UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Química y Textil

2020 - 2
 UNIDAD 3
VARIABLE ALEATORIA
 CONTENIDO

 Definición de Variable aleatoria,

 Clases de variable aleatoria,
 Valor Esperado de la Variable
Aleatoria
 Varianza de la Variable Aleatoria
 Desviación Estándar y
 Coeficiente de Variación
 INTRODUCCIÓN
 Suele designarse el nombre de la variable con
una letra mayúscula, por ejemplo X.
 La correspondiente letra minúscula x indica un
valor posible, aunque desconocido, de esta
variable.
 A un mismo experimento aleatorio pueden
asociarse diversas variables aleatorias,
dependiendo de la observación que realicemos.

Ejemplo:
Así cuando se arrojan dos dados la v.a. puede ser la
suma de las puntuaciones, su producto, la mayor
puntuación, etc. Lógicamente, en cada uno de estos
casos también variará el espacio muestral asociado
.
 CLASES DE VARIABLE ALEATORIA

Según el rango o recorrido (Rx), la variable

aleatoria se clasifica en:
 VARIABLE ALEATORIA DISCRETA

Sea X una variable aleatoria.

• Si el número de posibles valores de X (esto es su RX).
- Es finito (contable) o.
- Es contablemente infinito (numerable).
• Entonces llamamos a X una variable aleatoria discreta.
• Esto es, los posibles valores de X pueden ser listados
x1, x2, x3, ...., xn, .....
- En el caso contable la lista es finita.
- En el caso numerable la lista es infinita contable
 VARIABLE ALEATORIA DISCRETA

Si el rango o recorrido de la variable

aleatoria es finito o infinito numerable de
valores enteros, entonces:
Toma valores de un conjunto numerable
finito.
Ejemplo:
X : Personas que viajan en el metropolitano
Y : Número de turistas de Francia que visitan
la ciudad de Cusco.
 Función o Ley de probabilidad o de Cuantía
(Distribución de probabilidades)
de la variable aleatoria discreta

Dada una variable aleatoria discreta, su

función de probabilidad o de cuantía P(x) o
P(X=x), se define de modo que P(x) es la
probabilidad de que X tome el valor x, y que
cumple las siguientes condiciones:

1) p( x)  0 x  Rx
2)  p ( x)  1
xRx
Ejemplo:
Se lanzan 3 monedas y la variable aleatoria X se define:

X : número de caras – número de sellos

Ω = {(sss), (scs), (ssc), (css), (ccs), (csc), (scc), (ccc) }

Entonces: Rx   -3; -1 ;1 ;3 

Se buscan todos los puntos muestrales que dan

lugar a cada valor de la variable y a ese valor se le
asigna la probabilidad del suceso correspondiente,
entonces se tiene que:
X : número de caras – número de sellos
Ω = {(sss), (scs), (ssc), (css), (ccs), (csc), (scc), (ccc) }
Entonces: Rx = {-3, -1, 1, 3}

𝟏𝟏𝟏 𝟏
p(-3) = P (X = -3) = 𝟐 𝟐 𝟐 = 𝟖
𝟏𝟏𝟏 𝟏𝟏𝟏 𝟏𝟏𝟏 𝟑
p(-1) = P (X = -1) = 𝟐 𝟐 𝟐 + 𝟐 𝟐 𝟐 + 𝟐 𝟐 𝟐= 𝟖
𝟏𝟏𝟏 𝟏𝟏𝟏 𝟏𝟏𝟏 𝟑
p(-1) = P (X = 1) = 𝟐𝟐𝟐 + 𝟐𝟐𝟐 + =
𝟐𝟐𝟐 𝟖
𝟏𝟏𝟏 𝟏
p(3) = P (X = 3) = 𝟐𝟐𝟐 = 𝟖

Estas probabilidades, lo presentamos en la siguiente tabla

(distribución de probabilidades):

X -3 -1 1 3

P(X) 1/8 3/8 3/8 1/8

La representación gráfica de la función de
probabilidad de una Variable Discreta se realiza
mediante un DIAGRAMA DE LÍNEAS:
Propiedad:
Si X es una variable aleatoria discreta, la probabilidad
en cada intervalo es diferente.
 Función de Distribución (Acumulada)
de la Variable Aleatoria Discreta

Otro concepto importante es el de función de

distribución de una v.a.d., F, que se define de
modo que si xi є R, F(xi) es igual a la probabilidad
de que X tome un valor inferior o igual a xi, es
decir, acumula las probabilidades hasta xi.
Volviendo al ejemplo de las tres monedas,
se tiene que:

X -3 -1 1 3

P(X) 1/8 3/8 3/8 1/8

𝟏
F(-3) = P (X ≤ -3) = p(-3) = 𝟖
𝟏 𝟑 𝟒
F(-1) = P (X ≤ -1) = p(-3) + p(-1) = 𝟖 + 𝟖 = 𝟖
𝟏 𝟑 𝟑 𝟕
F(1) = P (X ≤ 1) = p(-3) + p(-1) + p(1) = 𝟖 + 𝟖 + 𝟖 = 𝟖
𝟏 𝟑 𝟑 𝟏 𝟏
F(3) = P (X ≤ 3) =p(-3) + p(-1) + p(1) + p(3) = 𝟖 + 𝟖 + 𝟖 + 𝟖 = 𝟖 = 1
Función de distribución (acumulada)
de la Variable Aleatoria Discreta
 Función de distribución (acumulada)
de la Variable Aleatoria Discreta

Gráfico de la función de distribución de la v.a.d.

Propiedades de la función de distribución de la
variable aleatoria discreta F(x)
 VARIABLE ALEATORIA CONTINUA

Cuando el experimento ε se realiza sobre un espacio

muestral Ω que está relacionado con escalas
intervalares (tales como mediciones de distancias,
volúmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)

Ya que los posibles valores de X en un intervalo,

a<x<b, son infinitos -no enumerables- no podemos
hablar del i-ésimo valor de X=xi. En tales casos se
habla de Variables Aleatorias Continuas, donde Rx es
un intervalo o un conjunto de intervalos; entonces
existe una función continua especial:
f(x) = función de densidad de probabilidad
Función de Probabilidad de la Variable Aleatoria Continua

También es conocida como función de densidad, es una

función integrable, que verifica las dos condiciones
siguientes:
Función de Probabilidad de la Variable Aleatoria Continua

Observación:

Por ser f una función integrable, la probabilidad de un

punto es nula:
Función de Probabilidad de la Variable Aleatoria Continua

Por ello al calcular la

probabilidad de un intervalo no
afectará nada el que éste sea
abierto o cerrado por cualquiera
de sus extremos, pues estos son
puntos y por tanto de
probabilidad nula:
 Función de distribución (acumulada)
de la variable Aleatoria Continua

Se denota F (x ). Entonces
F(x) es la probabilidad de que X sea menor o igual
que x, es decir:
 Función de distribución (acumulada)
de la variable Aleatoria Continua

Propiedades de F(x)

1) La función de distribución F, es no decreciente y continua:

x1  x2  F( x1 )  F( x2 )
2) Es una función absolutamente continua que verifica:
F ( )  lim F ( x )  0
x  

F ( )  lim F ( x)  1
f ( x )  F '( x ) x  

b
P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)   f ( x) dx  F (b)  F (a)
a
 Función de distribución (acumulada)
de la variable Aleatoria Continua

Ejemplo:
Sea X una variable aleatoria continua, con la siguiente
función de probabilidad:

x 0  x 1

f ( x)   2  x 1  x  2
0 en otros casos

Graficar la función de probabilidad f(x) y calcular:
a) P(1  X  1 / 2) b) P( X  3 / 2)

c) La función de distribución F(x)

 Función de distribución (acumulada)
de la variable Aleatoria Continua
x 0  x 1

f ( x)   2  x 1  x  2
0 en otros casos
Solución 

La gráfica de la función de probabilidad dada es:

f(x)

11

0
0 1 2 x
 Función de distribución (acumulada) de la V.A.C.

x 0  x 1
Solución: 
f ( x)   2  x 1  x  2
0 en otros casos


12 0 1/2

a) P(1  X  1/ 2)  
1
f ( x)dx   (0)dx 
1
 ( x)dx
0

2 1/ 2
x (1 / 2) 2 1
  
2 0 2 8
3/2

b) P ( X  3 / 2)  

f ( x)dx 
0 1 3/2
  (0)dx   xdx   (2  x)dx  7 / 8
 0 1
 Función de distribución (acumulada)
de la variable Aleatoria Continua

c) Cálculo de F(x):
 0 x0

 x2
0  x 1
 2
F ( x)   2
 x  2x 1 1 x  2
 2

 1 x2

Se puede calcular F (3/2) = 7/8

 VALOR ESPERADO Y
VARIANZA DE LA
VARIABLE ALEATORIA
 VALOR ESPERADO DE LA VARIABLE ALEATORIA

Se le conoce también como media o esperanza matemática, es un

promedio ponderado de los resultados que se esperan en el
futuro. Es una medida de localización, que indica el valor
alrededor del cual fluctúa la variable aleatoria X

Si X es discreta, el valor esperado se define como:

E ( X )   xi p( xi )
i

Si X es continua, el valor esperado se define como:


E( X )   x f ( x) dx

 VALOR ESPERADO DE LA VARIABLE ALEATORIA

Teorema: Esperanza Matemática de una función de una variable

aleatoria.
Sea X una variable aleatoria discreta o continua y h(x) una
función de la variable aleatoria X, entones el valor esperado de
h(x) está dado por:
En ambos casos para todo x E R, respectivo.

E (h( x))   h( x) p( x) Si X es v.a. discreta

E (h( x))   h( x). f ( x)dx Si X es v.a. continua

En ambos casos para todo x E R, respectivo

 VALOR ESPERADO DE LA VARIABLE ALEATORIA

Propiedades del valor Esperado

1) E( X )  R (puede asumir cualquier valor real).

2) E (a)  a a es una constante real

3) E (aX )  aE ( X ) a es una constante real

4) E (a  bX )  a  bE ( X ) a y b son constantes reales

n n
5) E (  X )   E( X )
i 1
i
i 1
i
 VARIANZA DE LA VARIABLE ALEATORIA

Se le conoce también como varianza esperada, estas medidas

numéricas describen la dispersión o variabilidad de la
variable aleatoria mediante el “promedio” o “valor esperado”
de las desviaciones cuadráticas de los valores de x a partir de
su media o valor esperado.

V ( X )  EX  E ( X )  2

V ( X )  E( X 2 )   E( X ) 
2

A la varianza esperada también se le denota igual que la

varianza poblacional V ( X )   2
X
 VARIANZA DE LA VARIABLE ALEATORIA

Propiedades de la Varianza

a, b son constantes reales, X e Y son variables

aleatorias independientes.
 DESVIACIÓN ESTÁNDAR O TÍPICA

Como la varianza está en unidades cuadradas, sacamos su raíz

cuadrada y nos da la desviación estándar, y esta es la que mejor
indica la dispersión de los datos ya que está en sus mismas
unidades.

COEFICIENTE DE VARIACIÓN:
 ¿Qué aprendimos en esta session?

1. Variable Aleatoria
2. Clases de variables aleatorias
3. Variable aleatoria discreta
4. Función de Probabilidad
5. Función de distribución probabilidad acumulada
6. Variable aleatoria continua
7. Función de Densidad de Probabilidad
8. Función de distribución acumulada
9. Esperanza Matemática (Promedio)
10. Varianza de las variables aleatorias discreta y continua
11. Desviación estándar y coeficiente de variación.