SESION 15

Las variables aleatorias

Son un concepto fundamental en la teoría de la probabilidad y la estadística. Representan
cantidades o características que pueden tomar diferentes valores en un experimento o
proceso, y cuyos valores están sujetos a la aleatorización o incertidumbre.
Las variables aleatorias se utilizan para modelar y analizar fenómenos que involucran
elementos aleatorios, como lanzar un dado, medir la temperatura diaria, o el rendimiento
de una inversión financiera.
Existen dos tipos principales de variables aleatorias:
1. Variables aleatorias discretas: Estas variables toman un conjunto contable o numerable
de valores posibles. Por ejemplo, el resultado de lanzar un dado es una variable aleatoria
discreta que puede tomar valores entre 1 y 6. Se expresa mediante una función de masa de
probabilidad, que asigna una probabilidad a cada valor posible.
2. Variable aleatoria continua
Es un concepto fundamental en la teoría de la probabilidad y la estadística. Representa una
cantidad o característica que puede tomar un conjunto infinito no numerable de valores
posibles dentro de un rango continuo. A diferencia de las variables aleatorias discretas, que
solo pueden tomar valores específicos, las variables aleatorias continuas pueden tomar
cualquier valor dentro de su dominio con una probabilidad no nula. Estas variables se
utilizan para modelar eventos o fenómenos que pueden variar de manera continua, como
medidas precisas, tiempos y cantidades. Algunas características clave de las variables
aleatorias continuas incluyen:
1. **Dominio Continuo**: El conjunto de valores posibles de una variable aleatoria continua
es un intervalo o conjunto de números reales. Por ejemplo, la altura de las personas en
centímetros, el tiempo de llegada de un evento, o el precio de una acción en un mercado
financiero.
2. La "Función de Densidad de Probabilidad"
(FDP) por sus siglas en inglés, es un concepto fundamental en la teoría de la probabilidad y
se utiliza principalmente en el contexto de variables aleatorias continuas. Esta función
describe cómo se distribuyen las probabilidades a lo largo del rango de valores posibles de
una variable aleatoria continua. La FDP de una variable aleatoria continua f(x) cumple con
las siguientes propiedades: 1. La FDP es siempre no negativa: Para todos los valores de x en
el rango de la variable aleatoria, f(x) ≥ 0.
2. La integral de la FDP ES 1

Distribución de Probabilidad.
Una distribución de probabilidad es una descripción matemática de todas las posibles
complicaciones asociadas con los resultados de un experimento o fenómeno aleatorio.

En otras palabras, represente cómo se distribuyen las probabilidades entre los diferentes
valores posibles que pueden tomar una variable aleatoriamente. Las distribuciones de
probabilidad son fundamentales en la teoría de la probabilidad y la estadística y se utilizan
para modelar y comprender la incertidumbre en una amplia variedad de aplicaciones.

Aquí hay algunos aspectos clave para entender qué es una distribución de probabilidad: 1.
**Variable aleatoria**: Una distribución de probabilidad se aplica a una variable aleatoria,
que es una función matemática que asigna un valor numérico a cada resultado posible de
un Experimento o proceso aleatorio. Esta variable puede ser discreta (tomando valores
contables, como números enteros) o continua (tomando valores en un rango continuo
Sea X una VA.D, y suponga que sus valores posibles son x1,x2,x3,…,xn, dispuestos en algún
orden.
También suponga, que toma éstos valores, con las probabilidades dadas por:
P(X=xi)= f(xi) para i=1,2,3,…..,n
Es conveniente introducir la función de probabilidad, conocida también cómo distribución
de probabilidades, dada por

P(X=x)=f(x)
Para x=xi, f(x)es una función de probabilidad si:
1.- f(x)>=0
2.-∑ f (x )=1

Ejemplo
Una moneda se lanza dos veces, SEA x EL NÚMERO DE CARAS QUE SE OBTIENE.
Espacio muestral es
S={(cc),(cs),(sc), (ss)}
Evento
E= Número de caras
Xi=0,1 ,2
Para hallar la función de probabilidades
Punto muestral CC CS SC SS
X 2 1 1 0

Encuentre la función de probabilidad:

1. P(C,C)=1/4 P(C,S)=1/4 P(S,C)=1/4 P(S,S)=1/4
P(X=0)=P(S,S)=1/4
P(X=1)=P(C,S)+P(S,C)= ¼+1/4=1/2
P(X=2)=P(C,C)=1/4
Por tanto, la función de probabilidad es:
X 0 1 2
f(X) 1/4 1/2 1/4

Representar la distribución de probabilidades, mediante un gráfico (para realizar por el alumno)

FUNCIONES DE DISTRIBUCIÓN DE VARIABLES ALEATORIAS
La función de distribución acumulada, o brevemente función de distribución, de una variable
aleatoria X, se define cómo:
F(X)=P(X<=x)
Dónde x es cualquier número real, es decir -∞<x<∞
La función de distribución de F(X), tiene las siguientes propiedades:
1.- F(X) no es decreciente (es decir , F(X)<=F(Y) si X<=Y)

lim F ( X )=0 ; lim F ( X )=1

2.- x→−∞ x→ ∞

3.-F(X) es continua por la derecha [es decir hlim F ( X + h )=F (X )

→−0

FUNCIONES DE DISTRIBUCION DE VARIABLES ALEATORIAS DISCRETAS

La función de distribución de una variable aleatoria X, puede obtenerse de su función de
probabilidad, observando que, para toda x en (−∞ , ∞ ¿

F(X)=P(X=x)= ∑ f (u)
u<=x
dónde se suma sobre todos los valores u tomados por X para los que u<=x

Si X sólo toma un número finito de valores x1,x2,x3, ,xn, entonces la función de distribución está
dada por

0 −∞ < X< X 1
f(X1) x1<=x<x2
F(X)= f(x1)+f(x2) x2<=x<x3
.
.
f(x1)+f(x2)+…..+f(xn) xn<=x<∞

Ejemplo
Encuentre la función de distribución del experimento lanzar 2 monedas a la vez, y sea x la V.A.X, X:
número de caras
0 x <0
¼ 0<=x<1
F(X)= ¾ 1<=x<x2
1 x2<=x<∞
Sea el experimento aleatorio lanzar una moneda 3 veces.
El evento: número de caras, hallar
a) Función de probabilidades
b) Función de distribución (Fx: Acumulado)
c) Graficar
Desarrollo
Punto CCC CCS CSC CSS SCC SCS SSC SSS
muestral
X 3 2 2 1 2 1 1 0

Hallando la función de probabilidades

f(x=0)=1/8
f(x=1)=3/8
f(x=2)=3/8
f(x=3)=1/8
FUNCION DE PROBABILIDADES
X 0 1 2 3
f(X) 1/8 3/8 3/8 1/8
 0

1/8
8

1/2

7/8

Variables aleatorias continúas.

Se dice que una variable aleatoria no discreta X es absolutamente continua o simplemente
continua, si su función de distribución puede representarse cómo:
x
F(X)=P(X=x)= ∫ f ( u ) du (−∞ < x <∞ )
−∞
Donde la función f(x) tiene las propiedades
1.- f(x)>=0
∞
2.- ∫ f ( x ) dx =1
−∞

De lo anterior
b
P(a<=x<=b)= ∫ f ( x ) dx
a

Ejemplo
a) Encuentre una constante c tal que la función:

cx2 0<x<3
f(x)= 0 cc

sea una función de densidad y b) calcule P(1<x<2)

a) hallar c
∞ 3

∫ f ( x ) dx=∫ c x 2 dx=1
−∞ 0

3
cx 1
ℶ 0 , 3=1→ 9 c=1 c=
3 9
b)P(1<x<2)

(1/9) x2 0<x<3
f(x)= 0 cc

P(1<x<2) = ∫ (1/9)x 2dx=(1/27)x3, evaluado entre 2 y 1

1
(8/27)-(1/27)=7/27

Encuentre, la función de distribución de la variable aleatoria

x

F(x) =P(X≤x)= ∫ f ( u ) du
−∞
Si x<0, entonces F(x)=0.
3
x
Si 0≤x<3, entonces
27

x x

()
3
1 2 x
F(x)= ∫ f ( u ) du=∫ u du=
0 0 9 27

x>=3

3 x 3 3
x
F(x) =∫ f (u)du +∫ f (u)du= ∫ (1/9)u 2 du =
0 3 0 27

0 x<0
3
x
F(x) 0 ≤ x< 3
27
1 x>=3

Hallar la P(1<x<=2)
P(X<=2)-P(X<=1)
F(2)-F(1)
3 3
2 1 7
− =
27 27 27

dF (x)
=f (x)
dx
Esperanza y varianza matemática.
Un concepto muy importante en probabilidad y estadística es el de la esperanza matemática, valor
esperado o, simplemente, esperanza de una variable aleatoria. Dada una variable aleatoria discreta
X cuyos posibles valores son x1, x2, …,xn, la esperanza de X se define:

E(X)=x1P(X=x1)+x2P(X=x2)+…+xnP(X=xn)

Esperanza matemática

Esperanza matemática

V.a.d
E(x)=x1p(x1)+x2p(x2)+………,+XNP(XN)

V.a.c

E(x)= ∫ xf ( x ) dx
−∞
Ejercicio
Suponga que se va efectuar un juego con un solo dado, en éste juego, el jugador
gana 20 dólares, si obtiene 2, 40 dólares si obtiene 4, y pierde 30 dólares si ob-
tiene un 6, si obtiene cualquier otro número ni gana ni pierde. Encuentre la
suma esperada de dinero que puede ganar.

E(X)=(0)(1/6)+(20)(1/6)+(0)(1/6)+(-30)(1/6)=5

Xi 0 +20 0 +40 0 -30

f(xi) 1/6 1/6 1/6 1/6 1/6 1/6

Se concluye que el jugador puede esperar ganar 5 dólares, o empezar el juego

con 5 dólares.
Ejercicio
La función de densidad de una variable aleatoria X, está dada por:

(½)x 0<x<2
f(x)=
0 si no es así

Hallar la esperanza matemática de la función

∞ 2 2
E(X)= ∫ xf ( x ) dx = ∫ x
−∞ 0
()
1
2
x2
xdx =∫ x2dx = x3/6 evaluado en 2 y 0¿
0 4
4
3

Teoremas sobre la esperanza matemática

Si c es una constante cualquiera entonces
E(cx)= cE(x)
Si X e Y son variables aleatorias de cualquier tipo
E(X+Y)=E(X)+E(Y)
Si X e Y son variables aleatorias independientes, entonces
E(XY)=E(X)E(Y)

La varianza y desviación standard

Var(X)=E[(X- µ)2]

Sea x variable aleatoria discreta

n
Ơ x= E[(X- µ) ]=∑ ( xi−µ )2f(xi)
2 2

j=1

Sea X variable aleatoria continua

∞
2 2
Ơ x= E[(X- µ) ]= ∫ ( xi−µ ) 2f(x)dx
−∞

La varianza ( o la desviación estándar) es una medida de la dispersión o variación de los va-

lores de la variable aleatoria alrededor de la media µ . Si los valores tienden a concentrarse
cerca de la media, la varianza es pequeña, mientras que si tienden a distribuirse alejados de
la media, la varianza es grande.
Ejemplo dos distribuciones continuas que tienen la misma media

Varianza
pepequeña
Ejercicios
1.- Una lotería ofrece 200 premios de 5 dólares, 20 premios de 25 dólares, y 5
premios de 100 dólares, suponiendo que se van a vender 10,000 boletos. Cuál es
el precio justo que se debe pagar por uno de ellos?

2.- Encontrar la esperanza de la suma de puntos que se obtienen al lanzar un

par de dados.

3.- Encontrar la la esperanza de una variable aleatoria discreta X cuya función

de probabilidad está dada por:

1
f(x)=( ¿x (x= 1,2,3,…)
2

4.- Una variable aleatoria continua X tiene la densidad de probabilidad dado

por:

2e-2x x>0
f(x)=
0 x≤0

5.- Encontrar a) la varianza, b) la desviación standar de la suma de los puntos al

lanzar un par de dados.