TEMA3 Variables Aleatorias EDB

Variables Aleatorias
Tema 3
Dr. Ing. Willy Ugaz

Ingeniería Industrial y
de Sistemas
TEMA 3 – VARIABLES ALEATORIAS
Universidad de Piura
Tema 3: Variables Aleatorias
1. Introducción.
2. Variables aleatorias univariantes discretas
3. Variables aleatorias univariantes continuas
4. Medidas características de las variables aleatorias
1. Introducción
¿Qué es una variable aleatoria?
Previamente …..
Experimento: proceso de obtener un dato dadas unas condiciones de experimentación. La

obtención de un nuevo dato, con las mismas condiciones, es por repetición del experimento
Experimento aleatorio: experimento que al repetirlo no siempre se obtiene el mismo

valor.
Ejemplo: medir el tiempo que una máquina tarda en hacer la misma tarea, observar el
valor al lanzar un dado...
Variable aleatoria:
Es aquella que asume el resultado (numérico) de un experimento aleatorio.
Ejemplo: Experimento- observar el resultado de lanzar una moneda

Variable aleatoria- valor que se obtiene al lanzar una moneda (variable discreta)
Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red

Variable aleatoria- tiempo de acceso (variable continua)
1. Introducción
Variable aleatoria: asume el resultado –numérico- de un experimento

aleatorio
Elementos fundamentales para completar la definición:
A Definiendo el espacio muestral

B Teniendo alguna función que nos ayude a asignar probabilidades a los
diferentes sucesos que nos interesen (modelo de probabilidad)
Ejemplo: Experimento: lanzar una moneda y observar el resultado

Variable aleatoria: asume el valor que se obtiene al lanzar la moneda
Elementos…..
• Espacio muestral: {1=cara,0=cruz}

• Modelo de probabilidad: P(X=1)=P(X=0)=0.5
1. Introducción
NOTACIÓN:
Variable aleatoria: letras mayúsculas del final del alfabeto
Ejemplo: 𝑋=resultado de lanzar una moneda

𝑌=resultado de lanzar un dado
• Cuando nos refiramos de forma genérica a un valor numérico que pueda tomar la variable aleatoria,
usaremos letras minúsculas.
𝑃(𝑋 = 𝑥) es la probabilidad de que la variable aleatoria 𝑋 tome el valor 𝑥

𝑃(𝑌 = 𝑦𝑖 ) es la probabilidad de que la variable aleatoria 𝑌 tome el valor 𝑦𝑖 , 𝑖 = 1,2, … , 𝑛
Valores observados: a los valores observados se les denomina realizaciones de la

variable aleatoria.
Ejemplo: 𝑌=resultado de lanzar un dado
Si lanzamos el dado 5 veces tendremos 5 realizaciones de la variable aleatoria

𝑌, por ejemplo 1,3,3,1,6.
realizaciones
1. Introducción.
Sea X una variable aleatoria cuantitativa discreta
Entonces 𝑥1, 𝑥2, … , 𝑥𝑘 son los valores posibles que puede tomar
Ejemplos
x1=1 x3=3 x5=5

X= valor al lanzar un dado
x2=2 x4=4 x6=6
X= estado
x1=0 (aceptable)
aceptable/defectuoso de un
artículo manufacturado x2=1 (defectuoso)
X= número de clientes que

llegan a un puesto de
x1=0, x2=1, ... idealmente infinitos
servicio en una unidad de
tiempo
Para tener un modelo de probabilidad que asigne probabilidades a los sucesos:

función de probabilidad o función de distribución
Función de probabilidad
Es la función 𝑝(𝑥) de la variable aleatoria discreta X que asigna a cada valor

diferente de 𝑋: 𝑥1 , 𝑥2 , … , 𝑥𝐾 la probabilidad de ser obtenido en una repetición del
experimento aleatorio.
Ejemplo
X= resultado de lanzar un dado 𝑝(𝑥)
Se tiene que 𝑥 = 1, … , 6 y cada valor es igual de probable

Función de probabilidad: 𝑝(𝑥) = 1/6 para x=1,...,6. 1/6
1 2 3 4 5 6
x
A este tipo de variables aleatorias: K valores diferentes

equiprobables, se les llama UNIFORMES DISCRETAS
Ejemplo Una centralita telefónica tiene 5 líneas.
Sea X=número de líneas ocupadas en una unidad de tiempo.
Espacio muestral: X={0,1,2,3,4,5}
Supongamos que la centralita recibe por término medio 2 llamadas por unidad de tiempo (y la
duración de la llamada se completa en esa misma unidad de tiempo). Entonces se puede
demostrar (próximo tema) que la función de probabilidad es:
p(0)=0.14 =P(X=0)
p(1)=0.27 =P(X=1)
p(2)=0.27 =P(X=2)
p(3)=0.18 =P(X=3)
p(4)=0.09 =P(X=4)
p(5)=0.05 =P(X=5)
10
Función de distribución
• Es una función 𝐹(𝑥) definida en toda la recta real

• En cada punto 𝑥, en el dominio de la variable aleatoria 𝑋, es la probabilidad
acumulada hasta ese punto, es decir
𝐹 𝑥 =𝑃 𝑋≤ 𝑥
• 𝐹(−∞) = 0, 𝐹(+∞) = 1
Para cada valor 𝑥 de la recta
real, 𝐹 𝑥 nos da la
probabilidad acumulada
¿Probabilidad del suceso A:

Menor igual a 1.5 líneas
ocupadas?
𝐹 1.5 = 𝑃 𝑋 ≤ 1.5
= 𝑃[(𝑋 = 0) 𝑈 (𝑋
= 1) 𝑈 (𝑋 = 1.5)]
= 𝑝 0 + 𝑝 1 = 0.41
𝑥1 = 1.5
Para cada valor 𝑥 de la recta
real, 𝐹 𝑥 nos da la
probabilidad acumulada
𝐹 4.5 = 𝑃 𝑋 ≤ 4.5
=𝑃 𝑋=0 ∪ 𝑋=1 ∪ 𝑋=2
∪ 𝑋=3 ∪ 𝑋=4
=𝑝 0 +𝑝 1 +𝑝 2 +𝑝 3
+ 𝑝 4 = 0.95
𝑥2 = 4.5
X= número de líneas ocupadas en una unidad de tiempo
Para obtener 𝐹(𝑥) en

variables discretas
(finitas) lo más sencillo
x p(x) F(x) puede ser hacer esta
tabla
0 0.14 0.14
1 0.27 0.41
2 0.27 0.68 Para cada uno de los
sucesos elementales,
3 0.18 0.86 𝐹(𝑥) se obtiene
sumando 𝑝(𝑥) hasta
ese número.
4 0.09 0.95
𝐹(2) = 0.68
5 0.05 1
14
Para obtener 𝐹(𝑥) en

variables discretas
x p(x) F(x) (finitas) lo más cómodo
puede ser hacer esta
0 0.14 0.14 tabla
1 0.27 0.41
2 0.27 0.68
3 0.18 0.86 Para cada cualquier
x=3.5 otro valor que no sea
4 0.09 0.95 suceso elemental es
también la suma de
𝑝(𝑥) hasta ese valor
5 0.05 1
𝐹(3.5) = 0.86
15
Ω𝑋 = 0,1,2,3,4,5
0.14 si x=0
0.27 si x=1
Función de
p(x)= 0.27 si x=2
probabilidad
0.18 si x=3
0.09 si x=4
0.05 si x=5
0 𝑠𝑖 𝑥 < 0, pues 𝑃(𝑋 < 0) = 0

0.14 𝑠𝑖 0 ≤ 𝑥 < 1, pues 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋<0 ∪ 𝑋=0
Función de
0.41 𝑠𝑖 1 ≤ 𝑥 < 2, pues 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋<1 ∪ 𝑋=1
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
distribución 0.68 𝑠𝑖 2 ≤ 𝑥 < 3, pues 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋<2 ∪ 𝑋=2
0.86 𝑠𝑖 3 ≤ 𝑥 < 4, pues 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋<3 ∪ 𝑋=3
0.95 𝑠𝑖 4 ≤ 𝑥 < 5, pues 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝑋<4 ∪ 𝑋=4
1.00 𝑠𝑖 𝑥 ≥ 5
16
1. Introducción.
Sea X una variable aleatoria cuantitativa continua
Entonces 𝑥1, 𝑥2, … , 𝑥∞ son los valores posibles que puede

tomar, es decir puede tomar infinitos valores.
• 𝑃(𝑋 = 𝑥) = 0 siempre
• Sólo interesa probabilidad de valores en un intervalo 𝑃(𝑋 > 𝑎), 𝑃(𝑎 < 𝑋 < 𝑏) …
Ejemplos
• X=valor seleccionado al azar en el intervalo [3,4], uniforme

𝑃(𝑋 = 𝜋) = 1/∞ = 0 continua
𝑃(𝑋 < 3.5) = 0.5
3 4
• X= longitud de una pieza

• X= tiempo en ejecutar una tarea
• X= tiempo entre la llegada de dos clientes consecutivos
Para calcular probabilidades: función de densidad y función de distribución
Función de densidad
𝑓(𝑥): función de densidad de probabilidad de la variable aleatoria X en el punto x.

Su valor es tanto mayor cuanto más probable sea obtener valores en un entorno de
dicho punto x
La función de densidad 𝑓(𝑥) es una función matemática tal que
𝑓 𝑥 ≥0
Área bajo de 𝑓(𝑥)=PROBABILIDAD

Es como el polígono de frecuencia ‘límite’ en un histograma con infinitos datos
Cuantos más datos se tenga:

• se pueden hacer más intervalos
• el polígono es más suave
Diferencias:
• Histograma o polígono: Describe sólo a los n datos observados (MUESTRA)
Es la frecuencia de cada uno de los k intervalos
• Función de densidad: Describe a TODA LA POBLACIÓN

Es la densidad de probabilidad
o probabilidad por unidad de medida en cada punto
(unidades distintas que el histograma)
El área bajo 𝒇(𝒙) es 1, mientras que el área de los rectángulos del histograma no.
Ejemplo
X=longitud de una pieza manufacturada X
¿Cuánto debe valer k?
𝑓 𝑥 ≥0
0 0
∞ 1 3 ∞
න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥
−∞ −∞ 1 3
3 3
3
= න 𝑓 𝑥 𝑑𝑥 = න 𝑘 𝑥 − 1 3 − 𝑥 𝑑𝑥 = 1 ⇒ 𝑘 =
1 1 4
Ejemplo
X=longitud de una pieza manufacturada X
Función de densidad f(x)

0.8
0.7
0.6
0.5
0.4
0.3
Si la pieza es aceptable cuando está en el intervalo [1.7;2.4]

0.2
¿Qué porcentaje de piezas defectuosa se fabrican?
0.1
Función de densidad f(x)
0.8
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 0.7
x
0.6
0.5
0.4
𝑃 𝑉á𝑙𝑖𝑑𝑎 = 𝑃 1.7 < 𝑋 < 2.4

PIEZAS VÄLIDAS
2.4 0.3
3 PIEZAS DEFECTUOSAS PIEZAS DEFECTUOSAS

=න 𝑥 − 1 3 − 𝑥 𝑑𝑥 = 0.502 0.2
1.7 4 0.1
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
x
Para calcular probabilidades: función de densidad y función de distribución
Función de distribución 𝑭(𝒙)
Tiene la misma definición que en el caso discreto
𝑥0
𝐹 𝑥0 = 𝑃 𝑋 ≤ 𝑥0 = න 𝑓 𝑥 𝑑𝑥
−∞
A partir de 𝑓 𝑥 podemos obtener 𝐹(𝑥) y viceversa. Es la

misma información con diferente expresión.
0.8
0.7
0.6
𝑥2 0.5
0.4
= 𝐹 𝑥2 − 𝐹 𝑥1
𝑃 𝑥1 < 𝑋 < 𝑥2 = න 𝑓 𝑥 𝑑𝑥
0.3
0.2
0.1
𝑥1 01 1.2 1.4 1.6 1.8 2

x
2.2 2.4 2.6 2.8 3
𝑥1 𝑥2
Si tenemos 𝐹(𝑥) es muy sencillo calcular probabilidades. No hace falta integrar, pues 𝐹(𝑥) ya es
una integral.
Función de distribución 𝑭(𝒙)
Tiene la misma definición que en el caso discreto
𝑥0
𝐹 𝑥0 = 𝑃 𝑋 ≤ 𝑥0 = න 𝑓 𝑥 𝑑𝑥
−∞
A partir de 𝑓 𝑥 podemos
obtener 𝐹(𝑥) y viceversa. Es la
misma información con
diferente expresión.
𝐹(𝑥0 ) = 𝑃(𝑋 ≤ 𝑥0 )
𝒙𝟎
න 𝒇 𝒙 𝒅𝒙 = 𝟎. 𝟒𝟓
−∞
𝑓(𝑥)
La probabilidad 𝐹 𝑥0 ya me da la
acumulada se 0.45 integral; la probabilidad
obtiene de tener valores
integrando menores o iguales a 𝑥0.
𝑥0 𝑥0
Cálculo de probabilidades con la función de distribución:
𝑥2 𝑥2 𝑥1
𝑃 𝑥1 < 𝑋 < 𝑥2 = න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥 − න 𝑓 𝑥 𝑑𝑥 = 𝐹 𝑥2 − 𝐹(𝑥1 )
𝑥1 −∞ −∞
_
= 𝐹 𝑥2
𝐹(𝑥1 )
𝐹 𝑥0 ya me da la integral; la probabilidad de tener

valores menores o iguales a 𝑥0 .
f(x)
𝒙𝟎
0.45
න 𝒇 𝒙 𝒅𝒙 = 𝟎. 𝟒𝟓
−∞
𝐹 𝑥0 ya me da la integral; la
probabilidad de tener valores
menores o iguales a 𝑥0.
𝑥0
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝑭(𝒙𝟎 ) = 𝟎. 𝟒𝟓
0.45
𝑥0
algunos ejemplos…
Funciones de densidad Funciones de distribución
algunos ejemplos…
Funciones de distribución
Funciones de densidad
1. Introducción.
4. Medidas características de las v. aleatorias
Buscamos medidas que resuman algunas características de la variable aleatoria
4.1 Medidas de centralización
1. Media
2. Mediana
3. Moda
4.2 Medidas de dispersión

1. Varianza
2. Cuartiles
4.3 Efectos de las transformaciones

lineales
1. Media, Esperanza matemática, E(X), μ

Es el promedio de los infinitos datos que forman la población
• Los infinitos datos que se obtendrían de extraer infinitas realizaciones de la
variable
• Los infinitos datos que se obtienen de repetir el experimento aleatorio infinitas
veces
• ¿Cómo se obtiene?
V. aleatorias discretas:
En el Tema 1: para el cálculo de la media de un conjunto de datos que

repiten sus valores ...
𝑥1 se repite 𝑛1 veces
𝑥2 se repite 𝑛2 veces 𝐽
...
𝑥ҧ = ෍ 𝑥𝑗 𝑓𝑟 (𝑥𝑗 )
𝑥𝐽 se repite 𝑛𝐽 veces
𝑗=1
Donde 𝑓𝑟 (𝑥𝑗 ) es la frecuencia relativa del valor 𝑥𝑗
Es el promedio de los infinitos datos que forman la población

¿Cómo se obtiene?
Sea X una variable aleatoria cuantitativa discreta. Sean x1,x2,...,xK los

valores distintos que puede tomar
0.14 si x=0
Ejemplo Una centralita telefónica tiene 5 líneas. 0.27 si x=1
Sea X=número de líneas ocupadas. 0.27 si x=2
p(x)=
Espacio muestral: X={0,1,2,3,4,5} 0.18 si x=3
0.09 si x=4
0.05 si x=5
E( X ) = 0´ 0.14 + 1´ 0.27 + 2´ 0.27 + 3´ 0.18 + 4´ 0.09 + 5´ 0.05 = 1.96
V. aleatorias continuas:
Ejemplo: Sea X una v. aleatoria continua definida en (0,1) con
Es el centro de gravedad de la población
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1.96
3/5=0.6
Algunas propiedades (similares a la media muestral):
2. Mediana
En variables aleatorias continuas, la mediana de X es el valor xm que deja a

cada lado el 50% de la población (más adelante se definirá la mediana para variables
discretas)
F(xm )=P(X≤ xm )=0.50
Ejemplo: Sea X una v. aleatoria continua en (0,1) de densidad f(x)=2x
f(x)
0.5
0.5
0 1
1 x
2
3. Moda
La moda de X es el valor x que maximiza p(x) o f(x)
f(x)
1.8
1.6
f(x)
p(x) 1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x
x
moda
moda
moda
1. Varianza, var(X), 𝝈𝟐 Es un concepto análogo al de la varianza de una muestra de datos,
pero extendido a todos los elementos de la población
Varianza de un conjunto de Media muestral de las

datos: desviaciones cuadráticas
a la media muestral
Varianza de una variable aleatoria: Esperanza de las desviaciones cuadráticas

(varianza de toda la población) a la esperanza
Variable aleatoria… 𝑋
Su media o esperanza… 𝐸(𝑋) = 𝜇
Desviación a la media… 𝑋− 𝜇
al cuadrado... (𝑋 − 𝜇)2
Su media, o esperanza,
es la varianza
𝜎2 = 𝐸[ 𝑋 − 𝜇 2 ]
Desviación típica= 𝜎 ; Coeficiente de variación= 𝜎/|𝜇|

¿Cómo calcular la varianza a partir de 𝑝(𝑥) o 𝑓(𝑥)?
2
𝜎2 = 𝐸[ 𝑋 − 𝜇 2 ] = 𝐸 𝑋− 𝐸 𝑋
** propiedad de la esperanza matemática **
𝐸(𝑋) = 𝜇
2
𝑔(𝑋) = 𝑋−𝜇
Ejemplo: X= número de líneas ocupadas. X={0,1,2,3,4,5}.
0.14 si x=0
0.27 si x=1
p(x) 0.27 si x=2
0.18 si x=3
𝐸 𝑋 =0×0.14+1×0.27+2×0.27+3×0.18+4×0.09+5×0.05=1.96
0.09 si x=4
0.05 si x=5
Var 𝑋 = 0 − 1.96 2 ×0.14+ 1 − 1.96 2 ×0.27 + 2 − 1.96 2 ×0.27+

3 − 1.96 2 ×0.18+ 4 − 1.96 2 × 0.09 + 5 − 1.96 2 × 0.05=1.82
Ejemplo: Sea X una v. aleatoria continua definida en (0,1) con
2. Cuartiles y percentiles
En distribuciones continuas, los cuartiles son los valores que dividen la población en
cuatro grupos de probabilidad 0.25 cada uno. Un percentil 𝑃𝑝 es el valor que tiene una
probabilidad acumulada de 𝑝 × 100%.
Se pueden calcular a partir de 𝑓 𝑥 o de 𝐹(𝑥).
Para el cálculo de 𝑄1 podemos hacer:
𝑄1
1.8 ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 0.25 ⇒ despejamos 𝑄1
1.6
𝑓(𝑥) 1.4 F(Q1 ) = 0.25 ⇒ despejamos 𝑄1
1.2
0.8 0.25
0.25
0.6
Para el cálculo del percentil 60 podemos
0.4 0.25
0.25
hacer:
0.2
0 P
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 60
‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 0.60 ⇒ despejamos 𝑃60
Q1 Q2 Q3 x
F(P60 ) = 0.60 ⇒ despejamos 𝑃60
Ejemplo Calcula la mediana 𝑥𝑚 y el percentil 30, 𝑃30, de la
variable aleatoria continua con:
función de distribución
función de densidad
0 𝑥<0
𝑓 𝑥 = 4𝑥 3 , 𝑥 ∈ 0,1 ; 𝐹 𝑥 = ቐ𝑥 4 0≤𝑥<1
1 𝑥≥1
𝑓 𝑥
área=0.5
área=0.3
𝑥
𝑃30 𝑥𝑚
𝑥𝑚
𝑥𝑚 4
Mediana: න 4𝑥 3 𝑑𝑥 = 0.5 ⇒ 𝑥 4 0
4 = 0.5 ⇒ 𝑥 =
= 0.5 ⇒ 𝑥𝑚 𝑚 0.5
0
= 0.841
𝑃30
𝑃30: න 4𝑥 3 𝑑𝑥 = 0.3 ⇒ 𝑥 4
𝑃30 4
= 0.3 ⇒ 𝑃30 = 0.3 ⇒ 𝑃30 =
4
0.3
0
0
= 0.74
Ejemplo Calcula la mediana 𝑥𝑚 y el percentil 30, 𝑃30, de la
variable aleatoria continua con:
función de distribución
función de densidad
0 𝑥<0
𝑓 𝑥 = 4𝑥 3 , 𝑥 ∈ 0,1 ;
𝐹 𝑥 = ቐ𝑥 4 0≤𝑥<1
1 𝑥≥1
𝐹 𝑥
𝑥𝑚
𝑃30
Gráficamente, equivale a
entrar por el eje Y de 𝐹(𝑥)
con la probabilidad
acumulada deseada y leer el
valor del eje X que le
corresponde
Lo más sencillo es calcularlo a partir de 𝐹(𝑥)
4 = 0.5 ⇒ 𝑥 = 4
Mediana 𝑥𝑚 : 𝐹 𝑥𝑚 = 0.5 ⇒ 𝑥𝑚 𝑚 0.5 = 0.841
4 4
Percentil 30 P30 : 𝐹 𝑃30 = 0.3 ⇒ 𝑃30 = 0.3 ⇒ 𝑃30 = 0.3 =
0.74
Para variables aleatorias discretas, existe el problema de que la función de

distribución no es monótona creciente (estricta), y por lo tanto no es invertible. Es
necesario modificar la definición de percentil para que sea válida tanto en el caso
continuo como discreto
Función de Función de
distribución distribución
Caso continuo Caso discreto
0.6
0.6
?
no intercepta
con 𝐹 𝑥
𝑃60
El percentil 𝒑 de una variable aleatoria 𝑿 es el mínimo valor

de dicha variable que acumula una probabilidad mayor o igual
a𝒑
𝑃𝑝
= min 𝑥: 𝐹 𝑥 ≥ 𝑝 𝑐𝑜𝑛 𝑝 ∈ (0,1)
𝑥∈ℝ𝑋
Los percentiles (y cuartiles) son valores de la variable aleatoria, En variables continuas se

son valores observables. Eso no se cumplía en la definición de cumplirá siempre que
percentiles de un conjunto de datos, donde en muchas ocasiones 𝐹 𝑃𝑝 = 𝑝
se interpolaba entre dos valores observados. pero en las discretas no.
El percentil 𝒑 de una variable aleatoria 𝑿 es el

mínimo valor de dicha variable que acumula una Equivale a tomar el mínimo valor que
probabilidad mayor o igual a 𝒑
garantice esa probabilidad acumulada.
Gráficamente, equivale a entrar por el eje Y con la

probabilidad deseada hasta interceptar con la
pared de un escalón
0.6
𝑃60 = 2
4.3 Efectos de las transformaciones lineales
La esperanza es una suma, es por tanto un operador lineal
similar a la media muestral y la varianza muestral
4.3 Efectos de las transformaciones lineales
Si X e Y son independientes…
¿Por qué?
Estos resultados son de interés teórico

para los próximos temas

TEMA3 Variables Aleatorias EDB

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TEMA3 Variables Aleatorias EDB

Cargado por

Copyright:

Formatos disponibles

Variables Aleatorias

Dr. Ing. Willy Ugaz

Experimento: proceso de obtener un dato dadas unas condiciones de experimentación. La

Experimento aleatorio: experimento que al repetirlo no siempre se obtiene el mismo

Es aquella que asume el resultado (numérico) de un experimento aleatorio.

Ejemplo: Experimento- observar el resultado de lanzar una moneda

Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red

Variable aleatoria: asume el resultado –numérico- de un experimento

Elementos fundamentales para completar la definición:

A Definiendo el espacio muestral

Ejemplo: Experimento: lanzar una moneda y observar el resultado

• Espacio muestral: {1=cara,0=cruz}

Variable aleatoria: letras mayúsculas del final del alfabeto

Ejemplo: 𝑋=resultado de lanzar una moneda

𝑃(𝑋 = 𝑥) es la probabilidad de que la variable aleatoria 𝑋 tome el valor 𝑥

Valores observados: a los valores observados se les denomina realizaciones de la

Ejemplo: 𝑌=resultado de lanzar un dado

Si lanzamos el dado 5 veces tendremos 5 realizaciones de la variable aleatoria

Sea X una variable aleatoria cuantitativa discreta

x1=1 x3=3 x5=5

X= número de clientes que

Para tener un modelo de probabilidad que asigne probabilidades a los sucesos:

Es la función 𝑝(𝑥) de la variable aleatoria discreta X que asigna a cada valor

X= resultado de lanzar un dado 𝑝(𝑥)

Se tiene que 𝑥 = 1, … , 6 y cada valor es igual de probable

A este tipo de variables aleatorias: K valores diferentes

• Es una función 𝐹(𝑥) definida en toda la recta real

¿Probabilidad del suceso A:

Para obtener 𝐹(𝑥) en

Para obtener 𝐹(𝑥) en

0 𝑠𝑖 𝑥 < 0, pues 𝑃(𝑋 < 0) = 0

Sea X una variable aleatoria cuantitativa continua

Entonces 𝑥1, 𝑥2, … , 𝑥∞ son los valores posibles que puede

• X=valor seleccionado al azar en el intervalo [3,4], uniforme

• X= longitud de una pieza

𝑓(𝑥): función de densidad de probabilidad de la variable aleatoria X en el punto x.

Área bajo de 𝑓(𝑥)=PROBABILIDAD

Cuantos más datos se tenga:

• Función de densidad: Describe a TODA LA POBLACIÓN

X=longitud de una pieza manufacturada X

¿Cuánto debe valer k?

X=longitud de una pieza manufacturada X

Función de densidad f(x)

Si la pieza es aceptable cuando está en el intervalo [1.7;2.4]

𝑃 𝑉á𝑙𝑖𝑑𝑎 = 𝑃 1.7 < 𝑋 < 2.4

3 PIEZAS DEFECTUOSAS PIEZAS DEFECTUOSAS

Función de distribución 𝑭(𝒙)

Tiene la misma definición que en el caso discreto

A partir de 𝑓 𝑥 podemos obtener 𝐹(𝑥) y viceversa. Es la

𝑥1 01 1.2 1.4 1.6 1.8 2

Tiene la misma definición que en el caso discreto

𝐹 𝑥0 ya me da la integral; la probabilidad de tener

Buscamos medidas que resuman algunas características de la variable aleatoria

4.1 Medidas de centralización

4.2 Medidas de dispersión

4.3 Efectos de las transformaciones

1. Media, Esperanza matemática, E(X), μ

En el Tema 1: para el cálculo de la media de un conjunto de datos que

Donde 𝑓𝑟 (𝑥𝑗 ) es la frecuencia relativa del valor 𝑥𝑗

1. Media, Esperanza matemática, E(X), μ

Es el promedio de los infinitos datos que forman la población

Sea X una variable aleatoria cuantitativa discreta. Sean x1,x2,...,xK los

1. Media, Esperanza matemática, E(X), μ

propiedad de la esperanza matemática