3.

Variables aleatorias

Estadı́stica

Ingenierı́a Informática

Curso 2009-2010

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33

 Contenidos

1 Variables aleatorias y su distribución

2 Transformación de variables aleatorias

3 Medidas caracterı́sticas de una variable aleatoria

Esperanza
Momentos de una variable aleatoria. Varianza
Otras medidas caracterı́sticas

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 2 / 33

 Variables aleatorias y su distribución

Si en un experimento aleatorio, a cada suceso elemental del espacio (Ω, P)

le asignamos un valor numérico obtenemos una variable que “hereda” de
Ω la probabilidad P, y que denominamos variable aleatoria.

La probabilidad P de que X tome un valor concreto a, P(X = a), es la

probabilidad que corresponde a la unión de los sucesos aleatorios
elementales a los que hemos asignado ese valor a.

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 3 / 33

 Variables aleatorias y su distribución

Ejemplo 1:
Experimento aleatorio: “lanzar un dado”.
v.a. más natural X : asignar a cada cara del dado su valor numérico ⇒
X toma seis valores, del 1 al 6, con probabilidad
1
P(X = a) = , a = 1, ..., 6
6
v.a. (no tan natural) Y : asignar el valor 1 a las caras que son
múltiplos de tres y el valor 0 a las que no lo son,

1, con probabilidad p = 13

Y =
0, con probabilidad p = 23

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 4 / 33

 Variables aleatorias y su distribución

Ejemplo 2:
Vamos a realizar un experimento aleatorio que consiste en
“seleccionar una persona al azar”. Para cada persona observamos el
número de hermanos que tiene y su peso.
Podemos usar las v.a.’s:
- X para el número de hermanos, cuyos valores serán números enteros a
partir de cero,
- Y para el peso; con rango de valores todos los posibles entre los lı́mites
naturales; entre dos valores posibles de Y se podrı́an obtener infinitos
valores intermedios (si utilizáramos aparatos con suficiente precisión).
Estos infinitos valores en el rango de la variable es lo que diferencia a las
variables continuas (Y ) de las discretas (X ).

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 5 / 33

 Variables aleatorias y su distribución

Definición:
Una variable aleatoria X es una función X : Ω → R, que a cada elemento
del espacio muestral le hace corresponder un número real.

El conjunto de valores reales que tienen asociado algún elemento del

espacio muestral se denomina rango de la v.a.:

ΩX = {x ∈ R : ∃s ∈ Ω, X (s) = x}

Si ΩX es un conjunto finito o numerable, entonces la variable

aleatoria se denomina discreta.
En caso de que ΩX sea un intervalo, finito o infinito, entonces la
variable aleatoria se denomina continua.

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 6 / 33

 Variables aleatorias y su distribución

¿Cómo asignamos una probabilidad P a los valores del rango de una v.a.?
(¿cómo hereda la variable X la función de probabilidad P del espacio Ω?)

Dado A ⊂ R, la probabilidad de A viene dada por

P(A) = P(X ∈ A) = P(s ∈ Ω : X (s) ∈ A)

 
masa (v.a. discreta)
La función de caracteriza P (inducida por P)
densidad (v.a. continua)

¿qué significa? que conocida la función de masa/densidad de X podemos

calcular la probabilidad de cualquier subconjunto A ⊂ R
¿por qué usarlas? porque son más fáciles de calcular y de manipular

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 7 / 33

 Variables aleatorias y su distribución

Función de masa (v.a.discreta)

Es una función que representa la probabilidad de que X tome cada uno de
los posibles valores (discretos) xi , i = 1, ..., n, ...:

p:R → [0, 1]
xi → p(xi ) = P(X = xi ) =
= P(s ∈ Ω : X (s) = xi )

Propiedades:
1. 0 ≤ p(x) ≤ 1, ∀x ∈ R
X
2. p(xi ) = 1
i
X
3. Dado A ⊂ R, P(X ∈ A) = p(xi )
xi ∈A

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 8 / 33

 Variables aleatorias y su distribución

Función de densidad (v.a.continua)

Es una función f : R → R que describe la probabilidad de X de la
siguiente manera: si tenemos un subconjunto de números reales A ⊂ R, la
probabilidad de que la variable aleatoria
Z continua X tome un valor en
dicho conjunto es P(X ∈ A) = f (x)dx.
A

No hay que confundir la probabilidad P(X = a) con el valor de la función

de densidad en a, f (a)

Propiedades:
1. f (x) ≥ 0, ∀x ∈ R,
Z
2. f (x)dx = 1.
R

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 9 / 33

 Variables aleatorias y su distribución

Como consecuencia:
Z b
P(a ≤ X ≤ b) = f (x)dx
a
Z Z a
P(X = a) = f (x)dx = f (x)dx = 0
{a} a

la probabilidad de que una v.a. continua X tome un valor a es cero

P(X ≤ a) = P(X < a)
P(X ≥ a) = P(X > a)

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 10 / 33

 Variables aleatorias y su distribución

Función de distribución
Otra función F que caracteriza la función de probabilidad P de una v.a.
X:
F (x) = P(−∞, x] = P(s ∈ Ω : X (s) ≤ x), ∀x ∈ R

Propiedades:
1. lı́m F (x) = 0
x→−∞
2. lı́m F (x) = 1
x→∞
3. x1 < x2 ⇒ F (x1 ) ≤ F (x2 ) (monótona no decreciente)
4. F (x + ) = lı́m+ F (x + h) = F (x) (continua por la derecha)
h→0

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 11 / 33

 Variables aleatorias y su distribución

Como consecuencia:
P(a, b] = P(−∞, b] − P(−∞, a] = F (b) − F (a)
P(a, b) = P(−∞, b) − P(−∞, a] = F (b − ) − F (a)
P[a, b] = P(−∞, b] − P(−∞, a) = F (b) − F (a− )
P[a, b) = P(−∞, b) − P(−∞, a) = F (b − ) − F (a− )
P{a} = P(−∞, a] − P(−∞, a) = F (a) − F (a− ) (salto de probabilidad
en a)
donde P(−∞, a) = F (a− )

Si F tiene un salto en un punto a entonces P(a) > 0

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 12 / 33

 Variables aleatorias y su distribución

Función de distribución de una v.a.discreta

X X
F (x) = P(X = xi ) = p(xi )
xi ≤x xi ≤x

es una función continua a trozos (función en escalera)

Función de distribución de una v.a.continua

Z x
F (x) = f (t)dt
−∞

F es continua: no tiene saltos (todos los conjuntos formados por un

solo punto tienen probabilidad cero)
dF (x)
Calculamos f (x) a partir de F (x) derivando: f (x) =
dx

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 13 / 33

 Variables aleatorias y su distribución

Ejemplo 1:
Experimento aleatorio: lanzar cuatro veces una moneda equilibrada.
Espacio muestral:
Ω = {CCCC , CCC +, CC + C , C + CC , +CCC , CC + +, C + C +, C +
+C , +CC +, +C +C , ++CC , +++C , ++C +, +C ++, C +++, ++++}
X v.a. que expresa el número de cruces obtenidas; toma el valor 0 cuando
el resultado es {CCCC }, el valor 1 si ocurre el suceso {CCC +, CC + C ,
C + CC , +CCC }, el valor 2 si aparece {CC + +, C + C +, C + +C ,
+CC +, +C + C , + + CC }, el valor 3 para los resultados {+ + +C ,
+ + C +, +C + +, C + ++}, y el valor 4 si sale {+ + ++}.

 1 0 x <0
 16 xi = 0

1

 4


16 0≤x <1
xi = 1
 
5

 16 
1≤x <2

6 16
P(xi ) = 16 xi = 2 F (x) = 11
4 16 2≤x <3
xi = 3

 

15
 16 3≤x <4

 

1  16 16
xi = 4


16 = 1 x ≥4
16

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 14 / 33

 Variables aleatorias y su distribución

Ejemplo 1 (cont.):
Se quiere hallar la probabilidad de que aparezcan más de dos cruces:
4 1 5
P(X > 2) = P(X = 3) + P(X = 4) = + =
16 16 16
o también:
5
P(X > 2) = 1 − P(X ≤ 2) = 1 − F (2) =
16
Se quiere calcular la probabilidad de que el número de cruces sea
más de 1 y menos de 4:
4 6 10
P{1 < X < 4} = P(X = 2) + P(X = 3) = + =
16 16 16

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 15 / 33

 Variables aleatorias y su distribución

Ejemplo 2:
Sea X una variable aleatoria continua, caracterizada por la siguiente
función de densidad:
k(x 2 + 1) si 0 < x < 3

f (x) =
0 en el resto
Para que sea función de densidad, la integral en R debe ser 1:

3 3 3
33
Z Z
x 2

1 = f (x)dx = k(x + 1)dx = k + kx  = k + 3k =
R 0 3 0 3
1
= 9k + 3k = 12k ⇒ k =
12
Función de distribución:
 
 0, x < 0  0, x <0
 Z x
 
 3
x + 3x
F (x) = k(t 2 + 1)dt, 0 ≤ x ≤ 3 = , 0≤x ≤3

 0 
 36

1, x >3
 1, x >3
Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 16 / 33
 Transformación de variables aleatorias

Transformación de variables aleatorias

Dadas una variable aleatoria X y una función real de variable real

g : R → R queremos estudiar la distribución de la variable aleatoria
transformada por g de X , Y = g (X )

Basta con calcular la función de distribución de Y (P está caracterizada

por F )

FY (y ) = PY (Y ≤ y ) = PY (g (X ) ≤ y ) = PX (X ∈ Ay ),

donde Ay = {x : g (x) ≤ y } (en muchos casos es sencillo de calcular)

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 17 / 33

 Transformación de variables aleatorias

Transformación de una v.a.discreta

Función de distribución:
X X
FY (y ) = PX (X ∈ Ay ) = pX (xi ) = pX (xi )
xi ∈Ay g (xi )≤y

Función de masa:
X
pY (y ) = PY (Y = y ) = PY (g (X ) = y ) = pX (xi )
g (xi )=y

Transformación de una v.a.continua

Función de distribución (g continua y creciente):
FY (y ) = PY (g (X ) ≤ y ) = PX (X ≤ g −1 (y )) = FX (g −1 (y ))

Función de densidad (g derivable e inyectiva):

 
 dx 
fY (y ) = fX (x)  
dy

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 18 / 33

 Transformación de variables aleatorias

Ejemplo:
Dadas la variable aleatoria continua X , con función de densidad
fX (x) = 2x, 0 < x < 1, y la función continua g (x) = 3x + 1, calcular
la función de densidad de la variable aleatoria continua Y = g (X ).

y −1
Como x = g −1 (y ) = ,
3
   
 dx   1  1
y   =   = , será:
dy 3 3

fY (y ) = 31 fX ( y −1
3 )=
2y −2
9 ,
(1 < y < 4)

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 19 / 33

 Transformación de variables aleatorias

Ejemplo (cont.):
Alternativamente, podemos calcular fY de la siguiente manera:
Función de distribución de Y :

FY (y ) = P(Y ≤ y ) = P(g (X ) ≤ y ) = P X ≤ g −1 (y ) = FX g −1 (y ) =

y −1
(y − 1)2
Z
3  y −1
= 2tdt = t 2 0 3 = ,
0 9
y derivamos FY para obtener la función de densidad:

2(y − 1) 2y − 2
fY (y ) = =
9 9

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 20 / 33

 Medidas caracterı́sticas de una variable aleatoria

Medidas caracterı́sticas de una v.a.

El estudio y comparación de la distribución de probabilidad de distintas

variables aleatorias es más sencillo mediante el uso de constantes
(medidas caracterı́sticas de la variable) que caracterizan
la tendencia central de las distribuciones (o valor central alrededor del
cual se encuentran repartidas de forma equilibrada las probabilidades),
la dispersión (mayor o menor densidad en torno al valor central),
etc.

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 21 / 33

 Medidas caracterı́sticas de una variable aleatoria Esperanza

Esperanza (I)

medida caracterı́stica de tendencia central más importante

también se denomina “esperanza matemática”, “media” o “valor
esperado” de la v.a.
se denota como E [X ] o µX
representa el valor promedio o centro de gravedad de los valores que
toma la variable, ponderando éstos mediante la correspondiente
probabilidad.

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 22 / 33

 Medidas caracterı́sticas de una variable aleatoria Esperanza

Esperanza (II)
Esperanza de una v.a.discreta
X
µX = E [X ] = xi pX (xi )
i
Dada g : R → R, la esperanza de Y = g (X ), viene dada por
X
µY = E [Y ] = g (xi )pX (xi )
i

Esperanza de una v.a.continua

Z
µX = E [X ] = xfX (x)dx
R
Dada g : R → R, la esperanza de Y = g (X ), viene dada por
Z
µY = E [Y ] = g (x)fX (x)dx
R

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 23 / 33

 Medidas caracterı́sticas de una variable aleatoria Esperanza

Esperanza (III)

Propiedades:
Dadas las variables aleatorias X , Y y dos números reales a, b ∈ R, se tiene:

E [aX + b] = aE [X ] + b
(es un operador lineal)
E [X + Y ] = E [X ] + E [Y ]

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 24 / 33

 Medidas caracterı́sticas de una variable aleatoria Momentos de una variable aleatoria. Varianza

Momentos
valores esperados de ciertas funciones de X
se pueden definir alrededor de cualquier punto de referencia
I alrededor del cero ⇒ momentos ordinarios o respecto al origen
I alrededor de la esperanza de X ⇒ momentos centrales o respecto a la
media

Momento ordinario de orden k: αk = E [X k ]

α1 = µX (el momento ordinario de orden 1 es la media de X )

Momento central de orden k: µk = E [(X − µX )k ]

µ1 = E [X − µX ] = E [X ] − µX = µX − µX = 0 (el momento central de
orden 1 de cualquier v.a. es cero)

Dos v.a. con los mismos momentos tienen la misma distribución de

probabilidad (los momentos caracterizan la distribución de probabilidad)
Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 25 / 33
 Medidas caracterı́sticas de una variable aleatoria Momentos de una variable aleatoria. Varianza

Varianza (I)

momento central de orden 2: µ2 = E [(X − µX )2 ]

se denota por V (X ) o σX2
representa la distancia cuadrática promedio a la media ⇒ dispersión
de una v.a. en torno a su media
su raı́z cuadrada, σ, se denomina desviación tı́pica
E [(X − µX )2 ] = E [X 2 ] − µ2X
(el momento central de orden 2 es igual al momento ordinario de orden 2
menos el cuadrado del momento ordinario de orden 1)

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 26 / 33

 Medidas caracterı́sticas de una variable aleatoria Momentos de una variable aleatoria. Varianza

Varianza (II)
Varianza de una v.a.discreta
X
σX2 = V (X ) = E [(X − µX )2 ] = (xi − µX )2 pX (xi )
i

o alternativamente:
X
σX2 = E [X 2 ] − µ2X = xi2 pX (xi ) − µ2X
i

Varianza de una v.a.continua

Z
σX2 = V (X ) = E [(X − µX ) ] = 2
(x − µX )2 fX (x)dx
R
o alternativamente:
Z
σX2 = E [X ] −2
µ2X = x 2 fX (x) dx − µ2X
R

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 27 / 33

 Medidas caracterı́sticas de una variable aleatoria Momentos de una variable aleatoria. Varianza

Varianza (III)

Propiedades:
Dada una variable aleatoria X y dos números reales a, b ∈ R, se verifica:
V (X ) = E [X 2 ] − (E [X ])2
V (aX ) = a2 V (X )
V (b) = 0
V (aX + b) = a2 V (X )
Desigualdad de Chebichev:
1
P(|X − µX | > kσX ) ≤
k2

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 28 / 33

 Medidas caracterı́sticas de una variable aleatoria Otras medidas caracterı́sticas

Mediana (I)

Mediana de una v.a. X

Es el valor Me tal que
1 1
P(X < Me) ≤ , y F (Me) = P(X ≤ Me) ≥
2 2

es una medida de tendencia central en el sentido de que es el valor

para el cual la distribución de probabilidad queda dividida en dos
partes iguales

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 29 / 33

 Medidas caracterı́sticas de una variable aleatoria Otras medidas caracterı́sticas

Mediana (II)

Mediana de una v.a.discreta

es el primer valor (o rango de valores) que acumula (por la izquierda) una
1
probabilidad mayor o igual a
2

Mediana de una v.a.continua

1
es el valor que verifica F (Me) =
2

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 30 / 33

 Medidas caracterı́sticas de una variable aleatoria Otras medidas caracterı́sticas

Coeficiente de variación

σX
CVX = µX
expresa la magnitud de la dispersión de una variable aleatoria con
respecto a su valor esperado
permite comparar la dispersión relativa de dos distribuciones de
probabilidad
especialmente útil cuando la escala de medida de las variables que
queremos comparar difiere notablemente

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 31 / 33

 Medidas caracterı́sticas de una variable aleatoria Otras medidas caracterı́sticas

Ejemplo:
Sea la variable aleatoria discreta X correspondiente al número de
cruces obtenidas al lanzar 4 1veces una moneda
 16 xi = 0
4

 16 xi = 1


6
Función de masa: P(xi ) = 16 xi = 2
4
xi = 3


 16


1
16 xi = 4
1 4 6 4 1
Media: µX = 0 · +1· +2· +3· +4· =2
16 16 16 16 16
5 11
La función de distribución a la izquierda de 2 es y en 2 es ⇒
16 16
Me =2.
1 4 6 4 1 16
Varianza: σX2 = 02 · + 12 · + 22 · + 32 · + 42 · − 22 = =1
16 16 √ 16 16 16 16
1 1
Coeficiente de variación: CVX = =
2 2

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 32 / 33

 Medidas caracterı́sticas de una variable aleatoria Otras medidas caracterı́sticas

Ejemplo:
Sea la variable aleatoria continua X , con función de densidad
fX (x) = 2x, si 0 < x < 1.
Z 1 1
2x 3  2
Media: µX = x · 2xdx =  = 3 = 0,67
0 3 0 Z Me
1 Me
La mediana será el valor Me tal que = 2xdx = x 2 0 = Me 2 ,
r 2 0
1
luego Me = = 0,71
2 1
Z 1
2 2 2x 4  1
Momento ordinario de orden 2: E [X ] = x · 2xdx = =
0 4 0 2

 2
1 2 1
⇒ σX2 = − = = 0,05
2 3 18
√
q
1
18 1 2
Coeficiente de variación: CVX = 2 = √ =
3 2 2 4

Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 33 / 33