Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias
Luis Fernando González Saavedra
2021
1
Variables Aleatorias.(V.A)
Definiremos a una variable aleatoria como una función que va desde el espacio
muestral al conjunto de números reales. Esto nos permitirá considerar que el
resultado del experimento aleatorio es el número real tomado por la variable
aleatoria. En consecuencia, nuestro interés en el estudio de los experimentos
aleatorios se trasladará al estudio de las distintas variables aleatorias y sus
caracterı́sticas particulares.
2
Variables aleatorias discretas
Es una función que asigna un número número real a cada elemento del espa-
cio muestral y el conjunto de valores que toma es finito o numerable.
Podriamos definir una o más variables aleatorias para todos los espacios
muestrales que hemos mencionado en el curso.
Ejemplo 2. Sea Y la variable aleatoria que cuenta los dı́gitos pares que salen
en el resultado de la loterı́a.
Los valores que puede tomar la V.A Y son {0, 1, 2, 3, 4}.
3
Distribución de probabilidad de una V.A discreta
Definición.
La distribución de probabilidad de una variable aleatoria X es una descripción
del conjunto de valores posibles de X (rango de X) junto con la probabilidad
asociada a cada uno de estos valores.
x 0 1 2 3
1 3 3 1
P (X = x) 8 8 8 8
4
Defina la V.A Y como la variable que cuenta el número de balotas negras en
la extracción.
y 0 1 2
1 6 3
P (Y = y) 10 10 10
Definición.
La función del conjunto de números reales al intervalo [0, 1] definida mediante
P (X = x) si x pertenece al rango de X
fX (x) = (1)
0 en otro caso
Propiedades.
La función de probabilidad, fX de una variable aleatoria X satisface las si-
guiente propiedades.
1.
fX (x) ≥ 0 para todo x
2. X
fX (x) = 1
x
5
Si una función no cumple alguna de las propiedades anteriores, entonces no
puede llamarse función de probabilidad.
Además,
X 1 3 3 1 8
fX (x) = + + + = =1
x
8 8 8 8 8
y
X 1 6 3 10
fY (y) = + + = =1
y
10 10 10 10
Ejemplo 5.
Diga si la siguientes funciones son funciones de probabilidad.
x
2
si x = −1, 0, 1, 2
a. fX (x) =
0 en otro caso
y
2
si y = 1, 2, 3
b. fY (y) =
0 en otro caso
Solución.
Las funciones fX (x) y fY (y) no son funciones de probabilidad porqué la
primera no cumple la propiedad 1 y la segunda no cumple la propiedad 2,
veamos
−1
fX (−1) = <0
2
y
X 1 2 3
fY (y) = fY (1) + fY (2) + fY (3) = + + =3>1
y
2 2 2
6
Las funciones de probabilidad de los ejemplos 3 y 4 pueden ser expresadas
de la siguiente forma
1
8
si x = 0
3
si x = 1
83
8
si x = 2
fX (x) = 1
8
si x = 3
0 en otro caso
1
10
si y = 0
6
si y = 1
10
3
fY (y) = 10
si y = 2
0 en otro caso
Definición.
La función de distribución acumulada de una variable aleatoria discreta X,
denotada por FX (x) se define como
X
FX (x) = P (X ≤ x) = fX (xi ) (2)
xi ≤x
Propiedades.
La función de distribución acumulada, FX de una variable aleatoria discreta
X cumple las siguientes propiedades.
1. 0 ≤ FX (x) ≤ 1
Ejemplo 6.
Encontremos la función de distribución acumulada de las variables de los
ejemplos 3 y 4.
x 0 1 2 3
1 4 7 8
P (X ≤ x) 8 8 8 8
=1
7
0 si x<0
1
si 0 ≤ x < 1
8
4
8
si 1 ≤ x < 2
FX (x) =
7
8 si 2 ≤ x < 3
1 si x≥3
y 0 1 2
1 7 10
P (Y ≤ y) 10 10 10
=1
0 si y<0
1
si 0 ≤ y < 1
10
FY (y) = 7
10
si 1 ≤ y < 2
1 si y≥2
Propiedades.
. P (X < a) = FX (a− )
. P (X > a) = 1 − FX (a)
. P (X = a) = FX (a) − FX (a− )
8
1 3 3 7
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = + + =
8 8 8 8
Y usando FX (x) tenemos
7
P (X ≤ 2) = FX (2) =
8
9
Valor esperado o media.
Varianza.
2
X
= E (x − µx )2 = (x − µx )2 fX (x)
V ar(X) = σX (4)
x
Desviación estándar.
Lo que se está pidiendo calcular es un valor esperado, para hacer dicho cálculo
hay que definir a X como la variable aleatoria que cuenta el numero de sellos
que se obtienen en los 3 lanzamientos y encontrar la función de probabilidad
fX , pero dicha función ya la tenemos
1
8
si x = 0
3
si x = 1
83
8
si x = 2
fX (x) = 1
8
si x = 3
0 en otro caso
10
Luego,
X 1 3 3 1 12 3
µX = E(X) = xfX (x) = 0 · +1· +2· +3· = =
x
8 8 8 8 8 2
La varianza,
X
V ar(X) = (x − µx )2 fX (x)
x
2 2 2 2
3 1 3 3 3 3 3 1
= 0− · + 1− · + 2− · + 3− ·
2 8 2 8 2 8 2 8
3
=
4
La desviación estandar,
r √
3 3
q
2
σX = σX = = = 0, 866
4 2
Ejerccios.
11
Distribuciones de probabilidad.
Decimos que una variable aleatoria X tiene una distribuciónn uniforme dis-
creta sobre el conjunto de n números {x1 , x2 , ..., xn } si la probabilidad de que
X tome cualquiera de estos valores es constante 1/n.
Se escribe X ∼ unif {x1 , x2 , ..., xn } en donde el sı́mbolo “∼” se lee “se distri-
buye como” o “tiene una distribución”. La función de probabilidad de esta
variable aleatoria es:
1
n si x = x1 , x2 , ..., xn
fX (x) =
0 en otro caso
12
0 si x < 1
1
si 1 ≤ x < 2
5
52 si 2 ≤ x < 3
FX (x) =
3
si 3 ≤ x < 4
5
4
si 4 ≤ x < 5
5
1 si x ≥ 5
Distribución Bernoulli.
13
1−p si x = 0
p si x = 1
fX (x) =
0 en otro caso
px (1 − p)1−x si x = 0, 1
fX (x) =
0 en otro caso
E(X) = p
V ar(X) = p(1 − p)
Distribución Binomial.
14
X ∼ Bin(n, p). La función de probabilidad es:
n
p (1 − p)n−x si x = 0, 1, 2, ..., n
x
x
fX (x) =
0 en otro caso
n n!
Recordemos que x
= (n−x)! x!
E(X) = np
V ar(X) = np(1 − p)
Ejemplo
Un cientı́fico asegura que la vacuna desarrollada por su grupo de investiga-
ción para prevenir el Covid-19, tiene una efectividad del 80 %. Suponga que
el cientı́fico está en lo cierto y para probar la vacuna en humanos, se elige
una muestra de 5 voluntarios. Calcule
Solución
Se define a X como v.a que cuenta el número de voluntarios en los que la
vacuna funciona, entonces X ∼ Bin(5; 0,8)
a.
5
0,82 (1 − 0,8)5−2 = 0,0512
P (X = 2) = 2
15
b.
P (X > 3) = P (X = 4) + P (X = 5)
5 5−4 5
= 4
0,8 (1 − 0,8) + 0,85 (1 − 0,8)5−5
4 5
= 0,4096 + 0,3277
= 0,7373
c.
E(X) = np = (0, 8)(5) = 4.
Ejemplo
Se sabe que el 15 % de los estudiantes reprueban el curso de Estádistica. Si
el grupo consta de 30 estudiantes, calcule laprobabilidad de que
Solución
Se define a X como v.a que cuenta el número de estudiantes que reprueban,
entonces X ∼ Bin(30; 0,15)
a.
30
0,155 (1 − 0,15)30−5 = 0,1861
P (X = 5) = 5
b.
P (X > 1) = 1 − P (X ≤ 1)
= 1 − [P (X = 0) + P (X = 1)]
30 0 30−0 30 1 30−1
=1− 0,15 (1 − 0,15) + 0,15 (1 − 0,15)
0 1
= 1 − [0,0076 + 0,0404]
= 0,952
16
Distribución Binomial Negativa.
x−1
pr (1 − p)x−r si x = r, r + 1, r + 2, ...
r−1
fX (x) =
0 en otro caso
Ejemplo
En un departamento de control de calidad se inspeccionan las unidades ter-
minadas que provienen de una linea de ensamble. Se piensa que la proporción
de unidades defectuosas es 0,05.
Solución
17
La primera pregunta se traduce a :
20−1
0, 052 (1 − 0, 05)20−2 = 0,0189
P (X = 20) = 2−1
El valor esperado
r 2
E(X) = = = 40
p 0, 05
Y la varianza
r(1 − p) 2 · (1 − 0,05)
V ar(X) = 2
= = 760
p 0,052
Distribución Hipergéometrica.
K N −K
( x ) ( n−x )
si x = 0, 1, 2, ..., min{K, n}
(Nn )
fX (x) =
0 en otro caso
N −K N −n
E(X) = n K
N
y V ar(X) = n K
N N N −1
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberı́as, y 200 de
un proveedor de otro estado. Si se eligen cuatro piezas al azar y sin remplazo.
18
¿Cuál es la probabilidad de que todas provengan del proveedor local?
Solución
En este caso se toma como éxito que el origen de la pieza sea del pro-
veedor local. Se fine a X comola variable aleatoria que cuenta el número
de piezas provenientes del porveedor locale en la muestra, entonces X es
una Hipergéometrica con parámetros N = 300, K = 100, n = 4, es decir,
X ∼ Hiper(300; 100; 4)
P (X > 2) = P (X = 3) + P (X = 4)
100 300−100 100 300−100
3 4−3 4 4−4
= 300
+ 300
4 4
= 0,0978 + 0,0119
= 0,1096
K 100
E(X) = n =4 = 1, 33
N 300
19
Distribución Poisson.
e−λ λx
x!
si x = 0, 1, 2, ...
fX (x) =
0 en otro caso
E(X) = λ y V ar(X) = λ
Ejemplo.
El número de huecos en la Cra segunda del centro de Monterı́a puede mode-
larse con una distribución de Poisson con media de dos huecos por kilómetro.
Solución.
1
Sea X el número de huecos en un kilómetro, entonces X es Poisson con λ = 2
e−2 21
P (X = 1) = = 0,2707
1!
20
2
Sea X el número de huecos en cinco kilómetro, entonces X es Poisson con
λ = 2 × 5 = 10
e−10 100
P (X = 0) = = 0, 0000454
0!
3
Sea X el número de huecos en medio kilómetro, entonces X es Poisson con
λ = 2 × 21 = 1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1−
0!
= 1 − 0,3679
= 0,6321
21
Variables aleatorias continuas
Se habı́a mencionado que una variable aleatoria es una función que asigna
un número real a cada elemento del espacio muestral. Además, decimos que
una variable aleatoria es continua cuando toma todos los valores dentro de
un intervalo (a, b) .
Ejemplos
22
Toda función de densidad fX (x) de una variable aleatoria continua cumple
las siguientes propiedades análogas al caso discreto.
Propiedades
Ejemplo
La función dada por
1
2
si 1 < x < 3
fX (x) =
0 en otro caso
23
Ejemplo Encuentre el valor de la constante c que hace que la siguiente
función sea de probabilidad.
c|x| si − 1 < x < 1
fX (x) =
0 en otro caso
Solución
Para que fX (x) sea una función de probabilidad debe cumplir las propieda-
des 1 y 2.
Z 0 Z 1
−cx dx + cx dx = 1
−1 0
c c
+ =1
2 2
luego,
c=1
De modo que, para que fX (x) se una una función de probabilidad (fdp), debe
suceder que c = 1.
24
b. Calcule la probabilidad de que tenga que esperar entre 3 y 5 minutos para
recibir un mensaje.
Solución
Z 2
P (X < 2) = fX (x) dx
−∞
Z 0 Z 2
= fX (x) dx + fX (x) dx
−∞ 0
Z 2
=0+ 2e−2x dx
0
2
= −e−2x 0
= −e−2×2 − −e−2×0
= −e−4 + e0
= 1 − e−4
= 0, 9817
25
Z 5
P (3 < X < 5) = fX (x) dx
3
Z 5
= 2e−2x dx
3
5
= −e−2x 3
= −e−2×5 − −e−2×3
= −e−10 + e−6
= −0,000045 + 0,0024
= 0,0024
26
−2x
2e si x ≥ 0
fX (x) =
0 si x < 0
Z x
FX (x) = fX (u) du
−∞
Z 0 Z x
= fX (u) du + fX (u) du
−∞ 0
Z x
= 2e−2u du
0
x
= −e−2u 0
= −e−2x − −e−2×0
= −e−2x + e0
= 1 − e−2x
Luego,
0 si x < 0
FX (x) =
1 − e−2x si x ≥ 0
27
P (3 < X < 5) = FX (5) − FX (3)
= 1 − e−2×5 − 1 − e−2×3
= 0, 0024
28
Ejemplo Considere ahora la variable aleatoria continua X con función de
probabilidad
|x| si − 1 ≤ x ≤ 1
fX (x) =
0 en otro caso
29
Valor esperado de una V.A continua
Propiedad.
Sabemos que que, V ar(x) = E(X − µ)2 . Es muy fácil probar que
Su valor esperado
30
Z ∞
E(x) = xfX (x) dx
−∞
Z 0 Z 1
= xfX (x) dx + xfX (x) dx
−∞ 0
Z ∞
+ xfX (x) dx
1
Z 1
=0+ x · 2x dx + 0
0
Z 1
= 2x2 dx
0
1
2x3
=
3 0
2
=
3
Ahora,
Z ∞
2
E(X ) = x2 fX (x) dx
−∞
Z 1
= x2 · 2x dx
Z0 1
= 2x3 dx
0
4 1
2x
=
4 0
1
=
2
31
Luego,
2
2 1 2
2 1
V ar(X) = E(X ) − [E(X)] = − =
2 3 18
Z ∞ Z 1 2
2 2 1
V ar(X) = (x − µ) fX (x) dx = x− 2x dx =
−∞ 0 3 18
Ejercicio.
Sea λ > 0 y considere la siguinete función de probabilidad
−λx
λe si x > 0
fX (x) =
0 si x ≤ 0
32
Algunas distribuciones de probabilidad continuas.
Decimos que una variable aleatoria X tiene una distribución uniforme conti-
nua en el intervalo (a, b), y escribimos X ∼ unif (a, b), cuando su funciónde
densidad es
1
b−a si a < x < b
fX (x) =
0 si x ∈
/ (a, b)
a+b
E(X) = 2
(b−a)2
V ar(X) = 12
Ejemplo
Un estudiante llega al paradero de buses de la Unicor a las 2:00 pm, se sabe
que la Metrosinú que el espera pasa entre 2:00 pm y 2:30 pm.
33
Soulución
Definamos a X como la variable aleatoria que cuenta el número de minutos
hasta que llegue el bus, X ∼ unif (0, 30), es decir X sigue una distribucón
uniforme con a = 0 y b = 30.
a)
10 − 0
P (X > 10) = 1 − P (X ≤ 10) = 1 − FX (10) = 1 − = 0, 666
30 − 0
b)
15 − 0 8−0 7
P (8 ≤ X ≤ 15) = FX (15) − FX (8) = − = = 0, 233
30 − 0 30 − 0 30
c)
25
P (X > 15 y X > 25) P (X > 25) 1 − FX (25) 1− 30 1
P (X > 25/X > 15) = = = = 15 =
P (X > 15) P (X > 15) 1 − FX (15) 1− 30
3
Distribución exponencial
34
La función de distribución acumulada de esta variable aleatoria es:
1 − e−λx si x > 0
FX (x) =
0 si x ≤ 0
1
E(X) = λ
1
V ar(X) = λ2
Ejemplo
El tiempo promedio de espera en perros Richard es de 3 minutos. Si usted
llega a perros Richard, calcule la probabilidad de esperar
a) Menos de 1 minuto
b) Entre 2 y 5 minutos
Solución
Se define a X como la variable aleatoria que modela el tiempo de espera,
X ∼ exp 31 .
a)
35
Z 1
P (X < 1) = f (x) dx
0
Z 1
1 −1x
= e 3 dx
0 3
h 1
i1
= −e− 3 x
0
1
= −e− 3 − −e0
1
= 1 − e− 3
= 1 − 0, 716
= 0, 284
b)
P (2 ≤ X ≤ 5) = P (X ≤ 5) − P (X ≤ 2)
= FX (5) − FX (2)
1
h 1
i
= 1 − e− 3 ×5 − 1 − e− 3 ×2
2 5
= e− 3 − e− 3
= 0, 51 − 0, 188
= 0, 322
36
Distribución gamma
Decimos que una variable aleatoria continua X tiene distribución gamma con
parámetros α > 0 y λ > 0, escribimos X ∼ gamma(α, λ), cuando su función
de probabilidad es
α−1
(λx)
Γ(α)
λe−λx si x > 0
fX (x) =
0 si x ≤ 0
1. Γ(α + 1) = αΓ(α).
3. Γ(2) = Γ(1) = 1
√
4. Γ(1/2) = π
α
E(X) =
λ
α
V ar(X) =
λ2
37
Ejemplo: Sea X ∼ gamma(α, λ) con α = 2 y λ = 3.Encuentre P (X < 1) y
P (X ≥ 2)
Veamos,
Z 1
P (X < 1) = fX (x) dx
0
1
(λx)α−1 −λx
Z
= λe dx
0 Γ(α)
1
(3x)2−1 −3x
Z
= 3e dx
0 Γ(2)
Z 1
= (3x) 3e−3x dx
0
Z 1
= 9xe−3x dx
0
= 1 − 4e−3
= 0, 8008
38
P (X ≥ 2) = 1 − P (X < 2)
Z 2
=1− fX (x) dx
0
2
(λx)α−1 −λx
Z
=1− λe dx
0 Γ(α)
2
(3x)2−1 −3x
Z
=1− 3e dx
0 Γ(2)
Z 2
=1− (3x) 3e−3x dx
0
Z 2
=1− 9xe−3x dx
0
= 1 − 1 − 7e−6
= 0, 01735
39
Distribución normal
40
Por otro lado, usando integración por partes, es posible demostrar que para
una variable aleatoria X con distribución N (µ, σ 2 ),
E(X) = µ
V ar(X) = σ 2
1 x2
fX (x) = √ e− 2 , −∞ < x < ∞
2π
41
Proposición
Sea X con distribución N (µ, σ 2 ). Entonces
X −µ
Z= ∼ N (0, 1) (11)
σ
a−µ X −µ b−µ
=P < <
σ σ σ
a−µ b−µ
=P <Z<
σ σ
Ejemplo
Sea X ∼ N (0, 1). Calcule
42
a) P (X > −2, 84)
b) P (1 < X < 1, 5)
c) Zα tal que, P (X < Zα ) = 0, 975
d) Zα tal que, P (−Zα < X < Zα ) = 0, 93
Solución.
b)
43
c)
Debemos encontrar bajo la curva de la normal estándar un valor Zα que deja
a su izquierda un área de 0, 975, es decir, Φ(Zα ) = 0, 975, lo que es equiva-
lente a decir que, Φ−1 (0, 975) = Zα .
44
d)
Por la simetrı́a de la curva normal estándar, tenemos que Φ(−x) = 1 − Φ(x).
Ahora,
45
Como alternativas a la tabla existen en distintos softwares estadı́sticos funcio-
nes que permiten calcular probabilidades de la dsitribución normal, también
en Excel.
46
Ejemplo
En la ciudad de Monterı́a se estima que la temperatura máxima en el mes de
junio sigue una distribución normal, con media 32◦ y desviación estándar 5◦ .
Calcule la probabilidad de que en un dı́a cualquiera en la ciudad de Monterı́a
la temperatura
Solución
X sigue una distribución normal con µ = 32 y σ = 5.
a)
X −µ 35 − 32
=P <
σ 5
= P (Z < 0, 6)
= Φ(0, 6)
= 0, 7257
47
b)
X −µ 25 − 32
=P >
σ 5
= P (Z > −1, 4)
= 1 − P (Z ≤ −1, 4)
= 1 − Φ(−1, 4)
= 1 − 0, 0808
= 0, 9192
c)
30 − 32 X −µ 34 − 32
P (30 < X < 34) = P < <
5 σ 5
Ejemplo
La media de los pesos de 5000 estudiantes de un colegio es 70 kg y la des-
viación tı́pica 3 kg. Suponiendo que los pesos se distribuyen normalmente,
“hallar cuántos estudiantes” pesan menos de 60 kg. Encontrar un peso tal
que, el 80 % de los estudiantes pese menos que él.
48
dad
X −µ 60 − 70
P (X < 60) = P <
σ 3
= P (Z < −3,33)
= Φ(−3,33)
= 0, 0004
z−70 z−70
Luego, P Z < 3
= 0,8, es decir, Φ 3
= 0,8.
z = 0,84 × 3 + 70 = 72, 52
Finalmente, z = 72, 52 es el valor tal que, el 80 % de los pesos son menores
que él.
49
Distibución ji-cuadrada
Decimos que la variable aleatoria continua X tiene una distribución jicuadra-
da con n grados de libertad (n > 0) y escribiremos X ∼ χ2 (n) , si su función
de probabilidad está dada por la siguiente expresión.
(
1 1 n/2 n/2−1 −x/2
x e si x > 0
fX (x) = Γ(n/2) 2
0 en otro caso
E(X) = n.
Var(X) = 2n.
1 − P (X < χα ) = 0,025
50
⇔ P (X < χα ) = 1 − 0,025
⇔ P (X < χα ) = 0,975
51
Distibución t Student
Decimos que la variable aleatoria continua X tiene una distribución t de
Student con n > 0 grados de libertad si su función de densidad está dada
por la siguiente expresión
−(n+1)/2
Γ n+1
2 x2
fX (x) = √ 1+ −∞<x<∞
nπΓ n2 n
E(X) = 0 si n > 1.
n
Var(X) = n−2
si n > 2.
52
Distibución F
Se dice que la variable aleatoria continua X tiene una distribución F de
Fisher-Snedecor 7,8 con parámetros a > 0 y b > 0 si su función de densidad
está dada por la siguiente expresión.
( Γ a+b
( 2 ) a a/2 a/2−1 a
−(a+b)/2
a b
Γ( 2 )Γ( 2 ) b
x 1 + b
x si x > 0
f (x) =
0 en otro caso
Γ a+b
Z x
2 a a/2 a/2−1 a −(a+b)/2
F (x) = a
b
u 1+ u du
0 Γ 2 Γ 2 b b
b
E(X) = , si b > 2
b−2
2b2 (a + b − 2)
Var(X) = , si b > 4 .
a(b − 2)2 (b − 4)
53