Bioestadı́stica Fundamental

Variables Aleatorias

Prof. Fernando P. Ramı́rez

Universidad Nacional de Colombia

1 / 40
Definición de Variable Aleatoria

Podemos pensar en Variables Aleatorias (VA) como valores

numéricos que son asociados a todos los posibles resultados
de um experimento aleatorio.

Ejemplo 1
Experimento aleatorio:
lanzamiento de dos monedas
equilibradas
Y : número de sellos obtenidos

2 / 40
Definición de Variable Aleatoria

3 / 40
Definición de Variable Aleatoria

Definición 1:
Una VA es una función X que asocia un número real X (ω) a cada posible
resultado de un experimento aleatorio:

X : Ω −→ R
ω 7−→ X (ω).
4 / 40
Distribución de probabilidad

Observación:
Podemos clasificar las variables aleatorias en dos tipos:
1 Variables aleatorias discretas (cuando asume valores en conjuntos finitos
o numerables);
2 Variables aleatorias continuas (cuando asume valores en conjuntos
continuos).

5 / 40
Variable aleatoria discreta

Ejemplos de Variables Aleatorias Discretas son:

Número de bacterias presentes en muestras de material
biológico.
Número de lanzamientos de una moneda hasta la obtención
de la primera cara,
Número de clientes que llegan en una determinada fila en una
hora.

6 / 40
Variable aleatoria discreta

Definición 2:
Decimos que X es una variable aleatoria discreta cuando el número de posibles
valores de X es un conjunto finito o infinito numerable. O sea, los posibles
valores de X pueden ser representados como:

{x1 , x2 , x3 , . . . xn } ,

o bien
{x1 , x2 , x3 , . . .} .

7 / 40
Variable aleatoria discreta

Definición 3:
Sea X una variable aleatoria discreta tomando valores en {x1 , x2 , x3 , . . .}.
La función de masa de probabilidad pX (x) de X representa la
probabilidad de que X tome el valor de x, como función de x. Es decir

pX (x) = P(X = x).

Los valores p(xi ), i = 1, 2, . . . deben satisfacer las siguientes condiciones:

pX (xi ) > 0 para todo i,
P∞
i=1 pX (xi ) = 1.

Nota 1: Con frecuencia la función de masa de probabilidad es llamada

solamente como función de probabilidad.
Nota 2: La anterior definición es también válida para VA discretas
asumiendo valores en un conjunto finito, apenas reemplazando ∞ por n.

8 / 40
Variable aleatoria discreta

Adicional a su forma funcional explı́cita, también podemos represen-

tar la función de probabilidad a través de una tabla que asocia cada
valor de la variable aleatoria discreta X con su probabilidad, o bien
representando por una función por partes:

X pX (x)

x1 pX (x1 ) 


pX (x1 ), si x = x1 ,
x2 pX (x2 )



pX (x2 ), si x = x2 ,

pX (x3 ),
 si x = x3 ,
x3 pX (x3 ) pX (x) = . ..
.. .. 
.. .
. .





pX (xn ), si x = xn ,
xn pX (xn ) 

0, en otro caso.

9 / 40
Variable aleatoria discreta

. . . volvamos al Ejemplo 1:

Defina la variable aleatoria X = “número de sellos obtenidas en los

dos lanzamientos” y construya la función de probabilidad de X .

Ejemplo 2:

Una urna contiene dos bolas blancas (B) y tres rojas (R). Suponga
que son sorteadas dos bolas al azar, sin reposición. Sea la variable
aleatoria X = “Número de bolas rojas obtenidas en las dos
extracciones”. Construya la función de probabilidad de X .

10 / 40
Variable aleatoria discreta

Esperanza y varianza de una VA discreta:

Sea X una variable aleatoria discreta asumiendo valores en x1 , . . . , xn , entonces
la esperanza, media o valor esperado de X , denotada por E (X ), es definida por
n
X n
X
E (X ) = xi P(X = xi ) = xi pX (xi ).
i=1 i=1

La varianza de X es definida como Var (X ) = E [X − E (X )]2 o,

alternativamente, Var (X ) = E (X 2 ) − [E (X )]2 . En el caso discreto tenemos
n
" n #2
X X
Var (X ) = xi2 pX (xi ) − xi pX (xi ) .
i=1 i=1

11 / 40
Variable aleatoria discreta
Ejemplo 3:
Determine E (X ) y Var (X ), en que X es el número obtenido en la cara superior
al lanzar un dado equilibrado.

Cómo hacer en R
#Defina un vector con los valores de la variable
X<-1:6
#Defina un vector con sus probabilidades
pX<-rep(1/6,6)
#Calcule E(X)
EX=sum(X*pX)
#para varianza calcule primero E(X^2)
EX2=sum(X^2*pX)
#calcule la varianza
VarX=EX2-EX^2

Ejercicios:
1) Determine E (X ) y Var (X ) para el Ejemplo 1.
2) Determine E (X ) y Var (X ) para el Ejemplo 2.
12 / 40
Propiedades de la esperanza y la varianza
Propiedades de la esperanza
Sean X y Y variables aleatorias y c una constante, entonces
1 E (c) = c;

2 E ( X + c) = E (X ) + c;

3 E (c X ) = cE (X );

4 E (X + Y ) = E (X ) + E (Y );

5 E (X − Y ) = E (X ) − E (Y ).

Propiedades de la varianza
Sea X una variable aleatoria y c una constante, entonces
1 Var (c) = 0;

2 var ( X + c) = Var (X );

3 var ( X − c) = Var (X );

4 Var (c X ) = c 2 Var (X );
13 / 40
Función distribución acumulada

Definición
Sea X : Ω → R una variable aleatoria discreta. La función de
distribución acumulada de X , denotada por Fx (x) , es
X
FX (x) = P(X ≤ x) = pX (xi )
xi ≤x

y tiene las siguientes propiedades

1 x ≤ y ⇒ Fx (x) ≤ Fx (y ), es decir, Fx es monótona no
decreciente.
2 lim Fx (xn ) = 0 y lim Fx (xn ) = 1. (Frecuentemente
xn →−∞ xn →+∞
escribimos eso como Fx (−∞) = 0 y Fx (+∞) = 1).

14 / 40
Función de distribución acumulada
Ejemplo
Si X es una variable aleatoria que representa la cara superior en un
lanzamiento de um dado equilibrado. Encontremos la función de
distribución acumulada FX (x)

x pX (x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6



 0 si x < 1,




 1/6 si 1 ≤ x < 2,
2 ≤ x < 3,

1/3 si


FX (x) = 1/2 si 3 ≤ x < 4,

2/3 si 4 ≤ x < 5,




5/6


 si 5 ≤ x < 6,
x ≥ 6.

1 si
15 / 40
Función de distribución acumulada

Ejercicio
1) Determine FX (x) para el Ejemplo 1.
2) Determine FX (x) para el Ejemplo 2.

16 / 40
Función de distribución acumulada

Recordemos el Ejemplo 1. . .
Si X es una variable aleatoria que cuenta el número de caras
obtenidas en el lanzamiento de dos monedas:

x pX (x)
0 1/4
1 1/2
2 1/4


 0 si x < 0,
1

si 0 ≤ x < 1,
FX (x) = 4
3
 si 1 ≤ x < 2,
4


1 si x ≥ 2.

17 / 40
Función de distribución acumulada
Recordemos el Ejemplo 2. . .
Si X es una variable aleatoria que cuenta el número de de bolas
rojas obtenidas en dos retiradas, sin reposición, de una urna con
dos bolas blancas y tres rojas:

x pX (x)
0 1/10
1 3/5
2 3/10


 0 si x < 0,
1

10
si 0 ≤ x < 1,
FX (x) = 7
 si 1 ≤ x < 2,
 10

1 si x ≥ 2.


18 / 40
Función de distribución acumulada
Ejercicio
Sea X una variable aleatoria cuya función de distribución
acumulada está dada por



 0 si x < −2,
 1 si − 2 ≤ x < 1 ,

FX (x) = 47 1
√2
 7 si 2 ≤ x < 2,
1 si x ≥ √2.




a Encuentre la función de probabilidad de X .

b Calcule P(X = −2)
c Calcule P(1 < X < 2)
d calcule P(X = 3)
e Calcule la esperanza de X
19 / 40
Función de distribución acumulada



 0 si x < −2,
1
 si − 2 ≤ x < 21 ,
FX (x) = 7
4
√
si 12 ≤ x < 2,
√

7


1 si x ≥ 2.

x pX (x)
-2 1/7
1/2
√ 3/7
2 3/7

P(X = −2) = 1/7

P(1 < X < 2) = 3/7
P(X = 3) = 0
√
E (X ) = −2(1/7) + (1/2)(3/7) + 2(3/7) = 0.534663
20 / 40
Función de distribución acumulada

Ejercicio
Sea X una variable aleatoria cuya función de probabilidad es dada
por 
5
 9 si x = −1,

pX (x) = 49 si x = 32 ,

0 caso contrario.


a Encuentre la función de distribución acumulada de X .

b Calcule P(X = −2)
c Calcule P(1 < X < 2)
d Calcule la varianza de X .

21 / 40
Función de distribución acumulada

x pX (x)
-1 5/9
3/2 4/9

0
 si x < −1,
5
FX (x) = si − 1 ≤ x < 32 ,
9
1 si x ≥ 32 .


P(X = −2) = 0
P(1 < X < 2) = 4/9
Var(X ) = (−1)2 (5/9) + (3/2)2 (4/9) − [(−1)(5/9) + (3/2)(4/9)]2 = 1.54321
 

22 / 40
Variable aleatoria continua
Definición 6:
Decimos que X es una variable aleatoria continua cuando el número de posibles
valores de X es un intervalo (o colección de intervalos) del conjunto de los
números reales.

Definición 7:
Sea X una variable aleatoria continua asumiendo valores en Ωx en los reales.
Podemos obtener la probabilidad de X ∈ (a, b) de la siguiente forma:
Z b
P(a < X < b) = fX (x)dx,
a
R∞
en que fX (x) > 0, ∀x ∈ R y f (x)dx, =
−∞ X
1.
La función fX (·) definida anteriormente es denominada función de densidad
de probabilidad.

Ra
Significado de la integral a fX (d)dx
Ra
La integral a fX (x)dx calcula el área abajo de la curva definida por la función
fX (x) desde el punto a hasta el punto b.
23 / 40
Variable aleatoria continua

El punto importante es que fX (x) es usada para calcular un área

que representa la probabilidad de X asumir valores entre [a, b].

24 / 40
Variable aleatoria continua

Definición
La función de distribución acumulada de una variable aleatoria continua
X es definida como
Z x
FX (x) = P(X ≤ x) = f (t)dt
−∞

Observe que la función de distribución acumulada preserva las propriedades

del caso discreto:
1 x ≤ y ⇒ Fx (x) ≤ Fx (y ), o sea, Fx es monótona no decreciente.
2 lim Fx (xn ) = 0 y lim Fx (xn ) = 1. (Frecuentemente
xn →−∞ xn →+∞
escribimos eso como Fx (−∞) = 0 y Fx (+∞) = 1).

25 / 40
Variable aleatoria continua

Ejemplo
Sea la variable aleatoria continua X el tamaño en centı́metros (cm)
del sépalo de Iris virginica [4.9 cm ; 5.1 cm] y considere que la
función de densidad de probabilidad de X sea fX (x) = 5 para
4.9 ≤ X ≤ 5.1.
a) Verifique que fX (x) es en realidad una función de densidad
de probabilidad
b) Cuál es la probabilidad de una medida de um sépalo ser menor
que 5 cm?
c) Cuál es la probabilidad de una medida de longitud de sépalo
ser menor que 5.1 cm y mayor a 4.95?
d) Cuál es la probabilidad de una medida de sépalo ser menor o
igual que 5.1 cm y mayor a 4.95?

26 / 40
Variable aleatoria continua

fX (x) = 5 si 4.9 ≤ x ≤ 5.1

R 5.1
a) 4.9 5dx=5(0.2)=1

27 / 40
Variable aleatoria continua

fX (x) = 5 si 4.9 ≤ x ≤ 5.1

R 5.1
a) 5dx=5(0.2)=1
4.9
R 5.0
b) P(X < 5) 4.9 5dx = 5(0.1) = 0.5

28 / 40
Variable aleatoria continua

fX (x) = 5 si 4.9 ≤ x ≤ 5.1

R 5.1
a) 5dx=5(0.2)=1
4.9
R 5.0
b) P(X < 5) = 4.9 5dx = 5(0.1) = 0.5
R 5.1
c) P(4.95 < X < 5.1) = P(4.95 < X ≤ 5.1) = 4.95 5dx = 5(0.15) = 0.75
29 / 40
Variable aleatoria continua
Ejemplo
Rayos digitales son usados como clave diagnóstica para la
identificación de embriones humanos entre el dı́a 42 y 44 de
gestación. Sea la variable aleatoria continua X el tamaño de
embriones humanos en que fueron identificados rayos digitales. El
tamaño mı́nimo es de 12.5mm. La mayorı́a de los disturbios
aleatorios en el proceso de medición resulta en medidas mayores.
Datos históricos muestran que la distribución de X puede ser
modelada por una función de densidad de probabilidad dada por
fX (x) = 20e−20(x−12.5) , para x ≥ 12.5
a) Verifique que fX (x) es de hecho una función de densidad
probabilidad
b) Cuál será a proporción de embriones que tendrán medidas
mayores a 12.60mm?
c) Que proporción de embriones tendrán medidas entre 12.5 y
12.6 milı́metros?
30 / 40
Variable aleatoria continua

R∞
a) 12.5 fX (x)dx =1
b) P(X > 12.60) = 1 − P(X ≤ 12.60) = 1 − F (12.6) = e−2
c) P(X ≤ 12.60) = 1 − e−2
31 / 40
Variable aleatoria continua
Cómo hacer en R
#a) Primero defina la función que desea integrar:
f_x<-function(x){
20*exp(-20*(x-12.5))
}
#En seguida integre entre 12.5 e infinito:
integrate(f_x,12.5,Inf)

#b
integrate(f_x,12.6,Inf)
#o alternativamente
1-integrate(f_x,12.5,12.6)$value

#c)integrate(f_x,12.5,12.6)

#Nota: Es posible hacer el grafico de la denisdad como:

curve(f_x,12.5,13,ylab = ’densidad’,
main = ’Curva de densidad’)
32 / 40
Variable aleatoria continua

Observaciones
Algunos ejemplos de variable aleatoria continua: Escoger un
punto aleatorio del intervalo (0, 1), escoger aleatoriamente
una coordenada del cuadrado (0, 1) × (0, 1) o el volumen de
agua en un depósito hı́drico.
Para cualquier variable continua X , su función de distribución
acumulada es continua, lo que implica que la probabilidad de
X asumir cualquier número real a es igual a 0.

33 / 40
Variable aleatoria continua

Para mejor comprender este tipo de variable aleatoria, considere la

probabilidad de escoger un número real entre 0 y 1 considerando
que todos os valores tienen la misma probabilidad de ser escogidos.
Como existe una cantidad infinita no-numerable de números entre 0
y√ 1, la probabilidad de escoger um número especı́fico, por ejemplo,
2
2 , es igual a 0. En este caso, es más útil pensar en la probabilidad
del número escogido estar en determinado intervalo. En general, si
a y b son números reales tales que a < b, tenemos en el caso de la
variable aleatoria continua X que

P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤ b) = P(a < X < b)

Z b
= fX (x)dx
a

34 / 40
Variable aleatoria continua

Esperanza y varianza en el caso continuo

Sea X una variable aleatoria continua asumiendo valores en los
reales, entonces definimos la esperanza de X como
Z +∞
E(X ) = x fX (x)dx.
−∞

La varianza de X es definida como

Var(X ) = E(X 2 ) − E2 (X ),
R +∞
en que E(X 2 ) = −∞ x 2 fX (x)dx.

35 / 40
Variable aleatoria continua
Ejemplo
Sea X una variable aleatoria continua con función de densidad de probabilidad
dada por 1
fX (x) = , 0 ≤ x ≤ 360.
360
Encuentre la esperanza y la varianza de X .

Cómo hacer en R
# definimos la xf(x) para calcular E(X)
xfX<-function(x){
x/360
}
EX=integrate(xfX,0,360)$value
#Ahora calculamos E(x^2):
x2fX<-function(x){
x^2/360
}
EX2=integrate(x2fX,0,360)$value
#calculamos la Varianza
VX=EX2-EX^2
36 / 40
Variable aleatoria continua

Ejemplo
Suponga que el tamaño (en micrómetros) de una partı́cula de
contaminación pueda ser modelado como

fX (x) = 2x −3 , x > 1.

Determine la media de X .

Cómo hacer en R
# definimos la xf(x) para calcular E(X)
xfX<-function(x){
2*x^(-2)
}
EX=integrate(xfX,1,Inf)$value

37 / 40
Variable aleatoria continua
Ejemplo
Una variable aleatoria X continua, tiene función de densidad de probabilidad
dada por

fX (x) = 12 (x 2 − x 3 ), 0≤x ≤1
a) Verifique que fX (x) es de hecho una función de densidad.
b) Calcule la esperanza y la varianza de X .

Cómo hacer en R
# a)
fX<-function(x){
12*(x^2-x^3)
}
integrate(fX,0,1)$value
#b)
xfX<-function(x){
x*12*(x^2-x^3)
}
EX=integrate(xfX,0,1)$value
38 / 40
Variable aleatoria continua

Ejercicio
Sea X una variable aleatoria cuya función de densidad de
probabilidad acumulada es dada por
x
fX (x) = , 0≤x ≤2
2

a Verifique si fX (x) de hecho es función de densidad.

b Calcule P(X = −2)
c Calcule P(1 < X < 2)
d Calcule P(1 < X ≤ 2)
e Calcule E (X )
f Calcule Var (X )

39 / 40
Variable aleatoria continua

Cómo hacer en R

# a)
fX<-function(x){
x/2
}
integrate(fX,0,2)$value

#b) P(X=-2) = 0

#c
integrate(fX,1,2)$value

#d igual al ı́tem anterior

#e
xfX<-function(x){
x^2/2
}
EX=integrate(xfX,0,2)$value

#f
x2fX<-function(x){
x^3/2
}
EX2=integrate(x2fX,0,2)$value
VX=EX2-EX^2

40 / 40