle siempre una variable
E(k) = k
aleatoria X, cuyos valores son las ganancias correspondientes a E(X + k) = E(X) + k
los posibles resultados. E(k ∙ X) = k ∙ E(X)
E(X + Y) = E (X) + E(Y)
La esperanza de X representa el beneficio medio en cada juga-
da cuando consideramos un número muy elevado de ellas.

• Si μ > 0, decimos que el juego favorece al jugador.

• Si μ < 0, decimos que el juego perjudica al jugador.
• Si μ = 0, decimos que el juego es equitativo.

Un juego consiste en extraer una bola de una urna que contiene ocho bolas blancas y dos bolas negras.
Ejemplo 8

Cobramos $ 0,5 si la bola extraída es blanca, y pagamos $ 2,25 si es negra. ¿Cuánto será la ganancia o
pérdida media por cada juego?
Prohibida su reproducción

Consideramos la variable aleatoria X que asigna a cada resultado la ganancia correspondiente. Puesto
que: P (blanca) = 0,8 y P (negra) = 0,2, la función de probabilidad será:

En este caso:
x -2,25 + 0,5 μ = -2,25 ⋅ 0.2 + 0,5 ⋅ 0,8 = -0,05
� (x) 0,2 0,8 Por lo tanto, cabe esperar una pérdida media de $ 0,05 por partida.

195
 7.2. Varianza
Recuerda ahora que, para una distribución estadística, la varianza nos permite medir la dis-
persión de los datos. En otras palabras, por medio de la varianza, podemos medir qué tan
lejos está cada dato del valor medio. Observa que, para una distribución de probabilidad,
podemos escribir:
σ2 = E(X - μ)2
Este valor nos dará como resultado el promedio de la distancia entre el valor xi y la media μ,
elevada al cuadrado. Por tanto, definimos:

La varianza es un valor de dispersión de los datos, que es mayor mientras haya más
variabilidad, y menor si los datos son más homogéneos. La expresamos como:

σ2 = ∑ (xi -μ)2 ⋅ �(xi)

Propiedades:
σ2(x + k) = σ2(x)
i σ2(kx) = k2 σ2(x)
La desviación estándar es la raíz cuadrada de la varianza: σ =√ σ2

Calcula la esperanza, la varianza y la desviación típica de la variable aleatoria X cuya función de den-
sidad es:
Ejemplo 9

1
si x ∈ [1, 4]
f(x) = 3
0 si x ∉ [1, 4]
Aplicamos la fórmula que empleamos para calcular la esperanza:
4
+∞ 1 4 1 +∞ 1 4 1 x2 1 42 12
μ= ∫ x ∙ f(x) dx = ∫ x ∙ 0 dx + ∫ x ∙ dx + ∫ x ∙ 0 dx = ∫1 x dx = 3 = - = 2,5
-∞ -∞ 1 3 1 3 2 1 3 2 2
De la misma manera, calculamos la varianza:
+∞ 1 4 1 +∞ 1 4
σ2 = ∫ x2 ∙ f(x) dx - μ2 = ∫ x2 ∙ 0 dx + ∫ x2 ∙ dx + ∫ x2 ∙ 0 dx - (2,5)2= ∫1 x2 dx - (2,5)2=
-∞ -∞ 1 3 4 3
4
1 x3 1 43 13
= - (2,5)2 = - - (2,5)2 = 0,75
3 3 1 3 3 3

Finalmente, hallamos la desviación típica: σ = √σ2 = √0,75 = 0,866

Actividades

10. Calcula la esperanza, la varianza y la desviación típica de la variable aleatoria que indica la suma
de las puntuaciones obtenidas al lanzar dos dados.

11. Un juego consiste en lanzar dos dados, de forma que se cobran tantos dólares como indique la
suma de puntos si esta es un número primo, o bien, se pagan $ 5 en caso contrario.
Prohibida su reproducción

a. Obtén la función de probabilidad f de la variable aleatoria X que indica la ganancia correspon-

diente a cada resultado.
b. Determina si el juego es equitativo.

12. Partiendo de la definición de varianza, σ2 = E(X - μ)2, deduce que la misma puede también ser
expresada como σ2 = E(X2) - [E(X)]2, o lo que es lo mismo, σ2 = ∑i(xi2⋅ � (xi )) - μ2.

196