Variables aleatorias

definición

➢ Es una variable que toma diferentes valores numéricos como resultado de un

experimento aleatorio.

➢ Una variable aleatoria X se puede considerar como una función cuyo dominio es
un espacio muestral S y su rango es un subconjunto de los números reales.

➢ Se puede decir que una variable aleatoria asigna a cada resultado de un espacio
muestral un valor numérico.
 Ejemplos

Ejemplo 1: En el experimento “Lanzar una moneda tres veces”

➢ El espacio muestral es: S= {ccc, ccs, csc, css, scc, scs, ssc,sss}

➢ Si se define la variable X: Número de caras en los tres lanzamientos, a cada uno

de los puntos muestrales le asigna un número entre 0 y 3, es decir, el nuevo
espacio muestral(numérico) es: S={0, 1, 2, 3}
➢ A cada uno de estos valores se les puede asignar una probabilidad de la siguiente
manera: P(X=0) = 1/8, P(X=1) = 3/8, P(X=2) = 3/8, P(X=3) = 1/8

Ejemplo 2: La estatura de una persona. En este caso los valores que toma la
variable son las mismas mediciones
 Tipos de variables aleatorias

Las variables aleatorias pueden ser discretas y continuas.

➢ Una variable aleatoria es discreta si no puede tomar más que una cantidad
numerable de valores (generalmente representan conteos). Ejemplos:
▪ Caso planteado en el ejemplo 1
▪ Número de clientes que llegan a la caja de un banco en una hora.
▪ Número de estudiantes que obtienen 5 como calificación

➢ Una variable aleatoria es continua, si sus valores posibles están contenidos en un

intervalo (todos los puntos entre dos valores específicos). Ejemplos:
▪ Caso planteado en el ejemplo 2
▪ La cantidad de petróleo exportado en un mes
▪ Tiempo que demora un cajero en tender a un cliente
 Distribución de probabilidad de una variable aleatoria discreta
(función de masa de probabilidad)

Asigna a cada posible valor de una variable aleatoria discreta su respectiva

probabilidad [conjunto de pares (x, f(x))], donde x son los valores que toma la
variable y f(x) representa la probabilidad del valor x, esta f(x) debe cumplir las
siguientes condiciones:
a. 𝑓 𝑥 ≥ 0
b. σ 𝑓 𝑥 = 1

Nota: La probabilidad f(x) también se representará como p(x) ó P(X = x)

Para el ejemplo planteado, la función de probabilidad es:

X 0 1 2 3
f(x) 1/8 3/8 3/8 1/8

La gráfica de la función de masa de probabilidad es un diagrama de barras

Distribución de probabilidad de una variable aleatoria discreta
(función de masa de probabilidad)

Distribución de probabilidad del número de caras en tres lanzamientos de una moneda

 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA
DISCRETA (F(x))

➢ Especifica la probabilidad de que una variable aleatoria discreta X sea menor o

igual a un valor real dado.
➢ Si X es una variable aleatoria discreta, 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = σ𝑡≤𝑥 𝑓(𝑡), donde x es un
número real

𝟎 𝑺𝒊 𝒙 < 𝟎
𝟎. 𝟏𝟐𝟓 𝑺𝒊 𝟎 ≤ 𝒙 < 𝟏
𝑭(𝒙) = 𝟎. 𝟓𝟎𝟎 𝑺𝒊 𝟏 ≤ 𝒙 < 𝟐
𝟎. 𝟖𝟕𝟓 𝑺𝒊 𝟐 ≤ 𝒙 < 𝟑
𝟏 𝒔𝒊 𝒙 ≥ 𝟑

➢ Realice la representación gráfica

 Media o valor esperado de una variable aleatoria
discreta

➢ Se trata de un promedio ponderado en el que los posibles valores de una variable

aleatoria, se ponderan con sus correspondientes probabilidades de ocurrir

𝜇 = 𝐸 𝑋 = ෍ 𝑥 ∗ 𝑝(𝑥)

➢ Para el caso de nuestro ejemplo, el valor esperado es:

➢ 𝜇 = 𝐸 𝑋 = 0 ∗ 0.125 + 1 ∗ 0.375 + 2 ∗ 0.375 + 3 ∗ 0.125 = 1.5

➢ Lo anterior significa, que en promedio se espera que se obtenga 1.5 caras

 Varianza de una variable aleatoria discreta

➢ La varianza 𝜎 2 de una variable aleatoria X se obtiene de la siguiente manera:

𝜎2 = 𝐸 𝑥 − 𝜇 2 =෍ 𝑥−𝜇 2 ∗ 𝑝(𝑥)

➢ Una forma alterna para calcular la varianza es:

𝜎 2 = 𝐸 𝑥 2 − 𝜇2 = ෍ 𝑥 2 ∗ 𝑝 𝑥 − 𝜇2

➢ El cálculo de la varianza para el ejemplo anterior es:

𝐸[𝑥 2 ] = 0*0.125+1*0.375+4*0.375+9*0.125=3
➢ Por lo tanto:
𝜎 2 = 3-1.52 = 3-2.25 = 0.75

Para el cálculo de la desviación estándar (𝜎), basta sacar la raíz cuadrada de la

varianza
 Propiedades del valor esperado

➢ 𝑬 𝒌 = 𝒌, 𝒅𝒐𝒏𝒅𝒆 𝒌 𝒆𝒔 𝒖𝒏𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆

➢ 𝑬 𝒌𝑿 = 𝒌 ∗ 𝑬[𝑿], 𝒅𝒐𝒏𝒅𝒆 𝒌 𝒆𝒔 𝒖𝒏𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆

➢ 𝑬 𝑿±𝒀 = 𝑬 𝑿 ±𝑬 𝒀

➢ 𝑬 𝒂 ± 𝒃𝑿 = 𝒂 ± 𝒃𝑬 𝑿 , donde a y b son constantes

➢ 𝑬[𝒈𝟏 𝒙 + 𝒈𝟐(𝒙) + … + 𝒈𝒌(𝒙) ] = 𝑬[𝒈𝟏(𝒙) ]+ 𝑬[𝒈𝟐 (𝒙) ]+… +𝑬[𝒈𝒌 (𝒙)]

 Propiedades de la varianza

➢ V[ k ] = 0

➢ V [ kX] = k2 V [ X ]

➢ V [ a  b X ] = b2 V [ X ]

➢ V[ X ] = E[ X2 ] - 2

➢ V [ X + Y ] = V [ X ] + V [ Y ] Si X y Y son independientes