Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VARIABLE ALEATORIA
Se denominan variables aleatorias a aquellas variables asociadas a los resultados de un
experimento aleatoria, cuyo valor no puede determinarse sin la ejecucin del experimento. En el
estudio de las ciencias existen otras variables que en contraposicin a las aleatorias, toman valores
perfectamente determinados cuando se conocen las condiciones en que se ha de ejecutar el
experimento, a ellas se las denomina variables determinsticas. Por ejemplo es relativamente fcil
conocer la velocidad conque una piedra llega al suelo cuando se la deja caer desde una altura conocida,
ms all de alguna ligeras diferencias por errores de medicin.
Son variables aleatorias la suma de puntos obtenidas al arrojar dos dados, la distancia de un
impacto al centro de un blanco, la velocidad de una molcula de gas en un instante, el nmero de
partculas emitidas por un material radioactivo en un intervalo de tiempo, la altura de una planta al cabo
de una ao, el nmero de goles que realizar un equipo de ftbol en un partido, el nmero de lotera que
saldr sorteado, etc.
Estudiar una variable aleatoria es describir el conjunto de valores que ella tome. Este conjunto
se llama recorrido de la variable, y puede constar de un nmero infinito de resultados, o finito pero
muy grande. La enumeracin de los mismos an en el caso de poder hacerlo no describe a la variable.
Para una verdadera y til descripcin se debe dar el recorrido de la variable y asignar, mediante el uso
del clculo de probabilidades, medidas a cada valor, si se trata de una variable discreta o medidas a
intervalos adecuados, si ella es continua. Realizar estas asignaciones de probabilidad, es definir para la
variable una distribucin de probabilidades.
Consideremos el siguiente ejemplo: se arroja un dardo a un blanco circular de radio R. El
espacio muestral ms detallado es el conjunto de todos los puntos donde el dardo puede llegar, los del
crculo ms los que estn fuera del crculo. Asociado a este experimento se pueden definir distintas
variables aleatorias:
X1: "acierto o no en el blanco"
el recorrido de X1 es RX1 = {acierto; no acierto} o convencionalmente asignar 1 al acierto y 0 al no
acierto, luego RX1 = {1; 0}.
La medida de probabilidad asignada a 1 debe ser estimada y eso es privativo de la Teora
Estadstica. Por ejemplo se ejecuta un nmero muy grande de tiros y se cuenta cuantos de ellos aciertan
en el blanco, si la frecuencia relativa es p entonces P(X=1) = p, obviamente P(X=0) = (1 - p),
por tratarse de un experimento dicotmico (de dos resultados). El modelo expuesto se llama modelo de
Bernouille.
con x = 1, 2, ..... ,
P(X=1) = P{(A A ... A ) (A A ... A ) (A A ... A) } = .p.(1-p)n-1
1
n
P(X=2) = P{(A A A ... A ) ......} = .p2.(1-p)n-2
2
n
n-x
P(X=x) = P{(A A A ... A ) .... } = .px.(1-p)
x
con x = 0, 1, ... , n
f(X)
X
x1
x2 .................................. xn
x . p(x)
x Rx
Notar que es una media de los valores de X ponderados por las respectivas probabilidades, cuya suma
es 1, por lo que no aparece en el divisor.
El parmetro de dispersin es la variancia:
2 = V(X) =
( x i - ) 2 . p ( xi )
x Rx
V(X) = p.(1-p)
V(X) = (1-p)/p2
V(X) = n.p.(1-p)
Veamos ahora otra variable aleatoria asociada al mismo experimento del tiro al blanco;
consideremos que todos los tiros aciertan (o que los yerros tienen probabilidad cero), y definimos la
variable:
X
0
3 .............
f(X)
X
0
Sabemos que la probabilidad de todo el recorrido de X es 1; por lo que siendo el rea bajo la
curva cual a 1, se puede calcular facilmente el parmetro k, haciendo 1/2 R k = 1 de donde k = 2/R.
La ecuacin de la funcin, que adems asigna probabilidad cero a los puntos exteriores al intervalo
[0,R) es:
(2/R2) . x
si 0 x < R
f(x) =
0
en otro caso
= E(X) =
+
= V(X) =
2
x . f(x) . dx
( x ) 2 . f(x) . dx
Existen muchos modelos tericos de probabilidad, para variables continuas, pero uno en
particular tiene aplicacin en muchsimos casos. Fue desarrollado por Moivre y luego por Gauss, se lo
conoce con el nombre de modelo normal o modelo gausseano. La funcin de densidad tiene forma de
5
campana con probabilidades altas alrededor del centro de la distribucin, luego esas probabilidades
decrecen rpida y simtricamente hacia ambos lados hasta alcanzar puntos de inflexin a partir de los
cuales la curva es cncava hacia arriba y el decrecimiento es cada vez ms lento pero extendido hasta y + .
f(X)
La esperanza y la variancia de este modelo son estimadas en una muestra de n datos a travs de
la media aritmtica y de la variancia usual, pero en esta ltima el divisor es n-1 en lugar de n, pus de
esta manera la estimacin tiene propiedades interesantes.
= x =
1
n
i=1
2 = S2 =
1
n -1
(x
- x )2
i=1
Z =
X - x
x
es una variable normal con media z = 0 y variancia z2 = 1 , y de all el desvo estndar es tambin z
= 1.
La distribucin de Z est representada por una curva normal centrada en el origen y sirve de
prototipo para los clculos de probabilidades de cualquier modelo normal.
0.60
0.45
0.30
0.15
0.00
-3
-2
-1
Las probabilidades de sucesos de la forma P(Z zo) = (zo) estn tabulados para distintos
valores de zo pertenecientes al recorrido de Z.
Una particularidad de los modelos normales es que tomando un intervalo de un desvo a la
izquierda y a derecha de la media, el porcentaje de poblacin encerrado es de 68,27%, tomando dos
desvos el porcentaje asciende a 95,4% y cuando se ampla a tres desvos tenemos practicamente a toda
la poblacin, 99,73%.
Para calcular la probabilidad de una variable normal X con media x y desvo x sea menor o
igual que un valor xo se procede de la siguiente manera:
X - x
x - x
P(X x 0 ) = P
0
x
x
= P(Z z 0 )
0.45
0.30
0.15
//
0.00
-3
-2
-1
39
44
49
54
59
64
69
P( X > 60 ) = 1 - P( X 60 ) = 1 - P Z
60 - 54
= 1 - P( Z 1,2 ) = 1 - 0,8849 = 0,1151 o 11,5%
5
entonces el nmero de das es: 0,115 . 22 = 2,5 ; es decir, que entre 2 y 3 das en el mes los alumnos
llegarn tarde a clases.
Otra pregunta que podramos planteranos es entre que horas (simtricas respecto a la media) se
dan el 90% de los arribos del colectivo ?.
90%
//
-3
-2
-1
z1
z2
90%
3
39
44
49
x1
54
59
64
69
x2
Por la tabla de la normal estndar sabemos que z2 = 1,64 y por simetra z1 = -1,64. La probabilidad
acumulada desde - hasta z2 es 0,95, entonces:
x 2 - 54
= 0,95 entonces,
5
x 2 - 54
= 1,64 luego x2 = 1,64 . 5 + 54 = 62,2 minutos = 62 min 12 seg
5