Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes Tema 3 Variables Aleatorias
Apuntes Tema 3 Variables Aleatorias
EPSEVG
Departament de Matemàtiques
Variables aleatorias
Ejemplo 2.14
Supongamos que se lanza una moneda tres veces, y que se apunta la secuencia
de caras y cruces obtenidas en los tres lanzamientos. El espacio muestral para este
experimento es
1
2
{0, 1, 2, 3}. La tabla inferior lista los 8 resultados posibles del experimento y los
correspondientes valores de X.
X es una variable aleatoria que toma valores en el conjunto ImgX = {0, 1, 2, 3}.
Denotaremos por ImgX el conjunto formado por todos los valores posi-
bles de la v. a. X. Este conjunto nos permite definir dos tipos de variables
aleatorias.
Ejemplo 2.15
Una fuente radioactiva emite partı́culas α. Un contador observa la emisión de
esas partı́culas durante un periodo de tiempo determinado. La siguiente variable
aleatoria es de interés:
Ejemplo 2.16
Supóngase que los artı́culos que salen de una lı́nea de producción se clasifican
como defectuosos (D) o no defectuosos (N) y que se eligen al azar tres artı́culos de
la producción de un dı́a, los cuales se clasifican de acuerdo con este esquema. El
espacio muestral para este experimento, digamos S, puede escribirse ası́:
Ejemplo 2.17
Obtengamos la distribución de probabilidades para la variable aleatoria defini-
da en el ejemplo anterior.
F (x0 ) = P (X ≤ x0 )
F (−∞) = 0, F (+∞) = 1
F (x1 ) = P (X ≤ x1 ) = P (X = x1 )
F (x2 ) = P (X ≤ x2 ) = P (X = x1 ) + P (X = x2 )
..
.
F (xn ) = P (X ≤ xn ) = P (X = x1 ) + · · · + P (X = xn )
Ejemplo 2.18
Obtengamos la función de distribución asociada a la variable aleatoria presen-
tada en el ejemplo 2.16.
0 si x < 0
(0,8)3 si 0 ≤ x < 1
FX (x) = (0,8) + 3(0,2)(0,8)2
3 si 1 ≤ x < 2
(0,8) + 3(0,2)(0,8)2 + 3(0,2)2 (0,8)
3 si 2 ≤ x < 3
1 si x ≥ 3
Esto es, la suma de todos los valores posibles, cada uno ponderado por su
probabilidad.
Ejemplo 2.19
Un fabricante produce artı́culos de modo que el 10 % es defectuoso y el 90 % no
lo es. Si se produce un artı́culo defectuoso el fabricante pierde 1$, mientras que un
artı́culo sin defectos le produce una ganancia de 5$. ¿Cuál es la ganancia esperada
del fabricante por artı́culo?
La ganancia la podemos representar mediante una v. a. discreta X con dis-
tribución de probabilidades
10 90
{(−1, P (X = −1) = ), (5, P (X = 5) = )}
100 100
Por lo tanto, la ganancia esperada será
Ejemplo 2.20
Es inmediato comprobar que, si a y b son constantes:
E[aX + b] = aE[X] + b
Veámoslo:
E[aX + b] = ∀xi (axi + b) · f (xi ) = ∀xi (axi · f (xi ) + b · f (xi )) =
P P
∀xi
Ejemplo 2.21
Es fácil comprobar que, si a y b son constantes:
V ar[aX + b] = a2 V ar[X]
Veámoslo:
V ar[aX + b] = E[(aX + b)2 ] − E 2 [aX + b]
Teniendo en cuenta que:
E[(aX + b)2 ] = E[(aX)2 + 2abX + b2 ] =
= ∀xi (a2 x2i + 2abxi + b2 )f (xi ) =
P
= a2 E[X 2 ] + 2abE[X] + b2
y que
E 2 [aX + b] = (aE[X] + b)2 = a2 E 2 [X] + 2abE[X] + b2
tendremos
V ar[aX + b] = a2 E[X 2 ] + 2abE[X] + b2 − (a2 E 2 [X] + 2abE[X] + b2 ) =
= a2 (E[X 2 ] − E [ X]) = a2 V ar[X]
P (X = k),
pk · (1 − p)n−k .
Por lo tanto:
E[X] = n · p y V ar[X] = n · p · (1 − p)
Ejemplo 2.22
De un lote que contiene 25 artı́culos, 5 de los cuales son defectuosos, se eligen 4
al azar (con sustitución). Sea X el número de artı́culos defectuosos seleccionados.
Obtengamos la distribución de probabilidad de X.
Se trata de un proceso de Bernoulli, dado que realizamos un experimento
aleatorio que consiste en:
Ejemplo 2.23
Supongamos que el 5 % de los artı́culos que salen de una lı́nea de producción
son defectuosos. Se escogen 10 de ellos y se inspeccionan. ¿Cuál es la probabilidad
de que se encuentren como mucho 2 defectuosos?
Se trata de un proceso de Bernoulli, dado que realizamos un experimento
aleatorio que consiste en:
1. Observar los artı́culos que salen de una lı́nea de producción (población) y
clasificarlos en dos categorias: Éxito (defectuoso) y fracaso (no defectuoso).
λk n(n − 1) · · · (n − (k − 1)) λ
lı́m P (X = k) = lı́m λ k k (1 − )n
k! (1 − n ) n n
λk −λ
P (X = k) = e ∀k = 0, 1, 2, ...
k!
La variable ası́ definida se conoce como v. a. Poisson de parámetro λ (P o(λ)).
Notemos que el parámetro de la distribución de Poisson coincide con sus
caracterı́sticas
E[X] = V ar[X] = λ.
Ejemplo 2.24
Los fallos superficiales de un alambre delgado de cobre se presentan de manera
aleatoria. Sea X la variable aleatoria que representa el número de fallos super-
ficiales de un alambre de cobre de longitud 50 milı́metros, y supóngase que el
número promedio de fallos en 50 milı́metros es 2. Obtengamos la distribución de
probabilidad de X.
Se trata de un proceso de Poisson, dado que se está considerando un experi-
mento que consiste en:
Ejemplo 2.25
La contaminación es un problema en la fabricación de discos de almacenamien-
to óptico. El número de partı́culas contaminantes que aparecen en un disco óptico
tiene una distribución Poisson, y el número promedio de partı́culas por centı́metro
cuadrado de superficie del medio de almacenamiento es 0.1. Hállese la probabilidad
de encontrar 12 partı́culas en el área del disco, si:
partı́culas
E[X] = 100cm2 · 0,1 = 10 partı́culas
cm2
Por consiguiente, la v. a. X se distribuye P o(10) y
1012
P (X = 12) = exp−10 = 0,095
12!
partı́culas
E[X] = 50cm2 · 0,1 = 5 partı́culas
cm2
Por consiguiente, la v. a. Y se distribuye P o(5) y
512
P (X = 12) = exp−5 = 0,0034
12!
14
Notar:
1. Una consecuencia de que X sea una v. a. continua es que,
∀ a ∈ ImgX, P (X = a) = 0.
Ejemplo 2.26
El porcentaje de alcohol (100X) en cierto compuesto se puede considerar como
una v. a., donde X tiene la siguiente función de densidad
(
ax3 (1 − x), si 0 < x < 1,
f (x) =
0, para cualquier otro valor.
+∞ R
Para evaluar la constante a, debemos acudir a la condición −∞ f (x)dx = 1, que en
R1 3
este caso se convierte en 0 ax (1 − x)dx = 1. Desarrollando la expresión anterior
obtendremos a = 20.
1. FX (x) es no decreciente
2. FX (−∞) = 0 y FX (+∞) = 1
d
3. fX (x) = dx
F (x)
4. P (a ≤ X ≤ b) = FX (b) − FX (a)
Ejemplo 2.27
El tiempo de espera, en minutos, que tarda un radar en detectar 2 conductores
sucesivos a alta velocidad es una v. a. continua con función de distribución
(
0 si x≤0
FX (x) =
1 − e−8x si x>0
16
Ejemplo 2.28
Se supone que el diámetro de un cable eléctrico viene representado por una v.
a. continua con función de densidad
(
6x(1 − x), si 0 ≤ x ≤ 1,
fX (x) =
0 en el resto.
Ejemplo 2.29
Sea X una v. a. continua con función de densidad
( 2
2xe−x , si x≥0
fX (x) =
0, para cualquier otro valor
Calculemos E[X 2 ].
2
E[X 2 ] = 0+∞ x2 · 2xe−x dx
R
2
= −e−x (x2 + 1)]+∞0
2 +1
= lı́m∞ − x−x 2 + 1 =1
e
Ejemplo 2.30
Al igual que en el caso discreto, la esperanza de una v. a. continua satisface la
propiedad:
Efectivamente:
+∞ R
E[aX + b] = −∞ (ax + b) · fX (x)dx
R +∞
= −∞ (ax · fX (x) + b · fX (x))dx
R +∞ R +∞
= a −∞ x · fX (x)dx + b −∞ f (x)dx
= aE[X] + b
Efectivamente,
+∞
V ar[X] = −∞ (x − µ)2 · fX (x)dx
R
R +∞ 2
= −∞ (x − 2µx + µ2 ) · fX (x)dx
R +∞ 2 R +∞ R +∞
= −∞ x · fX (x)dx + 2µ −∞ x · fX (x)dx + µ2 −∞ fX (x)dx
2 2
= E[X ] − 2µ · µ + µ
= E[X 2 ] − µ2
Ejemplo 2.31
Consideremos una v. a. uniforme de parámetros a y b (U (a, b)), y calculemos
su varianza.
La variable U (a, b) es una v. a. continua con función de densidad
(
1
b−a si x ∈ (a, b),
fX (x) =
0 en el resto.
y que,
Rb 1
E[X] = a x b−a dx
x 2 b2 −a2
= b
2(b−a) ]a =2(b−a)
(b−a)(b+a)
= 2(b−a) = b+a2
Tendremos
V ar[X] = E[X 2 ] − E 2 [X]
2 2 2
= b +ab+a
3 − (b+a)
4
2
= (b−a)
12
19
Se deja como ejercicio para el lector comprobar que, al igual que sucedı́a
en el caso discreto, si X es una v. a. continua, y a y b son constantes:
V ar[aX + b] = a2 V ar[X]
Figura:2 Funciones de densidad de las variables N (0, 1), N (0, 2) y n(0, 0,5)
E(X) = µ y V ar(X) = σ 2
siendo a y b dos números reales . Esta integral no puede evaluarse por métodos
ordinarios (la dificultad proviene del hecho de que no podemos encontrar
2
una función cuya derivada sea igual a e−x /2 ). Sin embargo, los métodos de
integración numérica nos permiten evaluar integrales de la forma anterior,
y de hecho la función de distribución FN (0,1) ha sido tabulada (ver tablas
probabilidades). Podemos usar ahora la tabulación de esta función con el
objeto de evaluar P (a ≤ X ≤ b), puesto que
Ejemplo 2.32
Calcúlense las siguientes probabilidades:
P (−1,25 < N (0, 1) < 0,37) = P (N (0, 1) < 0,37) − P (N (0, 1) < −1,25)
= FN (0,1) (0,37) − FN (0,1) (−1,25)
= 0,64431 − 0,10565 = 0,53866
22
Ejemplo 2.33
Hállese el valor real que satisface la expresión P (N (0, 1) > z) = 0,05
El valor de z que satisface la expresión P (N (0, 1) > z) = 0,05, también verifica
la igualdad P (N (0, 1) ≤ z) = 0,95. En este caso la tabla de FN (0,1) se utiliza al
revés. Deberemos buscar la probabilidad 0.95 en el centro de la tabla. Dado que el
valor 0.95 no se encuentra de manera exacta en la tabla, buscaremos el valor más
cercano, el cual es 0.95053, que corresponde a z = 1,65.
Los ejemplos anteriores nos muestran como utilizar las tablas de la dis-
tribución normal tipificada para calcular probabilidades. El empleo de este
mismo enfoque para una v. a. normal arbitraria, requerirı́a una tabla separada
para cada par posible de valores µ y σ. Por fortuna todas las distribuciones
de probabilidad normales están relacionadas de manera algebraica, de modo
que la tabla de la FN (0,1) puede emplearse para encontrar las probabilidades
asociadas con una v. a. normal arbitraria si primero se hace uso de una
transformación sencilla.
Nótese que si X se distribuye N (µ, σ), entonces la variable aleatoria
X −µ
Z=
σ
se distribuye N (0, 1).
Ejemplo 2.34
Si la longitud en mm de ciertas piezas, sigue una distribución N (32, 0,3),
veamos que proporción de piezas tienen una longitud comprendida entre 31.1 mm
y 32.6 mm.
Para hallar este valor, calcularemos la probabilidad P (N (32, 0,3) ∈ [31,1, 32,6]).
Ejemplo 2.35
Supóngase que X tiene distribución N (3, 4). Deseamos encontrar un número c
tal que
P (X > c) = 2P (X ≤ c).
X−3
Observemos que 2 tiene distribución N (0, 1). Por tanto,
Ejemplo 2.36
Supóngase que la resistencia a romperse de un género de algodón, está repre-
sentada por una v. a. X que se distribuye N (165, 3). Suponiendo además, que una
muestra de este género se considera defectuosa si X < 162, ¿cuál es la probabilidad
de que un género elegido al azar sea defectuoso?.
24
Es fácil probar que el 68,26 % de los datos que se distribuyen según una v.
a. N (µ, σ) se encuentran en el intervalo (µ − σ, µ + σ), el 95,44 % de los datos
se encuentran en el intervalo (µ − 2σ, µ + 2σ), y el 99,73 % en el intervalo
de longitud (µ − 3σ, µ + 3σ). A este último se le conoce como intervalo de
control de una v. a. normal N (µ, σ).
2. fXY (x, y) = 1.
P P
x y
de y)
Si en un experimento aleatorio se define más de una variable aleatoria,
entonces es importante distinguir entre la distribución de probabilidad con-
junta de X e Y y la distribución de probabilidad de cada una de las vari-
ables aleatorias por separado (que llamaremos distribución de probabilidad
marginal).
Dadas X e Y dos variables aleatorias discretas con función de probabi-
lidad conjunta fXY (x, y), entonces las funciones de probabilidad marginales
de X e Y son, respectivamente,
donde RX denota el conjunto de todos los puntos del conjunto Img (X, Y )
para los que X = x, y RY denota el conjunto de todos los puntos del conjunto
Img (X, Y ) para los que Y = y.
Por analogı́a con los sucesos independientes, se dice que dos variables
aleatorias discretas son independientes si
+∞
fX (x) = −∞ f (x, y)dy
R
R +∞ XY
fY (x) = −∞ fXY (x, y)dy
1. E[XY ] = E[X]E[Y ]
Y = X1 + X2 + · · · + Xn
2. Caracterı́sticas
Ejemplo 2.37
Supóngase que en un canal de comunicación digital se transmiten 16 millones
de bits. El número de bits que se reciben de manera errónea puede modelarse
con una variable aleatoria binomial, y que la probabilidad de recibir un bit de
manera errónea es 1 · 10−5 . En tales condiciones, ¿cuál es la probabilidad de que
se presenten más de 150 errores?
Fórmulemos la pregunta en términos de la función de probabilidad de la bino-
mial.
Ejemplo 2.38
Para tener una idea del grado de eficacia de la aproximación normal, de nuevo
consideremos la transmisión de bits del ejemplo anterior. Supongamos que sólo se
transmiten n = 50 bits, y que la probabilidad de un error en la transmisión es
p = 0,1. La probabilidad de que se presenten menos de tres errores es
Como puede verse, para una muestra tan pequeña como 50 bits, la apro-
ximación normal no es una buena aproximación. Para subsanar la poca pre-
cisión de la aproximación, en ocasiones, la aproximación normal de una pro-
babilidad binomial se modifica con un factor de corrección por continuidad
de 0.5 que mejora la aproximación (0.5 puede sumarse o restarse).
Ejemplo 2.39
Siguiendo con el ejemplo anterior, como la binomial Bi(50, 0,1) es una variable
aleatoria discreta, tendremos que
Ejemplo 2.40
31
Ejemplo 2.41
Entre las 9:00 y las 10:00 horas, el número medio de llamadas telefónicas por
minuto que recibe una centralita es 6.3. Hallar la probabilidad de que durante un
minuto concreto se produzcan más de 8 llamadas.
La variable que representa el número de llamadas por minuto se distribuye
P o(6,3). Formulando en términos de la Poisson la probabilidad anterior tendremos,
Bibliografı́a