Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ω={c , s 0}
numero de lanzamientos 1
2 =2 =2 X :numero de caras
1
A
B
{s}
X=0
{c}
X=1
Definición: Dado un experimento aleatorio, definimos una variable aleatoria como una función definida sobre el espacio muestral que asigna un
número REAL a cada uno de los puntos, o resultados posibles, de dicho espacio muestral.
+¿ ¿ +¿ ¿
Subconjunto de Números enteros Z o Puede NO ser un de Números enteros Z
x ∈ { 0,1,2,3,4,5,6 , } x ∉ {0,1,2,3,4,5,6 , }
VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS CONTINUAS
toma un número finito o infinito, NO
toma un número finito o infinito, pero
contable, de valores.
contable, de valores.
Distribución de probabilidad
X:número de caras
Experimen
to a X 0 1
P({s})=P(X=0)=1/
P(X) 2 P({c})=P(X=1)=1/2
Experiment
o b:lanzar
una
moneda 2
veces X 0 1 2
P({ss})=P(X=0)=1 P({cs,sc})=P(X=1)= P({cc})=P(X=2)=
P(X) /4 2/4 1/4
Experiment
oc X 0 1 2 3
P(X) P(X=0)=1/8 f(1)=P(X=1)=3/8 P(X=2)=3/8 P(X=3)=1
/8
Como ya se ha indicado, para describir completamente la variable aleatoria hay que indicar las probabilidades de que tome cada uno de sus
valores posibles.
De esta forma a cada valor de la variable aleatoria se le asigna como probabilidad la probabilidad de que ocurra el subconjunto del espacio
muestral asociado con ese valor particular.
Para esto se define una función f ( x) que indica la probabilidad de cada valor x de la variable aleatoria.
Esta es la función de probabilidad, también llamada distribución de probabilidad, de la variable aleatoria discreta X .
f ( x)≡ P( X=x).
f (3)≡ P ( X=3) .
Ejemplo:
Para el experimento lanzar una moneda 2 veces, la variable aleatoria X =número de caras
X x1 x 2 … x i …
P( X =x) f ( x1 ) f ( x2 ) … f ( xi ) …
X:número de caras
Experiment
oa X 0 1
P(X) f(0)=P(X=0)=1/2 f(1)=P(X=1)=1/2 Suma 1
Experiment
ob X 0 1 2
P(X) P(X=0)=1/4 P(X=1)=2/4 P(X=2)=1/4
Suma 1
Experiment
oc X 0 1 2 3
P(X) P(X=0)=1/8 P(X=1)=3/8 P(X=2)=3/8 P(X=3)=1/8
Suma 1
Asimismo, gráficamente se suele representar usando un diagrama de barras (en el caso de v.a. discretas) donde en abscisas se sitúan los
diferentes valores de X y en ordenadas las probabilidades correspondientes:
Otra forma de caracterizar la distribución de una variable aleatoria es mediante la función de distribución F (x) , o función de probabilidad
acumulativa, definida para cada x como la probabilidad de que la variable aleatoria X tome un valor menor o igual que x . Es decir
F ( x )=P ( X ≤ x ) .
Ejemplo:
Para el experimento lanzar una moneda 2 veces, la variable aleatoria X =número de caras
Si suponemos que la variable aleatoria puede tomar los valores X ={x 1 , x 2 , x 3 , … x n }, ordenados de menor a mayor, entonces la función de
distribución para cada punto estará dada por
0 0 1
0 1 1 2
De modo que la representación gráfica de la función de distribución discreta tiene forma de escalera, con saltos en los valores aislados que toma
la variable y con continuidad por la derecha (es decir, en cada salto el valor que toma F(x) es el del escalón superior.
Ejemplo:
X 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Grafico de Distribución de
probabilidad v.a. discreta
0.17
0.14 0.14
0.11 0.11
0.08 0.08
0.06 0.06
0.03 0.03
2 3 4 5 6 7 8 9 10 11 12
Media o Esperanza matemática: La principal medida de centralización de la distribución de una variable aleatoria es la media, también conocida
como esperanza matemática. Sea una variable aleatoria discreta X que toma los valores x 1 , x 2 , .. . y sea f ( x) su función de probabilidad. Por
definición, la media o esperanza matemática μ ¿también representada por E( X) ¿ de X viene dada por la expresión:
NOTA: Es decir, la media se obtiene multiplicando cada valor de X por su probabilidad y sumando estos productos para todos los posibles valores
de X
Suma de
esta
columna
Varianza y desviación estándar E(X)=7
La media por sí sola no proporciona una adecuada descripción de la distribución de la variable aleatoria. Además de conocer en qué valor se
centra esa distribución es importante determinar la dispersión o variación de los valores de la variable aleatoria en torno a la media. Para ello se
define la varianza, representada por σ 2 o Var ( X ), de una variable aleatoria discreta X como:
σ =V ( X )=∑ ( xi −E(X ) ) ∗f ( x i )
2 2
σ 2=V ( X )=
(∑ x ∗f ( x ) )−E(X )
2 2
i i
i
Es decir, es la esperanza matemática de las desviaciones al cuadrado de los valores de la variable respecto a su media. Es claro que cuanto mayor
sea la varianza menos concentrados estarán los valores de X respecto a su media.
Distribuciones de
Probabilidad para v.a. discretas
Existen muchos fenómenos naturales que obedecen a distribuciones de probabilidad similares.
El comportamiento de una variable aleatoria queda, en general, descrito por su distribución de probabilidad, o función de
probabilidad f (x), que, en el caso de que la variable sea discreta, indica la probabilidad de que se dé cada uno de los valores x
posibles de la variable aleatoria (f (x)=P (X =x)).
La práctica indica que muchos experimentos aleatorios tienen comportamientos similares, de forma que sus resultados siguen la
misma distribución de probabilidad.
Diremos que tenemos una distribución discreta uniforme cuando todos los posibles valores de la variable aleatoria sean igualmente probables.
En este caso, si la variable aleatoria X puede tomar los valores x 1 , x 2 , . .. , x n con probabilidades iguales, la función de probabilidad vendrá
dada por:
1
u ( x ; n )=f ( x )=
n
1
P( X =x 1)=
n
1
P( X =x 2)=
n
1
f ( x 1 ) =f ( 1 )=P ( X =1 )=
6
1
f ( x 2 ) =f ( 2 )=P ( X =2 )=
6
⋮
1
f ( x 6 ) =f ( 6 )=P ( X=6 )=
6
Ejemplo: Ganarte el baloto, que un solo número el ganador, que una persona puede comprar un solo número.
Distribución binomial
Supongamos un experimento aleatorio consistente en realizar un número de ensayos o pruebas repetidas, cada una de ellas con
únicamente dos posibles resultados mutuamente excluyentes, que denominaremos éxito o fracaso.
Supongamos que la probabilidad de obtener un éxito en un ensayo es siempre constante y que los diferentes ensayos son
independientes, en el sentido de que el resultado de un ensayo no afecta a los otros.
2. El resultado de cada uno de los ensayos puede clasificarse en éxito o fracaso (excluyentes).
Se define la variable aleatoria binomial como la función que da el número de éxitos en un proceso de Bernoulli.
Evidentemente, la variable binomial X podría tener valores en el rango X ={0 , 1 ,2 , . . ., n }, donde n es el número de veces que se
repite el ensayo.
La distribución de probabilidad asociada con esta variable aleatoria se denomina distribución binomial y vendrá representada por
f ( x )=P ( X =x )=b ( x ; n , p )
Para calcular una expresión para b (x ; n , p) consideremos la probabilidad de que se obtengan x éxitos y n−x fracasos en un orden
determinado. Llamando q a la probabilidad de fracaso (que será evidentemente q = 1− p) y teniendo en cuenta que los n ensayos
son independientes, la probabilidad de esa disposición de resultados particular será el producto de las probabilidades de cada
ensayo, es decir
( nx)∗p ∗( 1− p )
b ( x ; n , p)=
x n− x
, x=0,1,2,3 , … . , n