Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una variable aleatoria es una función de valores reales cuyo dominio es un espacio muestral. Por
ejemplo: Si de 6 refrigeradores 2 están malos y se prueban uno a uno. Si la variable aleatoria Y
representa el número de pruebas en las que se idéntica el último refrigerador defectuoso, calcule
las probabilidades de cada valor de Y.
Es claro que Y solo puede tomar los valores 2, 3, 4, 5 y 6; ya que 2 es la menor cantidad de pruebas
que se deben realizar para conseguir los dos refrigeradores malos, y 6 es la máxima cantidad de
pruebas, ya que implica probar todos los refrigeradores. Entonces veamos quien es P(Y = 2). Esta
probabilidad se calculara como casos posibles entre total de casos. El total de casos es de cuantas
formas se pueden escoger los 2 refrigeradores malos de entre los 6 refrigeradores, lo cual es un
combinatorio de 6 en 2. Los casos posibles es de cuantas formas se pueden en la segunda
oportunidad el segundo refrigerador malo, solo hay una forma. Por lo tanto:
1 1
𝑃(𝑌 = 2) = =
(62)
15
Para P(Y = 3) necesitamos saber de cuantas formas se puede escoger el segundo refrigerador
malo en la tercera prueba. Eso es equivalente, a ver cuántas formas hubo para escoger el primer
refrigerador malo antes de la tercera prueba. En este caso sería 2, porque se pudo haber escogido
en la primera prueba o en la segunda prueba. Luego:
2 2
𝑃(𝑌 = 3) = =
(62) 15
Si ahora se consigue en la cuarta prueba el segundo refrigerador malo, es porque el primero fue
hallado durante alguna de las primeras tres pruebas, por lo tanto
3
𝑃(𝑌 = 4) =
15
Con el mismo razonamiento
4
𝑃(𝑌 = 5) =
15
y
5
𝑃(𝑌 = 6) =
15
Para comprender de una manera más amplia y rigurosa los tipos de variables, es necesario
conocer la definición de conjunto discreto. Un conjunto es discreto si está formado por un
número finito de elementos, o si sus elementos se pueden enumerar en secuencia de modo que
haya un primer elemento, un segundo elemento, un tercer elemento, y así sucesivamente (es
decir, un conjunto infinito numerable sin puntos de acumulación). Para variables con valores en
ℝ las variables aleatorias se clasifican usualmente en:
Una variable aleatoria Y se denomina discreta si puede adoptar solo una cantidad finita o infinita
contable de valores distintos.
Por ejemplo una variable de interés puede ser cuantos profesores del Departamento de Computo
Científico y Estadística están dando clases en horario 9:30 am a 11:30 am los lunes. Claramente
esa variable es discreta, ya que la cantidad de profesores es una cantidad finita.
La probabilidad de que Y adopte el valor y, P(Y = y), se define como la suma de las probabilidades
de los puntos muestrales de S que tienen asignado el valor y. A veces se representara P(Y = y)
como p(y).
La distribución de probabilidad para una variable discreta Y puede representar mediante una
fórmula, tabla o gráfica, que proporciona p(y) = P(Y = y) para toda y.
Existen muchos problemas en los que se desea calcular la probabilidad de que el valor observado
de una variable aleatoria X esté por debajo o sea igual a algún valor x. Al escribir F(x) = P(X ≤ x)
para cualquier número real x, se define F(x) como la función de distribución acumulativa de la
variable aleatoria X.
Primero, antes de definir las variables aleatorias continuas, vamos a hablar acerca de algunos
detalles que no hemos mencionado antes que son ciertos para cualquier variable aleatoria.
Si Y es cualquier variable aleatoria, la función de distribución de Y, que se denota F(y), se expresa
mediante F(y) = P(Y ≤ y) para −∞ ≤ y ≤ ∞. Esto también suele llamarse la función de distribución
acumulada. Las propiedades de una función de distribución. Si F(y) es una función de distribución,
entonces:
Teniendo estas dos cosas en cuenta, ahora definamos lo que es una variable aleatoria continua.
Sea Y una variable aleatoria con función de distribución F(y). Se dice que Y es continua si la
función de distribución F(y) es continua para −∞ ≤ 𝑦 ≤ ∞.
Si F(y) es la función de distribución de una variable aleatoria continua Y, entonces f(y) viene dada
por:
𝑑𝐹(𝑦)
𝑓(𝑦) = = 𝐹 ʹ (𝑦)
𝑑𝑦
Siempre y cuando exista la derivada, y se conoce como función de densidad de probabilidad para
la variable aleatoria Y.
𝑦
Por lo tanto es claro que 𝐹(𝑦) = ∫−∞ 𝑓(𝑡)𝑑𝑡
Las propiedades de una función de densidad. Si f(y) es una función de densidad, entonces:
𝑏
𝑃(𝑎 ≤ 𝑌 ≤ 𝑏) = ∫ 𝑓(𝑦)𝑑𝑦 = 𝐹(𝑏) − 𝐹(𝑎)
𝑎
Todas las variables aleatorias (discretas y continuas) tienen una función de distribución o función
de distribución acumulativa.
2. Analizar las distribuciones y funciones de probabilidad.
Entonces, se dice que una variable aleatoria Y tiene una distribución de probabilidad
geométrica si y solo si:
Se dice que una variable aleatoria Y tiene una distribución de probabilidad hipergeométrica si y
solo si:
(𝑦𝑟 ) (𝑁−𝑟
𝑛−𝑦
)
𝑝(𝑦) = 𝑑𝑜𝑛𝑑𝑒 𝑦 𝑒𝑠 𝑢𝑛 𝑒𝑛𝑡𝑒𝑟𝑜 0, 1, 2, … … , 𝑛, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑙𝑎𝑠 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑦 ≤ 𝑟 𝑦 𝑛 − 𝑦 ≤ 𝑁 − 𝑟
(𝑁𝑛)
Se dice que una variable aleatoria Y tiene distribución de probabilidad de Poisson si y solo si:
𝜆𝑦 −𝜆
𝑝(𝑦) = 𝑒 𝑐𝑜𝑛 𝑦 = 0, 1, 2 … 𝜆>0
𝑦!
Sea Y una variable aleatoria con media 𝜇 y varianza finita 𝜎 2 . Entonces, para cualquier constante
𝑘 > 0,
1 1
𝑃|𝑌 − 𝜇| < 𝑘𝜎) ≥ 1 − 𝑜 𝑃|𝑌 − 𝜇| < 𝑘𝜎) ≤
𝑘2 𝑘2
Sea Y una variable aleatoria discreta con función de probabilidad p(y). Entonces, el valor esperado
de Y, E(Y), se define como:
𝐸(𝑌) = ∑ 𝑦𝑝(𝑦)
𝑦
Si lo que se tiene no es una variable aleatoria, sino una función de ella, entonces el valor esperado
se calcula siguiendo el próximo teorema.
Sea Y una variable aleatoria discreta con función de probabilidad p(y) y sea g(Y) una función de
valor real de Y, entonces la siguiente expresión da el valor esperado de g(Y)
𝐸[𝑔(𝑌)] = ∑ 𝑔(𝑦)𝑝(𝑦)
𝑦
4.1. Una variable aleatoria discreta x puede tomar los valores 30. 40, 50, 60, con las
probabilidades 0.4, 0.2; 0.1 y 0.3 represente en una tabla la función de probabilidad
P(X=x) y la función de distribución de probabilidad F(x) = P(X menor o igual x) y determine
las siguientes probabilidades
c. P (X menor 40)
d. P (X mayor 40)
Solución:
Entonces, cuando
𝑋 > 30 𝐹(𝑥) = 0
30 ≤ 𝑋 ≤ 40 𝐹(30) = 𝑃(𝑋 ≤ 30) = 𝑃[𝑋 = 30] = 0,4
40 ≤ 𝑋 ≤ 50 𝐹(40) = 𝑃(𝑋 ≤ 40)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
= 0,4 + 0,2 = 0,6
40 ≤ 𝑋 ≤ 50 𝐹(50) = 𝑃(𝑋 ≤ 50)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
+ 𝑃[𝑋 = 50]
= 0,4 + 0,2 + 0,1 = 0,7
40 ≤ 𝑋 ≤ 50 𝐹(60) = 𝑃(𝑋 ≤ 60)
= 𝑃[𝑋 = 30] + 𝑃[𝑋 = 40]
+ 𝑃[𝑋 = 50] + 𝑃[𝑋 = 60]
= 0,4 + 0,2 + 0,1 + 0,3 = 1
0 𝑋 < 30
0,4 30 ≤ 𝑋 < 40
𝐹(𝑋) = 0,6 40 ≤ 𝑋 < 50
0,7 50 ≤ 𝑋 < 60
{ 1 𝑋 ≥ 60
Visto gráficamente, tenemos:
Donde, 0 ≤ 𝐹(𝑋) ≤ 1
𝑥 𝑓(𝑥) 𝐹(𝑥)
30 0,4 0,4
40 0,2 0,6
50 0,1 0,7
60 0,3 1
a. 𝑃(𝑋 ≤ 25) = 0
b. 𝑃(𝑋 ≥ 60) = 1
0 𝑋 < 30
c. 𝑃(𝑋 < 40) = {
0,4 30 ≤ 𝑋 < 40
0,6 40 ≤ 𝑋 < 50
d. 𝑃(𝑋 > 40) = {0,7 50 ≤ 𝑋 < 60
1 𝑋 ≥ 60
e. 𝑃(30 ≤ 𝑋 ≤ 60) = 1