Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables Aleatorias
3. VARIABLES ALEATORIAS
Una variable aleatoria es discreta si slo puede tomar una cantidad finita o
infinita numerable de valores. Si por el contrario, la variable aleatoria puede tomar
cualquier valor de un conjunto infinito no numerable, entonces la variable es
continua.
Desde luego, el anlisis de una variable aleatoria discreta difiere del de una
variable aleatoria continua. Esto se expresa a continuacin.
3.1 VARIABLES ALEATORIAS DISCRETAS. FUNCIN DE PROBABILIDAD.
El comportamiento aleatorio de una variable aleatoria discreta se analiza a
travs de una funcin de probabilidad.
Definicin:
Sea X una variable aleatoria discreta, cuyo rango (conjunto de valores posibles) es
el conjunto que denotamos por RX. Se define la funcin de probabilidad de X
como:
f X : R X [0,1]
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
3.1.1 PROPIEDADES
La funcin de probabilidad de una variable aleatoria discreta tiene las
siguientes propiedades:
1) Sus valores estn entre 0 y 1
0 f X ( x) 1
x R X
xR X
( x) = 1
P ( x0 x x1 ) =
x1
x = x0
( x)
Ejemplo 3.1.1.1
1
1/6
2
1/6
3
1/6
4
1/6
5
1/6
6
1/6
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
Es decir,
fX(1)=P(X=1) = P(el resultado del lanzamiento es 1) = 1/6
fX(2)=P(X=2) = P(el resultado del lanzamiento es 2) = 1/6
.
La probabilidad de que el resultado est entre 2 y 5 es:
P(2X5)
=
=
=
=
P(2 X 5) =
4
6
f X ( x) 0
2) El rea bajo la funcin es uno.
RX
x R X
f X ( x)dx = 1
P( x0 X x1 ) = f X ( x)dx
x0
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
Ejemplo 3.2.1
2 1
1
1
4
1 1
1
El rea bajo la curva es A = x + dx = x 2 + x = + 1 = 1
1
2
2 1 6
6 2
3
6
A=1
P (1 x 1.5) =
P (1 x 1.5) =
1.5
1
9 3 1 1 27 16 11
1
1 2 1
+ =
=
x + dx = x + x =
2
2 1
24 4 6 2 24 24 24
3
6
11
24
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
f X (x)
x x0
x0
Si X es continua FX( x0 ) =
f X (x) dx ,
en donde a es el valor ms
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
Ejemplo 3.3.1.1
x
fX(x)
-5
0.2
-1
0.01
1
0.3
1.5
0.29
3
0.2
Resolucin:
FX( -5 )= P (X -5) = P( X = -5) = 0.2
FX( -1 )= P (X -1)= P( X = -5)+ P(X = -1)= 0.2 + 0.01 = 0.21
FX( 1 )= P (X 1)= P( X = -5) + P(X = -1) + P(X =1)= 0.2 + 0.01 + 0.3 = 0.51
FX( 1.5 )=P(X 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)
= 0.2 + 0.01+ 0.3 + 0.29 = 0.8
FX( 3 ) = P(X 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)+P(X=3)
= 0.2 + 0.01+ 0.3 + 0.29 + 0.2 = 1
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
x
fX(x)
FX(x)
-5
0.2
0.2
-1
0.01
0.21
1
0.3
0.51
1.5
0.29
0.8
3
0.2
1
Por lo tanto, P(-1 < X 1.5 ) = FX(1.5) - FX(-1) = 0.8 0.21 = 0.59
La comisin por ventas que una empresa ofrece a sus agentes crece dependiendo
de los rangos de ventas individuales, la tasa de crecimiento es una variable
aleatoria X que tiene funcin de densidad
; 0 x 1
cx
1
f X ( x ) = cx + ; 1 < x 2
2
0
;
en
otro caso.
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
Resolucin
Lo primero que debemos hacer es determinar el valor de la constante c de manera
que la funcin fX(x) planteada sea realmente una funcin de densidad.
La primera condicin que debe cumplir la funcin es ser positiva para todo valor de
x. Para ello, en esta funcin, basta con que c> 0.
La segunda condicin que debe cumplir es integrar uno. Veamos:
1
1 = cx dx +
0
cx 2
cx 2 x
1
+ = 4c
cx + dx =
+
2
2 1
2 0 2
c=
1
4
1
1
x + ; 1< x 2
f X (x) = 4
2
0 ; en otro caso.
Si 1 < x < 2
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
Si x < 1, FX(x) =
Si 1 < x < 2 ,
xy
0 4
dy =
FX(x) =
x2
8
x
x y
1
1 y2 y
x2 x 1
0 4dy + 1 4 + 2 dy = 8 + 8 + 2 = 8 + 2 + 8
1
1y
Por lo tanto,
;
x<0
0
2
x
; 0 x 1
8
2
x 1
x
+ + ; 1< x 2
f X (x) = 8 2 8
1
;
x > 2.
(1.2 )2
8
1.2 1 (0.5 )
+
= 0.87375
2
8
8
2
UNAM-Facultad de Ingeniera
Probabilidad
Variables Aleatorias
F X (~
x ) = 0.5
3) VALOR ESPERADO (MEDIA): El valor esperado de una variable aleatoria,
tambin conocido como media o esperanza matemtica, se puede
interpretar como el valor que en promedio tomara una variable aleatoria en
un nmero grande de repeticiones del experimento, aunque tambin se
puede interpretar como el valor que cabe esperar que tome la variable
aleatoria en la siguiente realizacin del experimento. El valor esperado de
una variable aleatoria se define como sigue:
a. Si X es discreta
E ( X ) = = xf X ( x)
x
b. Si X es continua:
E( X ) = =
xf
( x)dx
Ejemplo 3.4.1.1
UNAM-Facultad de Ingeniera
10
Probabilidad
Variables Aleatorias
12 2
49 x
12
f X ( x) = x 3
49
0
0 x 1
1 x 2
; en otro caso
Resolucin:
2
12 5
12 4
12 3
12
E ( X ) = xf X( x)dx =
x dx + x 4 dx =
x +
x
49
49
4(49) 0 5(49) 1
0
1
387
=
245
387
E( X ) = =
245
1
Ejemplo 3.4.1.2
-5
0.05
3
0.13
4
0.22
8
0.07
10
0.33
12
0.2
10
0.33
0.8
12
0.2
1.0
Resolucin:
Construyamos primero la funcin de distribucin de X
x
fX(x)
FX(x)
-5
0.05
0.05
3
0.13
0.18
4
0.22
0.4
8
0.07
0.47
La media es:
UNAM-Facultad de Ingeniera
11
Probabilidad
Variables Aleatorias
g ( x) f X ( x)
si
x
E[ g ( X )] =
g ( x) f X ( x)dx si
X es discreta
X es continua
Vale la pena mencionar que el valor esperado es un operador lineal; es decir, tiene
las siguientes propiedades:
1) Si c es una constante, E(c)=c
2) Si c es una constante, E(cX)=cE(X)
3) Si g(X) es una funcin de X y h(X) es otra funcin de la misma variable
aleatoria X, entonces:
E[g(X)+h(X)]=E[g(X)]+E[h(X)]
3.4.2 MEDIDAS DE DISPERSIN
Las medidas de dispersin se pueden utilizar como herramientas para medir la
validez de la media como representativa de la variable aleatoria X, ya que
muestran qu tanto cercanos estn, en promedio, los valores de X, de .
Las principales medidas de dispersin se tratan a continuacin.
M.en I, Isabel Patricia Aguilar Jurez
UNAM-Facultad de Ingeniera
12
Probabilidad
Variables Aleatorias
1) VARIANZA
Definicin
Si X es una variable aleatoria, se define su varianza como:
Var(X)= 2 = E[(X-)2]
Por tanto, si X es discreta:
Var ( X ) = 2 = ( x ) 2 f X ( x)
x
Si X es continua:
Var ( X ) = 2 = ( x ) 2 f X ( x)dx
Var ( X ) = 2 = E[( x ) 2 ] = E ( X 2 ) 2
en donde:
x 2 f X ( x)
si
x
2
E[ X ] =
x 2 f X ( x)dx si
X es discreta
X es continua
y 2 es el cuadrado de E(X).
La varianza de una variable aleatoria tiene las siguientes propiedades:
1) Si c es una constante, Var(c)=0
2) Si c es una constante Var(cX)=c2Var(X)
Sin embargo, aunque la varianza es una medida de dispersin, es difcil
interpretarla ya que sus unidades son cuadrticas, por ser el promedio de valores
elevado al cuadrado. sta dificultad se puede sortear tomando la raz cuadrada de
la varianza.
2) DESVIACIN ESTNDAR
Definicin
Si X es una variable aleatoria se define su desviacin estndar como la raz
cuadrada de la varianza; es decir:
UNAM-Facultad de Ingeniera
13
Probabilidad
Variables Aleatorias
= Var (x)
3) COEFICIENTE DE VARIACIN
Definicin
Sea X una variable aleatoria. Se define su coeficiente de variacin como:
C.V .( X ) =
Ejemplo 3.4.2.1
1
3/8
2
3/8
3
1/8
1 3 3 1 3
E(X)== xf X ( x) = 0 + 1 + 2 + 3 =
8 8 8 8 2
x
Entonces;
UNAM-Facultad de Ingeniera
14
Probabilidad
Variables Aleatorias
3
Var ( X ) = E ( x 2 ) 2 = x 2 f X ( x)
2
x
3
1
3
3
1 3
= (0) 2 + (1) 2 + (2) 2 + (3) 2 =
4
8
8
8
8 2
3
= 2 =
4
Por lo tanto, la desviacin estndar es = 2 = Var ( X ) = 3 ; es decir, la
4
dispersin alrededor de la media es, en promedio, 3 / 2 hijos. Esto es:
C.V .( X ) =
3/2
3
=
3/ 2
3
a( X ) =
E[( x ) 3 ]
UNAM-Facultad de Ingeniera
15
Probabilidad
Variables Aleatorias
La distribucin es simtrica
= 0
Distribucin simtrica
2) COEFICIENTE DE CURTOSIS
El coeficiente de curtosis de una variable aleatoria X es una medida del grado de
apuntamiento de la distribucin.
Definicin.
Si X es una variable aleatoria, se define su coeficiente de curtosis como:
E[( x ) 4 ]
k(X ) =
4
UNAM-Facultad de Ingeniera
16
Probabilidad
Variables Aleatorias
= 3 La distribucin es mesocrtica
Distribucin mesocrtica
Distribucin leptocrtica
Distribucin platicrtica
UNAM-Facultad de Ingeniera
17