Tema 6-Variable Aleatoria - 2014

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
105
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCuyo / Ciclo 2013

V VA AR RI IA AB BL LE E A AL LE EA AT TO OR RI IA A

6 6. .1 1. . I IN NT TR RO OD DU UC CC CI I N N

Estadstica es una asignatura que al alumno, lamentablemente, no le resulta comprensible hasta
que no se progresa bastante en su estudio. Tiene como objetivo fundamental el conocimiento de las
leyes que explican la incertidumbre de los fenmenos aleatorios y su utilizacin, para: a) estimar los
parmetros poblacionales y b) tomar decisiones frente a hiptesis explicativas referidas a problemticas
reales, cuya ocurrencia no es bien conocida. Hasta ahora, la descripcin estadstica de una muestra en
particular y la visualizacin del clculo de la probabilidad que tienen que presentarse algunos resultados
de un experimento aleatorio, constituyen una imagen incompleta de este propsito final.

A la Estadstica no le interesan los resultados individuales, su objetivo es el comportamiento en
masa o de las poblaciones. Esto significa que hay que visualizar la realizacin de un nmero muy
grande de experimentos aleatorios (o de muestras aleatorias) y sus posibles resultados asociados, para
informarse acerca de los parmetros o las explicaciones referidas a la poblacin de inters. En esta
seccin seguiremos avanzando para sentar las bases de la modelizacin de resultados sujetos al azar
que permitirn, a travs de la inferencia estadstica, enunciar ideas generales acerca de las poblaciones.

El concepto de experimento aleatorio, se utiliza para describir cualquier proceso mediante el cual
se generan observaciones cuyos resultados no se pueden predecir. La accin imaginaria de arrojar dos
monedas y observar el resultado
, as como la de sembrar tres semillas en una maceta y observar lo

que sucede con la su germinacin
o, medir la nota de aprobacin de Estadstica obtenida por un

alumno
, o de medir los rendimientos de un proceso de elaboracin de pulpa en kg / hora
,
constituyen ejemplos de un experimento aleatorio. En los dos primeros casos, los espacios muestrales
asociados estarn conformados por resultados cualitativos

= , ; , ; , ; ,
= , , ; , , ; , , ; , , ; , , ; , , ; , , ; , ,

Por tanto, estos espacios muestrales son de naturaleza cualitativa, en ellos para el primer caso S denota
sello y C denota cara, y para el segundo G denota germinada y N denota no germinada. En los
otros dos experimentos el espacio muestral asociado es de naturaleza numrica, por ejemplo se puede
indicar lo siguiente

6 10

0

Sin embargo, habra que notar que en los experimentos vinculados a espacios de naturaleza cualitativa,
estamos interesados ms bien en el nmero de veces que se presenta cierto resultado de inters esto
es, por ejemplo 0,1 2 caras o bien 0, 1, 2 3 semillas germinadas, es decir que interesan resultados
numricos.
= 0,1,2
= 0,1,2,3

Una primera interpretacin que se le puede dar al concepto de variable aleatoria es la siguiente:
es una variable que toma valores numricos de acuerdo con los resultados de un experimento, y ms
formalmente se dice que
Contenidos
6.1. Introduccin
6.2.Variable aleatoria discreta
6.2.1. Funcin de Probabilidad para una VAD
6.2.2. Funcin de Distribucin de Probabilidades
Acumuladas de una VAD
6.3.Variable aleatoria continua
6.3.1. Funcin de Densidad de Probabilidad de una VAC
6.3.2. Funcin de Distribucin de Probabilidades
Acumuladas de una VAC
6.3.3. Clculo de Probabilidades en una VAC
6.4.Valor esperado o Esperanza
6.5.Varianza de una variable aleatoria
TEMA
106

Una variable aleatoria es una funcin que a cada elemento del espacio muestral le hace
corresponder un nmero real.

La variable puede tomar diferentes valores numricos y adems estos valores dependen de los
resultados experimentales que se producen por azar, por tanto ellos tambin presentan aleatoriedad.
Para la notacin simblica adoptaremos X mayscula para denotar la funcin variable aleatoria, S para
representar el conjunto espacio muestral y para representar el conjunto de los reales. Por lo tanto, s
es un elemento de S y x, minscula, es un elemento de .

Esquemticamente, podemos ilustrar a una VA cualquiera como:

Se observa que la VA es una funcin que:
a) se aplica a un conjunto de partida, que es el espacio muestral (dominio) conformado por los
resultados de un experimento aleatorio (eventos de naturaleza cualitativa o cuantitativa), y
b) genera un conjunto equivalente o conjunto de llegada (codominio) conformado por eventos x
i

que, como se dijo, pertenecen a , conjunto de los nmeros reales (eventos de naturaleza
cuantitativa).

En el experimento arrojar una moneda, el espacio muestral est constituido por slo dos
resultados posibles (variable dicotmica), cara (C) y sello (S); en tal caso la VA podra consistir en una
regla que refleje algn criterio de conveniencia: se asigna el valor 1 a cara, porque se apost a cara (se
ganar) y se asigna 0 a sello porque con este resultado gana el contrario (se perder).

Supongamos ahora el experimento de lanzar dos dados y registrar el puntaje total obtenido. El
espacio muestral se presenta en la siguiente tabla de doble entrada.

Tabla 6.1. Conjunto de los pares ordenados (s
i
,s
j
) que pertenecen al espacio muestral S
Segunda tirada
1 2 3 4 5 6
Primera tirada
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

Podramos interesarnos en la ocurrencia de un evento A definido como "la suma de los puntos
es igual a 9". En el espacio muestral del experimento (Tabla 6.1 y Grfico 6.1) puede verse que hay
cuatro puntos muestrales que cumplen con esa condicin: s
63
, s
54
, s
45
y s
36
, referidos respectivamente
a los pares ordenados (6,3), (5,4), (4,5) y (3,6). Significa que el evento A, es un evento compuesto
formado por cuatro eventos simples. Si ahora consideramos el espacio de valores de la variable
aleatoria X:puntaje total obtenido (Grfico 6.2) vemos que el evento la variable aleatoria toma el valor
nueve (X=x
i
, x
i
=9) est formado por la coleccin de cuatro valores 9 asociados con los anteriores
puntos muestrales. Es por tal razn que se suele utilizar la notacin conjuntista {x=9}, a los efectos de
denotar que se tiene una coleccin de eventos simples y a cada uno de ellos les corresponde el valor de
variable aleatoria 9.

S
s x

X (s)
107

Una situacin anloga se presenta si consideramos el experimento de seleccionar un alumno del
listado del curso de Estadstica del ciclo 2000, interesando la variable nota promedio entre la
clasificacin del primer y segundo parcial. El alumno en el primer parcial pudo tener una nota que vara
entre 0 y 10, y el segundo lo mismo (Grfico 6.3). Tambin en este caso, cada valor de la variable
aleatoria est asociado con una coleccin de puntos muestrales, por ejemplo, el promedio siete podra
surgir de (7,7); (8,6); (9,5); (10,4); (6,8); (5,9) o (4,10).
Grfico 6.3. Valor (7) que toma la variable aleatoria asociado a los eventos simples del espacio muestral S.

A partir de estos ejemplos, es importante remarcar lo siguiente:
1) Existe una relacin funcional entre los eventos simples del S y los valores de X.
2) Cada evento simple en el espacio muestral se corresponde con uno y slo un valor de la variable
aleatoria.
3) Es posible que a varios eventos simples en el espacio muestral del experimento, les corresponda
el mismo valor numrico de variable aleatoria.

Finalmente, lo ms importante de la variable aleatoria radica en lo siguiente: se dijo que el
principal objetivo de la estadstica es el estudio de los fenmenos de masa, y no de casos aislados. En
otras palabras, debemos recordar que nuestro objetivo es llegar a conocer la poblacin a partir de la cual
se extrajeron las muestras en estudio. La VA permitir describir, mediante modelos de probabilidad, a
todos los posibles resultados de un experimento aleatorio, tal como una distribucin de frecuencias
permiti describir la distribucin de todos los datos de una muestra.

Estamos ya en condiciones de introducir una definicin formal de VA.

Definicin 6.1
Sea un experimento aleatorio y el espacio muestral S, asociado con el experimento. Se llama
variable aleatoria a la funcin X que se define sobre S, X(s), y aplicada a cada uno de los elementos
pertenecientes al S, les asigna un nmero real.
En smbolos
X:S
S X(s)

Al espacio constituido por el conjunto de todos los posibles valores de la variable aleatoria X, se
lo suele llamar recorrido de la VA y se lo simboliza como R
X
. En cierto sentido podemos considerar a
este recorrido como otro espacio muestral, como ya se haba visto esquemticamente. Insistimos:
mientras los puntos muestrales del espacio S son los resultados experimentales que pueden ser
observables o eventos simples s
i
(de naturaleza numrica o no), el nuevo espacio muestral (creado
artificialmente) est asociado con los valores de la variable aleatoria X que siempre son numricos.
(1;1)
(1;2)
(1;3)
(1;4)
(1;5)
(1;6)
(2;1)
(2;2)
(2;3)
(2;4)
(2;5)
(2;6)
(3;1)
(3;2)
(3;3)
(3;4)
(3;5)
(3:6)
(4;1)
(4;2)
(4;3)
(4;4)
(4;5)
(4;6)
(5;1)
(5;2)
(5;3)
(5;4)
(5;5)
(5;6)
(6;1)
(6;2)
(6;3)
(6;4)
(6;5)
(6;6)
0
1
2
3
4
5
6
0 1 2 3 4 5 6
r
e
s
u
l
t
a
d
o
s

d
e
l

2
d
a
d
o
resultados del 1dado
Grfico 6.1 Espacio muestral para el lanzamiento de un
par de dados legales
x=2
x=3
x=4
x=5
x=6
x=7
x=3
x=4
x=5
x=6
x=7
x=8
x=4
x=5
x=6
x=7
x=8
x=9
x=5
x=6
x=7
x=8
x=9
x=10
x=6
x=7
x=8
x=9
x=10
x=11
x=7
x=8
x=9
x=10
x=11
x=12
0
1
2
3
4
5
6
0 1 2 3 4 5 6
r
e
s
u
l
t
a
d
o
s

d
e
l

2
d
a
d
o
resultados del 1dado
Grfico 6.2 Espacio de valores para la variable aleatoria
"total de puntos al lanzar dos dados"

0 1 2 3 4 5 6 7 8 9 10 X
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Nota 1Parcial
N
o
t
a

2

P
a
r
c
i
a
l
108
Diremos entonces que los eventos definidos en uno y otro espacio, son eventos equivalentes. Luego la
teora de probabilidad aplicada a eventos definidos en el espacio muestral, puede ser aplicada al clculo
de las probabilidades de ocurrencia de valores de variables aleatorias.

S
) (
i
s
X

Una vez definida una variable aleatoria X y su recorrido R
X
, se pueden inducir probabilidades sobre
eventos asociados con R
X
, a partir de las que estn especificadas para los eventos equivalentes del
espacio muestral S.

6 6. .2 2. . V VA AR RI IA AB BL LE E A AL LE EA AT TO OR RI IA A D DI IS SC CR RE ET TA A

Se vio al clasificar los espacios muestrales que:
a) Si un espacio muestral contiene un nmero finito de posibilidades o una serie interminable con
tantos elementos como nmeros enteros existen, se llama espacio muestral discreto.
b) Si un espacio muestral contiene un nmero infinito de posibilidades igual al nmero de puntos
en un segmento de lnea, se llama espacio muestral continua.

En correspondencia, las VA se clasifican en dos tipos: las variables aleatorias discretas y las
continuas.

Definicin 6.2.
Sea un experimento y un espacio muestral S asociado al mismo, la variable aleatoria X es discreta
si el espacio S es discreto. Es decir, que X tomar valores contables (ya sea finito o infinito) que
podrn arreglarse en una secuencia que corresponde a los nmeros enteros positivos.

Algunas variables aleatorias discretas tpicas son el nmero de unidades defectuosas en una
industria conservera, el nmero de insectos encontrados en un brote, el nmero de frutos producidos por
una planta, el nmero de hectreas de una finca, etc. Al contrario, el tiempo de espera para ser atendido
en un supermercado, la cantidad de litros embotellados diariamente por una bodega, la temperatura
media diaria, el tiempo empleado para hacer una determinacin analtica, el pH, son algunos ejemplos
de variables aleatorias continuas.

A continuacin se ilustra el concepto a travs del experimento lanzar dos monedas y considerar
que la variable aleatoria de inters es X: nmero de caras obtenidas.
Los eventos simples que conforman el espacio muestral de este experimento son cuatro.

A
1
= {(C,C)}, A
2
={(C,S)}, A
3
={(S,C)} y, A
4
= {(C,C)}, es decir

= , ; , ; , ; ,

La variable aleatoria X dada slo toma tres posibles valores, digamos x
1
, x
2
y x
3
donde x
1
=0,
x
2
=1 y x
3
=2, es decir:
{ } 2 1 0 , , =
X
R

Este resultado se deriva de aplicar la definicin de variable aleatoria.

| | | | |
-2 -1 0 1 2 R
x

{ } 2 1 0 , , =
X
R
s
2
s
1

s
3

s
4
109

A continuacin se muestra la correspondiente interpretacin grfica:

S R
X

Para este ejemplo, si las monedas son equilibradas, se tendr que P(C,S)=P(S,C)=P(CS)= P(SC)=
.=1/4. Por lo tanto, el evento compuesto aparece slo una cara tiene una probabilidad de ,
obtenida segn :
P(una cara) = P{(C,S) U (S,C)}= (1/4) + (1/4) = 1/2.

Si la variable aleatoria X toma valor x=1, equivalente al evento A={(C,S) U (S,C)} , podemos calcular la
probabilidad del evento dado como:
P(X=1) = P{(C,S) U (S,C)}= .

Grficamente, esto es:

P (x
i
) es una funcin, la funcin probabilidad: a cada valor x
i
de la VAD le hace corresponder un nmero
real entero entre cero y uno,

P(A
1
) = P{(C,C) }= . = = P (X = 2)
P (A
2
U A
3
)= P {(C,S)U(S,C)} = + = = P (X = 1)
P(A
4
)= P {(S,S)} = . = = P(X = 0)

Hemos definido a una VA discreta y los resultados de la variable con sus respectivas
probabilidades. Con este soporte terico podremos calcular las probabilidades de que se produzcan
determinados valores de una variable aleatoria, mediante las denominadas funciones de probabilidad.

6 6. .2 2. .1 1. . F Fu un nc ci i n n d de e P Pr ro ob ba ab bi il li id da ad d p pa ar ra a u un na a V VA AD D

Una vez especificados con claridad un experimento y sus resultados, se puede calcular la
probabilidad de la ocurrencia de cualquier valor de una variable aleatoria de inters. Por ejemplo,
supngase que se tienen 140 alumnos de Estadstica divididos en cuatro grupos. El tamao del grupo ha
sido fijado de acuerdo a la capacidad que tienen las aulas disponibles y es el siguiente:

Tabla 6.2 Cantidad de alumnos que cursan Estadstica divididos en grupos
Grupo 1 2 3 4
Cantidad de alumnos 25 45 40 30

X(C,C)

X(C,S)
(C,C)
(C,S)
(S,C)
(S,S)
0 X(S,S)
X(S,C)

2
1
x
i
= 1
X
(A)

P(X=x
i
)=P(X=1)=P(1

)=1/2
S
(C,C)
(S,C)
(C,S)
(S,S)
R
X

1

0
1/2
1
110
Podemos determinar la probabilidad que se tiene de que al seleccionar al azar un alumno
provenga de un grupo en particular. Es decir, nos interesa determinar la probabilidad que corresponda a
cada uno de los posibles valores de la variable aleatoria X, que para este ejemplo son 1, 2, 3 y4.
A continuacin, en tabla 6.3, se presenta la serie de valores de la variable X y sus correspondientes
probabilidades, obtenidas aplicando el enfoque empirista, lo que constituye la distribucin de
probabilidades de X.

Tabla 6.3. Distribucin de probabilidades para
X en el ejemplo de la asignacin de los grupos

Resultado Valor de x p(x)
Grupo 1 1 179 , 0
140
25
=

Grupo 2 2 321 , 0
140
45
=

Grupo 3 3 286 , 0
140
40
=

Grupo 4 4 214 , 0
140
30
=

Suma 1

Se observa:
1) ( ) 0 x p
2) Slo cuatro posibles valores (x =1, 2, 3 4), por lo tanto entre ellos se distribuye la
probabilidad total unitaria (todos el resto de los valores en la recta numrica real, tienen
probabilidad igual a cero)

Cuando se tiene una distribucin de probabilidades para una variable aleatoria X, podemos
hablar del modelo de probabilidades que describe el comportamiento de esa variable en la poblacin
objetivo de estudio. Entonces, estaremos interesados en condensar esa informacin en algunas
medidas descriptivas, fundamentalmente la media de una distribucin de probabilidades y su varianza,
denominadas esperanza matemtica y varianza de una variable aleatoria, respectivamente.

Seguidamente se muestra un diagrama que resume los conceptos vertidos acerca de cmo se
llega a un modelo poblacional probabilstico.

Especificar el
Experimento
E

Reconocer
todos los
resultados

Espacio
muestral
S

Asignar un
nmero
Cada uno de los
resultados
Variable
aleatoria X
Determinar
la
probabilidad
p
(xi)

p(x)

X
Distribucin de
probabilidades
Grfico 6.5. El modelo probabilstico

En esta seccin se considerar el concepto de distribucin de probabilidad de una variable
aleatoria. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral
en forma tal que por P(X =x) se entender la probabilidad de que X tome el valor de x. De esta forma, al
considerar los valores de una variable aleatoria es posible desarrollar una funcin matemtica que
asigne una probabilidad a cada valor x de la variable aleatoria X. Esta funcin recibe el nombre de
funcin de probabilidad de la variable aleatoria X. El trmino ms general, distribucin de
probabilidades, se refiere a la coleccin de valores de la variable aleatoria y a la distribucin de
probabilidades entre stos.

Definicin 6.3
Sea X una variable aleatoria discreta. Se llamar a p(x) = P (X = x) funcin de probabilidad de la
variable aleatoria X, si satisface las siguientes propiedades:
1. p(x) 0 para
x i
x
2.
i
p(x
i
) = 1

Las distribuciones de probabilidades pueden presentarse en forma tabular y grfica, como se
muestra en el siguiente ejemplo:

0
0,1
0,2
0,3
0,4
0 1 2 3 4
P
(
x
)
x
Grfico 6.4: distribucin discreta de probabilidades por
grupo
111

Tabla 6.4: Correspondencia entre los resultados del lanzamiento de un par de dados y la variable aleatoria que
representa la suma de las caras
Resultado
Valor de la
Variable aleatoria
N de casos
favorables
Probabilidad
(1,1) 2 1 1/36
(1,2), (2,1) 3 2 2/36
(1,3), (2,2), (3,1) 4 3 3/36
(1,4), (2,3), (3,2), (4,1) 5 4 4/36
(1,5), (2,4), (3,3), (4,2), (5,1) 6 5 5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 6 6/36
(2,6), (3,5), (4,4), (5,3), (6,2) 8 5 5/36
(3,6), (4,5), (5,4), (6,3) 9 4 4/36
(4,6), (5,5), (6,4) 10 3 3/36
(5,6), (6,5) 11 2 2/36
(6,6) 12 1 1/36
Total ------ 36 1,00

A esta altura resulta conveniente analizar comparativamente el alcance de dos conceptos:
frecuencia relativa y funcin probabilidad. Tcnicamente, la diferencia consiste en que las frecuencias
son frecuencias instantneas acotadas a los resultados de una muestra, mientras que los valores de una
funcin de probabilidad pueden interpretarse como frecuencias relativas tericas a largo plazo para
todas las repeticiones concebibles de un experimento aleatorio. De este modo, las probabilidades se
relacionan con la poblacin. En la prctica, indican el porcentaje de veces respecto a un gran nmero de
observaciones en que se espera que se presenten los diferentes valores de una variable aleatoria.

Ntese que, dada una distribucin de probabilidad, es fcilmente evidente que algunos
resultados de una variable aleatoria sean ms probables que otros. Adems, la probabilidad de un
determinado resultado, o grupo de resultados, se puede determinar sin mucho esfuerzo. En trminos
prcticos, por lo general no es necesario molestarse en calcular cada una de las probabilidades para
obtener una distribucin probabilstica. Para ello se dispone de tablas y frmulas. En consecuencia, el
problema real no es cmo se derivan los valores?, sino cmo se utilizan las distribuciones para
resolver problemas?

6 6. .2 2. .2 2. . F Fu un nc ci i n n d de e D Di is st tr ri ib bu uc ci i n n d de e P Pr ro ob ba ab bi il li id da ad de es s A Ac cu um mu ul la ad da as s d de e u un na a V VA AD D

Ahora, adems del hecho de que las distribuciones probabilsticas proporcionan un mtodo
sencillo para la determinacin de ciertas probabilidades, los tipos de distribucin se pueden considerar
como modelos que describen situaciones que comprenden resultados generados aleatoriamente.
Sin embargo, hacer referencia a la distribucin de probabilidades de X no slo implica la existencia de la
funcin de probabilidad, sino tambin la existencia de la funcin de distribucin de probabilidades
acumuladas de X.

Definicin 6.4.
Sea X una VAD, la funcin de distribucin acumulada de probabilidades F(x) de la variable
aleatoria discreta X est dada por:
F(x) = P(Xx) =
=
k
i 1
p (x
i
)

i =1,,k

0
0,04
0,08
0,12
0,16
0,2
0 1 2 3 4 5 6 7 8 9 10 11 12
p(x)
x
Grfico 6.6. Distribucin de probabilidades para la
suma de puntos al lanzar un par de dados
112
Por lo tanto, en el caso discreto, una variable aleatoria X est caracterizada por la funcin de
probabilidad puntual p(x), la cual determina la probabilidad puntual de que X = x, y por la funcin de
distribucin acumulada F(x), la que representa la suma de las probabilidades puntuales hasta el valor x
de X, inclusive. Ntese que las definiciones anteriores son consistentes con los axiomas de probabilidad,
ya que esta funcin no es negativa para cualquier valor de la variable aleatoria y la suma de las
probabilidades para todos los valores de X es igual a uno.

Ejemplo 6.1. Considrese de nuevo el lanzamiento de dos dados. Si X es la variable aleatoria que
representa la suma de las caras, la funcin de probabilidad de X es
valor otro cualquier para
x
x
x p
12 3 2
0
36
7 6
,..., ,.
) (
=

=
(1)

Con (1), pueden determinarse las probabilidades para varios valores de X contenidos en la tabla
6.4 y cuya grfica se muestra en el grfico 6.7. Adems, puede evaluarse la funcin de distribucin
acumulada de X de la siguiente forma:
F(1)= P (X 1) = 0
F(2)= P (X 2) = 1/36
F(3)= P (X 3) = 3/36
F(4)= P (X 4) = 6/36
F(5)= P (X 5) = 10/36
F(6)= P (X 6) = 15/36
F(7)= P (X 7) = 21/36
F(8)= P (X 8) = 26/36
F(9)= P (X 9) = 30/36
F(10)= P (X 10)= 33/36
F(11)= P (X 11) = 35/36
F(12)= P (X 12) = 1

Ntese que
P (X > 7) = 1 F(7) = 15/36
P (X =7) = P (X 7) - P (X 6) = 6/36
P (4 X 9) = P (X 9) - P (X 3) = F(9) - F(3) = 27/36

En general, la funcin de distribucin acumulada F(x) de una variable aleatoria discreta es una funcin
no decreciente (o montona creciente) de los valores de X, de tal manera que cumple con las siguientes
propiedades:
1. 0 1
2.
>

3. > = 1

Adems, puede establecerse que para variables aleatorias de valor entero:
4. =

5.

La grfica de la distribucin acumulada del ejemplo 6.1 se muestra en el grfico 6.7. En este
grfico es evidente que la funcin de distribucin acumulativa de una variable aleatoria discreta es una
funcin escaln, que toma un valor superior en cada salto.

I In nt te er rp pr re et ta ac ci i n n
Se desprende que el concepto de frecuencia relativa acumulada y su representacin grfica, ya vistos,
tienen tambin su contrapartida en el estudio de las probabilidades. Una funcin acumulada describe
cmo se acumulan las probabilidades del mismo modo exactamente que la cuarta columna de la tabla
de distribucin de frecuencias describe la manera en que se acumulan las frecuencias relativas:
sumando todos los valores de estas frecuencias. El valor de la funcin acumulada es cualquier punto
dado x
i
, F(X = xi) representa la suma de todos los valores de la funcin de probabilidad correspondientes
a todos los valores de la variable aleatorias x que son menores o iguales a xi.
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1/36
6/36
15/36
26/36
33/36
36/36
x
F(x)
Grfico 6.7. Representacin grfica de la funcin de distribucin acumulativa de la
suma de las caras de dos dados
113

Ejemplo 6.2. Supngase que se lanza una moneda dos veces de tal forma que el espacio muestra es
S = {(C,C), (C,S), (S,C), (S,S)}. Represntese por X el nmero de caras que pueden resultar. Con cada
punto muestral podemos asociar un nmero para X como se muestra en la Tabla 6.5. As en el caso de
(C,C) (es decir 2 caras), x = 2 en tanto que para (S,C) (1 cara), x= 1. Se concluye que X es una variable
aleatoria.

Tabla 6.5: Correspondencia de los eventos simples de S del ejemplo 6.2 y los valores que toma la VAD X
Punto muestral CC CS SC SS
X
2 1 1 0

Debe observarse que tambin podran definirse otras muchas variables aleatorias en este
espacio muestral, por ejemplo X
1
:el cuadrado del nmero de caras, X
2
: el nmero de caras menos el
nmero de sellos, etc.

Retomando el ejemplo 6.2:

a) Hallar la funcin de probabilidad correspondiente a la variable aleatoria X.
b) Construir la grfica de la Funcin de probabilidad.

S So ol lu uc ci i n n
( (a a) ) S Su up po on ni ie en nd do o q qu ue e l la a m mo on ne ed da a e es s l le eg ga al l t te en ne em mo os s
=
1
4
=
1
4
=
1
4
=
1
4

Luego = 0 = =

= 1 = = + =
1
4
+
1
4
=
2
4

= 2 = =
1
4

As, la funcin de probabilidad est dada en la Tabla 6.5.

Tabla 6.5.: Funcin de probabilidad para el ejemplo 6.2
x
i
0 1 2
p(x
i
) 1/4 2/4 1/4
(b) La grfica de la funcin de probabilidad puede representarse como se indica en la Grfico 6.8

Ejemplo 6.3. Sea la funcin de distribucin para la variable aleatoria X

<
<
<
< <
x
x
x
x
x F
2 1
2 1 4 2
1 0 4 1
0 0
) (

Los aspectos siguientes acerca de la funcin de distribucin anterior, que son verdaderos en
general, deben notarse:
1. Las magnitudes de los saltos para p(x), en 0, 1, 2 son 1/4, 1/2, 1/4 que corresponden
exactamente a las ordenadas en la figura. Este hecho permite obtener la funcin de probabilidad a partir
de la funcin de distribucin.
2. Debido a la apariencia de la grfica 6.6 frecuentemente se la llama funcin escalera o
funcin escalonada o funcin paso.
0
1/4
2/4
3/4
0 1 2
p(x)
x
Grfico 6.8. Funcin de probabilidad del nmerod de caras al
lanzar dos veces un moneda legal

-3 -2 -1 0 1 2 3 4
0
1/4
2/4
1
x
F(x)
Grfico 6.9- Funcin de distribucin de
probabilidades para el ejemplo 6.3
114

6 6. .3 3. . V VA AR RI IA AB BL LE E A AL LE EA AT TO OR RI IA A C CO ON NT TI IN NU UA A

Hemos estudiado variables aleatorias que pueden tomar un nmero finito de valores o infinito
contable. Ahora concentraremos la atencin en experimentos de gran inters cuyos resultados pueden
ser cualquier nmero dentro de un intervalo dado. Por ejemplo, sea un estudio del peso de los seres
humanos, la variable peso de seres humanos en kg, podr tomar por ejemplo valores reales positivos.
Significa que si se selecciona al azar un ser humano podemos esperar que su peso se corresponda con
algn valor contenido en este intervalo, podr ser un valor entero o no. Sin embargo, cuando pensamos
en la poblacin ideal de valores de pesos, es decir el comportamiento o naturaleza verdadera de la
variable medida, podemos imaginar la medicin con la precisin necesaria como para que cada unidad
de anlisis arroje un diferente valor.

Para ilustrar el comportamiento de una variable aleatoria, vamos a considerar el experimento
pesada de 10 alumnos del curso de Estadstica seleccionados al azar. El intervalo real de valores de la
variable podra ser de 50 Kg a 100 Kg. Vamos a suponer que se usar una balanza calibrada, que tiene
un reloj dividido en diez sectores iguales:

Antes de realizar el experimento, podemos imaginar que la aguja se va a detener en cualquier
punto de la circunferencia, pero de ningn modo podemos dar una serie determinada de 10 valores
asegurados que ese sea el resultado -estamos imaginando de esta forma una serie de posibles valores
de una variable aleatoria continua. Otra observacin importante es la siguiente. Dado que hay muchos
resultados posibles, la probabilidad de que la punta de la aguja seale exactamente un valor es tan
pequea que, para los objetivos prcticos se la considerar como aproximadamente igual a cero. Pero si
idealizamos esto ltimo, imaginando infinitos valores (valores poblacionales) diremos que la probabilidad
terica de que la variable aleatoria continua tome un valor especfico es igual a cero: P(X=x) = 0. S ser
vlido, hablar de la probabilidad de que la variable aleatoria continua tome un valor dentro de algn
intervalo, por ejemplo la probabilidad de que un alumno pese entre 50 y 60 Kg. (ntese, la diferencia del
concepto de probabilidad de un valor de la variable aplicado en variable aleatoria discreta).

Realizado el experimento de las diez pesadas, podemos imaginar tres situaciones: a) un alumno
se ubique detrs de la balanza e ignore los diez puntos donde se detuvo la aguja en el reloj y b) un
alumno fue haciendo la lectura para registrar los datos. Para el alumno de a) la variable en estudio sigue
conservando su naturaleza aleatoria, an es una variable aleatoria(desconoce los valores muestrales
que resultaron); X
1
, X
2
, , X
i
, , X
n
. Por otro lado los alumno de b) y c) ya conocen el valor que tom
(peso de alumnos, en Kg.) en cada unidad de anlisis, por lo tanto estos alumnos tienen diez datos de
una variable estadstica (realizacin de una variable aleatoria): x
1
, x
2
, , x
i
,..., x
n
.

Finalmente, el concepto de variable aleatoria continua permite una nueva conceptualizacin de la
probabilidad, esto es, la probabilidad como medida. Hemos supuesto el disco del reloj dividido en 10
sectores de igual tamao, podemos considerar la probabilidad de que la aguja se detenga en un sector
cualquiera. Intuitivamente, podemos responder que se tiene un 10% de probabilidad. Por ejemplo,

[ ]
[ ]
1 0
100
10
0 100
50 60
, = =
=
total medida
medida

De este modo extendemos la aplicacin de la probabilidad para el estudio de fenmenos
aleatorios relacionados con numerosas variables que son de inters en el campo de las ciencias
empricas: longitudes, superficies, volmenes, etc. Con experimentos aleatorios que est asociado a
espacios muestrales infinitos no contables.

Formalmente definimos a una variable aleatoria continua, denotada como VAC, como sigue:

Definicin 6.5.
Sea un experimento E y un espacio muestral S asociado al mismo, la variable aleatoria X es
continua si el espacio S es continuo. Es decir, que X tomar valores en uno o ms intervalos de
la recta de los reales,[a,b]
10
20
30
40
50
60
70
80
90
100
Probabilidad
115

Desde el punto de vista de la notacin de una variable aleatoria continua, para el caso general, el
intervalo de valores de una variable X que tiene por extremos los valores a y b, en la bibliografa se
encuentran diferentes formas:
a) Como intervalo cerrado, [a,b]: En forma ms explcita, se hace referencia al conjunto de
valores de la variable X cuyos valores estn comprendidos entre a y b, incluyendo los
extremos a y b, esto es a X b. O sea se trata del conjunto x [a,b].
b) Como intervalo semicerrado, (a,b], o bien [a,b): en este caso, la variable no toma el valor
de unos de los extremos del intervalo, lo cual se indica con un parntesis en lugar del
corchete. Respectivamente, se est haciendo referencia a los conjuntos: a< X b, o sea se
trata de conjunto x (a,b] y, en segundo lugar al a X < b, por tanto, se trata del conjunto x
[a,b).
c) Como intervalo abierto, (a,b): es cuando el conjunto de valores de la variable X cuyos
valores estn comprendidos entre a y b, no incluye los extremos a y b, esto es a < X< b, o
sea, se trata de conjunto x (a,b). Esta notacin es la que adoptaremos nosotros.

6 6. .3 3. .1 1. . F Fu un nc ci i n n d de e D De en ns si id da ad d d de e P Pr ro ob ba ab bi il li id da ad d d de e u un na a V VA AC C
Para muchas variables aleatorias continuas de nuestro inters, se podr considerar al intervalo
[0,M] como intervalo de posibles valores de X. En relacin a esto se podr dibujar un histograma,
asociado con una muestra de tamao n, tal que el rea total de todos los rectngulos sean igual a 1.
Tambin se podr considerar un histograma para una muestra de tamao muy grande con intervalos
ms pequeos, sin modificar la propiedad del rea total unitaria. Finalmente se podr pensar en los
datos de una poblacin, mediante un suavizado del trazo. Esto ltimo, implica que se est pensando en
el lmite de una secuencia de histogramas, a travs de aumentar el nmero de intervalos de clases y
disminuir la longitud de los mismos (en el caso lmite n, k, x0). El grfico que corresponde a
una curva suavizada especifica una distribucin continua de probabilidad.
En el caso de variables aleatorias discretas se vio que el problema de determinar la probabilidad
de que la variable X tome un valor determinado, P(X=x), tena una solucin dada por la funcin de
probabilidad, p(x). Pero, en el caso de VAC hemos visto que P(X=x) = 0 Para resolver el problema de
asociar probabilidades a valores de variables aleatorias continuas, vamos a interesarnos en la
probabilidad de que la variable aleatoria X tome un valor en un intervalo.

En la realidad y debido a limitaciones en el acto de medir, el espacio muestral de resultados
experimentales est conformado por un nmero finito de puntos. Por tanto, los n subintervalos de
longitud x en que puede ser dividido el intervalo muestral (Histograma) tambin tiene un nmero finito
de puntos. Si estamos interesados en la probabilidad de la ocurrencia de un valor determinado x
i
,
pensaremos en el intervalo que va de a hasta b, donde ab, que contiene a este valor x
i
.

Tericamente, podemos suponer un recorrido de la variable X desde - a +, esto es, se tiene
un espacio muestral infinito no contable. De este modo un intervalo de valores (a,b) definido en el
intervalo total, tambin contendr infinitos puntos y, la probabilidad de que la variable aleatoria continua
X, tome un valor determinado en l, ser indicada como P(a<X<b). Tal probabilidad, geomtricamente,
est representada por el rea bajo la curva suavizada f(x), delimitada lateralmente por a y b y por el eje
de abscisas X en la parte inferior.

En sntesis: asignar probabilidades a valores de una VAC, recordar:
a) la probabilidad P(X=x
i
)=0, esto es las probabilidades puntuales son siempre igual a cero.
b) Se considera que el valor x

pertenece a un intervalo

P(a x b) = P(a<x b) = P(a x<b) = P(a<x<b)

La funcin f(x), grficamente es la curva lmite que se obtiene para un nmero muy grande de
valores de la variable y para una amplitud de intervalo muy pequea, y recibe el nombre de funcin
de densidad de probabilidad (fdp) para una VAC, o ms brevemente el de funcin de densidad

116

Definicin 6.6.
Sea X una variable aleatoria continua. La probabilidad de que la VAC X tome un valor en el
intervalo definido por dos constantes cualesquiera reales a y b, siendo < , est dada por
= < <
b
a
dx x f b X a P ) ( ) (

donde, f es una funcin integrable y definida para todos los valores de la variable aleatoria X, en
una situacin lmite (n de modo que x 0). De all la denominacin de la como curva
lmite. La funcin de densidad de probabilidad de X, f(x), al ser graficada en ordenadas con
relacin a los correspondientes valores de variable, define un rea total entre la curva y el eje de
abscisas, de tamao unitario. Puesto que el rea es igual a1, la probabilidad del intervalo entre a y
b, denotada como P(a<X<b), que contiene algn valor x
i
de inters, resulta ser grficamente el rea
acotada por la funcin de densidad, las perpendicularidades levantadas por a y b, y el eje de
abscisas correspondiente a los valores de X, como se ilustra en la siguiente figura.
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
sin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil Versin Estudiantil
0,00
0,10
0,20
0,30
0,40
D
e
n
s
i
d
a
d

a b
X
Grfico 6.10: < < = rea bajo la grfica de entre a y b

Hay que aclarar que no es cualquier funcin real integrable, para que sea una fdp legtima, debe
ser una funcin que satisfaga las siguientes condiciones:

1) 0 para todas las en el dominio de la funcin
2) < < = = 1
, (rea total unitaria bajo la curva lmite)

NOTAR: f(x) es la funcin de densidad de una VAC y los valores que toma NO son valores de
probabilidad sino valores de la curva lmite; f(x), slo toma valores positivos (cuadrante I). La
funcin es un modelo y tambin un medio para obtener valores de probabilidad, ya que integrando
en un intervalo dado (a,b) se obtiene una probabilidad, la probabilidad de que la variable X tome valores
pertenecientes al intervalo considerado; grficamente las probabilidades son reas bajo .

La idea de un punto muestral
(posible valor de la variable al realizar un experimento

aleatorio) perteneciente a un espacio muestral infinito no contable , que se corresponde con un punto x
i

en la recta de los reales,
x
, que est contenido en un intervalo definido (valor entre
), el cual
tiene asociado un valor de probabilidad (probabilidad para el intervalo que contiene el valor
), se puede
ilustrar como sigue

S

X(s)

?

6 6. .3 3. .1 1. .1 1. .1 1. . P Pr ro op pi ie ed da ad de es s d de e l la a f fd dp p

1) 0, para todo donde < <

2)
= 1,
3) < < =
= , donde 0 Pa < < 1

R
x

0

1

< <

curva lmite
< <
rea de probabilidad
(rea total=1)
117
NOTAR: la relacin de las propiedades de la con las propiedades de la frecuencia relativa y con los
axiomas de probabilidad.

Algunos ejemplos de funciones de densidad de probabilidad se dan a continuacin

Se desprende que la obtencin de una f(x) para describir la distribucin de una VAC no es una
tarea de modelizacin simple, a veces las fdp son creadas por los estadsticos matemticos y a
posteriori se encuentran aplicaciones y, otras veces, las derivan basados en conocimientos matemticos
y tambin empricos. Afortunadamente existen algunas fdp que representan a una familia de
distribuciones continuas, y por tanto se adecuan a una variedad de situaciones experimentales, de
inters en el estudio de fenmenos aleatorios en disciplinas como la ingeniera, la biologa, la economa
y otras, tal es el caso de la f(x) correspondiente a la distribucin uniforme, normal, gamma, beta,
exponencial, etc.

6 6. .3 3. .2 2. . F Fu un nc ci i n n d de e D Di is st tr ri ib bu uc ci i n n d de e P Pr ro ob ba ab bi il li id da ad de es s A Ac cu um mu ul la ad da as s d de e u un na a V VA AC C

Para el caso de variable aleatoria discreta, la funcin de distribucin de probabilidad acumulada, fdpa;
da para cualquier valor especificado de X la probabilidad P(X x), es decir la probabilidad de que X
tome un valor menor o igual a algn x especificado de la variable, x
i
. El valor de esta funcin se sabe
que se obtiene al sumar los valores de la funcin de probabilidad p(x) correspondientes a todos los
posibles valores de la variable que satisfagan lo siguiente: son menores o igual al x dado. Cuando se
trata de una variable aleatoria continua X, la funcin de probabilidad acumulada tambin da la
probabilidad P(X x), pero tal valor se obtiene por integracin de la fdp, entre los lmites - y x.

Definicin 6.7.
Sea X una variable aleatoria continua. La probabilidad de que X tome un valor menor o igual a un
valor x especificado, se define como

= =
x
dt t f x X P x F ) ( ) ( ) (

donde t es una variable artificial de integracin. La funcin de distribucin de probabilidad acumulada
de X, F(x), al ser graficada en ordenadas, en relacin a los correspondientes valores de la variable,
define una curva no decreciente. El valor de ordenada de cada punto de la curva F(x) se
corresponde con el rea por debajo de la funcin f(x) entre y
,
F(x)

1

F(x
i
)

X
0 x
i

Grfico 6.11: Funcin de distribucin de probabilidad acumulada F(x)

6 6. .3 3. .2 2. .1 1. .1 1. . P Pr ro op pi ie ed da ad de es s d de e l la a f fd dp pa a
1) = 0

2) = 1

3) < < =

4) ) (
) (
x f
dx
x dF
= la derivada de la F(x) da la , como consecuencia del teorema fundamental
del clculo integral, siempre que tal derivada exista.

< <

< <

< <

< <


118

6 6. .4 4. . V VA AR RI IA AN NZ ZA A D DE E U UN NA A V VA AR RI IA AB BL LE E A AL LE EA AT TO OR RI IA A
6 6. .4 4. .1 1. . V Va al lo or r e es sp pe er ra ad do o o o E Es sp pe er ra an nz za a

Utilizando el material que hemos presentado hasta aqu, podemos ahora determinar la
probabilidad de un solo suceso de un experimento, o describir la probabilidad de todo el conjunto de
resultados asociados con una variable aleatoria dada. Sin embargo, puede que esta informacin no sea
suficientemente concisa en muchas situaciones de decisin. Recurdese que tuvimos el mismo
problema en la estadstica descriptiva donde no era suficiente la mera presentacin de todos los datos y
hubo que determinar diversas caractersticas de los mismos (de las cuales las ms importantes fueron
la media y la varianza). Los mismos tipos de medidas son tiles para describir las distribuciones de
probabilidades. En este caso, sin embargo, no debemos hablar de una media observada o de una
varianza observada, sino de la media o la varianza que se esperara obtener (en promedio) para la
variable aleatoria en consideracin. A estos valores se les da, pues, el nombre de esperanza o valores
esperados.

El valor esperado (o esperanza) de una variable aleatoria es un concepto muy importante en el
estudio de las distribuciones de probabilidad. La esperanza de una variable aleatoria tiene sus orgenes
en los juegos de azar, debido a que los apostadores deseaban saber cul era su esperanza de ganar
repetidamente un juego. En este sentido, el valor esperado representa la cantidad de dinero promedio
que el jugador est dispuesto a ganar o perder despus de un nmero grande de experimentos.
Para ilustrar la esencia de la esperanza, se analizar el siguiente juego de azar. Supngase que se tiene
una moneda normal y el juego tiene tres oportunidades para que al lanzarla aparezca una cara o
despus de tres intentos, lo que sucede primero. Si en el primero, segundo o tercer lanzamiento aparece
cara el jugador recibe $2, $4 y $8 respectivamente. Si no cae cara en ninguno de los tres
lanzamientos, pierde $20. Para determinar la ganancia o prdida promedio despus de nmero muy
grande de juegos, sea X la variable aleatoria que representa la cantidad que se gana o se pierde cada
vez que se juega. Despus de un nmero grande de juegos se espera ganar $ 2 en cualesquiera de los
dos lanzamientos, $ 4 en cualesquiera de los cuatro lanzamientos, $ 8 una vez cada ocho lanzamientos
y se espera perder $ 20 una vez en cada ocho intentos. El valor esperado, o la cantidad promedio que
se ganara en cada juego despus de un nmero muy grande de stos, se determina multiplicando cada
cantidad que se gana o se pierde por su respectiva probabilidad y sumando los resultados.

La esperanza de ganar es ($2)(1/2) + ($4)(1/4) + ($8)(1/8) + (-$20)(1/8) = ($0,50) Ganancia promedio
por juego. Ntese que el valor esperado de 50 centavos no es ninguno de los posibles valores de la
variable aleatoria; de esta forma, es completamente posible que una variable aleatoria nunca tome el
valor de su esperanza.

El ejemplo anterior sugiere la siguiente definicin de la esperanza matemtica de una variable
aleatoria:

Definicin 6.8.
El valor esperado de una variable aleatoria X, simbolizado como , es el promedio o valor medio
de X y est dado por:

= =
= 1,2, ,
= =

La esperanza de una variable aleatoria X es un nmero fijo (valor de variable) y una propiedad de
la distribucin de probabilidades.

Generalmente se usa la letra E para denotar un valor esperado, y a continuacin de este smbolo
se colocan corchetes que encierran la variable aleatoria de inters. As, el smbolo E[X] representa el
valor esperado de la variable aleatoria X. El valor esperado de X es el punto de equilibrio de la funcin
de probabilidad. Se trata, por tanto, de la media ponderada de la poblacin de valores x.

El valor esperado de una variable aleatoria discreta X se obtiene multiplicando cada valor de la
variable aleatoria por su correspondiente probabilidad, y sumando luego todos estos productos.

Ntese que esta definicin de [ ] X E = se asemeja a la que dimos en la unidad I para la media
de una poblacin con datos agrupados.

119
E[x]= = 5,64
V[x]= ) ( ) , ( x p x
todox
=
2 2
64 5
= (1-5,64)
2
0,08 + (2-5,64)
2
0,27 +
(4 5,64)
2
0,10 +)6 5,64)
2
0,33 +
(12 5,64)
2
0,22
V[x] = 14,51 orificios
2
= ( ) 8 , 3 = x V orificios
La mayor diferencia consiste en que, en la Unidad I cada valor de x era ponderado por su
frecuencia relativa fi/n, mientras que aqu la ponderacin es p(x
i
). Como sealamos anteriormente, fi/n,
es la frecuencia relativa para slo una (o unas pocas) repeticiones del experimento, mientras que p(x
i
) es
la frecuencia relativa esperada para un nmero infinito de repeticiones del experimento.

6 6. .4 4. .2 2. . V Va ar ri ia an nz za a d de e u un na a v va ar ri ia ab bl le e a al le ea at to or ri ia a

As como la varianza de una poblacin se define como el promedio de los cuadrados de las
desviaciones de los valores poblacionales respecto a su media (), as tambin puede definirse la
varianza de una variable aleatoria como el valor esperado del cuadrado de las desviaciones de los
valores de x respecto a su valor esperado E[x]. Denotamos esta varianza de la variable aleatoria x
mediante el smbolo V[x], que se define de la manera siguiente:

Definicin 6.9
Varianza de X:
=

La frmula anterior constituye la forma acostumbrada de definir la varianza de una variable
aleatoria discreta. Tambin puede utilizarse para calcular la desviacin estndar, denotada por , que es
igual a la a raz cuadrada de la varianza:

Definicin 6.10. Desviacin tpica de una Variable aleatoria (VA)
=

Para ilustrar el uso de la frmula de la varianza de una variable aleatoria, supngase una
distribucin de probabilidades del nmero de orificios en tronco producidos por el taladrillo del olivo. En
la tabla 6.6 y la grfica 6.12 se muestra la funcin de probabilidad correspondiente a este ejemplo.

Tabla 6.6- Distribucin de probabilidades
X 1 2 4 6 12
P(x) 0,08 0,27 0,10 0,33 0,22

El valor = 5,64 es el centro de esta distribucin de probabilidades, en el sentido de que es el
nmero esperado de orificios por tronco de olivo. El valor = 3,81 indica el tamao esperado de la
dispersin de la distribucin de las cantidades de orificios con respecto a su media.

En este momento es importante subrayar que se debera verificar siempre que los valores
obtenidos para E[x] y V[x] sean razonables. Por ejemplo, si E[x] no est prximo al punto donde cabra
esperar que estuviese el centro de gravedad, se har necesaria una revisin de los clculos. Un buen
procedimiento para verificar que el valor de V[x] es razonable consiste en emplear la regla prctica para
las varianzas. Esta regla dice que si la distribucin de probabilidades es razonablemente simtrica y
unimodal, entonces 68% y 95% representan buenas aproximaciones al porcentaje de la distribucin
comprendida en los intervalos + y 2, respectivamente. Usando los valores de y , del grfico
6.12, puede demostrarse que estos intervalos contienen:

Intervalo Probabilidad en el intervalo
+ = 5,64 + 3,81 = 1,83 a 9,45
+ 2= 5,64 + 2 (3,81) = 0 a 13,26

[0,27 + 0,10 + 0,33 = 0,70]
[0,08 + 0,27 + 0,10 + 0,33 + 0,22= 1,00]
0
0,1
0,2
0,3
0,4
0 1 2 3 4 6 8 10 12 14
P(x)
x
Grfico 6.12: Funcin de probabilidades
120

Vemos que los porcentajes reales concuerdan bastante bien con lo indicado por la regla prctica.
Sin embargo, el lector debe recordar que, si la distribucin hubiera sido acentuadamente asimtrica, los
porcentajes correspondientes a estos intervalos podran haber sido muy diferentes de 68% y 95%.

Si bien la frmula de la varianza de una VA es tericamente correcta, tiene gran desventaja en lo
que respecta a su obtencin. En especial, cuando la media no es un nmero entero, sino que tiene
tres o ms decimales, entonces puede ser tedioso restar de cada valor de x. Adems, al elevar al
cuadrado las desviaciones se obtendrn nmeros con seis o ms decimales. Finalmente, si el nmero
de valores que toma x es grande, entonces todas estas restas y cuadrados, as como la suma final,
requerirn muchos pasos que son una fuente potencial de errores de clculo.

Para obviar estas objeciones, existe una frmula para el clculo de la varianza de una
distribucin de probabilidades que es muy parecida a la que se dio para la varianza muestral para el
clculo abreviado de
2
. Esta frmula requiere el clculo previo de E[X] y de E[X
2
], y es equivalente a la
frmula de la definicin 6.11.

Definicin 6.11
Frmula equivalente para a varianza de :

=

La frmula puede ser recordada como la esperanza de los cuadrados menos el cuadrado de la
esperanza. Es sta una expresin general que se aplica a cualquier variable aleatoria discreta o
continua.

Tema 6-Variable Aleatoria - 2014

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 6-Variable Aleatoria - 2014

Cargado por

Copyright:

Formatos disponibles

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

, as como la de sembrar tres semillas en una maceta y observar lo

o, medir la nota de aprobacin de Estadstica obtenida por un

, o de medir los rendimientos de un proceso de elaboracin de pulpa en kg / hora

, (rea total unitaria bajo la curva lmite)

(posible valor de la variable al realizar un experimento

= , donde 0 Pa < < 1

UNIDAD II: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

También podría gustarte