Capı́tulo 2

Variables aleatorias discretas y

continuas

2.1. Definición de variable aleatoria

En general cuando se realiza un experimento aleatorio interesa, bien resumir el resultado del mismo
en una medida numérica o bien medir alguna caracterı́stica de interés y expresarlo como un número.
Por ejemplo, al inspeccionar un lote de productos se cuenta el número de defectuosos, en el análisis del
comportamiento de un coche en carretera se calcula la velocidad media y el consumo medio de combustible,
etc. La variable que asocia un número a cada salida de un experimento aleatorio se denomina variable
aleatoria porque los valores numéricos se corresponden con el resultado del experimento que por su
naturaleza no es conocido por adelantado.

Sea (S, P(S), P ) un espacio de probabilidad, una variable aleatoria es una función que asigna un
valor real a cada suceso en el espacio muestral S. En general, se denota por X mayúscula a la variable
y por x minúscula a un posible valor de la variable. El conjunto de posibles valores de la variable se
denomina rango de X.

Las variables aleatorias pueden ser discretas si el conjunto de valores que toma la variable es finito
o infinito numerable y continuas si el rango de la variable es un intervalo de números reales, es decir,
un subconjunto de R.

Por ejemplo, son variables aleatorias discretas el número de defectos sobre una superficie, el número
de clientes que entran en un banco, el número de bits mal transmitidos en un mensaje, etc. La intensidad
de la corriente eléctrica, la presión, la longitud, la temperatura, el tiempo, el voltaje, el peso son algunos
ejemplos de variables aleatorias continuas.

Al estudiar una variable aleatoria el interés se centra en conocer su distribución de probabilidad, es

decir, la probabilidad con la que la variable aleatoria toma los valores de su rango. Siempre que sea posible
se expresa la distribución de probabilidad de la variable como una fórmula. La definición de variables
aleatorias en experimentos aleatorios es tan importante que a veces se acaba ignorando el espacio muestral

27
original y considerando la distribución de probabilidad de la variable aleatoria. De este modo en muchas
ocasiones se puede simplificar la descripción y el análisis del experimento.

2.2. Variables aleatorias discretas

El sistema de comunicación de una empresa tiene 48 lı́neas externas. En un momento dado se observa
el sistema y algunas de las lı́neas están siendo utilizadas. Se define una variable aleatoria X que mide el
número de lı́neas ocupadas en ese instante. El rango de la variable X es el conjunto de valores enteros de
0 a 48, luego es una variable discreta. Si en un momento dado hay 10 lı́neas ocupadas entonces X=10.

Sobre un espacio muestral S se pueden definir muchas variables aleatorias. En el ejemplo anterior se
podrı́a definir una variable aleatoria binaria que tomara el valor 0 si en el sistema hay alguna lı́nea libre
y 1 si el sistema está colapsado (con todas las lı́neas ocupadas).

La distribución de probabilidad de una variable aleatoria discreta X se especifica indicando para cada
valor de su rango la probabilidad correspondiente. En algunos casos en lugar de dar una lista de las
probabilidades es conveniente expresar la probabilidad en términos de una fórmula.

Ejemplo 6. Sea X la variable que mide el número de bits transmitidos incorrectamente en una trans-
misión de 4 bits.

En la siguiente tabla se muestran las posibles transmisiones y el valor de la variable X en cada caso.
Las letras b y m denotan un bit bien y mal transmitido, respectivamente.

{bbbb} X=0
{mbbb}, {bmbb}, {bbmb}, {bbbm} X=1
{mmbb}, {mbmb}, {mbbm}, {bmmb}, {bmbm}, {bbmm} X=2
{bmmm}, {mbmm}, {mmbm}, {mmmb} X=3
{mmmm} X=4
Si la probabilidad de transmitir mal un bit es de 0.1 entonces se puede dar una lista de las probabilidades
de cada valor de X:

P (X = 0) = 0,6561, P (X = 1) = 0,2916, P (X = 2) = 0,0486,

P (X = 3) = 0,0036, P (X = 4) = 0,001.

o bien expresar la probabilidad en términos de una fórmula:

( )
4
P (X = i) = 0,1i 0,94−i i = 0, 1, . . . , 4.
i

Dado (S, P(S), P ) un espacio de probabilidad y X una variable aleatoria discreta cuyo rango de
valores es {xi , i ∈ I} (finito o infinito numerable), su función de masa de probabilidad viene dada
por el conjunto de valores {P (X = xi ) = pi , i ∈ I}. Por ser una función de masa de probabilidad se ha
de verificar:

1. 0 ≤ pi ≤ 1
 ∑
2. i∈I pi = 1

En ocasiones se precisa calcular probabilidades acumuladas, por ejemplo, ¿cuál es la probabilidad de

recibir menos de 2 bits incorrectos en la transmisión de cuatro bits?

P (X < 2) = P ({X = 0} ∪ {X = 1}) = P (X = 0) + P (X = 1) = 0,9477.

Un método alternativo para describir la distribución de probabilidad de una variable es utilizar probabil-
idades acumuladas. Sea una variable aleatoria discreta cuyo rango de valores es {xi , i ∈ I}, los sucesos
“X = xi ”, i ∈ I son mutuamente excluyentes, por tanto:
∑
P (X ≤ x) = P (X = xi )
xi ≤x

Conocidas las probabilidades acumuladas para {xi , i ∈ I} entonces:

P (X = xi ) = P (X ≤ xi ) − P (X ≤ xi−1 )

Dado (S, P(S), P ) un espacio de probabilidad y X una variable aleatoria discreta, su función de
distribución se denota por F (x) y se define como la función real de variable real:
∑
F (x) = P (X ≤ x) = P (X = xi ), x ∈ R.
xi ≤x

La función de distribución de una variable aleatoria discreta X verifica las siguientes propiedades:

1. 0 ≤ F (x) ≤ 1.

2. F (−∞) = 0 y F (+∞) = 1.

3. F (x) es monótona no decreciente, es decir, dados x ≤ y, F (x) ≤ F (y).

4. F (x) es continua por la derecha, tiene lı́mites por la izquierda y es constante en los intervalos
[xi−1 , xi ) donde toma el valor F (xi−1 ).

5. P (X > x) = 1 − P (X ≤ x) = 1 − F (x).

6. P (xi ≤ X ≤ xj ) = F (xj ) − F (xi−1 ).

Notemos que la función de masa de probabilidad y la función de distribución proporcionan probabil-

idades. Además, aunque X sea una variable aleatoria discreta y tome sólo con probabilidad positiva un
número a lo más infinito numerable de valores su función de distribución puede tomar valores no enteros
y su rango es toda la recta real, es decir, la función F (x) está definida para todo valor x ∈ R.

Ejemplo 7. Determinar su función de masa de probabilidad de una variable aleatoria X si su función

de distribución es: 
 0 x < −2


0,2 −2 ≤ x < 0
F (x) =

 0,7 0≤x<2

1 x≥2
 F(x) p
1 1

0.7
0.7

0.2 0.2

-2 0 2 x -2 0 2 x

Figura 2.1: Función de probabilidad y función de distribución de una variable aleatoria discreta

De lo anterior se deduce que los únicos puntos que tienen una probabilidad positiva de ocurrencia son
{−2, 0, 2}:
P (X = −2) = 0,2, P (X = 0) = 0,5, P (X = 2) = 0,3.
En la figura 2.1 se han representado gráficamente ambas funciones. Es importante recordar que una
variable discreta X queda caracterizada conocida bien su función de masa de probabilidad o bien su
función de distribución.

2.3. Variables aleatorias continuas

En algunos experimentos la medida de interés, por ejemplo la intensidad de corriente en un cable,

cambia ligeramente en las distintas réplicas del experimento debido a pequeñas variaciones en variables
no controlables: fluctuaciones de temperatura, vibraciones, etc. Estas medidas pueden representarse por
una variable aleatoria y el rango de valores de la misma es razonable suponer que es un intervalo de
valores reales. El estudio de estas variables aleatorias con valores en un continuo es diferente al de las
variables aleatorias discretas.

Para describir la distribución de probabilidad de una variable aleatoria continua X se introduce un

nuevo concepto: la función de densidad. Un histograma es una aproximación a la función de densidad de
probabilidad. Para cada intervalo del histograma el área de la barra es igual a la frecuencia relativa de
las medidas contenidas en el intervalo correspondiente, es decir, una estimación de la probabilidad de que
una medida caiga en el intervalo. La función de densidad se obtiene como curva lı́mite cuando se dispone
de un número muy grande de observaciones y una amplitud de intervalo muy pequeña.

Dado (S, P(S), P ) un espacio de probabilidad y X una variable aleatoria continua cuyo rango de
valores es {x : x ∈ B ⊂ R} (B coincide con todo R o es un subconjunto del mismo), su función de
densidad de probabilidad se denota por f (x) y es una función real de variable real que verifica:

1. f (x) ≥ 0, x ∈ R
∫ +∞
2. −∞ f (x) dx = 1

3. Para cualesquiera a, b ∈ R:
∫ b
P (a ≤ X ≤ b) = f (x) dx = Area bajo f (x) entre los valores a y b
a
La función de densidad de probabilidad proporciona una descripción simple de las probabilidades asoci-
adas a una variable aleatoria continua. Si se representa gráficamente la función de densidad el área bajo
la curva que dibuja f(x) sobre un intervalo es igual a la probabilidad de que la variable aleatoria continua
tome un valor en ese intervalo. Notemos que para una variable aleatoria continua X no es posible asignar
probabilidades positivas a un número infinito no contable de valores, por tanto para cualquier valor x,
P (X = x) = 0. Esto significa que

P (x1 ≤ X ≤ x2 ) = P (x1 < X ≤ x2 ) = P (x1 ≤ X < x2 ) = P (x1 < X < x2 ).

Ejemplo 8. Sea X una variable aleatoria continua que mide el diámetro de un agujero perforado en una
chapa de metal. El fabricante desea que tenga de diámetro 12.5 mm. Cuando una placa tiene un agujero
con diámetro superior a 12.60 mm es revisada. La mayorı́a de las variaciones aleatorias producidas en el
proceso de fabricación provocan diámetros mayores. Los datos históricos muestran que la distribución de
probabilidad de X se puede describir bien por la siguiente función de densidad:

f (x) = 20e−20(x−12,5) x ≥ 12,5.

¿Qué proporción de placas es revisada? ¿Qué proporción de placas tiene un diámetro entre 12.5 y 12.6
mm?

La probabilidad de revisar una placa será igual

∫ +∞
20e−20(x−12,5) dx = −e−20(x−12,5) | 12,6 = 0,135.
+∞
P (X > 12,60) =
12,6

Para la segunda cuestión si se tiene en cuenta que el área bajo f (x) es 1,

P (12,5 < X < 12,6) = 1 − P (X > 12,6) = 1 − 0,135 = 0,865

Al igual que con las variables discretas una alternativa para describir la distribución de probabilidad
de una variable continua X es la función de distribución.

Dado (S, P(S), P ) un espacio de probabilidad y X una variable aleatoria continua, su función de
distribución se denota por F (x) y se define como la función real de variable real:
∫ x
F (x) = P (X ≤ x) = f (u) du, x ∈ R.
−∞

La función de distribución de una variable aleatoria continua X verifica las siguientes propiedades:

1. 0 ≤ F (x) ≤ 1.

2. F (−∞) = 0 y F (+∞) = 1.

3. F (x) es monótona no decreciente, es decir, dados x ≤ y, F (x) ≤ F (y).

4. F (x) es una función continua en R.

5. P (X > x) = 1 − P (X ≤ x) = 1 − F (x).
 6. Si f (x) es continua, entonces F (x) es derivable y verifica

d F (x)
f (x) =
dx

7. Dados dos valores reales a ≤ b, P (a ≤ X ≤ b) = F (b) − F (a).

Ejercicio 7. Calcular la función de distribución de la variable introducida en el ejemplo 8.

2.4. Distribución de una función de variable aleatoria

En algunas circunstancias se conoce la distribución de probabilidad de una variable aleatoria X y el

interés se centra en una función de la misma. Por ejemplo, se conoce la distribución del tiempo de vida de
una componente eléctrica y la relación que existe entre el tiempo de vida y el coste de mantenimiento de la
misma, el coste por unidad de tiempo es menor cuando la componente es nueva. Conocida la distribución
de probabilidad del tiempo de vida y la relación funcional existente entre tiempo y coste se puede conocer
la distribución del coste.

La necesidad de calcular distribuciones de probabilidad de una función de una variable aleatoria

también se presenta cuando se realiza un cambio de variable. En lugar de trabajar con una variable
aleatoria directamente se estudia una función de la misma para una vez concluido el análisis deshacer el
cambio e interpretar los resultados para la variable original.

Otro motivo que justifica el estudio de las funciones de variables aleatorias es su utilización en infer-
encia estadı́stica. Los estadı́sticos que se definen y se estudian más adelante son funciones de variables
aleatorias y en muchas ocasiones es posible obtener sus distribuciones de probabilidad conocidas las de
las variables aleatorias sobre las que se calculan.

Sea X una variable aleatoria discreta con función de masa de probabilidad {pi , i ∈ I}. Sea Y = h(X),
donde h es una función conocida, entonces el rango de la variable aleatoria Y es el conjunto de valores
{yi = h(xi ), i ∈ I} que toma con probabilidad
 
∪ ∑
P (Y = yi ) = P  {X = xi } = P (X = xi )
{xi : h(xi )=yi } {xi : h(xi )=yi }

Ejemplo 9. Sea X la variable aleatoria que cuenta el número de caras obtenido en tres lanzamientos de
2
una moneda legal. Determinar la distribución de probabilidad de la variable Y = (X − 1) .

La distribución de masa de probabilidad de X es fácil de calcular:

X 0 1 2 3
P (X = xi ) 0.125 0.375 0.375 0.125

La nueva variable aleatoria Y es función de X, además es discreta con rango de valores es {0, 1, 4} y los
toma con probabilidad 0,375, 0,5 y 0,125, respectivamente.
 Sea X una variable aleatoria continua con función de densidad fX (x) distinta de cero en I ⊂ R.
Sea g(x) una función definida sobre I. Si g(I) es un conjunto discreto de valores, la variable aleatoria Y
definida como Y = g(X) es discreta con rango de valores g(I) y función de masa de probabilidad:
∫
Para yi ∈ g(I) P (Y = yi ) = f (x) dx
x: g(x)=yi

Ejemplo 10. Sea X una variable aleatoria con función de densidad

{ 2
x
9 si 0 < x < 3
f (x) =
0 en otro caso

y sea Y una variable aleatoria que se define como función de X:


 −1 si X < 1
Y = 0 si X = 1

1 si X > 1

Determinar la distribución de probabilidad de Y .

El rango de valores de Y es {−1, 1} y su función de masa de probabilidad: P (Y = −1) = 1/27 y

P (Y = 1) = 26/27.

Sea X una variable aleatoria continua con función de densidad fX (x) distinta de cero en I ⊂ R. Sea
g(x) una función definida sobre I biyectiva. La variable aleatoria Y definida como Y = g(X) es continua
con rango de valores g(I) y función de densidad:
{ ( )  ′


fX g −1 (y) (g −1 ) (y) si y ∈ g(I)
fY (y) =
0 en otro caso

donde con ′ se denota la operación derivada. La funciones continuas estrictamente crecientes o decrecientes
son ejemplos de funciones biyectivas. Además sólo se exige que g(x) sea biyectiva sobre I.

Ejemplo 11. Sea X una variable aleatoria Normal de media µ y desviación estándar σ, su función de
densidad es:
1 (x−µ)2
f (x) = √ e− 2σ2 x ∈ R.
2πσ
Se define la variable aleatoria Y = eX , calcular su distribución de probabilidad.

La función g(x) = ex es una función creciente en R por tanto es biyectiva sobre R y diferenciable, esto
permite garantizar que la relación inversa existe. Se tiene que g −1 (y) = ln(y) y el rango de Y es {y > 0}.
La función de densidad de la variable Y es,
{ (lny−µ)2
√ 1 − 2σ2
e , si y > 0
fY (y) = 2πσy
0 en otro caso

La variable aleatoria Y se conoce con el nombre de log-normal. Esta distribución se emplea en la evaluación
de los efectos de fatiga sobre materiales y en la representación del efecto multiplicativo de muchos errores
fı́sicos pequeños.
2.5. Ejemplo de una variable aleatoria mixta: Bomba de agua
en espera

Sea X la demanda de agua de una comunidad de regantes con distribución de probabilidad triangular:
{ −4
10 (x − 50) 50 ≤ x ≤ 150
f (x) =
2 · 10−2 − 10−4 (x − 50) 150 ≤ x ≤ 250

Cuando la demanda supera los 150 m3 se pone en funcionamiento la segunda bomba o bomba de reserva.
Sea Y la variable aleatoria definida como el agua bombeada por la segunda bomba, entonces la función
de distribución de la variable Y :
∫ 150
P (Y ≤ 0) = P (Y = 0) = P (50 ≤ X ≤ 150) = 10−4 (x − 50)dx = 0,5
∫ 150 50 ∫ y+150
−4
P (Y ≤ y) = P (X ≤ 150 + y) = 10 (x − 50)dx + (10−2 − 10−4 (x − 50))dx =
50 150
= 1 − 10−4 (100 − y)2 , 0 < y ≤ 100

Luego la distribución de Y es mixta:

P (Y = 0) = 0,5
dG(y)
g(y) = = 10−4 (100 − y), 0 < y ≤ 100
dy
El valor esperado del agua bombeado por la segunda bomba:
∑ ∫ ∞ ∫ 100
1
E(Y ) = yP (Y = y) + yg(y)dy = 0 · + y10−4 (100 − y)dy = 16,7m3
y −∞ 2 0

Si nos interesa la variable agua bombeada por la segunda bomba cuando bombea agua, YT = Y |Y > 0
es una variable truncada en Y = 0 y su función de densidad es:

g(y)
gT (y) = = 2g(y), 0 < y ≤ 100
P (Y > 0)

y el valor esperado:
∫ ∞ ∫ 100
E(YT ) = yT gT (y)dyT = 2y10−4 (100 − y)dy = 33,3m3
−∞ 0