UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA MECÁNICA Y DE ENERGÍA

VARIABLES ALEATORIAS
Prof. V.Contreras T.

Definición 3.0.1 Una variable aleatoria X es una función que asocia un número real a
cada elemento de un espacio muestral Ω simbólicamente

X = {(w, x) / X(w) = x , w ∈ Ω , x ∈ R}

El dominio de la variable aleatoria X (v.a.X) es el espacio muestral Ω y el rango es un

subconjunto de los números reales que denotaremos poe RX , siendo

RX = {x ∈ R / x = X(w) , w ∈ Ω}

Ejemplo
Sea Ω el espacio muestral que se obtiene al lanzar al aire una moneda justa tres veces.
Se define la función X como ”el número de caras obtenidas”. Halle el recorrido de la ´v.a.
X.
Solución
Se tiene que
Ω = {sss, ssc, scs, css, scc, csc, ccs, ccc}
X(sss) = 0
X(ssc) = X(scs) = X(css) = 1
X(scc) = X(csc) = X(ccs) = 2
X(ccc) = 3
Por lo tanto el RX = {0, 1, 2, 3}

Clasificación

Las variables aleatorias se clasifican en general en discretas y continuas.

Variable aleatoria discretas Es aquella cuyo recorrido es conjunto finito o infinito nu-
merable de valores. Es ejemplo de esta variable el último ejemplo.

Variable aleatoria continua Es aquella cuyo rango es un conjunto infinito no numer-

able de valores. Ejemplo:
Sea Ω el espacio muestral que consiste del tiempo de duración de un foco obteniendo
al azar de un lote, entonces Ω = {w ∈ R / w ≥ 0}. Si la v.a. X se define tambien
como el tiempo de duración del foco, entonces X es la función identidad cuyo rango
es el conjunto:
RX = {x ∈ R / x ≥ 0}

1
3.1. Función de cuantı́a o función de probabilidad
Definición 3.1.1 Sea x el valor de una v.a. X. Una función real valorada de f definida
en el rango de X será una función de cuantı́a , si

1. f (x) ≥ 0 para todo x ∈ Domf = RX

X
2. f (x) = 1
∀ x∈Domf

Si x es el valor de la v.a. discreta X entonces f (x) es la probabilidad que la v.a. X tome

el valor de x; esto es:

f (x) = P (X(w) = x) abreviadamente f (x) = P [X = x]

Sean x1 , x2 , ...xn , ... los valores de una v.a. discreta X y sea A cualquier subconjunto del
conjunto de puntos { x1 , x2 , ...xn , ...} al que llamaremos evento A entonces la probabilidad
del evento A de define: X
P (A) = f (x)
∀ x∈A

La grafica de la función de probabilidad o distribución de probabilidad discreta, consiste

de segmentos verticales continuos o punteados de longitud proporcional a la probabilidad
respectivamente en cada valor xi de la variable.
Ejemplo
Un supervisor en una planta manufacturera tiene tres hombres y tres mujeres traba-
jando para él y desea escoger dos trabajadores para un trabajo especial. No queriendo
mostrar sesgo en su selección, decide seleccionar los dos trabajadores al azar. Denote con
Y el número de mujeres en su selección. Encuentre la distribución de probabilidad para
Y.

3.2. Función de distribución acumulada de una v.a.

discreta
Definición 3.2.1 La función de distribución acumulada (f.d.a) de probabiliades o sim-
plemente función de distribución, F (x), de la v.a. discreta X cuya función de probabilidad
es f (x), se define por:
X X
F (x) = P [X ≤ x] = P [X = k] = f (k) para x ∈ R
k≤x k≤x

Observación

1. Notemos que 0 ≤ F (x) ≤ 1

2
 2. SX es una v.a. discreta
P (a < X ≤ b) = F (b) − F (a)
P (a ≤ X ≤ b) = F (b) − F (a− )
P (a < X < b) = F (b− ) − F (a)
P (a ≤ X < b) = F (b− ) − F (a− )
donde F (a− ) = P (X < a) = Limn→∞ F (a − n1 )

3.3. Esperanza Matemática

Definición 3.3.1 La esperanza matemática o valor esperado de la v.a. discreta X deno-
tado por E(X) o µX o por µ se define por
X
E(X) = xi f (xi )
xi ∈RX

3.4. Varianza de la v.a. X

Definición 3.4.1 La varianza de una variable aleatoria discreta X denotado por V ar(X)
2
ó V (X) o por σX se define por:
X
V (X) = E[(X − µ)2 ] = (xi − µ)2 f (xi )
xi ∈RX

donde f (xi ) es una función de cuantı́a de la x.a. X y µ es la media o esperanza de X.

3.5. Desviación estandar de la v.a. X

Definición 3.5.1 La desviación estandar de la v.a. X denotado por σX se define como:
q
2
σX = σX

Definición 3.5.2 Sea g una función continua de la v.a. discreta X, la esperanza matemática
de g denotado por E(g(X)) se define por
X
E(g(X)) = g(x) f (x)
∀x∈RX

donde f es una función de cuantı́a y g(x) está definido para todo x ∈ Rx .

3
Propiedades de la esperanza matemátiva y de la Varianza de una v.a. X
Sea X una v.a. se cumplen:

1. V (X) = E(X 2 ) − (E(X))2

2. Si a y b son constantes reales entonces

a) E(aX + b) = aE(X) + b
b) V (aX + b) = a2 V (X)

Ejemplo
El gerente de una planta industrial está planeando comprar una nueva máquina ya
sea del tipo A o del B. Si t denota el número de horas de operación diaria, el número Y1
de reparaciones diarias requeridas para mantener una máquina de tipo A es una variable
aleatoria con media y varianza iguales a 0, 10 t. El número Y2 de reparaciones diarias para
una máquina de tipo B es una variable aleatoria con media y varianza iguales a 0, 12 t. El
costo diario de operación A es CA (t) = 10t+30Y12 ; para B es CB (t) = 8t+30Y22 . Suponga
que las reparaciones toman un tiempo insignificante y que cada noche las máquinas se
afinan para que puedan operar esencialmente como máquinas nuevas al empezar el dı́a
siguiente. ¿Cuál máquina minimiza el costo diario esperado si un dı́a de trabajo consta
de (a) 10 horas y (b) 20 horas?

3.6. Función generatriz de Momentos (Mx)

Sea X una v.a. discreta y sea MX : D ⊂ R → R definida por MX (t) = E(et X ) para
todo t ∈ D tal que:

1. D es un entorno de cero
dr MX (t)
2. existe ∀t ∈ D
d tr
di MX (t) di (et X )
3. = E( ) ∀i ≤ r ∀t ∈ D
d ti d ti
Se dice que MX es una función generatriz de momentos de X.
di MX (t)
Además νi = E(X i ) = |t=0 ∀i ≤ r
d ti

3.7. Función generatriz de Momentos factorial (ψx)

Sea X una v.a. discreta y sea ψX : D ⊂ R → R definida por ψX (t) = E((1 + t)x ) para
todo t ∈ D tal que:

1. D es un entorno de cero
dr ψX (t)
2. existe ∀t ∈ D
d tr

4
 di ψX (t) di ((1 + t)x )
3. = E( ) ∀i ≤ r ∀t ∈ D
d ti d ti
Se dice que ψX es una función generatriz de momentos factorial de X.
di ψX (t)
Además mi = E(X(X − 1)....(Xi + 1)) = |t=0 ∀i ≤ r
d ti
Ejemplo
El gerente del almacén de una fábrica ha construido la siguiente distribución de prob-
abilidad para la demanda diaria (número de veces que se usa) de una herramienta en
particular.
y 0 1 2
p(y) 0, 1 0, 5 0, 4
Cuesta a la fábrica 10 dólares cada vez que la herramienta se usa.

1. a). Halle la función generatriz de momentos para la demanda diaria de la herramien-

ta.

2. b). Usando a) halle la media y varianza de la demanda diaria de la herramienta.

3. c). Encuentre la media y la varianza del costo. diario por usar la herramienta.