UNIVERSIDAD TECNOLÓGICA NACIONAL

FACULTAD REGIONAL LA PLATA

PROBABILIDADES Y ESTADÍSTICA

PROFESOR: GUILLERMO CASAS

 EN ESTA CLASE VAMOS A VER

VARIABLE ALEATORIA
• Recorrido y Distribución de Probabilidades
• Probabilidad Acumulada
• Esperanza y Varianza
• Desigualdad de Tchebychev
 VARIABLE ALEATORIA
S RX

ε si xi

X(si) = xi
Definición: una variable aleatoria es una
función que asocia un número real a cada
elemento del espacio muestral S.
EJEMPLO
ε = {arrojar 2 monedas y anotar la secuencia de
caras y secas que se obtiene}

S={(CC), (CS), (SC), (SS)}

X = {número de caras obtenido al ejecutar ε}

X(CC) = 2; X(CS) = 1; X(SC)= 1; X(SS) = 0

 RECORRIDO DE UNA VA
Se llama “Recorrido de X” y se anota Rx al conjunto
de los resultados posibles de la Variable Aleatoria
Podemos pensar quer el Espacio Muestral es el
Dominio de la función X(s) y el Recorrido es la Imagen
En el ejemplo Rx ={0,1,2}
VA Discreta (VAD), cuando el Recorrido es numerable
Las VA pueden ser
VA Continua (VAC), cuando el Recorrido es un continuo
de números reales
Función de distribución de probabilidad de una VAD
Consideremos el experimento de arrojar tres monedas y contar el numero de caras. El espacio muestral estará formado por:

S = {(CCC), (CCS), (CSC), (CSS), (SCC), (SCS), (SSC), (SSS)}

Si contamos el numero de caras de cada evento, nos encontramos que los posibles valores de la variable aleatoria serán:

X = {número de caras} Rx = {0, 1, 2, 3}

P (X= 0) = P ((SSS)) = 1/8

P(X=1) = P((CSS)U(SCS)U(SSC)) = 3/8
P(X=2) = P((CCS)U(CSC)U(SCC)) = 3/8
P(X=3) = P((CCC)) = 1/8
 Podemos resumir la información en una tabla

La última columna es la probabilidad de que el correspondiente valor xi de la segunda columna ocurra al

ejecutar el experimento

f(xi) = P(X=xi) se llama función de distribución de probabilidades

Tomando una fila (por ejemplo, la tercera marcada en amarillo), vemos que
hay tres eventos donde el número de caras aparece dos veces; en
consecuencia el valor de la VA llamada xi será 2 para los tres.

El valor de probabilidad será de 3/8 porque los eventos donde aparecen dos
caras son tres de los ocho posibles detallados en el espacio muestral S.

La suma final de las probabilidades de todos los eventos resulta igual a 1

 Definición:
El conjunto de pares ordenados [xi;P(X=xi)] ó [xi ; f(xi)] es una
función de probabilidad o función de distribución de probabilidad
de una variable aleatoria discreta, si para cada resultado posible de
xi se cumple:

1. P(X=xi) > 0

2. σn1 P(X = xi) =1

 GRÁFICO DE BARRAS O LÍNEAS
f(xi)

x
Representación gráfica de la distribución del ejemplo
 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
Esta función nos permite calcular la probabilidad de que la variable
aleatoria X tome valores menores o iguales a un número real
cualquiera.

Se calcula de la siguiente manera:

σ 𝑖
F(x)=P(X ⩽ x)= 𝑗=1 𝑃(𝑋 = 𝑥𝑗) / xi menor o igual a x
F(xi) acumula las probabilidades (las suma) desde el primer punto del
recorrido hasta el que iguala o es el último menor que el valor del
argumento (x) de F(x)
 En la tabla calculamos la F(x) del ejemplo anterior

COMO SE VE TERMINA EN 1 EN EL ÚLTIMO VALOR DEL

RECORRIDO (3 EN ESTE CASO) Y YA NO CRECE MAS
 REPRESENTACIÓN GRÁFICA DE F(x)
F(x) +

8
- x
8

F(xi) es una funcion escalonada; constante en cada intervalo que no contenga ningún valor de la variable. En cada xi, la F(xi)
presenta una discontinuidad (representada como una linea de puntos) con un salto de altura P(xi). Antes de que aparezca el
primer valor de la variable aleatoria (en rigor, desde -∞), F(xi) vale cero; despues del ultimo valor de la variable aleatoria
F(xi) vale uno (hasta llegar a +∞).
 Esperanza matemática de una VAD

𝑛
E(X) = σ𝑖=1[𝑥𝑖 ∗ 𝑃 𝑋 = 𝑥𝑖 ]
E(X) representa el centro ponderado de la distribución de
probabilidad de la variable aleatoria. También decimos que la
esperanza coincide con la media matemática de la distribución a
la que llamamos μ.

Observar: La Esperanza tienen las mismas dimensiones que la VAD X

1. E(c) = c donde c es una constante

2. E(c・X) = c・E(X)

3. E (X±Y) = E(X) ± E(Y)

4. E(aX + b) = a・E(X) + b; a, b constantes

Algunas observaciones sobre la Esperanza:

1.La Esperanza puede ser positiva, negativa o cero.

2. Queda dentro del recorrido, pero NO TIENE NECESARIAMENTE

que coincidir con un valor del mismo

3. Tiene las mismas unidades que la VAD X

 Varianza de una VAD
Es necesario conocer si los valores de la variable están cerca o
alejados de su esperanza (que es un punto central de la
distribución, parecido al “centro de masa”). El valor que mide
esa cercanía o alejamiento (también llamado dispersión) es la
varianza.
Demos una definición:
V(X) =
2 2
V(X) = E(𝑋 ) -[𝐸 𝑋 ] > 0
OBSERVACIÓN:
LA VARIANZA TIENE LAS UNIDADES DE LA VAD X AL CUADRADO
 PROPIEDADES DE LA VARIANZA
1. V(c) = 0
2. V(cX) = 𝑐 2 ・V(X)
Comentario: la constante “sale” del paréntesis, PERO, a
diferencia de la esperanza, sale elevada al cuadrado.
3. Si X e Y son variables aleatorias independientes,
V(X + Y) = V(X) + V(Y)
V(X – Y) = V(X) + V(Y)
Comentario: debe observarse que, ya sea la varianza de una
suma o una resta, el resultado siempre es una suma de
varianzas
A TÍTULO INFORMATIVO

4. Si X e Y NO SON variables aleatorias independientes,

V(X + Y) = V(X) + V(Y) + 2・Cov(X,Y)
V(X – Y) = V(X) + V(Y) – 2・Cov(X,Y)
donde Cov (X,Y) = E(X・Y) - E(X)・E(Y)

Cov (X,Y) se llama Covarianza de (X,Y)

 ALGUNAS OBSERVACIONES SOBRE LA VARIANZA
1.La Varianza SIEMPRE es un número positivo.
2.Sus dimensiones son las de la VAD X al cuadrado
3.Una Varianza grande significa mas dispersión de la VAD
respecto de la esperanza
4.Para comparar con las dimensiones de la VAD se usa la raíz de
la Varianza

𝑽(𝑿) = σ (X) (sigma)

Se llama Desviación Estándar y tiene las dimensiones de la VAD
EJEMPLO

E(X) = 0*(1/8)+1*(3/8)+2*(3/8)+3*(1/8)
E(X) = 3/2 =1,5
 LA ESPERANZA ES MEDIDA DE CENTRALIZACIÓN
f(xi)

E(X)
 2 2
V(X) = E[𝑋 ] − [𝐸 𝑋 ]
2 2 2 2 2
E[𝑋 ] = 0 *(1/8)+1 *(3/8)+2 *(3/8)+3 *(1/8)
= 24/8 = 3

3 2
V(X) = 3 - ( ) = 3/4
2

σ(x) = 3/2
 TEOREMA DE TCHEBYCHEV
El matemático ruso Tchebychev desarrolló un teorema (también conocido como Desigualdad
de Tchebychev) que con muy poca información (solo la esperanza y el desvío estandar)
permite establecer una cota inferior (forma 1) a la probabilidad de que la variable aleatoria
se ubique dentro de un intervalo de cierta cantidad de desvíos alrededor de su media; o bien
una cota superior (forma 2) a la probabilidad de que la variable aleatoria se ubique fuera de
un intervalo de cierta cantidad de desvíos alrededor de su media.

Forma 1. La probabilidad de que la variable aleatoria X se desvíe

respecto de su esperanza, en valor absoluto,
en menos de k desvíos estándares admite como cota inferior el
valor 1-(1/𝑘 2 ), es decir:
2
P[|X−E(x )| < k⋅σx ] ≥ 1− 1/𝑘
Forma 2. La probabilidad de que la variable aleatoria x se desvíe respecto de
su esperanza, en valor absoluto, en una cantidad igual o mayor de k desvíos
estándares, admite como cota superior al valor 1/𝑘 2 , es decir:

2
P[|X−E(x )| ≥ k⋅σx ] < 1/𝑘
Observación 1: el Teorema no permite calcular la probabilidad, sino
dar un valor mínimo (forma 1) o máximo (forma 2)
Observación 2: a veces la cota no da ninguna información relevante.
Por ejemplo, en la forma 2 si k < 1 Tchebychev dice:
¡que la Probabilidad es menor que un número mayor que 1!