Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable Aleatoria
Definición:
1
Variable Aleatoria
• Una variable aleatoria es una función que
asigna un número real a cada uno de los
puntos de un espacio muestral S.
X :E
w X ( w)
Lanzamiento de 2 monedas
X(s) ≡Número de CARAS
s X(s)
CC→ 2
CX → 1
XC → 1
XX → 0 3
Variable Aleatoria
• Llamar variable a una función resulta algo confuso,
por ello hay que insistir en que es una función.
2
Variable Aleatoria
• Cuando los valores que toma una variable aleatoria
son finitos o infinitos numerables se dice que es
discreta.
Variable Aleatoria
Otros ejemplos variable aleatoria discreta
Variable Valores
Experimento
aleatoria posibles V.A
Llamar a cinco
Cantidad de clientes 0, 1,2,3,4,5
clientes
Inspeccionar un
Cantidad de chips
embarque de 40 0,1,2,….,40
defectuosos
chips
Funcionamiento de
un restaurante Cantidad de clientes 0,1,2,3…….
durante un día
0 si es hombre y 1 si
Vender un automóvil Género del Cliente
es mujer
6
3
Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
3 monedas.
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral
Ley de
correspondencia
Nº reales
(# de caras) 0 1 2 3 caras
Función de probabilidad
Una vez definida una variable aleatoria X,
podemos definir una función de probabilidad
asociada a X, de la siguiente forma:
p : [0,1]
x p( x) P( X x)
La función de probabilidad debe cumplir:
(i ) p ( x) 0 x
(ii ) p( x) 1
x
(Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
8
4
Requerimientos de una distribución de
probabilidad
X P(X) X P(X) X P(X)
-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2
x
p(x) 1
9
Z
1 2/4 = 0.50
Z
Z Z
2 1/4 = 0.25
X :E p : [0,1]
w X ( w) x p ( x) P ( X 10
x)
5
DISTRIBUCIONES
PROBABILISTICAS
Una distribución
probabilística es la
enumeración de todos los
resultados de un
experimento junto con las
probabilidades asociadas.
11
Distribución Probabilística
La distribución de una variable X se define
como una descripción del conjunto de
valores posibles de X, junto con la
probabilidad asociada con cada uno de
estos valores
Para una variable aleatoria discreta la
distribución de probabilidad se
describe mediante una función de
probabilidad, representada por f(x).
Donde esta función define la probabilidad
de cada valor de la variable analizada
12
6
Condiciones Requeridas Para
Una Función Discreta
Probabilidad
f ( x) P( X x)
fx ( x ) 0
n
fx ( x ) 1
i 1
Cantidad discreta
13
Función de probabilidad
Uniforme Discreta
Es la representación más sencilla de
distribución de probabilidad, se define
como:
f (x) x / n
14
7
DISTRIBUCIONES PROBABILISTICAS
Función de probabilidad
16
8
Función de probabilidad
Lanzamiento de un dado
17
9
Sea el experimento “lanzar dos dados”. Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
6/36
P
5/36 5/36
4/36 4/36
3/36 3/36
2/36 2/36
1/36 1/36
2 3 4 5 6 7 8 9 10 11 12 X
20
10
Función de distribución (acumulada)
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como: F : [0,1]
x F ( x) P ( X x)
Para nuestro ejemplo del lanzamiento de monedas:
X = Número de caras al lanzar 2 monedas
21
FUNCIÓN DE DISTRIBUCIÓN
• Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o
iguales.
11
Función de distribución (acumulada)
23
F
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12 x
24
12
Algunos problemas de probabilidad están relacionados
con la probabilidad P(a <X b) de que X asuma algún
valor en un intervalo (a, b]. Observa que:
1 1
6
F(x)
f(x) 0.5
0 1 6 x 0 1 6 x
Función de probabilidad f(x) Función de distribución 26
F(x)
13
Algunas propiedades de la función de distribución
F () lim F ( x) lim P( X x) P( E ) 1
x x
P( x1 X x2 ) F ( x2 ) F ( x1 )
F es monótona creciente.
28
14
Variable aleatoria continua
• Las distribuciones de probabilidad son
idealizaciones de los polígonos de frecuencias.
En el caso de una variable estadística continua
consideramos el histograma de frecuencias
relativas, y se comprueba que al aumentar el
número de datos y el número de clases el
histograma tiende a estabilizarse llegando a
convertirse su perfil en la gráfica de una
función.
• Las distribuciones de probabilidad de variable
continua se definen mediante una función y=f(x)
función de probabilidad o función de densidad.
29
30
15
Variable aleatoria continua
• Se dice que una variable aleatoria es
continua si toma valores en el conjunto de
los números reales, o en un intervalo de
números reales.
• Por ejemplo, consideremos que vamos a
tomar la estatura a los miembros de un
grupo de personas. Entonces si
seleccionamos una persona al azar la
estatura de esta persona no tendrá un
valor discreto (entero), si no que estará en
un intervalo real. 31
32
16
Función de distribución de
una variable aleatoria continua
• Para una variable aleatoria continua disponemos de
un conjunto no numerable de valores.
• No es posible definir una probabilidad para cada
uno. Por eso definimos previamente la función de
distribución de probabilidad, que sí tiene un
significado inmediato y semejante al caso discreto:
F : [0,1]
x F ( x) P ( X x)
33
Tiempo en minuto,
Funcionamiento de un
entre llegadas de X>=0
banco
clientes
Llenar una lata de
bebida Cantidad de onzas 0<=x<=12.1
(máx =12.1 onzas)
Porcentaje de
Proyecto para
terminado del 0<=x<=100
construir un biblioteca
proyecto
Temperatura cuando
Ensayar un nuevo se lleva a cabo la
150<=x<=212
proceso químico reacción deseada (min
150º F; máx 212ºF)
34
17
Función de densidad continua
Definimos la función de distribución para la variable
aleatoria continua como: x
F ( x) p(t )dt
x
Diferenciando tenemos:
dF ( x)
p( x)
dx
para cada x donde p(x) es continua. 35
• Definición
– Es una función no negativa de
integral 1.
• Piénsalo como la
generalización del
histograma con frecuencias
relativas para variables
continuas.
• ¿Para qué lo voy a usar?
– Nunca lo vas a usar
directamente.
– Sus valores no representan
36
probabilidades.
18
¿PARA QUÉ SIRVE LA FUNCION
DENSIDAD?
• Muchos procesos aleatorios vienen descritos por
variables de forma que son conocidas las
probabilidades en intervalos.
37
1 1
x x
0 a 1 0 a b 1
38
19
Variable Aleatoria continua
p (x )
0 x0
1
1 p( x) 0 x 1
b a
Área = 1 0 x 1
x
0 1
39
Función de densidad
40
20
Función de densidad
Una función fX (x) es una función de
densidad de probabilidad de una
variable aleatoria X si y sólo si cumple:
41
Función de densidad
A partir de la definición es fácil ver
que:
b
P(a X b) F (b) F (a) p(v)dv
a
21
FUNCIÓN DE DISTRIBUCIÓN
44
22
¿PARA QUÉ SIRVE LA FUNCIÓN
DISTRIBUCIÓN?
• Relaciónalo con la idea de cuantil.
F(x) = 0 si x -1
x
F(x) 0.75 (1 v2 )dv 0.50 0.75x 0.25x3 si -1 x 1
1
F(x) = 1 si x >1.
1
2
1
4
23
Variable Aleatoria continua
Algunas propiedades de la función de
distribución
F () lim F ( x) lim P ( X x) P ( E ) 1
x x
P ( x1 X x2 ) F ( x2 ) F ( x1 )
F es monótona creciente
E X xi P( X xi ) xi p( xi )
i i
48
24
Esperanza Matemática
El valor esperado al valor probable que podemos obtener al
repetir cierto evento.
• Se define esperanza o media de una variable aleatoria
discreta X y se representa por E[X] al Valor
49
E X xi P( X xi ) xi p( xi )
i i
25
Esperanza matemática de una
función de probabilidad discreta
Calcular la esperanza de la variable
aleatoria X en el ejemplo de los dos dados:
12
E ( X ) P(i ) i
i 2
1 2 6 1
2 3 ... 7 ... 12 7
36 36 36 36
51
Esperanza Matemática
– P(Ganar) = 1/37
– P(Perder)= 1- 1/37 = 36/37
– Valor a Ganar = $35,000
– Valor a Perder = $1,000
• Esperanza de Ganancia:
E(G) = P(ganar)*Valor Ganar + P(perder)*Valor Perder
E(G) = 1/37 x $35,000 + 36/37 x - $1,000
E(ganancia) = $946 - $973 = - $27
• Si jugamos a la ruleta, apostando toda la noche a
un número $1,000; la esperanza que tenemos es
de perder “en promedio” $27 cada vez. 52
26
Sean a, b y c constantes. Demuestra que:
(1) E (c ) c
(2) E ( P1 ( x) P2 ( x)) E ( P1 ( x)) E ( P2 ( x))
(3) E (aX b) aE ( X ) b
(1) Ec 1 c c
(2) E P1 ( x) P2 ( x) xi P1 ( X xi ) P2 ( X xi )
i
x P ( X x ) x P ( X x ) E P ( x) E P ( x)
i
i 1 i
i
i 2 i 1 2
53
2 2
σ = E(X) = Σ[(X - µ) *P(X)]
54
27
Varianza y desviación estándar o típica
de una función de probabilidad discreta
Varianza
2 Var( X ) M2 E((X )2 )
i P(X xi )
(
i
x )2
Desviación estándar
o típica Var ( X )
Ambas miden la “dispersión de los datos”. Observa que la
desviación típica lo hace con las mismas unidades que los
propios datos. 55
Ejemplo
X ( X ) ( X ) P( X )
2 2
X P(X)
-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
2 ( xi ) 2 P ( xi ) 1,2
i
Var ( X ) 1.10
56
28
Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
12
Var ( X ) P(i) (i 7) 2
i 2
1 2 1
(2 7) 2 (3 7) 2 ... (12 7) 2 5,83
36 36 36
Var ( X ) 5,83 2,41
57
Var ( X ) 2
(x
i
i ) 2 p ( xi )
(x 2 2 xi ) p ( xi )
2
i
i
x p ( xi ) 2 2 xi p ( xi )
2
i
i i
E ( X 2 ) 2 2 2 E ( X 2 ) ( E ( X )) 2
2 E( X 2 ) ( E( X ))2
58
29
Esperanza matemática o media
μ x j p( x j ) (Distribución discreta)
j
μ xp( x)dx (Distribución continua)
59
30
Ejemplo
Una persona vende autos nuevos para una empresa. Generalmente
negocia el mayor numero de autos los sábados. Ha establecido la
siguiente distribución de probabilidad para el numero de autos que
espera vender en un sábado en particular.
Ejemplo (continuación)
31
Ejemplo (continuación)
NÚMEROS DE AUTOS VENDIDOS PROBABILIDAD (PX) X.P(X)
X
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 E(X) =2.10
Desigualdad de Tchebychev
64
32
Supongamos que tenemos que hacer unos análisis clínicos
de sangre. Queremos detectar una enfermedad que afecta a
1 de cada 100 personas. Los pacientes acuden en grupos de
50. ¿Qué nos sale económicamente más a cuenta: analizar
paciente a paciente o mezclar la sangre de los 50 y analizar
la mezcla?
50
99 99
P (1 persona sana) ; P (50 personas sanas)
100 100
50
99
P (Al menos una persona de 50 enferma) 1 -
100
99
50
99 50
# esperado de análisis 1 1 - 21
100
51
100
Tomando la mezcla, en promedio tendremos que hacer
unos 21 análisis en vez de 50 por grupo. 65
Juegos
A un juego de azar podemos asignarle una variable
aleatoria X, cuyos valores son las ganancias
correspondientes a los posibles resultados. La esperanza
matemática de la variable aleatoria X representa el
beneficio medio o ganancia media que se obtiene en cada
jugada cuando se juega un número elevado de veces.
33
Juegos
Sea el juego que consiste en sacar una bola de
una urna que contiene 7 bolas rojas y 3 bolas
negras. Ganamos 50 Bolivianos si la bola
extraída es roja y pagamos 150 Bolivianos en el
caso de que sea negra. ¿Qué podemos esperar
si jugamos muchas veces?
Variable aleatoria X Función de probabilidad
R 50 0,7
N -150 0,3
67
N -150 0,3
Ganancia media
68
34
Una compañía de seguros domésticos tiene que determinar
el gasto medio por póliza suscrita, sabiendo que cada año 1
de cada 10 000 pólizas termina en un reclamo de 20
millones, 1 de cada 1 000 en 5 millones 1 de cada 50 en
200.000 y el resto en 0.
1 1
2 107 5 10
6
10000 1000
1 9789
2 105 0 9200
50 10000
69
ET ( X ) T ( xi ) p( xi )
i
Tomando como casos particulares a las funciones:
T ( X ) X k ; k 1, 2, 3, ...
obtenemos los momentos de orden k centrados en el origen:
mk E ( X k ) xik p ( xi )
i
70
35
Y tomando como casos particulares a las funciones:
T ( X ) ( X ) k ; k 1, 2, 3, ...
obtenemos los momentos de orden k centrados en
la media de X:
M k E (( X ) k ) ( x ) k p ( xi )
i
Observa que:
m1 E ( X )
M1 E( X ) E( X ) 0
71
1
1 ba
si a x b
p ( x ) U ( a , b) b a p (x )
0 en otro caso
Área = 1
Recordemos que la función de
distribución se define como:
x a x b
F ( x) p(t )dt
x
Entonces:
0 xa
x a
F ( x) a xb
b a
1 xb 72
36
Igualmente, partiendo de la función de distribución:
0 xa
x a
F ( x) a xb
b a
1 xb
dF ( x) 1 si a x b
p( x) p( x) b a
dx
0 en otro caso
73
Ejemplo: 1
47 41 para 41 x 47
p( x)
0 para el resto de valores
45 42 1
p (x )
47 41 2
Calcula la 1 1
probabilidad
47 41 6
Area
P(42 x 45) = 0.5
41 45 42 47 x
x1 x2 45 42 1
P(x1 x x2 ) P(42 x 45)
ba 47 41 2
74
37
Calcula la media, la varianza y la desviación típica de
la distribución de probabilidad uniforme.
b
x
b
x2 b2 a2 a b
μ dx
a
b a 2(b a ) a 2(b a ) 2
b 2
ab 1 (b a) ba 2
σ x
2
dx ; σ
a
2 ba 12 12
1 1
(2=1/12) (2=3/4)
p(x) p(x)
0 x 1 -1 0 1 2 x
Nota: Observa que estas distribuciones tienen la misma media pero distinta
varianza. Mayor varianza implica mayor dispersión alrededor de la media.
75
E ( X k ) x j p( x j ) Momentos de orden k
k
E (( X μ) k ) ( x j - μ) k p( x j )
j
E (T ( X )) T ( x) p ( x)dx (Distribución continua)
E( X k ) x
k
p( x)dx Observa que para k = 2:
2 = E((X - )2)
E (( X μ) k ) ( x μ) k p( x)dx 76
38
Otras valores típicos o medidas del valor central son:
x( N 1) / 2 si N es impar
mediana xmed Discr.
1 / 2( x N / 2 x( N 1) / 2 ) si N es par
x
F ( x) p(t )dt
77
Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetría de la distribución.
Asimetría (skewness)
39
79
k ( 7 2 x ) 0 x3
f ( x)
0 otro caso
80
40
81
82
41
83
Muchas Gracias
Estoy listo
para la
prueba
84
42