VARIABLES ALEATORIAS
Variables aleatorias
Una variable aleatoria es una función que
asocia un número real y sólo uno, a cada
suceso elemental del espacio muestral Ω de un
experimento aleatorio.
R de
j u n to x res
l c on s valo
E s lo u na
o
tod bles d e se
i to r i a
pos a l e a
r r i do
e
abl a reco
v a r i e la
i n d
e n om c ión oria
d la at
p ob a l e
o b le
i a
var
Clasificación de Variables aleatorias
Variables aleatorias
DISCRETAS, si Rx es un
conjunto finito o infinito
numerable
Conforme a Rx, el
recorrido, las
variables aleatorias
se clasifican en:
Variables aleatorias
CONTINUAS, si Rx es un
conjunto infinito NO
numerable
Variables aleatorias discretas
Una vez definida una variable aleatoria discreta X, es
posible definir otra función que indica la
probabilidad de cada valor posible.
Se denomina Función
de Probabilidad
La función debe cumplir:
Gráficamente
Variables aleatorias discretas
Experimento: “Lanzar una moneda al aire tres
veces”
Ω = {CCC, CXX, XCX, XXC, CCX, CXC, XCC, XXX}
Se define la variable X: “Cantidad de caras
obtenidas”
¿Qué valores puede adoptar la variable
aleatoria X?
¿Qué probabilidades tienen estos valores?
Variables aleatorias discretas
Función de Distribución de
X Probabilidad
XXX
CXX Valores Probabilidad
XCX • 0 p(0)=P(X=0)=1/8
XXC
• 1 p(1)=P(X=1)=3/8
CCX
• 2 p(2)=P(X=2)=3/8
CXC
• 3 p(3)=P(X=3)=1/8
XCC
CCC
Comportamiento de la
Variable Aleatoria
0 1 2 3
Variables aleatorias discretas
Función de Distribución Acumulada
Gráficamente resulta en la función escalera:
Variables aleatorias discretas
F(xi) representa la probabilidad de
encontrar un valor menor o igual que xi
F(xi) = P( X ≤ xi)
Variables aleatorias Continuas
LA FUNCIÓN ES POSITIVA
EL ÁREA ENCERRADA BAJO LA CURVA ES
IGUAL A 1
Variables aleatorias continuas
Ejemplo:
X ~ U [a, b]
DISTRIBUCIÓN
UNIFORME
Función de
Densidad de
Probabilidad
Variables aleatorias continuas
Función de densidad acumulada:
Variables aleatorias continuas
Ejemplo:
X ~ U [a, b]
Función Distribución de
Probabilidad o DENSIDAD
ACUMULADA
¿Cómo se calcula probabilidad en
variables aleatorias continuas?
Siempre por intervalos de números
Por ejemplo si se quiere:
La probabilidad de que X tome
valores en [a,b] es igual a la
diferencia entre las probabilidades
acumuladas en los extremos del
intervalo.
Esperanza
VALOR ESPERADO O ESPERANZA
MEDIA POBLACIONAL PARA
VARIABLE ALEATORIA DISCRETA
μ
E(X) es un valor fijo que depende de la
distribución de probabilidad de X.
Está medida en las mismas unidades que X.
Esperanza
VALOR ESPERADO O ESPERANZA
MEDIA POBLACIONAL
VARIABLE ALEATORIA CONTINUA
μ
E(X) es un valor fijo que depende de f(X) la
función de densidad de probabilidad de X.
Está medida en las mismas unidades que X.
Propiedades de Esperanza
• Si C es una constante, entonces E(C) = C.
• Linealidad: E ( aX + b) = a E(X) + b, ∀a, b ∈ ℜ
• Si g(X) es una función de X, entonces:
• Si g(X), h(X) son funciones de X, entonces
E[g(X)+h(X)]=E[g(X)]+E[h(X)]
Varianza
Para VARIABLE ALEATORIA DISCRETA
La raíz cuadrada positiva de la varianza se
llama desviación típica y se denota con σ.
2
σ Tanto la varianza como la desviación típica
miden la dispersión de la variable aleatoria
respecto a su media.
Varianza
Para VARIABLE ALEATORIA CONTINUA
La raíz cuadrada positiva de la varianza se
llama desviación típica y se denota con σ.
2
σ Tanto la varianza como la desviación típica
miden la dispersión de la variable aleatoria
respecto a su media.
Propiedades de la Varianza
• Si C es una constante, V(C)=0
• V(X) = E(X2) - E2(X)
• Si a y b son constantes: V(aX+b) = a2 V(X)
• Si X e Y son independientes,
V(X ± Y) = V(X) + V(Y)
Distribución de probabilidad
de la variable X
x p(x)
1 0.05
2 0.075
3 0.2
4 0.375
5 0.15
6 0.1
7 0.05
μX= E(X)=∑x.p(x)=?
σ2X= V(X)=∑(x-μ)2.p(x)=?
¿Qué puede decir de la distribución de las
Variables aleatorias X e Y?
x p(x) y p(y)
1 0.05 1 0.2
2 0.075 2 0.15
3 0.2 3 0.1
4 0.375 4 0.15
5 0.15 5 0.05
6 0.1 6 0.1
7 0.05 7 0.25
¿Qué puede decir de la distribución de las
Variables aleatorias X e Y?
Distribuciones de probabilidad de las variables X e Y
μX= E(X)=∑x.p(x) = 4 μY= E(Y)=∑y.p(y)= 4
σ2X= V(X)=∑(x-μ)2.p(x)= 1.95 σ2Y= V(Y)=∑(y-μ)2.p(y)= 5.20
Medidas de un modelo- Poblacionales
▪ MEDIA :
▪ VARIANZA:
