Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3. VARIABLES ALEATORIAS
L
as variables aleatorias se clasifican en discretas y continuas, dependiendo del
número de valores que pueden asumir.
Una variable aleatoria es discreta si sólo puede tomar una cantidad finita o
infinita numerable de valores. Si por el contrario, la variable aleatoria puede tomar
cualquier valor de un conjunto infinito no numerable, entonces la variable es
continua.
Desde luego, el análisis de una variable aleatoria discreta difiere del de una
variable aleatoria continua. Esto se expresa a continuación.
Definición:
Sea X una variable aleatoria discreta, cuyo rango (conjunto de valores posibles) es
el conjunto que denotamos por R X. Se define la función de probabilidad de X
como:
f X : R X → [0,1]
Ejemplo 3.1.1
3.1.1 PROPIEDADES
0 ≤ f X ( x ) ≤1 ∀x ∈ R X
∑f
∀x∈R X
X ( x) = 1
Ejemplo 3.1.1.1
x 1 2 3 4 5 6
fX(x) 1/6 1/6 1/6 1/6 1/6 1/6
Es decir,
P ( 2 ≤ X ≤5) = 4
6
Definición:
Si X es una variable aleatoria continua cuyos valores posibles son todos los
números que pertenecen al conjunto R X, se define la función de densidad de X
como la función:
f X : RX → ℜ
f X ( x ) ≥0 ∀x ∈ R X
2) El área bajo la función es uno.
f X ( x )dx = 1
∫RX
Ejemplo 3.2.1
⎧1 x 1
f X ( x) = ⎪ + ;1 ≤ x ≤ 2
⎨3 2
⎪
⎩ 0 ; en otro caso
2
2 ⎛1 1⎞ ⎡1 2 1 ⎤ 4 1 1
El área bajo la curva es A =
∫1 ⎜⎝3 x + 2 ⎟⎠dx = ⎢⎣6 x + 2 x ⎥⎦1 = 6 + 1 −6 − 2 = 1
A=1
1.5
P (1 ≤ x ≤1.5) =
1.5 ⎛1 x 1 ⎞dx ⎡1 x 2 1 x ⎤ 9 3 1 1 27 16 11
∫ ⎜ + ⎟ =⎢ + ⎥ = + − − = − =
1
⎝3 2⎠ ⎣6 2 ⎦1 24 4 6 2 24 24 24
P (1 ≤ x ≤1.5) = 11
24
Definición:
FX( x0 ) = P (X ≤ x 0)
■ Si X es discreta, F X( x0 ) = ∑ f X (x)
x ≤x 0
x0
■ Si X es continua F X( x0 )= ∫ f X (x) dx , en donde a es el valor más
a
pequeño que podría asumir la variable aleatoria X.
3.3.1 PROPIEDADES
P (a < X ≤ b ) = F X( b ) - F X( a )
Ejemplo 3.3.1.1
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
Resolución:
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
FX(x) 0.2 0.21 0.51 0.8 1
Por lo tanto, P(-1 < X ≤ 1.5 ) = F X(1.5) - F X(-1) = 0.8 – 0.21 = 0.59
Ejemplo 3.3.1.2
La comisión por ventas que una empresa ofrece a sus agentes crece dependiendo
de los rangos de ventas individuales, la tasa de crecimiento es una variable
aleatoria X que tiene función de densidad
⎧ cx ; 0 ≤x ≤1
⎪ 1
f X ( x ) = ⎨ cx + ; 1 <x ≤2
⎪ 2
⎩0 ; en otro caso.
Resolución
La primera condición que debe cumplir la función es ser positiva para todo valor de
x. Para ello, en esta función, basta con que c> 0.
⎧1
⎪4 x ; 0 ≤x ≤1
⎪
⎪
⎪1 1
⎪ x + ; 1 <x ≤2
fX (x) = ⎨4 2
⎪
⎪0 ; en otro caso.
⎪
⎪
⎪
⎩
xy 2
x
Si x < 1, F X(x) = ∫0 4 dy =
8
x
1 ⎡y y⎤
2
1y 1⎞ x ⎛y x2 x 1
Si 1 < x < 2 , F X(x) = dy + ⎜ + ⎟dy = + ⎢ + ⎥ = + +
∫0 4 ∫1 ⎝4 2 ⎠ 8 ⎣8 2 ⎦1 8 2 8
Por lo tanto,
⎧ 0 ; x<0
⎪ 2
⎪ x ; 0 ≤x ≤1
⎪ 8
⎪
⎪ 2
⎪ x x 1
⎪ + + ; 1 <x ≤2
f X (x) = ⎨ 8 2 8
⎪
⎪
⎪ 1 ;x > 2.
⎪
⎪
⎪
⎪
⎩
Con el fin de lograr una mejor descripción de una variable aleatoria es necesario
utilizar características numéricas, las características numéricas de una variable
aleatoria se pueden clasificar en:
F X (~
x ) = 0.5
a. Si X es discreta
E ( X ) = µ=
∑ xf X ( x)
∀x
b. Si X es continua:
∞
E ( X ) = µ=
∫xf
−∞
X ( x ) dx
Ejemplo 3.4.1.1
⎧12 x 2
⎪49 ; 0 ≤ x ≤1
⎪12
f X ( x) = ⎪
⎨ x
3
; 1 ≤ x ≤2
⎪ 49
⎪ 0 ; en otro caso
⎪
⎩
Resolución:
∞ 1 2 1 2
E( X ) = xf X( x ) dx = 12 x 3 dx + 12 x 4 dx = ⎡ 12 x 4 ⎤ + ⎡ 12 x 5 ⎤
∫
−∞
∫
0 49
∫
1 49
⎢ ⎥ ⎢
⎣4( 49) ⎦0 ⎣5( 49) ⎦1
⎥
387
=
245
E ( X ) = µ= 387
245
Ejemplo 3.4.1.2
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
Resolución:
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
FX(x) 0.05 0.18 0.4 0.47 0.8 1.0
La media µ es:
La mediana ~
x es el valor para el cual F X( ~
x )=0.5
Entonces ~
x = 10
Definición:
⎧∑ g ( x ) f X ( x ) si X es discreta
E[ g ( X )] = ⎪
⎨∞
∀x
⎪ g ( x ) f X ( x ) dx si X es continua
⎩∫−∞
Vale la pena mencionar que el valor esperado es un operador lineal; es decir, tiene
las siguientes propiedades:
1) VARIANZA
Definición
Si X es una variable aleatoria, se define su varianza como:
2 2
Var(X)= σ = E[(X-µ) ]
Por tanto, si X es discreta:
Var ( X ) = σ2 = ( x − µ) 2 f X ( x )
∑ ∀x
Si X es continua:
∞
Var ( X ) = σ2 =
∫−∞ ( x − µ) f X ( x)dx
2
2
Pues bien, si se desarrolla el cuadrado de la definición de σ , se obtiene una forma
muchas veces más sencilla de calcular a la varianza.
Var ( X ) = σ2 = E[( x − µ) 2 ] = E ( X 2 ) − µ2
en donde:
⎧∑ x 2 f X ( x ) si X es discreta
E[ X ] = ⎪
2 ∀x
⎨∞ 2
⎪∫ x f X ( x ) dx si X es continua
⎩ −∞
2
y µ es el cuadrado de E(X).
2) DESVIACIÓN ESTÁNDAR
Definición
σ = Var ( x)
3) COEFICIENTE DE VARIACIÓN
Definición
Ejemplo 3.4.2.1
Resolución:
RX= {0,1,.2,3}
x 0 1 2 3
fX(x) 1/8 3/8 3/8 1/8
⎛1 ⎞ ⎛3 ⎞ ⎛3 ⎞ ⎛1 ⎞ 3
E(X)=µ= ∑ xf X ( x ) = 0⎜ ⎟+ 1⎜ ⎟+ 2⎜ ⎟+ 3⎜ ⎟=
∀x ⎝8 ⎠ ⎝8 ⎠ ⎝8 ⎠ ⎝8 ⎠ 2
Entonces;
2
Var ( X ) = E ( x 2 ) − µ2 = x 2 f X ( x ) −⎛3⎞
∑
∀x
⎜ ⎟
⎝2 ⎠
2
⎛1 ⎞ ⎛3 ⎞ ⎛3 ⎞ ⎛1 ⎞ ⎛3 ⎞ 3
= (0) ⎜ ⎟+ (1) 2 ⎜ ⎟+ ( 2) 2 ⎜ ⎟+ (3) 2 ⎜ ⎟−⎜ ⎟ =
2
⎝8 ⎠ ⎝8 ⎠ ⎝8 ⎠ ⎝8 ⎠ ⎝2 ⎠ 4
2 3
= σ =
4
σ = Var ( X ) = 3 4 ; es decir, la
2
Por lo tanto, la desviación estándar es σ=
dispersión alrededor de la media es, en promedio, 3 / 2 hijos. Esto es:
C .V .( X ) = 3 / 2 = 3
3/ 2 3
1) COEFICIENTE DE SESGO
Definición.
E x 3
a ( X ) = [( − µ) ]
3
σ
⎧= 0 ⇒ La distribuci ón es simétrica
a( x) = ⎪
⎨> 0 ⇒ La distribuci ón tiene sesgo positivo
⎪< 0 ⇒ La distribuci ón tiene sesgo negativo
⎩
Distribución simétrica
2) COEFICIENTE DE CURTOSIS
Definición.
⎧= 3 ⇒ La distribuci ón es mesocúrtic a
k ( x) = ⎪
⎨> 3 ⇒ La distribuci ón es leptocúrti ca
⎪< 3 ⇒ La distribuci ón es platicúrti ca
⎩
Distribución mesocúrtica
Distribución leptocúrtica
Distribución platicúrtica