Está en la página 1de 6

INTRODUCCIN Las variables aleatorias estn ligadas a experimentos aleatorios.

Y se dice que se ha definido una variable aleatoria cuando a cada elemento del espacio muestral se le ha asociado un nmero. Si una variable real, X, es una variable aleatoria sus valores dependen del azar. Por ejemplo, si se lanzan dos dados y X es el nmero de veces que sale un 6, entonces X es una variable aleatoria, y toma, al azar, uno de los valores 0, 1 2. El estudio de las distribuciones de probabilidad es similar al de la variable estadstica, el equivalente de la frecuencia relativa en la variable aleatoria es la probabilidad. 1. Variables aleatorias Consideremos un experimento aleatorio y sea E el espacio muestral asociado, S = conjunto de sucesos p = probabilidad asociada a cada suceso, a la terna (E, S, p) le llamamos espacio probabilstico Definicin 1. Llamamos variable aleatoria o variable estocstica, X, a toda aplicacin que asocia a cada elemento del espacio muestral, E, un nmero real x. Dicho de manera informal: es el valor numrico que de alguna manera se asigna a un suceso. El conjunto imagen de la aplicacin se llama recorrido de la variable. Suele confundirse variable aleatoria con recorrido. Ejemplo 1. Si lanzamos tres monedas al aire y X es el nmero de caras que salen, los valores que toma X son 0, 1, 2 y 3. Ejemplo 2. Si de una camada de 6 cachorros se cuenta el n de hembras que se obtienen la variable aleatoria toma los valores x =0, x=1,....x =6Ejemplo 3. Al extraer una bombilla de una poblacin y observar si es o no defectuosa, X tomara los valores 1 y 0 segn sea o no defectuosa. En los ejemplos anteriores se habla de variable aleatoria discreta (toma valores discretos) Ejemplo 4. Si se toma como X la estatura de los soldados de un reemplazo X puede tomar todos los valores, (dentro de unos lmites) Ejemplo 5. Si se toma como variable la longitud de un tornillo X puede tomar todos los valores de un intervalo.

En estos casos ltimos se hablar de variable aleatoria continua. Estudiaremos dos modelos de variable aleatoria: uno discreto otro continuo la binomial la normal

Estudiaremos en primer lugar las distribuciones discretas de probabilidad. 2. Funcin de probabilidad y de distribucin Una funcin de probabilidad no es ms que la asignacin a cada valor de la variable de la probabilidad que le corresponde. Es decir: Definicin 2. La funcin de probabilidad, f, se define as: f(xi)= P(X=xi) Ejemplo 6. En el ejemplo de la introduccin:

f(0)=P(X =0)=p(no salga ningn 6)=

, f(1)=P(X =1)=

, f(2)=P(X =2)=

.Observacin: Se verifica, al igual que con la probabilidad, que f(0)+f(1)+f(2)= 1 Propiedades Por ser una probabilidad se verifica : 1) f(xi) >0; 2) la suma de todas las f(xi) es 1, es decir Definicin 3. Sea X una variable aleatoria. Se llama funcin de distribucin, F, a la funcin definida por F(x)= P(X x) En el caso de que X sea una variable discreta se tiene: F(x)= F est comprendido entre 0 y 1. Ejemplo 7. En el ejemplo anterior F(1)=P(X 1)= P(no salga ningn seis, o salga un seis)= P(X=0)+P(X=1) 3. Media o esperanza de una variable aleatoria Sea X una variable aleatoria discreta, que toma los valores x1, x2, x3.....xn con funcin de probabilidad f. Definicin 4. Se llama media o esperanza (o valor esperado) de X a: E(X)=x1f(x1)+x2f(x2)+......+xnf(xn)

Observacin. Es anloga a la definicin de la media para una distribucin de frecuencias. Ejemplo 8. Un jugador lanza un dado corriente. Si sale un nmero impar gana dicho nmero de euros, pero si sale par entonces pierde esa cantidad en euros. Estudiar si el juego es equitativo. Solucin Los resultados posibles xi (euros que gana o pierde al lanzar el dado) y sus respectivas probabilidades son: xi f(xi) 1 1/6 3 1/6 5 1/6 -2 1/6 -4 1/6 -6 1/6

Los nmero negativos indican el hecho de perder cuando sale par.

E(X) =

luego no es equitativo.

Nota. Se dice que un juego de dinero es legal o equitativo si E =0 y desfavorable si E<0 Propiedades. Si X e Y son variables aleatorias, del mismo espacio muestral, y k un nmero real 1) E(X +k)=E(X)+k 2) E(kX)= kE(X) 3) E(X +Y)= E(X)+E(Y) (la esperanza de la suma es la suma de las esperanzas) 4. Varianza y desviacin estndar (o tpica) Al igual que para las variables estadsticas la esperanza mide, en cierto sentido, el valor promediode X. El concepto siguiente, el de la varianza, va a medir la dispersin o distanciamiento de X, respecto de la media. Definicin 5. Sea X una variable discreta que toma los valores, x1, x2, ......xn con funcin de probabilidad f. Se llama varianza de X y se designa por var(X) a:

=E(X2)-E(X)2 Es decir, la media de la variable al cuadrado menos el cuadrado de la media.

La desviacin estndar o tpica se define como la raz cuadrada de la varianza. Ejemplo 9. Consideremos la variable X que asigna la suma de dos nmeros que se muestran en un par de dados. La distribucin de X es: xi f(xi) 2 1/36 3 2/36 4 3/36 5 4/36 6 5/36 7 6/36 8 5/36 9 4/36 10 3/36 11 2/36 12 1/36

xi 2 3 4 5 6 7 8 9 10 11 12

f(xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1

xif(xi) 2/36 6/36 12/36 20/36 30/36 42/36 40/36 36/36 30/36 22/36 12/36 7

xi2 4 9 16 25 36 49 64 81 100 121 144

xi2f(xi) 4/36 18/36 48/36 100/36 180/36 294/36 320/36 324/36 300/36 242/36 144/36 1974/36

La varianza, Var (X)= E(X2)-E(X)2= La desviacin tpica

=54,83-49=5,83

Propiedades. Si X es una variable aleatoria y k un nmero real 1) Var(X +k)=Var(X) 2) Var(kX)=k2Var(X) Consecuencia: y

Observacin 1. Hay una interpretacin fsica de la media y la varianza. Supngase que para cada punto xi sobre el eje X se coloca con una unidad con masa f(xi). Entonces la media es el centro de gravedad y la varianza es el momento de inercia del sistema.

Observacin 2. Muchas variables aleatorias dan origen a la misma distribucin, de ah que se hable de la media y desviacin tpica de una distribucin, en vez de una v.a. 5. Normalizacin o tipificacin de una variable aleatoria Sea X una variable aleatoria con media, la variable aleatoria X* normalizada que corresponde a X se define por: Se verifica E(X*)=0y Var(X*)=1 6. Distribucin binomial Partimos de una experiencia en la que slo consideramos dos sucesos A y su contrario Ac. Sus probabilidades son P(A)= p y P(Ac)= q=1-p El suceso A es el suceso favorable, se le suele llamar xito, al contrario fracaso. Si repetimos n veces la experiencia, y estamos interesados en e nmero de xitos, la variable aleatoria X indicar stos y tomar los valores 0, 1, 2, ...n. Se trata de una distribucin de probabilidad discreta, que se llama distribucin binomial de parmetros n (n de repeticiones) y p 8probabilidad del xito). Se designa B(n, p)

La probabilidad de obtener k xitos es p(X= k)=

pk qn-k

Ejemplo 10. Un jugador de tenis tiene una probabilidad de ganar una partida de 0,25. Si juega 4 partidas, calcula la probabilidad de que gane mas de la mitad. Solucin Es una binomial con n=4 y p=0,25, lo que piden es que calculemos P(X=3)+P(X=4) donde:

P(X=3)=

, P(X=4)=

(terminarle)

Ejemplo 11. Una mquina fabrica tornillos y se ha comprobado que el 2% de los mismos son defectuosos. Si se vende en paquetes de de 29, se pide: a) Cul es la funcin de probabilidad de la variable aleatoria n de tornillos defectuosos en un paquete?

b) Cul es la probabilidad de que al comprar un paquete haya en el mismo 2 defectuosos? Solucin a) Es una binomial de parmetros n = 20 y q = 0, 02.

Su funcin de probabilidad es p(X =k)=

(0,02)k (0,98)20-k

b) P(X =2)= PARMETROS La media es , la varianza

(comprobarlo)

y la desviacin tpica

Observacin: Cuando n. p>5 se puede considerar que la distribucin es normal (la vemos despus). Ejemplo 12. La probabilidad de que en una empresa haya un empleado enfermo es de 0,02. Sabiendo que hay 300 empleados hallar la esperanza matemtica y la varianza de la distribucin correspondiente. Solucin Como se trata de una distribucin binomial de parmetros n= 300 y p= 0,02, se verifica: E(X)= n.p = 300.(0,02) =6, Var(X)= n.p.q= 300.(0,02).(0,98)= 5,88