U2 Variables Aleatorias

Introducción Variables aleatorias discretas Variables aleatorias continuas Esperanza matemática
Estadı́stica
para Ingenierı́as Base Cientı́fica y Geologı́a
Prof. Diego Ayma Anza
Universidad Católica del Norte

Antofagasta, Chile
Prof. Diego Ayma Anza UCN Sede Antofagasta 1 / 31

Unidad 2:
Variables aleatorias

Definición de variable aleatoria

Sea Ω el espacio muestral de un experimento aleatorio E de interés. Una
variable aleatoria, X , es una función que asigna un número real a cada
uno de los elementos de Ω, es decir:
X :Ω → R
ω X (ω)=x
Ejemplo:
E = {Tirar dos monedas (legı́timas) y ver lo obtenido}
Ω = {(C , C ), (C , S), (S, C ), (S, S)}
X : Número de caras obtenidas al tirar dos monedas
ω (C , C ) (C , S) (S, C ) (S, S)
X (ω) 2 1 1 0

Tipos de variables aleatorias
El rango de una variable aleatoria X , RX , es el conjunto de los valores reales

que esta puede tomar. Ası́:
• Si RX es un conjunto finito o infinito numerable, entonces X es una
variable aleatoria discreta.
Ejemplo: X : Número de artı́culos defectuosos en una muestra de 10.

Aquı́, RX = {0, 1, 2, ..., 9, 10}.
• Si RX abarca todo un intervalo de números reales, entonces X es una
variable aleatoria continua.
Ejemplo: X : Tiempo de espera, en horas, entre conductores sucesivos

que exceden el lı́mite de velocidad. Aquı́, RX = (0, +∞).

Función de masa de probabilidad
Sea X una variable aleatoria discreta. La función de masa de probabilidad

(fmp) de X es el conjunto de probabilidades con las que X toma cada uno
de sus valores, es decir, pX (x) = P(X = x), ∀x ∈ RX , tales que:
X pX (x) ≥ 0, ∀x ∈ RX
P
X pX (x) = 1
x∈RX
Ejemplo: Sea X : Número de caras obtenidas al tirar dos monedas. Luego,

RX = {0, 1, 2} y la fmp de X es:
x 0 1 2
pX (x) 1/4 1/2 1/4

Función de distribución acumulada
La función de distribución acumulada (fda) de una variable aleatoria

discreta X se define para todo número real x como:
X
FX (x) = P(X ≤ x) = P(X = t).
t≤x
Ejemplo: Sea X : Número de caras obtenidas al tirar dos monedas. Luego,

la fda de X es: 


 0 , si x < 0

1/4 , si 0 ≤ x < 1
FX (x) =


 3/4 , si 1 ≤ x < 2

1 , si x ≥ 2

Propiedades y uso de la función de distribución acumulada
La fda de X siempre verifica que:
X 0 ≤ FX (x) ≤ 1, ∀x ∈ RX
X FX (x) es una función no decreciente
En la práctica la fda de X se utiliza para cálculos que involucran a P(X ≤ a),

donde a ∈ R.
Ejemplo: Sea X : Número de caras obtenidas al tirar dos monedas. Ası́:
• P(X ≤ 0) = FX (0) = 1
4
• P(X ≤ 1, 5) = FX (1, 5) = 3
4
• P(X > 1, 5) = 1 − P(X ≤ 1, 5) = 1 − 3 1
4 = 1 − FX (1, 5) = 4

Problema 1
a) Determine el valor c de modo que la siguiente función sirva como fmp
de X :
pX (x) = P(X = x) = c(x 2 + 4), x = 0, 1, 2, 3.
b) Una cierta gasolinerı́a tiene seis bombas. Sea X el número de bombas
que están en servicio a una hora particular del dı́a. Suponga que la
fmp de X es:
x 0 1 2 3 4 5 6
pX (x) 0, 05 0, 10 0, 15 0, 25 0, 20 0, 15 0, 10
i) ¿Cuál es la probabilidad de que cuando mucho dos bombas estén en
servicio?
ii) ¿Cuál es la probabilidad de que por lo menos tres bombas estén en
servicio?
iii) ¿Cuál es la probabilidad de que el número de bombas en servicio esté
estrictamente entre 2 y 5?
Tarea
Un lote de 8 componentes eléctricos contiene 3 unidades defectuosas. Una
tienda realiza una compra al azar de 2 de los componentes. Si X es la
variable aleatoria que indica el número de unidades defectuosas que compra
la tienda, se pide:
a) Determinar la fmp de X .
b) Determinar la fda de X .
Respuestas:



0 , si x <0
 10

, si 0≤x <1
x 0 1 2 28
a) b) FX (x) = 25
pX (x) 10/28 15/28 3/28  , si 1≤x <2

 28

1 , si x ≥2

Función de densidad de probabilidad

La función de densidad de probabilidad (fdp) de una variable aleatoria
continua X es denotada por fX (x) y cumple que:
X fX (x) ≥ 0, ∀x ∈ R
R +∞
X −∞ fX (x)dx = 1
En este caso, P(a ≤ X ≤ b) es el

área bajo la gráfica de fX (x) entre
los lı́mites a y b, es decir:
Z b
P(a ≤ X ≤ b) = fX (x)dx
a
.
Función de distribución acumulada
La función de distribución acumulada (fda) de una variable aleatoria

continua X , con fdp fX (x), se define para todo número real x como:
Z x
FX (x) = P(X ≤ x) = fX (t)dt
−∞
y verifica las mismas propiedades que en el caso discreto (ver diapositiva

7). Como consecuencia de la definición anterior, se tienen los siguientes
resultados:
P(a ≤ X ≤ b) = FX (b) − FX (a)
d
fX (x) = FX (x) (si la derivada existe)
dx

Observación importante
Si X es una variable aleatoria continua, con fdp fX (x), entonces para cualquier
a ∈ R se tiene que:
Z a
P(X = a) = fX (x)dx = 0.
a
Por lo tanto, para cualquier a, b ∈ R, con a < b, entonces:

• P(X ≤ a) = P(X < a)
• P(X ≥ b) = P(X > b)
• P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a < X < b)

Problema 2
Un factor importante en el combustible sólido para proyectiles es la dis-
tribución del tamaño de las partı́culas. A partir de datos históricos de
producción, se determinó que la distribución del tamaño (en micras) de las
partı́culas se caracteriza por:
(
3x −4 , si x > 1
fX (x) =
0 , en cualquier otro caso
a) Verifique que fX (x) sea una fdp legı́tima (o válida).
b) Determine FX (x).
c) ¿Cuál es la probabilidad de que una partı́cula tomada al azar del

combustible fabricado sea mayor que 4 micras?
Problema 3
Supongamos que el error de medición X de cierta cantidad fı́sica está de-
terminado por la fdp:
(
k(3 − x 2 ) , si − 1 ≤ x ≤ 1
fX (x) =
a) Determine el valor de k.
b) Encuentre la probabilidad de que un error aleatorio en la medición sea

menor que 0,5.
c) Para esta medida especı́fica, resulta indeseable si la magnitud del

error (es decir, |X |) excede 0, 8. ¿Cuál es la probabilidad de que esto
ocurra?
Tarea
El espesor de una plancha de acero sigue una distribución aleatoria según la
figura de abajo. La plancha de acero es adecuada para su uso siempre que
el espesor sea mayor de 1,75 mm y menor de 3 mm.
a) Determinar la función de densidad en cada punto.

b) Calcular la proporción de planchas defectuosas.
Respuestas: a) fX (x) = 1/2(x−1) si 1 ≤ x < 2, fX (x) = 1/2 si 2 ≤ x < 3, 5
y fX (x) = 0 en cualquier otro caso b) 39,0625%
Esperanza matemática de X
Un concepto importante en Estadı́stica es la llamada esperanza matemática
de una variable aleatoria X , la cual denotaremos por µX = E (X ) y se define
de la siguiente manera:
 P

 x · pX (x) , si X es discreta
x∈RX
µX = E (X ) =

R +∞

−∞ x · fX (x)dx , si X es continua
Observaciones:
X µX = E (X ) también es llamada media o valor esperado de X .
X µX = E (X ) es un número que formaliza la idea de valor medio de un
fenómeno aleatorio y describe el lugar donde se centra la distribución
de probabilidad de X .
Propiedades básicas
Las siguientes propiedades de la esperanza matemática son válidas para

cualquier tipo de variable aleatoria X :
• Si a es una constante, entonces E (a) = a.
• Si a es una constante, entonces E (aX ) = aE (X ).
• Si b es una constante, entonces E (X + b) = E (X ) + b.
• Si Y = aX ± b, con a y b constantes, entonces E (Y ) = aE (X ) ± b.

Problema 4
Supongamos que el número de automóviles X que pasa por un autolavado
entre las 16:00 y 17:00 horas en cualquier viernes soleado tiene la siguiente
fmp:
x 4 5 6 7 8 9
1 1 1 1 1 1
pX (x) 12 12 4 4 6 6
a) Calcular la probabilidad de que a lo sumo 6 automóviles pasen por el

autolavado en dicho horario.
b) Calcular la media de X .
c) Sea Y = 2X − 1 la cantidad de dinero (en dólares) que el

administrador paga al dependiente. Determinar las ganancias que
espera el dependiente en este periodo especı́fico.
Esperanza matemática de g (X )
Si g : R → R es una función continua y X : Ω → R es una variable
aleatoria, entonces podemos componer las dos funciones para obtener una
nueva variable aleatoria Y = g (X ).
La esperanza matemática de Y = g (X ) se obtiene como sigue:
 P

 g (x) · pX (x) , si X es discreta
 x∈RX
µg (X ) = E (g (X )) =

R +∞

−∞ g (x) · fX (x)dx , si X es continua
Casos especiales:
X E ((X − c)k ), k ∈ Z+ ← Momento de orden k centrado en c

X E (X k ), k ∈ Z+ ← Momento de orden k centrado en 0
Problema 5
Sea X una variable aleatoria continua con fdp:

( 2
x
, si − 1 < x < 2
fX (x) = 3
a) Calcular la media de X .
b) Calcular el momento de orden 2 centrado en 0 de X .
c) Calcular la media de Y = 4X + 3.

Problema resuelto
El número de errores detectados durante el proceso de facturación de una

empresa corresponde a una variable aleatoria X , con un número esperado
de 0,439 errores/factura y fmp dada por:
x 0 1 2 3 4
P(X = x) 0, 735 a 0, 078 0, 03 b
De acuerdo con esta información determine los valores de a y b.

Problema resuelto
Solución:
Como se trata de una fmp, se debe cumplir que:
X
P(X = x) = 1,
x∈RX
donde:
X 4
X
P(X = x) = P(X = x) = 0, 735 + a + 0, 078 + 0, 03 + b.
x∈RX i=0
De lo anterior se obtiene la siguiente ecuación:
a + b = 0, 157. (∗)

Problema resuelto
Por otro lado, del enunciado se sabe que E (X ) = 0, 439, donde:

4
X
E (X ) = xP(X = x)
i=0
= 0 · 0, 735 + 1 · a + 2 · 0, 078 + 3 · 0, 03 + 4 · b
= 0, 246 + a + 4b.
De lo anterior se obtiene la siguiente ecuación:
a + 4b = 0, 193. (∗∗)
De (∗) y (∗∗) se tiene que a = 0, 145 y b = 0, 012.

Varianza de X
µX = E (X ) describe el lugar donde se centra la distribución de probabilidad

de X , pero, por sı́ misma, no ofrece una descripción adecuada de la forma
de la distribución.
Ejemplo: abajo tenemos la gráfica de dos distribuciones de probabilidad
discretas con la misma media (2), que difieren de manera considerable en
la variabilidad o dispersión de sus observaciones alrededor de la media.
Necesitamos entonces caracterizar la variabilidad en la distribución.

Varianza de X
La varianza de una variable aleatoria X , la cual denotaremos por σX2 =

V (X ), es una de las medidas de variabilidad más importante en Estadı́stica
y se obtiene de la siguiente manera:
σX2 = V (X ) = E ((X − µX )2 )
 P

 (x − µX )2 · pX (x) , si X es discreta
x∈RX
=

R +∞

2
−∞ (x − µX ) · fX (x)dx , si X es continua
La raı́z cuadrada (positiva) de la varianza es llamada desviación estándar

(o tı́pica) de X , la cual denotaremos por σX .

Varianza de X
Se puede probar (ver diapositiva al final de esta presentación) que:
V (X ) = E ((X − µX )2 ) = E (X 2 ) − µ2X ,
donde:  P 2

 x · pX (x) , si X es discreta
 x∈RX
2
E (X ) =

R +∞

−∞ x 2 · f (x)dx , si X es continua
Observación: si la unidad de medida asociada a la variable aleatoria X es

u, entonces la unidad de medida de la varianza de X es u 2 , mientras que la
unidad de medida de la desviación estándar de X es u.

Propiedades básicas
Las siguientes propiedades de la varianza son válidas para cualquier tipo de

variable aleatoria X :
• Si a es una constante, entonces V (a) = 0.
• Si a es una constante, entonces V (aX ) = a2 V (X ).
• Si b es una constante, entonces V (X + b) = V (X ).
• Si Y = aX ± b, con a y b constantes, entonces V (Y ) = a2 V (X ).

Problema 6
Sea X la variable aleatoria que indica el número de computadoras vendidas

por una tienda. La fmp de X es:
x 0 1 2 3
pX (x) 0, 1 0, 2 0, 3 0, 4
a) Calcule el número esperado de computadoras vendidas por la tienda.

b) Calcule la varianza del número de computadoras vendidas por la
tienda.
c) Sea Y la variable aleatoria que indica el beneficio asociado a la venta
de X unidades (en dólares), donde Y = 800X − 900. ¿Cuál es
desviación estándar de dicho beneficio?

Problema 7
Se perfora un hueco en un componente de una hoja de metal y después se
inserta un eje a través del hueco. La holgura del eje es igual a la diferencia
entre el radio del hueco y el radio del eje. Sea X la variable aleatoria que
denota a la holgura, en milı́metros. La fdp de X es:
(
1, 25(1 − x 4 ) , si 0 < x < 1
fX (x) =
a) Determine la media de la holgura.

b) Determine la varianza de la holgura.
c) Los componentes con holguras superiores a 0,8 mm se deben
desechar. ¿Cuál es la proporción de componentes que serán
desechados?
Tarea
Considere la siguiente fdp de la variable aleatoria T :
(
1
, si − θ < t < θ
fT (t) = 2θ
donde T representa la temperatura de un refrigerante de discos duros, en

◦ C.
√
a) Si se sabe que la desviación estándar de T es de 2 3 ◦ C, calcule el
valor de θ.
b) Se sabe, por información del fabricante, que cuando el refrigerante

funciona bien no supera los 5,5 ◦ C. ¿Cuál es la probabilidad de que un
refrigerante funcione correctamente?
Respuestas: a) θ = 6 b) 0,9583
Demostración de la identidad de la varianza
Demostración: se utilizan algunas propiedades de la esperanza matemática

enunciadas en la diapositiva 17.
V (X ) = E ((X − µX )2 )
= E (X 2 − 2X µX + µ2X )
= E (X 2 ) − 2µX E (X ) +µ2X
| {z }
=µX
2
= E (X ) − 2µ2X + µ2X
= E (X 2 ) − µ2X .

U2 Variables Aleatorias

Cargado por

Información del documento

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

U2 Variables Aleatorias

Cargado por

Copyright:

Formatos disponibles

Introducción Variables aleatorias discretas Variables aleatorias continuas Esperanza matemática

Prof. Diego Ayma Anza

Universidad Católica del Norte

Prof. Diego Ayma Anza UCN Sede Antofagasta 1 / 31

Prof. Diego Ayma Anza UCN Sede Antofagasta 2 / 31

Definición de variable aleatoria

Prof. Diego Ayma Anza UCN Sede Antofagasta 3 / 31

Tipos de variables aleatorias

El rango de una variable aleatoria X , RX , es el conjunto de los valores reales

Ejemplo: X : Número de artı́culos defectuosos en una muestra de 10.

Ejemplo: X : Tiempo de espera, en horas, entre conductores sucesivos

Prof. Diego Ayma Anza UCN Sede Antofagasta 4 / 31

Función de masa de probabilidad

Sea X una variable aleatoria discreta. La función de masa de probabilidad

Ejemplo: Sea X : Número de caras obtenidas al tirar dos monedas. Luego,

Prof. Diego Ayma Anza UCN Sede Antofagasta 5 / 31

Función de distribución acumulada

La función de distribución acumulada (fda) de una variable aleatoria

Ejemplo: Sea X : Número de caras obtenidas al tirar dos monedas. Luego,

Prof. Diego Ayma Anza UCN Sede Antofagasta 6 / 31

Propiedades y uso de la función de distribución acumulada

La fda de X siempre verifica que:

X FX (x) es una función no decreciente

En la práctica la fda de X se utiliza para cálculos que involucran a P(X ≤ a),

Prof. Diego Ayma Anza UCN Sede Antofagasta 7 / 31

Prof. Diego Ayma Anza UCN Sede Antofagasta 9 / 31

Función de densidad de probabilidad

En este caso, P(a ≤ X ≤ b) es el

Función de distribución acumulada

La función de distribución acumulada (fda) de una variable aleatoria

y verifica las mismas propiedades que en el caso discreto (ver diapositiva

Prof. Diego Ayma Anza UCN Sede Antofagasta 11 / 31

Por lo tanto, para cualquier a, b ∈ R, con a < b, entonces:

Prof. Diego Ayma Anza UCN Sede Antofagasta 12 / 31

a) Verifique que fX (x) sea una fdp legı́tima (o válida).

c) ¿Cuál es la probabilidad de que una partı́cula tomada al azar del

b) Encuentre la probabilidad de que un error aleatorio en la medición sea

c) Para esta medida especı́fica, resulta indeseable si la magnitud del

a) Determinar la función de densidad en cada punto.

Las siguientes propiedades de la esperanza matemática son válidas para

Prof. Diego Ayma Anza UCN Sede Antofagasta 17 / 31

a) Calcular la probabilidad de que a lo sumo 6 automóviles pasen por el

c) Sea Y = 2X − 1 la cantidad de dinero (en dólares) que el

X E ((X − c)k ), k ∈ Z+ ← Momento de orden k centrado en c

Sea X una variable aleatoria continua con fdp:

b) Calcular el momento de orden 2 centrado en 0 de X .

Prof. Diego Ayma Anza UCN Sede Antofagasta 20 / 31

El número de errores detectados durante el proceso de facturación de una

De acuerdo con esta información determine los valores de a y b.

Prof. Diego Ayma Anza UCN Sede Antofagasta 21 / 31

De lo anterior se obtiene la siguiente ecuación:

Prof. Diego Ayma Anza UCN Sede Antofagasta 22 / 31

Por otro lado, del enunciado se sabe que E (X ) = 0, 439, donde:

De lo anterior se obtiene la siguiente ecuación:

De (∗) y (∗∗) se tiene que a = 0, 145 y b = 0, 012.

Prof. Diego Ayma Anza UCN Sede Antofagasta 23 / 31

µX = E (X ) describe el lugar donde se centra la distribución de probabilidad

Necesitamos entonces caracterizar la variabilidad en la distribución.

La varianza de una variable aleatoria X , la cual denotaremos por σX2 =

La raı́z cuadrada (positiva) de la varianza es llamada desviación estándar

Prof. Diego Ayma Anza UCN Sede Antofagasta 25 / 31

Se puede probar (ver diapositiva al final de esta presentación) que:

Observación: si la unidad de medida asociada a la variable aleatoria X es

Prof. Diego Ayma Anza UCN Sede Antofagasta 26 / 31