Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema1 - Variable Aleatoria Informatica PDF
Tema1 - Variable Aleatoria Informatica PDF
ESQUEMA
1.1. Concepto de variable aleatoria. Definición formal. Notaciones.
1.1.1. Tipos
1.1.2. Función de distribución.
1.2. Variables aleatorias de tipo discreto.
1.2.1. Características:
1.2.1.1. Función puntual de probabilidad.
1.2.1.2. Esperanza y varianza de v.a. discretas. Propiedades.
1.2.2. Distribuciones discretas especiales.
1.2.2.1. La distribución de Bernoulli.
1.2.2.2. La distribución de Bernoulli.
1.2.2.3. La distribución Binomial.
1.2.2.4. La distribución de Poisson.
1.3. Variables aleatorias de tipo continuo.
1.3.1. Características:
1.3.1.1. Función de densidad.
1.3.1.2. Esperanza y varianza de v.a. continuas. Propiedades.
1.3.2. Distribuciones continuas especiales.
1.3.2.1 La distribución Uniforme.
1.3.2.2 La distribución Normal.
1.3.2.3. Distribuciones relacionadas con la Normal: χ2 , t , F.
Ejemplo 1: Si consideramos el experimento lanzar una moneda al aire tres veces, nuestro
espacio muestral Ω estará formado por los ocho posibles resultados elementales del
experimento, es decir Ω={(c,c,c),(c,c,+),(+,c,c), (+,c,+), (+,+,c),(c,+,c),(c,+,+), (+,+,+)}.
Cada uno de estos sucesos (equiprobables) con una probabilidad de 1/8.
Podemos definir una función que a cada uno de los resultados, le asigna el número de caras
obtenidas:
Χ
Ω ℜ
(c,c,c) 3
(c,c,+) 2
(+,c,c) 2
(+,c,+) 1
(+,+,c) 1
(c,+,c) 2
(c,+,+) 1
(+,+,+) 0
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 1
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Pues bien, la probabilidad de los sucesos elementales del experimento (1/8), induce una
probabilidad sobre la característica numérica (número de caras) que es nuestra variable
aleatoria.
Así, la probabilidad nuestra variable aleatoria tome el valor 0, es: P(X=0)=P((+,+,+))=1/8
Definición 2: Esto nos permite definir alternativamente la variable aleatoria como todo
función definida sobre el espacio muestral, que toma valores en el campo de los números reales
de tal manera que la imagen inversa de cada intervalo de la forma (-∞, x] es un suceso de la σ-
álgebra α.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 2
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Luego ∀ x ∈ℜ, X-1( (-∞, x]) ∈Α y por tanto X es una variable aleatoria.
El suceso [X <1]= {(+,+,+),(c,+,+),(+,+,c),(+,c,+)}
Dentro del conjunto de las variables aleatorias vamos a diferenciar dos tipos con el fin de
trabajar con ellas de una forma más simple sabiendo al grupo al que pertenecen. De esta forma
podemos describir de una forma más simple las probabilidades de los sucesos haciendo uso de
una nueva función: la función de densidad.
Fundamentalmente existen dos tipos de variables aleatorias las de tipo discreto y las de
tipo continuo, aunque podríamos agregar un tercer grupo donde se encuentran aquellas que no
pertenecen ni a uno ni a otro, éstas se llaman mixtas y no las estudiaremos aquí.
1.1.1.1 Variable de tipo discreto: Una variable aleatoria X diremos que es de tipo
discreto, o simplemente discreta, si el conjunto de valores que toma esta variable aleatoria
(X(Ω)) es un conjunto contable (finito o infinito numerable).
Así cuando el conjunto de los posibles resultados de un experimento sea un conjunto
contable la variable aleatoria que tenga asociada será de tipo discreto: El lanzamiento de un
dado, la combinación ganadora del sorteo de la primitiva, el número de llamadas telefónica que
recibe una centralita, etc.
También es posible que el conjunto de los posibles resultados sea infinito no numerable y
la variable aleatoria que tiene asociada sea discreta. Por ejemplo, supongamos que una
máquina fabrica tornillos de longitud comprendida entre los 10 y los 20 cm. Si consideramos
aceptamos aquellos tornillos de longitud comprendida entre los 10 y los 15 cm. y rechazamos
los de tamaño superior podemos definir la variable aleatoria X tal que asocie a los valores
comprendidos entre 10 y 15 el valor 1 y a los valores superiores a 15 el valor 0. En este caso el
conjunto Ω = [10,20] es infinito no numerable, mientras que el conjunto X(Ω) ={0,1} es finito
y por tanto estaremos tratando con una variable aleatoria de tipo discreto.
1.1.2.-FUNCION DE DISTRIBUCIÓN.
Dado un espacio probabilístico (Ω,α,Ρ), y una variable aleatoria X, hemos visto que las
probabilidades de los sucesos inducen una probabilidad en el fenómeno aleatorio “valor de la
variable aleatoria”. Esto nos permite trasladar el estudio de las probabilidades de los sucesos de
Ω al de las probabilidades sobre subconjuntos de números reales. Es decir podremos calcular
probabilidades de que la variable aleatoria (v.a.) tome valores en determinados subconjuntos.
Por ejemplo P(X <3).
Con este objeto introducimos la función de distribución:
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 3
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
i) FX (-∞) = 0 y FX (∞) = 1
Esta condición obliga a que la función empiece, a la izquierda tomando el valor de 0, y,
a la derecha, acabe tomando antes o después el valor 1.
ii) FX es una función no decreciente.
Esto significa que la función de izquierda a derecha nunca desciende, siempre o
asciende o se mantiene constante.
iii) FX es una función continua a la derecha.
Es decir, que desde cualquier punto hacia la derecha, la función es continua. Si se dan
discontinuidades son a la izquierda de algunos puntos.
Ejemplo 2: Se lanza una moneda dos veces. Sea X la variable aleatoria número de caras
obtenidas. Veamos cual es su función de distribución:
Nuestro espacio muestral es Ω={(c,c), (c,+),(+,c), (+,+)} y las probabilidades de todos los
sucesos son iguales (sucesos equiprobables) y valen 1/4.
La variable aleatoria X toma los valores X((c,c))=2, X((c,+))=X((+,c))=1, X((+,+))=0.
Calculemos la Función de Distribución para diferentes valores al azar:
Formalmente, hay que calcular la función de distribución para cada número real x igual que la
hemos calculado para los valores –2;0,5;1,5; y 2,5. Es fácil ver que en nuestro caso la Función
de Distribución vale:
0 si x<0
FX (x) = 1/4 si 0<x<1
3/4 si 1<x<2
1 si 2<x
Función de Distribución
1,2
0,8
0,6
0,4
0,2
0
-2 -1 0 1 2 3 4 5
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 4
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Definición: Dado un espacio probabilístico (Ω, S, Ρ), y una variable aleatoria X definida
en él, decimos que X es una variable aleatoria discreta si el conjunto:
X(Ω) = {X(ω), ∀ ω∈Ω,}
1.2.1 CARACTERÍSTICAS.
Con objeto de elaborar una plan de prevención de riesgos laborales, en una empresa se han
recogido los siguientes datos:
Numero de accidentes Numero de días del mes
0 10
1 12
2 5
3 2
4 1
Consideremos la variable aleatoria X, número de accidentes diarios. La siguiente tabla recoge la
distribución de frecuencias de dicha variable:
Valor de la variable(xi) Frecuencia Absoluta(ni) Frecuencia Relativa(fi)
0 10 10/30
1 12 12/30
2 5 5/30
3 2 2/30
4 1 1/30
30
Esta tabla contiene toda la información sobre la variable estadística (sobre los datos de un
mes). Ahora bien, para resumir ciertos aspectos de la distribución (promedios, dispersión,
forma, ...) que clarifiquen la información y permitan su comparación con datos de otros meses
o de otras empresas, se calculan una serie de medidas características de posición(media,...),
dispersión(varianza,...), ....:
Así, la media aritmética sería:
X = 0 x 10/30 + 1 x 12/30 + 2 x 5/30 + 3 x 2/30 + 4 x 1/30 = 1,07
La varianza:
S2X=(0–1,07)2x10/30+(1-1,07) 2x12/30+(2-1,07) 2x5/30+(3-1,07)2x2/30+(4-1,07) 2x1/30
= 1,06
Y su desviación típica SX= 1,03
Todas estas medidas tienen su fundamento en las frecuencias observadas para los distintos
valores de la variable, es decir, son medidas empíricas.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 5
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Se advierte que si X(Ω) es el conjunto {x1, x2, x3, ...., xn, .... }, la función de probabilidad fX toma
los valores: fX(xi)=P(X= xi) para i=1,2,...n,... y fX(x)=0 para el resto de los x≠ xi.
fX(x)
F ( x) = ∑p
xi ≤ x
i
Ejemplo 2: Con los datos del ejemplo 2, veamos cual es la función de probabilidad puntual:
La variable aleatoria X número de caras obtenidas al lanzar una moneda al aire dos veces
puede presentar los valores 0, 1 y 2;
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 6
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
fX(0) = P(X=0)=P((+,+))=1/4
fX(1) = P(X=1)=P((c,+),(+,c))=2/4
fX(2) = P(X=2)=P((c,c))=1/4
fX(x) = 0 ∀ x ≠ 0,1,2
Recíprocamente toda función g: ℜ→ℜ que se anula salvo en un conjunto finito o infinito
numerable de puntos y cumple las dos propiedades anteriores es función de probabilidad de
una variable aleatoria discreta.
La media es por excelencia la medida de resumen de una variable estadística y bajo ciertas
condiciones (poca dispersión) es un buen representante de toda la distribución de frecuencias.
Vamos a desarrollar ahora la media referida a una distribución de probabilidades, que es lo que
llamamos esperanza matemática de una variable aleatoria (también llamada valor medio, valor
esperado ó media esperada). La denominación de esperanza tiene sus raíces históricas en
referirse a la ganancia que un jugador esperaba obtener en un juego de azar.
Ejemplo 4: Al lanzar un dado, el jugador recibirá tantos miles de pts. Como indique el dado si
el número obtenido es impar y pagará a la banca igual número de miles de pesetas que indique
el dado si el número obtenido es par.
En un número grande de jugadas, n, podemos asignar(intuitivamente/subjetivamente) a cada
cara del dado una probabilidad de n/6 de obtener dicha cara.
Después de jugar n veces la ganancia aproximada del jugador debe ser:
Ganancia después n jugadas=1x 0/6–2x n/6+3 x n/6 – 4 x n/6 + 5 x n/6 – 6 x n/6= - 3n/6
Es decir, ganará 1 mil pesetas en las n/6 jugadas donde debe salir un 1, perderá 2 mil pesetas
en las n/6 jugadas donde debe salir un 2, ...
Y su ganancia media esperada por jugada será la ganancia total esperada de las n jugadas
dividida por el número de jugadas:
Ganancia esperada por jugada=(-3n/6)/n=-3/6= -0,5
Luego espera obtener –0,5 miles de pesetas por jugada, es decir, espera perder 500 pesetas
por jugada: por tanto el juego no le es favorable.
(Propuesto: Determinar la ganancia esperada después de n jugadas si el jugador gana al
obtener par y pierde al obtener impar).
Si construímos la variable aleatoria X, ganancia del jugador, esta tendrá la siguiente función de
probabilidad:
X: 1 P(X=1)=1/6
-2 P(X=2)=1/6
3 P(X=3)=1/6
-4 P(X=4)=1/6
5 P(X=5)=1/6
-6 P(X=6)=1/6
La ganancia esperada, esperanza de X, que designaremos por E(X), será la suma de los valores
de la variable multiplicados por su probabilidad:
E(X)= 1 1/6 - 2 1/6 + 3 1/6 – 4 1/6 + 5 1/6 – 6 1/6 = -0,5.
Así introducida, podemos definir,
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 7
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Definición: Sea X una variable aleatoria discreta que toma los valores x1, x2, ..., xn,... y cuya
función de probabilidad es fX. Se llama esperanza matemática de X y se nota E(X) al
número:
E(X) = Σ xi fX (xi) = Σ xi P(X=xi)
Ejemplo 5: Una rifa consta de 1000 papeletas, que se venden a 100 pesetas, existiendo un
único premio de 5.000 pesetas. Compramos cuatro papeletas ¿Qué ganancia esperamos
obtener?:
En el caso de que una de nuestras papeletas sea la premiada, la ganancia será: 5.000 – 400 =
4.600.
En el caso (más probable) que no nos toque, nuestra ganancia(pérdida) será : -400
La probabilidad de no obtener premio, si llamamos PRi al suceso obtener premio con la papeleta
i-ésima es:
P(PR1C ∩PR2 C ∩ PR3 C ∩ PR4 C)
Y esta probabilidad es igual a:
NOTACIÓN: MOMENTOS.
μr = E[(X-E(X))r]
Se observa que la varianza no es más que un caso particular de momentos centrados, esto es,
la varianza coincide con el momento centrado de orden 2:
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 8
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Consideremos el lanzamiento de una moneda al aire( cuyos resultados posibles son cara y cruz)
y la variable aleatoria asociada X que asigna al resultado cara un 1 y al resultado cruz un
0(número de caras obtenidas). La probabilidad de que la variable X tome el valor 1 es 1/2 y la
probabilidad de que la variable tome el valor 0 también es 1/2, ya que dichas probabilidades
son las probabilidades de los sucesos sacar cara y sacar cruz que en principio son dos sucesos
son equiprobables, con probabilidades iguales a 1/2).
Esta misma situación se nos presenta en el lanzamiento de un dado no trucado con la variable
aleatoria que asigna a cada resultado en el lanzamiento del dado el valor obtenido. Los
resultados posibles 1,2,3,4,5,6 tendrán asociados mediante la variable aleatoria asociada X así
definida unos valores X(1)=1, X(2)=2, X(3)=3, X(4)=4, X(5)=5 y X(6)=6. La probabilidad de
que la variable X tome el valor n(con n=1,2,...,6) es la probabilidad del suceso sacar n, y si el
dado no está trucado estas probabilidades son idénticas e iguales a 1/6.
Definición: Pues bien, en general si una variable aleatoria discreta X toma n valores distintos
x1, x2,... xn, con la misma probabilidad, es decir P(X= x1) = P(X= x2) =... P(X= xn) = k,
entonces se dice que la variable X sigue una distribución uniforme discreta de parámetro
n.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 9
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
0 x<x1
1/n x1<x< x2
2/n x2<x< x3
.
F(x)= .
.
k/n xk<x< xk+1
.
.
(n-1)/n xn-1<x< xn
1=n/n xn<x
Esta función es escalonada, y todos los saltos son de la misma cuantía (1/n).
Esperanza matemática(E(X)):
Varianza(Var(X)≡σ2):
La varianza la podemos obtener como Var(X)≡σ2= E(X2) – [E(X)] 2, donde E(X) ya la hemos
obtenido en el apartado anterior, por tanto calculemos E(X2);
Caso particular 1: Cuando n=1, es decir cuando la variable asociada toma un único valor, x1,
la distribución recibe el nombre de distribución uniforme degenerada y la variable asociada,
variable con distribución uniforme degenerada:
Caso particular 2: Cuando xi = i (caso del dado), es decir cuando la variable asociada toma
los valores x1 = 1, x2 = 2, ..., xn = n:
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 10
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
definida como el número de éxitos al realizar el experimento, es decir la variable X tomará los
valores:
1 si ocurre A
0 si ocurre Ac
c
Si llamamos P(A)= p y P(A )= 1-p =q, la distribución de probabilidad de la variable X, puede
escribirse como:
X: 0 P(X=0)= 1-p= q
1 P(X=1)= p
Se observa que X solamente toma los valores 1(en caso de éxito) o 0(en caso de fracaso):
0 si x < 0
FX(x)=P(X<x)= 1-p si 0 < x < 1
1 si x > 1
Supongamos, que se repite n veces el mismo experimento de Bernouilli y que en todos ellos la
probabilidad de éxito, p, es la misma. Diremos entonces que hemos realizado n tiradas de
Bernouilli de parámetro p. Llamemos X a la variable que asocia el numero de éxitos obtenidos
en las n tiradas. Pues bien, a la distribución que sigue dicha variable se le denomina
Distribución Binomial de parámetros n y p, B(n,p). El parámetro n indica el número de
tiradas (que será un número entero positivo) y el parámetro p, es la probabilidad de éxito en
cada prueba( 0<p<1).
La variable asociada al experimento, X, así definida podrá tomar los valores 0,1,2,..,n (número
de éxitos posibles en n tiradas).
La probabilidad de obtener k éxitos, es la probabilidad P((X=k).
Uno de los sucesos con el que obtenemos k éxitos es aquel en que obtenemos k éxitos en las k
primeras pruebas y fracaso en las n-k pruebas restantes:
k n-k
AA.........AAc...................Ac
La probabilidad de este suceso (suponemos que las pruebas son independientes) es:
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 11
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
k n-k k n-k
P(AA.........AAc...................Ac )= P(A)........ P(A) P(Ac)…………..P(Ac) = pk (1-p)n-k
Ahora bien, este es solamente uno de los sucesos en los que aparecerán k éxitos y n-k
fracasos, es decir dicha circunstancia se producirá en cualquier reordenación de la secuencia
anterior.
Deberemos preguntarnos cuantas reordenaciones posibles existen: es decir cuantos
subconjuntos de k elementos (donde no importa el orden) pueden formarse con n elementos.
Pues bien a ese número de reordenaciones se le llama Combinaciones de m elementos
tomados de k en k y vale:
⎛m⎞ m!
C m,k =⎜ ⎟ =
⎝k⎠ k!(m − k )!
En la lotería primitiva tendremos C 49 , 6 = 13.983.816.
Todas las posibles reordenaciones de los n elementos tomados de k en k son sucesos con
probabilidades iguales a pk (1-p)n-k
(ésto es así, ya que dicha probabilidad es la suma de las probabilidades de todos los sucesos en
que se producen k éxitos, siendo dichas probabilidades iguales y existiendo Cn , k sucesos).
Esperanza Matemática:
E(X) = np
Varianza :
Var(X)≡σ2= n p q
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 12
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-1840), francés
que desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida.
La distribución de Poisson se corresponde con la extensión de una distribución Binomial
La distribución de Poisson se corresponde con una variable aleatoria discreta que indica el
número de veces que aparece un determinado suceso A en un periodo de tiempo dado. El
fenómeno aleatorio debe verificar las dos propiedades siguientes:
De forma general esta distribución simula aquellos experimentos en los que se genere un
proceso de cola.
Definición: Una variable aleatoria se dice que tiene una distribución de Poisson de
parámetro λ, (λ>0) y lo representaremos por X~P(λ) si su función puntual de probabilidad. es
de la forma:
λx
P( X = x ) = e − x para x = 0, 1, 2,...
x!
El parámetro λ de los ejemplos anteriores representa el promedio de ocurrencias del
suceso por el que estamos interesados (que llegue una llamada telefónica, que llegue un coche
a la gasolinera, etc)
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 13
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
0,5 0,5
0,4 0,4
l=0,8 l=2,1
Probabilidad
Probabilidad
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 4 8 12 16 20 0 4 8 12 16 20
Variable Variable
0,5 0,5
0,4 0,4
l=8,0 l=12
Probabilidad
Probabilidad
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 4 8 12 16 20 0 4 8 12 16 20
Variable Variable
El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribución de probabilidad de Poisson para describirlos.
Este tipo de leyes se aplican a sucesos con probabilidad muy baja de ocurrir,
obteniéndose como la distribución límite de una sucesión de variable binomiales,
, donde ,y (por tanto ).
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular
la probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas
con dicha enfermedad. Calcular el número esperado de habitantes que la padecen.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 15
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
1.3.1.- CARACTERÍSTICAS.
Definición 6.- Una variable aleatoria X diremos que es de tipo continuo, o simplemente
continua, si su función de distribución F es tal que
Sea f una función real de variable real continua salvo, a lo sumo, en un número finito
de puntos y tal que:
i) f ( x ) ≥ 0 ∀x ∈ ℜ
+∞
ii) ∫−∞ f (x )dx = 1
Entonces f es la función de densidad de una variable aleatoria continua.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 16
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Teorema 5.- Sea X una variable aleatoria de tipo continuo y F y f sus funciones de
distribución y de densidad respectivamente, entonces F puede obtenerse de f y viceversa.
i) Supuesto conocemos F
f(x) = F'(x)
F( x ) = ∫ f (u) du
−∞
Este resultado nos ayudará a dar una interpretación geométrica de probabilidad. Así
podemos afirmar que el área que hay bajo la función de densidad de una variable aleatoria
continua es la unidad y que la probabilidad de que una variable oscile entre dos puntos a y b se
corresponde gráficamente con el área que hay bajo la función de densidad entre los puntos a y b.
Por último veremos una propiedad que cumple la variable aleatoria continua que hasta
cierto punto es sorprendente.
P(X=x) = 0.
Por tanto en variable aleatoria continua no tiene sentido hablar de que la variable aleatoria
tome exactamente un valor sino de que tome valores comprendidos entre dos puntos.
Definición: Sea X una variable aleatoria continua, con función de densidad fX. Se llama
esperanza matemática de la variable aleatoria X al número:
+∞
E( X ) = ∫ xf ( x)dx
−∞
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 17
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Propiedades:
1.3.4.- VARIANZA.
Se observa que la varianza no es más que un caso particular de momentos centrados, esto es, la
varianza coincide con el momento centrado de orden 2:
+∞
Para una variable aleatoria continua: Var(X)≡σ2= ∫−∞
( x − μ ) 2 f ( x)dx
Alternativamente se puede calcular la varianza de una v.a continua como:
+∞
Var(X)≡σ2= ∫−∞
x 2 f ( x)dx − μ 2
Propiedades de la varianza:
Definición: Sea X una variable aleatoria de media μ y varianza σ2. Se dice que la variable Z es la
variable X tipificada si Z = X -μ
Propiedades:
Ejercicio1: Los alumnos de la facultad suscriben un contrato con la cantina del centro para la
celebración de una fiesta pro-viaje de fin de carrera. En dicho contrato se estipula que los alumnos
recibirán una cantidad fija de 100.000 pesetas, más 50 pesetas por cada copa servida. El número
de copas que se servirán puede representarse por una variable aleatoria de media 5.000 y
desviación típica 500. Calcular la media y la desviación típica de los ingresos de los alumnos por la
fiesta.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 18
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
I = 100.000 + 50 X
Ejercicio 2: El comportamiento de una variable aleatoria, viene dado por la función de densidad;
k(1-x) si o < x < 1
f(x)=
0 en cualquier otro caso
Solución:
En primer lugar debemos determinar el valor de k. Para ello, aplicamos que
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 19
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Una variable aleatoria X diremos que sigue una distribución uniforme continua si su función
de densidad es constante en un intervalo finito (a,b) y nula fuera de él.
f(x)
DISTRIBUCIÓN UNIFORME U(a,b)
1/(b-a)
a b
Características:
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 21
TEMA 1: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD.
Diremos que una variable aleatoria se ajusta a una ley normal o que sigue una distribución
de Gauss de parámetros μ y σ, si toma todos los valores reales con función de densidad:
1 1
( x - μ )2
f(x) = -
e 2 σ2 −∞ < x < ∞
2π σ
Esta distribución continua, en su versión más simple, fue introducida por primera vez por
De Moivre en 1.733 como aproximación de la distribución binomial. Posteriormente, Laplace y
Gauss la hallaron empíricamente estudiando la distribución de los errores de medición, y tras sus
trabajos se convirtió en la distribución más utilizada en las distintas aplicaciones (de ahí su
nombre).
Por ejemplo, supongamos que una máquina corta piezas de una determinada longitud,
lógicamente las piezas cortadas tienen la misma longitud solamente en promedio, ya que la
mayoría presentan errores, son un poco más grandes o un poco más pequeñas. Se observó que
los errores en este tipo de situaciones presentaban una distribución simétrica, que originalmente
recibió el nombre de curva normal de errores.
El estudio por parte de K. Gauss (1.777-1.855) de la Teoría de los errores le lleva al
estudio de la distribución de probabilidad de errores, con lo que llega a la distribución Normal,
hasta entonces obtenida como aproximación de otras distribuciones. Junto con el método de
mínimos cuadrados, el estudio de la distribución normal fue la principal aportación de Gauss al
Cálculo de Probabilidades.
García Córdoba
Dpto. Métodos Cuantitativos e Informáticos 22
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
f(μ+x) = f(μ-x)
García Córdoba 23
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
Características:
Varianza: Var(ξ) = σ2
Propiedades:
- 2
La función ex no posee primitiva conocida.
Desde el punto de vista práctico las consecuencias son importantes, aunque esto no
impide que podamos trabajar fácilmente con esta distribución.
puede ser calculado con tanta precisión como se quiera, pero para esto se necesita usar
técnicas de cálculo numérico y ordenadores. Para la utilizar en problemas prácticos la función
de distribución F, existen ciertas tablas donde se ofrecen (con varios decimales de precisión)
los valores F(x) para una serie limitada de valores x dados.
Con el fin de solucionar este problema, la integral ha sido tabulada (es decir se
calculan sus valores mediante procedimientos numéricos aproximados), proporcionando un
método rápido y sencillo de obtener las diferentes probabilidades asociadas a la distribución.
Propiedades:
El siguiente resultado proporciona un método para el cálculo de estas probabilidades:
Propiedad 1.- Si ξ es una v.a. con distribución N(μ,σ), entonces Y=aξ+b es una
distribución Normal de parámetros N(aμ+b,|a|σ).
García Córdoba 24
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
Propiedad 2.- Sea ξ un v.a. con distribución N(μ,σ), Entonces la v.a. Y=(ξ-μ)/σ es
una v.a. Normal de parámetros 0 y 1, N(0,1).
Ejemplo:
F(x)
0 x
Al igual que en otras ocasiones vamos a calcular la distribución de la suma de dos v.a.
Normales independientes
García Córdoba 25
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
Para terminar con el estudio de esta distribución y con el fin de resaltar su importancia
y a la misma vez constatar las razones históricas por las que surgió, veamos como la
distribución Binomial se aproxima a una Normal.
Se puede demostrar (teorema central del límite) que una v.a. discreta con distribución
Binomial, se puede aproximar mediante una distribución normal si n es suficientemente
grande y p no está muy próximo a 0 ni a 1.
Las distribuciones relacionadas con la distribución Normal, son variables aleatorias que
surgen teóricamente como resultado del proceso de inferencia estadística.
Definición.- Sean X1, X2, ... , Xn , n v.a. independientes e igualmente distribuidas con
N(0,1). Entonces X12 + X22 + . . . + Xn2 sigue una distribución χ2 con n grados de libertad. A
esta v.a. la denotaremos χn2.
Esta distribución, que por razones lógicas toma sólo valores positivos o cero, tiene un
único parámetro que se corresponde con el número de v.a. normales que sumamos.
Características:
Esperanza matemática: E[X] = n
Varianza: Var(X) = 2n
Propiedades:
Propiedad 1.- Si X sigue una distribución χn2 y Y sigue una distribución χm2 y son
independientes, entonces X+Y sigue una distribución χn+m2.
García Córdoba 26
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
Características:
X
U= n
Y
m
se dice que sigue una distribución F de Snedecor con n grados de libertad en el numerador y
m grados de libertad en el denominador.
Al igual que ocurre con las otras variables que estamos presentando en este apartado,
la función de distribución de la F de Snedecor está tabulada.
García Córdoba 27
TEMA 1. VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD
BIBLIOGRAFÍA:
Problemas:
García Córdoba 28