Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable Aleatoria v6 PDF
Variable Aleatoria v6 PDF
Introducción
Se puede pensar en una variable aleatoria como un valor o una
magnitud que cambia de una presentación a otra, sin seguir una
secuencia predecible. Los valores de una variable aleatoria son los
valores numéricos correspondientes a cada posible resultado de un
experimento aleatorio. Una variable aleatoria asocia un número o más
generalmente una característica a todo resultado posible del
experimento.
Ejemplos:
Ejemplo
X:Ω R
Ejemplo:
Ω ={ falla , no falla }
X({no falla}) = 0
X({falla}) = 1
El concepto de variable aleatoria permite pasar de los resultados
experimentales a una función numérica de los resultados.
ε: Estado de las unidades producidas en un proceso de fabricación
Ω A cada s ∈ Ω
le corresponde
Espacio Muestral exactamente
falla un valor X(s)
no falla
Conjunto
IR Números
Reales
−∞ 0 1 +∞
X:Ω Rx ∈ IR
Observaciones
si
Ω A X(s) = b; s ∈ Ω
sk
X(s) = a
RX
a b
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral
Ley de
correspondencia
Nº reales
(# de caras) 0 1 2 3 caras
si
A X(s) = b; s ∈ Ω
sk
X(s) = a
RX
a b
( a<x<b )
Nótese que ( a<x≤b ] En el caso de un
para cada par [ a≤x<b ) solo número:
de números
[ a≤x≤b ] X=a o X=b
reales a y b
existen los -∞ x<b )
siguientes -∞ x≤b ]
conjuntos: ( x>a ∞
( x≥a ∞
Función de Probabilidad
• El concepto de Probabilidad de ocurrencia de eventos en el
espacio muestral Ω se puede aplicar a eventos en RX.
0 ≤ P(X(s) = x ) = f(x) ≤ 1
f(x)
1
Ω f: R [0, 1]
RX
0
s X(s) = x
X: Ω RX
Variable Aleatoria Discreta
• Sea X una variable aleatoria.
• 0 ≤ f(xi) ≤ 1; i = 1, 2, 3, ... , n
f(xi)
• Σ f(xi) = 1
∀i
x
x1 x2 x3 x4 x5 x6 xn
Ejemplo:
ε: Lanzar dos monedas legales
X: Número de caras que aparecen
Valores Probabilidad
Z 0 1/4 = 0.25
1 2/4 = 0.50
Z
2 1/4 = 0.25
Z Z
p : ℜ → [0,1]
X :E →ℜ x → p( x) = P( X = x)
w → X ( w)
Observa que aun si el espacio muestral es infinito
numerable, también podemos definir una variable aleatoria
discreta y una función de probabilidad.
Ejemplo
Sea X = Número de lanzamientos de una moneda antes de
que aparezca una cara.
Entonces:
P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 .
1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1,2,….
Ω = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
f : ℜ → [0,1]
f (2) = P(X = 2 ) = P( (1,1) ) = 1/ 36
f (3) = P(X = 3 ) = P( (1,2) ∪ (2 ,1) ) = 2 / 36
f (4) = P(X = 4 ) = P( (1,3) ∪ (3,1) ∪ (2,2) ) = 3 / 36
...
Función de probabilidad de la variable aleatoria X en el ejemplo anterior
6/36
P
5/36 5/36
4/36 4/36
3/36 3/36
2/36 2/36
1/36 1/36
2 3 4 5 6 7 8 9 10 11 12 X
= Σ f( xi )
i=1
x2 ≤ x < x3
3
= Σ f( xi )
i=1
x3 ≤ x < x4
4
= Σ f( xi )
i=1
x4 ≤ x < x5
0
P(X=x5) = f(x5) Función de Probabilidad de “masa”
Función de Frecuencia
x
x1 x2 x3 x4 x5 x6 xn
Propiedades FDA v.a. Discreta
P( x1 < X ≤ x2 ) = F ( x2 ) − F ( x1 )
F es monótona creciente.
F
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12 x
Observación
Algunos problemas de probabilidad están relacionados con la
probabilidad P(a <X ≤ b) de que X asuma algún valor en un intervalo (a,
b]. En este caso tenemos que:
Ejemplo
En el caso de los dos dados, la probabilidad de que los dos dados sumen
al menos 4 pero no más de 8:
P(3 < X ≤ 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
Ejemplo
1 1
6
F(x)
f(x) 0.
5
0 1 6 x 0 1 6 x
Función de probabilidad f(x) Función de distribución F(x)
Ejemplo
En ocasiones algunas líneas aéreas venden más pasajes que los disponibles
en un vuelo. Una compañía ha vendido 250 boletos que corresponden a un
avión de 200 plazas. Sea X la variable aleatoria que expresa el número de
viajeros que se presentan en el aeropuerto para tomar el vuelo. La
distribución de X es:
Soluciòn
Esperanza Matemática de una v.a. Discreta
µ = E ( X ) = ∑ xi P( X = xi ) = ∑ xi p ( xi )
i i
X P(X) XP(X)
Siempre que no genere
-.1 ambigüedad pasaremos
-1 .1
de arrastrar la variable
0 .2 .0 aleatoria: en vez de
1 .4 .4 poner
2 .2 .4 X = xi ponemos
3 .1 .3 directamente xi.
1.0
Ejemplo
11
µ = E ( X ) = ∑ xi p ( xi ) =
i =1
1 2 6 1
⋅ 2 + ⋅ 3 + ... + ⋅ 7 + ... + ⋅12 = 7
36 36 36 36
Ejercicio
Sean a, b y c constantes. Demuestra que:
(1) E (c ) = c
(2) E ( p1 ( x) + p2 ( x)) = E ( p1 ( x)) + E ( p2 ( x))
(3) E ( aX + b) = aE ( X ) + b
Solución
(1) µ = E (c ) = 1⋅ c = c
(2) E ( p1 ( x) + p2 ( x) ) = ∑ xi ( p1 ( X = xi ) + p2 ( X = xi ) ) =
i
∑ x p ( X = x ) + ∑ x p ( X = x ) = E ( p ( x) ) + E ( p ( x) )
i
i 1 i
i
i 2 i 1 2
Observación
Ejemplo
Sea el juego que consiste en sacar una bola de una urna que contiene
7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extraída es
roja y pagamos 150 euros en el caso de que sea negra. ¿Qué podemos
esperar si jugamos muchas veces?
Solución
Espacio muestral Ω = {R, N}. Consideramos las
ganancias como positivas y las pérdidas negativas:
N -150 0,3
Ganancia media
Ejemplo
Solución
1 1
µ = 2 ⋅10 ⋅
7
+ 5 ⋅10 ⋅
6
+
10000 1000
1 9789
+ 2 ⋅10 ⋅ + 0 ⋅ = 11000
5
50 10000
Gasto medio
Ejemplo
Una compañía de refrescos anuncia premios en las chapas
asegurando que cada mil chapas hay 500 con “inténtelo otra vez” ,
300 con premio de 5 u.m. , 150 con premios de 10 u.m. , 40 con
premios de 50 u.m. , y 10 con premios de 100 u.m. Un individuo
compra una botella cuyo costo es de 10 u.m. Caracterizar su
ganancia mediante una variable aleatoria. ¿Es razonable su
decisión? Calcular su probabilidad de perder dinero.
Solución
Momento de orden k de una variable aleatoria discreta
µ = E (T ( X ) ) = ∑ T ( xi ) p ( xi )
i
T ( X ) = X k ; k = 1, 2, 3, ...
mk = E ( X k ) = ∑ xik p ( xi )
i
Y tomando como casos particulares a las funciones:
T ( X ) = ( X − µ ) k ; k = 1, 2, 3, ...
M k = E (( X − µ ) k ) = ∑ ( x − µ ) k p ( xi )
i
Observa que:
m1 = E ( X ) = µ
M1 = E( X − µ ) = E( X ) − µ = 0
Varianza y desviación estándar o típica de
una variable aleatoria discreta
Varianza
σ 2 = Var ( X ) = M 2 = E (( X − µ ) 2 ) =
∑ i
(
i
x − µ ) 2
P ( X = xi )
σ = Var ( X )
X −µ ( X − µ ) ( X − µ ) ⋅ P( X )
2 2
X P(X)
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
σ 2 = ∑ ( xi − µ ) 2 P ( xi ) = 1,2
i
σ = Var ( X ) = 1.10
Ejemplo
11º
Var ( X ) = ∑ p( xi ) ⋅ ( xi − 7) 2 =
i =1
1 2 1
⋅ (2 − 7) + ⋅ (3 − 7) + ... + ⋅ (12 − 7) 2 = 5,83
2 2
36 36 36
por lo tanto
Algunas propiedades de la varianza
1.
Var ( X ) = σ 2 = ∑ ( xi − µ ) 2 p ( xi ) =
i
∑ i + µ − 2 µxi ) p ( xi ) =
22
( x
i
∑ i + µ − 2 µ ∑ xi p ( xi ) =
2 2
x p ( xi )
i i
E ( X ) + µ − 2 µ = E ( X ) − ( E ( X ))
2 2 2 2 2
σ 2 = E ( X 2 ) − ( E ( X )) 2
2. Si a y b son constantes , entonces,
V (aX + b) = a 2V ( X )
Propiedades:
a b x
f(x) > 0; ∀ x ∈ Rx ∈ −∞, +∞
A: { x| a < x ≤ b)
∫ f(x) dx = 1
b
Rx
P(A) = P(a < x < b) =
∫ f( x ) dx
a
Observaciones b
1. P ( a ≤ x ≤ b) = ∫ f ( x) dx
a x
2. F ( x) = P ( X ≤ x) = ∫ f (t )dt
−∞
3. F (-∞) = 0 ; F (∞) = 1 b
f(x) A = ∫ f ( x)dx
4. Fx es no decreciente a
5. E [ X ] =
∫ xf ( x)dx
|R
a b x
6. V [ X ] = ( x − E [ X ]) f ( x) dx
∫
2
R
Función de Distribución Acumulada
F(x) = P(X ≤ x)
Donde la sumatoria es
reemplazada por una
integración para todos los
valores de t ≤ x
Propiedades
3. dF ( x)
= f ( x)
dx
Ejemplo
Sea X una variable aleatoria continua que puede tomar cualquier valor entre a
≤ x ≤ b; cuya pdf es:
1 a≤ x≤b
f (x ) =
b−a
f(x)
0,2
Sea a = 3; b = 12
A: el evento { 4 < x < 7 }
0,1
Entonces:
7
x
∫
0,0 1
2 3 4 5
a
6 7 8 9 10 11 12
b
P(A) = P(4 < x < 7) = 9 dx
min máx 4
1
P(A) = 3
Ejemplo
Supongamos que X tiene como función densidad a f(x) = 0.75(1-x2), si
-1≤ x ≤1 y cero en otro caso. Encuentra
a) La función de distribución
b) Las probabilidades P(-1/2 ≤ X ≤ 1/2) y P(1/4 ≤ X ≤ 2).
c) x tal que P(X ≤ x) = 0.95
Solución
a) Función de distribución
F(x) = 0 , si x ≤ -1
x
F ( x) = 0.75 ∫ (1 − v 2 )dv = 0.50 + 0.75 x − 0.25 x 3 , si - 1 < x ≤ 1
−1
F(x) = 1 , si x >1.
b) Probabilidades
1
2
1
P( X 2) F (2) F ( 4 ) 0.75∫ (1 v )dv = 0.3164
≤1
4≤ = − 1
= − 2
1
4
c) Probabilidad inversa
Momentos de orden k
x( N +1) / 2 si N es impar
xmed ≡
1 / 2( x N / 2 + x( N +1) / 2 ) si N es par Discreto.
Mo = x0
x0
Los momentos de orden superior son menos robustos y, por lo tanto, menos utilizados
3er momento: describe la asimetría de la distribución.
Asimetría (skewness)
∑i =1 i
N
1 ( x − x ) 3
m3 ≡
N σ3
∞
m3 ≡ ∫ ( x − x ) 3 f ( x)dx
−∞
∑
N
Kurtosis 1 ( x − x ) 4 ∞
m4 ≡ i =1
m4 ≡ ∫ ( x − x ) 4 f ( x)dx
i
N σ4 −∞
Solución
Probabilidad inversa
Ejemplo
El número de artículos vendidos en una fábrica cada mes (en millones) es
una variable aleatoria con función de densidad: