Tema 03 Diapositivas VAleatorias

TEMA 3 – VARIABLES ALEATORIAS
ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

1
TEMA 3: VARIABLES ALEATORIAS
1. Definición de variable aleatoria

2.Variables aleatorias discretas
3.Variables aleatorias continuas
4.Medidas características de las variables aleatorias
Algunas imágenes han sido extraídas de Pixabay

¿Qué es un SUCESO?
Es un valor o conjunto de valores de

una variable resultado de un
experimento
¿Y qué es un experimento?
15 ml del
compuesto
EXPERIMENTO: Cualquier procedimiento de
obtención de un valor (dato) de una variable,
dadas unas condiciones de experimentación
Si obtenemos un nuevo dato manteniendo

constantes las condiciones de experimentación
estamos REPITIENDO el experimento

3
Vemos un ejemplo…
Experimento 1 Variable Valores posibles
Lanzo dos dados que

𝑿=suma de los resultados
estén equilibrados y X=2,3,4,…,12
de los dos dados
sumo los resultados
Y empiezo a repetir
el experimento…

4
Repetición X
1- 𝑥=4 Cada vez que repetimos el

experimento ‘sumar el resultado de
lanzar dos dados equilibrados’,
2- 𝑥=7 podemos obtener un valor diferente.
𝑥=6 No podemos anticipar qué saldrá

3-
¿Por qué?
4- 𝑥=5
Porque el resultado del experimento
depende de otros factores adicionales
5- 𝑥 = 12 a los que se fijan en el experimento.
6- 𝑥 = 12
… y así indefinidamente
5
Repetición X
Factores que se
fijan en el Lanzar dos
experimento dados
1- 𝑥=4 (condiciones de equilibrados
experimentación)
“Lo que yo determino”
2- 𝑥=7
3- 𝑥=6
• Cómo se lanzan (fuerza,
Factores que no se dirección…)
controlan en el • Con qué obstáculos
4- 𝑥=5 experimento chocan.
“Lo determina el azar”, es • Cómo chocan con esos
decir, la casualidad, la obstáculos
suerte, la fatalidad, la
• …
providencia …
5- 𝑥 = 12
6- 𝑥 = 12 Estos factores sujetos al azar son

los responsables de que cada
repetición pueda ser diferente
6
Vemos otro ejemplo muy diferente…
Experimento 2 Variable Valores posibles
Calcular el resultado
𝑿=suma de 2+2
de sumar 2+2 𝑿=4
Este experimento sólo tiene un
suceso elemental!!!
Y empiezo a repetir
el experimento…

7
Cada vez que repito el experimento obtengo una realización de la variable
Repetición X
2+2 𝑥=4 Ahora todas las veces que repito el

1-
experimento, obtengo siempre el
mismo valor.
2- 2+2 𝑥=4
¿Por qué?
2+2 𝑥=4 Porque las condiciones de

3-
experimentación contiene a todos los
factores que pueden influir en el
2+2 𝑥=4 resultado.
4-
No hay lugar para que el azar influya

5- 2+2 𝑥=4 en el resultado.
6- 2+2 𝑥=4
8
Experimento 1 Experimento 2
Lanzo dos dados que estén Calcular el resultado

equilibrados de sumar 2+2
𝑿=suma de los resultados 𝑿=2+2
de los dos dados
EXPERIMENTO EXPERIMENTO
ALEATORIO DETERMINISTA
• Las condiciones de experimentación NO contienen a TODOS los • Las condiciones de experimentación contiene a TODOS los
factores que influyen en la VARIABLE X. factores que influyen en la VARIABLE X.
• Los factores no controlados se dejan al azar. • Ya no puede actuar el azar.
• Hay variabilidad. • No hay variabilidad.
9
Experimento
Lanzo dos dados que estén

equilibrados La variable que es el
𝑿=suma de los resultados resultado (número) de
de los dos dados un experimento
aleatorio se denomina
VARIABLE
ALEATORIA
EXPERIMENTO
Una variable aleatoria asocia
ALEATORIO un número a cada suceso de
un experimento aleatorio
• Las condiciones de experimentación NO contienen a TODOS los

factores que influyen en la VARIABLE X.
• Los factores no controlados se dejan al azar.

10
Ejemplo
Experimento aleatorio: observar el resultado de lanzar una moneda dos veces

Espacio muestral del experimento E={(cara,cara); (cara,sello) ; (sello,cara) ; (sello,sello)}
Variable aleatoria: X=número de caras

Valores posibles 𝑥 ∈ {0,1,2}
Valor de la variable
Suceso elemental aleatoria X
(cara,cara) 𝑋=2
(cara,sello) 𝑋=1
(sello,cara) 𝑋=1
(sello,sello) 𝑋=0
¿Cómo sería la variable aleatoria Y=1 si sale alguna cara, 0 si no sale ninguna?

11
RESUMEN
Experimento: proceso de obtener un dato dadas unas condiciones de experimentación. La obtención

de un nuevo dato, con las mismas condiciones, es una repetición del experimento
Experimento aleatorio: experimento que al repetirlo no siempre se obtiene el mismo valor, debido a
la influencia del azar.
Variable aleatoria: es el resultado (numérico) de un experimento aleatorio. Es la variable numérica

que es la respuesta de un experimento aleatorio.
Ejemplo: Experimento- observar el resultado de lanzar un dado

Variable aleatoria- valor que se obtiene al lanzar el dado (variable discreta)
Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red

Variable aleatoria- tiempo de acceso (variable continua)

12
Observa que es igual a cómo
definíamos la distribución de
¿Cómo se define una variable aleatoria? frecuencias en un conjunto de
datos, en el Tema 1. Diapositiva 33.
2. Modelo de probabilidad: función

1-Valores posibles que nos ayude a asignar
probabilidades a los diferentes sucesos
que nos interesen
Ejemplo: Experimento- observar el resultado de lanzar una moneda

Variable aleatoria- X=valor numérico que se obtiene al lanzar una moneda (variable discreta)
• Valores posibles: {1=cara,0=sello}

• Modelo de probabilidad: 𝑃(𝑋 = 1) = 𝑃(𝑋 = 0) = 0.5
13
Ejemplo
Experimento aleatorio: observar el resultado de lanzar una moneda dos veces

Espacio muestral del experimento E={(cara,cara); (cara,sello) ; (sello,cara) ; (sello,sello)}
Variable aleatoria: X=número de caras al lazar dos veces la moneda

Valores posibles 𝑥 ∈ {0,1,2}
Variable aleatoria 𝑿
Suceso elemental Valores posibles Modelo de probabilidad
(cara,cara) 𝑋=2 1
𝑃 𝑋=0 =
4
(cara,sello) 𝑋=1 1
𝑃 𝑋=1 =
2
(sello,cara) 𝑋=1
1
𝑃 𝑋=2 =
4
(sello,sello) 𝑋=0
Obtenemos estos valores porque los cuatro sucesos

elementales de este ejemplo específico son equiprobables
14
NOTACIÓN:
Variable aleatoria: letras mayúsculas del final del alfabeto
Ejemplo: 𝑋=resultado de lanzar una moneda

𝑌=resultado de lanzar un dado
• Cuando nos refiramos de forma genérica a un valor numérico concreto

que pueda tomar la variable aleatoria, usaremos letras minúsculas.
𝑃(𝑋 = 𝑥) es la probabilidad de que la variable aleatoria 𝑋 tome el valor 𝑥

𝑃(𝑌 = 𝑦𝑖 ) es la probabilidad de que la variable aleatoria 𝑌 tome el valor
𝑦𝑖 , 𝑖 = 1,2, … , 𝑛

15


2. Variables aleatorias discretas
Sea 𝑋 una variable aleatoria cuantitativa discreta
Sean 𝑥1, 𝑥2, … , 𝑥𝐾 , los valores posibles que puede tomar.
Ejemplos
𝑋= valor al lanzar un dado 𝑥1 = 1 𝑥3 = 3 𝑥5 = 5

𝑥2 = 2 𝑥4 = 4 𝑥6 = 6
𝑋= estado aceptable/defectuoso de un 𝑥1 = 0 (aceptable)

artículo manufacturado 𝑥2 = 1 (defectuoso)
𝑋 = número de clientes que llegan a un 0,1,2,3,4,5, …idealmente infinitos, pero

puesto de servicio en una unidad de numerables
tiempo
numerable=que puede ser numerado o contado
17
Para definir una variable aleatoria discreta 𝑋 necesitamos:
1- Los valores posibles que puede tomar 𝑥1, 𝑥2, … , 𝑥𝐾
2- Un modelo de probabilidad que asigne probabilidades a cada valor de 𝑋
Función de probabilidad 𝑝(𝑥)

Esta información puede darse con
cualquiera de estas dos funciones
Función de distribución 𝐹(𝑥)
Una vez que conocemos los valores posibles y el modelo tenemos toda la información sobre esta variable.

18
Función de probabilidad
Es la función 𝑝(𝑥) de la variable aleatoria discreta 𝑋 que asigna a cada valor diferente de
𝑋: 𝑥1 , 𝑥2 , … , 𝑥𝐾 la probabilidad de ser obtenido en una repetición del experimento aleatorio.
𝑝 𝑥 = 𝑃(𝑋 = 𝑥)
Al ser 𝑝 𝑥 es una probabilidad, y puesto que 𝑃 𝐸 = 1, se deben cumplir las siguientes restricciones
0 ≤ 𝑝 𝑥𝑖 ≤ 1
𝐾
෍ 𝑝(𝑥𝑖 ) = 1
𝑖=1
Para otro valor de 𝑥 diferente de 𝑥1 , 𝑥2 , … , 𝑥𝐾 la función de probabilidad vale 𝑝 𝑥 = 0

19
Ejemplo
• 𝑋 = resultado de lanzar un dado

• Valores posibles 𝑥 ∈ {1,2,3,4,5,6} y cada valor es igual de probable.
Función de probabilidad: 𝑝(𝑥) = 1/6 para 𝑥 = 1, … , 6. Cero en el resto de la recta real
𝑝(𝑥)
A este tipo de variables aleatorias con K

valores diferentes equiprobables, se les
llama UNIFORMES DISCRETAS
1/6
1 2 3 4 5 6 𝑥

20
Ejemplo Una centralita telefónica tiene 5 líneas.
Sea 𝑋 =número de líneas ocupadas en una unidad de tiempo.

Valores posibles 𝑥 ∈ {0,1,2,3,4,5}
Supongamos que la centralita recibe por término medio 2 llamadas por unidad de tiempo (y la duración de la llamada se
completa en esa misma unidad de tiempo). Entonces se puede demostrar (próximo tema) que la función de probabilidad es:
𝑝 0 = 𝑃(𝑋 = 0) = 0.14
𝑝 1 = 𝑃(𝑋 = 1) = 0.27
𝑝 2 = 𝑃(𝑋 = 2) = 0.27
𝑝 3 = 𝑃(𝑋 = 3) = 0.18
𝑝 4 = 𝑃(𝑋 = 4) = 0.09
𝑝 5 = 𝑃(𝑋 = 5) = 0.05

21
Ejemplo
Sea 𝑋 =número de líneas ocupadas en una unidad de tiempo.

Valores posibles 𝑥 ∈ {0,1,2,3,4,5}
𝑝 0 = 𝑃(𝑋 = 0) = 0.14 Una vez que conocemos 𝑝(𝑥) tenemos completamente definida esta
𝑝 1 = 𝑃(𝑋 = 1) = 0.27 variable aleatoria, y podemos contestar a cualquier pregunta sobre ella
𝑝 2 = 𝑃(𝑋 = 2) = 0.27 Por ejemplo:

𝑝 3 = 𝑃(𝑋 = 3) = 0.18
¿Probabilidad del suceso A: más de 2 líneas ocupadas?
𝑝 4 = 𝑃(𝑋 = 4) = 0.09
𝑝 5 = 𝑃(𝑋 = 5) = 0.05
𝑃 𝐴 =𝑃 𝑋>2 =𝑃 𝑋≥3 =𝑃 𝑋=3 U 𝑋=4 U 𝑋=5 = 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4 + 𝑃 𝑋 = 5 = 𝑝 3 + 𝑝 4 + 𝑝 5 = 0.32
suceso La probabilidad de la unión de sucesos

compuesto suceso compuesto= unión de sucesos disjuntos es la suma de sus probabilidades
elementales, que son disjuntos

22
Problema Sea 𝑋 una variable aleatoria discreta que toma los valores 𝑥 ∈ {0,1,2,3,4} de manera tal que la
probabilidad de obtener un valor es el doble que la del valor inferior.
Escribe su función de probabilidad.
0 ≤ 𝑝 𝑥𝑖 ≤ 1
𝐾
෍ 𝑝(𝑥𝑖 ) = 1
𝑖=1 1
𝑝 0 =
31
2
𝑝 1 =
31
𝑝 0 +𝑝 1 +𝑝 2 +𝑝 3 +𝑝 4 =1
4
𝑝 2 = 𝑝(𝑥)
31
𝑝 0 + 2𝑝 0 + 4𝑝 0 + 8𝑝 0 + 16𝑝 0 = 1
8
𝑝 3 =
31
16
1 𝑝 4 =
31𝑝 0 = 1 ⇒ 𝑝 0 = 31
31
𝑥

23


24
Observa que es igual a la CDF
Función de distribución empírica que definíamos en el
Tema 1, diapositiva 64. Ahora es
con toda la población
• Es una función 𝐹(𝑥) definida en toda la recta real
• En cada punto 𝑥 ∈ ℝ, es la probabilidad acumulada hasta es punto, es decir
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
• 𝐹(−∞) = 0, 𝐹(+∞) = 1 En cada valor 𝑥𝑖 de 𝑋 hay
un peldaño de altura 𝑝(𝑥𝑖 )

25
Ejemplo Veamos un ejemplo muy sencillo.
La variable aleatoria 𝑋 toma los valores 𝑥 = 1,2,3 con probabilidades 0.25, 0.5 y 0.25 respectivamente.
La función de probabilidad es 𝑝 1 = 0.25; 𝑝 2 = 0.5; 𝑝 3 = 0.25
𝐹 𝑥 será una función que va desde −∞ hasta +∞, donde toma los valores 0 y 1 respectivamente
𝐹(𝑥)

26
Ejemplo La variable aleatoria X toma los valores 𝑥 = 1,2,3 con probabilidades 0.25, 0.5 y 0.25 respectivamente.
𝐹 𝑥 es una función escalonada. En cada valor de 𝑋 sube el peldaño en una cantidad 𝑝(𝑥).
𝐹(𝑥)
0
1 2 3

27
𝐹 𝑥 es una función escalonada. En cada valor de 𝑋 sube el peldaño en una cantidad 𝑝 𝑥 .
Es plana entre cada valor observable de

𝑋, pues no se acumula probabilidad
𝐹(𝑥)
0.25
0.25
0
1 2 3

28
𝐹 𝑥 es una función escalonada. Es plana entre cada valor de 𝑋. En cada valor de 𝑋 sube el peldaño en
una cantidad 𝑝 𝑥 .
𝐹(𝑥)
0.75
0.5
0.25
0
1 2 3

29
𝐹 𝑥 es una función escalonada. Es plana entre cada valor de 𝑋. En cada valor de 𝑋 sube el peldaño en
una cantidad 𝑝(𝑥)
0.25
𝐹(𝑥)
0.75
0.5
0.25
0.25
0
1 2 3

30
Como 𝐹 𝑥 = 𝑃(𝑋 ≤ 𝑥𝑖 ), en cada 𝑥𝑖 el valor de la función es el del peldaño ‘de arriba’
𝐹(𝑥)
0.75
0.25
0
1 2 3

31
No obstante, en estadística es habitual representarlo como un trazo escalonado, como se hacía la CDF empírica
𝐹(𝑥)
0.75
0.25
0
1 2 3

32
Ejemplo Sea 𝑋 =número de líneas ocupadas en una unidad de tiempo.
Valores posibles 𝑥 ∈ {0,1,2,3,4,5}, con la siguiente función de probabilidad.
Calcula 𝐹 1.5 y 𝐹 4.5 .
𝑝 0 = 𝑃(𝑋 = 0) = 0.14
𝑝 1 = 𝑃(𝑋 = 1) = 0.27
𝑝 2 = 𝑃(𝑋 = 2) = 0.27
𝑝 3 = 𝑃(𝑋 = 3) = 0.18
𝑝 4 = 𝑃(𝑋 = 4) = 0.09
𝑝 5 = 𝑃(𝑋 = 5) = 0.05

33
Para cada valor 𝑥 de la recta real, 𝐹 𝑥
nos da la probabilidad acumulada
Al ser 𝑋 discreta, la
probabilidad se va acumulando
a escalones, y no de forma
continua
𝐹 1.5 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1
= 0.14 + 0.27 = 0.41
𝑥1 = 1.5

34
También puede representarse 𝐹(𝑥) en forma de TABLA. En ese caso SOLO vamos a señalar los valores que se toman en los puntos 𝑥𝑖 .
Para cada uno de los valores de 𝑋, 𝐹(𝑥𝑖 ) se

𝑥 𝑝(𝑥) 𝐹(𝑥) obtiene sumando 𝑝(𝑥𝑖 ) hasta ese número.
0 0.14 0.14
1 0.27 0.41 𝐹 1 =𝑝 0 +𝑝 1
= 0.14 + 0.27 = 0.68
2 0.27 0.68
3 0.18 0.86
4 0.09 0.95
5 0.05 1

35
También puede representarse 𝐹(𝑥) en forma de TABLA. En ese caso SOLO vamos a señalar los valores que se toman en los puntos 𝑥𝑖 .
Para cada cualquier

𝑥 𝑝(𝑥) 𝐹(𝑥) otro punto que no
sea valor observable
0 0.14 0.14
es el valor de 𝐹(𝑥)
1 0.27 0.41 hasta el valor anterior,
1.5 pues desde ese valor
2 0.27 0.68
hasta el punto de
3 0.18 0.86 interés no se acumula
4 0.09 0.95 probabilidad.
5 0.05 1 𝐹(1.5) = 0.41

36
Ejemplo Sea 𝑋 la variable aleatoria cuyos valores y función de distribución se muestran en la tabla
Calcula:
𝑿 𝑝(𝑥) 𝐹(𝑥)
• 𝑝 2 =
2 0.04
• 𝑝(3)=
6 0.51
• 𝑝 6 =
9 0.88
• 𝑝(9)=
10 1.00
• 𝑝(10)=
• 𝑃 5≤𝑋≤9 =

37


¿Cómo se define una variable aleatoria?
2. Modelo de probabilidad: función

1-Valores posibles que nos ayude a asignar
probabilidades a los diferentes sucesos
que nos interesen
Ejemplo: Experimento- observar el resultado de lanzar una moneda

Variable aleatoria- X=valor que se obtiene al lanzar una moneda (variable discreta)
• Valores posibles: {1=cara,0=cruz}

• Modelo de probabilidad: 𝑃(𝑋 = 1) = 𝑃(𝑋 = 2) = 0.5

39


40
3. Variables aleatorias continuas
Para definir una variable aleatoria CONTINUA 𝑋 necesitamos:
1- Los valores posibles que puede tomar. Serán intervalos, por ejemplo 𝑥 ∈ [𝑎, 𝑏]
2- Un modelo de probabilidad que asigne probabilidades a los sucesos.


41
Con variables cuantitativas continuas: infinitos valores posibles (no numerables)
• Los valores de 𝑋 son puntos de la recta real, que tienen

dimensión cero.
• Cualquier punto tiene, por tanto, probabilidad cero de ser
observado al hacer un experimento.
𝑃(𝑋 = 𝑥) = 0 siempre

42
Conclusión:
• Si la variable aleatoria es continua (tiempos, longitudes, pesos,

temperaturas, etc) la probabilidad de cada valor individual es
siempre cero: 𝑃 𝑋 = 𝑥 = 0.
• Por tanto, la función de probabilidad en variables aleatorias

continuas es siempre cero: 𝑝 𝑥 = 0.
• La función de probabilidad no nos ayuda entonces a asignar

probabilidades a sucesos.
• Se utiliza otra representación matemática denominada FUNCIÓN

DE DENSIDAD.

43
Función de densidad
𝑓(𝑥): función de densidad de probabilidad de la variable aleatoria 𝑋 en el punto 𝑥. Su valor es

tanto mayor cuanto más probable sea obtener valores en un entorno de dicho punto 𝒙.
La densidad de un punto es proporcional a la probabilidad de obtener datos en el entorno de dicho punto.
𝑓(𝑥)
𝑥
Menor densidad implica
menor probabilidad de Mayor densidad implica Menor densidad implica
encontrar datos en esta zona mayor probabilidad de menor probabilidad de
encontrar datos en esta zona encontrar datos en esta zona

44
La densidad de un punto
es proporcional a la
probabilidad de obtener
datos en el entorno de
dicho punto.
El aspecto de la función
de densidad de una
variable aleatoria y el
histograma de una
muestra de sus
realizaciones es similar.

45
El aspecto de la función de densidad
es como si fuese el polígono de
frecuencia ‘límite’ en un histograma
con infinitos datos

La función de densidad 𝑓(𝑥) es una función matemática tal que
𝑏 ∞
𝑓 𝑥 ≥0 𝑃 𝑎 < 𝑋 < 𝑏 = න 𝑓 𝑥 𝑑𝑥 න 𝑓 𝑥 𝑑𝑥 = 1
𝑎 −∞
𝑓(𝑥)
Eje X: valores 𝑥 de la variable aleatoria

Eje Y: 𝑓(𝑥)

47

Si 𝑓 𝑥 = 0 ese valor 𝑥 no es observable. Al

𝑓 𝑥 ≥0 realizarse el experimento aleatorio no puede
suceder.
𝑓(𝑥)
Esta variable aleatoria no

puede tomar valores ≤ 0

48
Lo más importante: 𝑏
Al integrar 𝑓(𝑥) obtenemos 𝑃 𝑎 < 𝑋 < 𝑏 = න 𝑓 𝑥 𝑑𝑥
probabilidades 𝑎
El área bajo la curva entre 0 y a es la El área bajo la curva entre a y b es la

probabilidad 𝑃 0 < 𝑋 < 𝑎 = 𝑃(𝑋 < 𝑎) probabilidad 𝑃 𝑎 < 𝑋 < 𝑏

49
𝑏
∞
𝑃 𝑎 < 𝑋 < 𝑏 = න 𝑓 𝑥 𝑑𝑥 𝑃 𝐸 = 1 ⇒ න 𝑓 𝑥 𝑑𝑥 = 1
𝑎
−∞
El área bajo toda la

curva es 1
𝑓(𝑥) no es una
probabilidad. En algunos
casos puede ser > 1

50
Ejemplo 𝑋=longitud de una pieza manufacturada
¿Cuánto debe valer 𝑘?

Representación de 𝑘(𝑥 − 1)(𝑥 − 3) con diferentes valores de 𝑘
Sólo hay un valor de 𝑘

que haga que la
función tenga área 1
entre 1 y 3
Winplot.exe

51
¿Cuánto debe valer k?
∞ 1 3 ∞
න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥
−∞ −∞ 1 3

52
∞ 1 3 ∞
−∞ −∞ 1 3

53
0 0
∞ 1 3 ∞
−∞ −∞ 1 3

54
0 0
∞ 1 3 ∞ 3
න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥 + න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥
−∞ −∞ 1 3 1
3
3
= න 𝑘 𝑥 − 1 3 − 𝑥 𝑑𝑥 = 1 ⇒ 𝑘 =
1 4
55
1

56
Función de densidad f(x) 𝑋

0.8
0.7
0.6
0.5
Si la pieza es aceptable cuando está en el intervalo [1.7;2.4]
0.4
0.3
¿Qué porcentaje de piezas válidas se fabrican?
0.2
0.1
Función de densidad f(x)
0.8
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
0.7
x
0.6
0.5
0.4
PIEZAS VÁLIDAS
0.3
PIEZAS
0.2
PIEZAS
0.1 DEFECTUOSAS DEFECTUOSAS
0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
x

57
Para definir una variable aleatoria CONTINUA 𝑋 necesitamos:
1- Los valores posibles que puede tomar. Serán intervalos, por ejemplo 𝑥 ∈ [𝑎, 𝑏]
2- Un modelo de probabilidad que asigne probabilidades a los sucesos.
Función de densidad 𝑓(𝑥)


58
Función de distribución 𝑭(𝒙)
Tiene la misma definición que en el caso discreto
𝑥
como ya usamos la letra 𝑥
para el límite de la integral,
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑣 𝑑𝑣 debemos usar otro símbolo
como variable de integración.
Usamos 𝑣.
−∞
A partir de la
función de
densidad podemos
obtener la función
de distribución
integrando.
𝑥
59
𝑋
𝑓(𝑥)
Obtén la función de distribución

𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑣 𝑑𝑣
−∞
Es la probabilidad acumulada hasta 𝑥. Hacemos que 𝑥 vaya

recorriendo toda la recta real
? 𝑠𝑖 𝑥 < 1
• Esta función de densidad es una función por tramos
𝐹 𝑥 = ? 𝑠𝑖 1 ≤ 𝑥 ≤ 3
• Tiene tres tramos: −∞; 1 ; 1; 3 ; (3, ∞)
• Por tanto, la función de distribución tendrá también tres tramos ? 𝑠𝑖 𝑥 > 3

60
𝑋
𝑓(𝑥)

𝑥0
𝐹 𝑥0 = 𝑃 𝑋 ≤ 𝑥0 = න 𝑓 𝑥 𝑑𝑥
−∞
𝐹(𝑥)
𝐹 𝑥 será SIEMPRE
una función que va
desde −∞ hasta
+ ∞, donde toma
los valores 0 y 1
respectivamente
0 1 2 3
𝑋
𝑓(𝑥)

𝑥
−∞
𝑥0
𝐹(𝑥)
Hasta 1, 𝑓 𝑥 = 0,
por lo que no se 𝑥
está acumulando 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 0 𝑑𝑣 = 0; 𝑥 < 1

probabilidad. −∞
𝐹 𝑥 = 0 cuando
𝑥 < 1.
0 1 2 3
𝑋
𝑓(𝑥)

𝑥
−∞
𝑥0
𝐹(𝑥)
Entre 1 y 3, a lo acumulado hasta 1
(𝐹 1 = 0), se acumula la probabilidad
según la integral
1 𝑥
3
𝐹 𝑥 = න 0 𝑑𝑥 + න (𝑣 − 1)(3 − 𝑣) 𝑑𝑣
4
−∞ 1
1≤𝑣≤3
0 1 2 3
𝑋
𝑓(𝑥)

𝑥
−∞
𝐹(𝑥) 𝑥 1 𝑥
𝐹 𝑥 = න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑣 𝑑𝑣 + න 𝑓 𝑣 𝑑𝑣
Entre 1 y 3, a lo acumulado hasta 1
(𝐹 1 = 0), se acumula la probabilidad 𝑥
−∞ −∞
𝑥
1
según la integral 3 3
= 𝐹 1 + න 𝑣 − 1 3 − 𝑣 𝑑𝑥 = 0 + න (𝑣 − 1)(3 − 𝑣) 𝑑𝑣
𝑥
4 4
1 1
3
𝐹 𝑥 = 𝐹 1 + න (𝑣 − 1)(3 − 𝑣) 𝑑𝑣
4 Para 1 < 𝑥 < 3
1
1≤𝑥≤3
0 1 2 3
Chrome
Wolframalpha.com
Sólo nos interesa esta

función entre 1 y 3

65
𝑋
𝑓(𝑥)

𝑥
−∞
𝑥0
𝐹(𝑥)
Como acumulamos
probabilidad de una 1 2
variable continua. 𝐹 𝑥 − 𝑥−4 𝑥−1
4
es continua y monótona
creciente
0 1 2 3
𝑋
𝑓(𝑥)

𝑥
−∞
Es la probabilidad acumulada hasta 𝑥0 . Hacemos que 𝑥0 vaya

recorriendo toda la recta real
𝑥0
𝐹(𝑥)
A partir de 3, de nuevo 𝑓 𝑥 =
0, por lo que ya no se va a
acumular más probabilidad.
Por tanto 𝐹 𝑥 = 𝐹 3 = 1,
para 𝑥 > 3
0 1 2 3
𝑋
𝑓(𝑥)

𝑥
−∞
0 𝑠𝑖 𝑥 < 1
𝐹 𝑥 = −1 𝑥 − 4 𝑥 − 1 2
𝑠𝑖 1 ≤ 𝑥 ≤ 3
4
1 𝑠𝑖 𝑥 > 3

68
−∞
A partir de 𝑓 𝑥 podemos
obtener 𝐹(𝑥) y viceversa. Es la
misma información con diferente
expresión.
𝑑𝐹(𝑥)
𝑓 𝑥 =
𝑑𝑥
69
Función de distribución 𝑭(𝒙)
𝐹 𝑥0 me proporciona directamente probabilidades, la probabilidad de tener

valores menores o iguales a 𝑥0 .
𝐹(𝑥0 ) = 𝑃(𝑋 ≤ 𝑥0 )
𝒙𝟎
න 𝒇 𝒙 𝒅𝒙 = 𝟎. 𝟒𝟓
−∞
La probabilidad
𝑓(𝑥)
acumulada se obtiene
integrando 0.45
𝑥0 𝑥0

70
Cálculo de probabilidades con la función de distribución:
𝑥2 𝑥2 𝑥1
𝑃 𝑥1 < 𝑋 < 𝑥2 = න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑥 𝑑𝑥 − න 𝑓 𝑥 𝑑𝑥 = 𝐹 𝑥2 − 𝐹(𝑥1 )
𝑥1 −∞ −∞
_
= 𝐹 𝑥2
𝐹(𝑥1 )
𝐹 𝑥0 ya me da la integral; la probabilidad de
tener valores menores o iguales a 𝑥0 .

71
𝑋
𝑓(𝑥)
0 𝑠𝑖 𝑥 < 1
𝐹 𝑥 = −1 𝑥 −4 𝑥 −1 2
𝑠𝑖 1 ≤ 𝑥 ≤ 3
4
1 𝑠𝑖 𝑥 > 3
A partir de la función de distribución, calcula la probabilidad de que una pieza que se fabrique sea válida
𝑃(Válida) = 𝑃 1.7 < 𝑋 < 2.4 = 𝑃 𝑋 < 2.4 − 𝑃 𝑋 < 1.7

= 𝐹 2.4 − 𝐹 1.7 = 0.784 − 0.2817 = 0.5023

72
algunos ejemplos… Funciones de densidad Funciones de distribución
algunos ejemplos… Funciones de distribución
Funciones de densidad

2.Variables aleatorias univariantes discretas
3.Variables aleatorias univariantes continuas

Buscamos medidas que resuman algunas características de la variable aleatoria
1. Media
2. Moda
3. Varianza
4. Cuartiles y percentiles

76
¿Qué es la media de una variable aleatoria?
Es el promedio de los infinitos datos que forman la

población. Los infinitos datos que se obtienen de repetir el
experimento aleatorio infinitas veces.
Esta operación no es posible hacerla

¿Cómo lo podemos calcular?
Utilizando la función de probabilidad 𝒑(𝒙) o la de

densidad 𝒇(𝒙), pues en ellas está toda la información
de la variable aleatoria
¿Cómo extraemos esa información?

77
1 - Media de una variable aleatoria
NOTACIÓN
A la media de una variable aleatoria se le suele denotar por los siguientes términos:
• Media poblacional
• Valor esperado
• Esperanza
• Esperanza matemática
• 𝐸(𝑋) (se lee ‘esperanza de X’)
• 𝜇 (letra griega ‘mu’)
Es muy habitual emplear letras griegas para

denotar características de la población

78
De forma similar a la media aritmética de un conjunto de datos, la media de

una variable aleatoria es el centro de gravedad de su distribución.
¿Cómo lo calculamos a partir de 𝑝(𝑥) o 𝑓(𝑥)?

79
Para variables aleatorias discretas…
Sea 𝑋 una variable aleatoria discreta que toma los valores 𝑥1, 𝑥2, … , 𝑥𝐾 con función de probabilidad 𝑝 𝑥 .
¿Cuál es la media poblacional?
En el Tema 1: para el cálculo de la media de un conjunto de datos que

repiten sus valores ...
𝑥1 se repite 𝑛1 veces
𝑥2 se repite 𝑛2 veces 𝐽
... 𝑥ҧ = ෍ 𝑥𝑗 𝑓𝑟 (𝑥𝑗 )
𝑥𝐽 se repite 𝑛𝐽 veces 𝑗=1
Donde 𝑓𝑟 (𝑥𝑗 ) es la frecuencia relativa del valor 𝑥𝑗

80
Para variables aleatorias discretas…
Sea 𝑋 una variable aleatoria discreta que toma los valores 𝑥1, 𝑥2, … , 𝑥𝐾
con función de probabilidad 𝑝 𝑥 .
𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑖 𝑝 𝑥𝑖
𝑖=1
Recordatorio del tema 1
𝐽
𝑥ҧ = ෍ 𝑥𝑗 𝑓𝑟 (𝑥𝑗 )
𝑗=1

81
Ejemplo Una centralita telefónica tiene 5 líneas. Sea 𝑋=número de líneas ocupadas, con función de probabilidad
𝑝(𝑥). Valores posibles: 𝑥 ∈{0,1,2,3,4,5} . ¿Cuántas líneas habrá ocupadas por término medio?
0.14 si 𝑥 =0
𝐾 0.27 si 𝑥 =1
𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑖 𝑝 𝑥𝑖 0.27 si 𝑥 =2
𝑝(𝑥) 0.18 si 𝑥 =3
𝑖=1
0.09 si 𝑥 =4
0.05 si 𝑥 =5
𝐸 𝑋 = 0 × 0.14 + 1 × 0.27 + 2 × 0.27

+3 × 0.18 + 4 × 0.09 + 5 × 0.05 = 1.96 líneas ocupadas
La media es sólo un indicador del centro de la distribución.

Aunque tenga las mismas unidades que 𝑋 no tiene por qué
ser un valor observable.

82
Para variables aleatorias continuas…
Sea 𝑋 una variable aleatoria continua, con función de

densidad 𝑓(𝑥)

∞
𝜇 = 𝐸 𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥
−∞
Es la misma operación
que en el caso discreto, 𝐾
pero con una integral
𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑖 𝑝 𝑥𝑖
𝑖=1

83
Ejemplo Sea 𝑋 una v. aleatoria continua definida en (0,1) con 𝑓 𝑥 = 12𝑥 2 (1 − 𝑥)
∞ 0 1 ∞
𝐸 𝑋 =න 𝑥𝑓 𝑥 𝑑𝑥 = න 𝑥𝑓 𝑥 𝑑𝑥 + න 𝑥𝑓 𝑥 𝑑𝑥 + න 𝑥𝑓 𝑥 𝑑𝑥
−∞ −∞ 0 1
0 12𝑥 2 (1 − 𝑥) 0
𝑓 𝑥 = 12𝑥 2 (1 − 𝑥) 1
1.8 𝐸 𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥
1.6 0
1 4 5 1
1.4
𝑥 𝑥 3
1.2
= න 12𝑥 3 (1 − 𝑥)𝑑𝑥 = 12 − =
1
0 4 5 0
5
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
3/5 = 0.6

84
• La esperanza matemática 𝐸 ⋅ es un operador –símbolo matemático que indica que hay que
hacer una operación-.
• Es como una función, en la que el argumento de entrada es una variable aleatoria, y el resultado
es un número
𝐸 𝑋 =𝜇
Variable número
aleatoria
Es lineal: 𝐸 𝑎𝑋 + 𝑏𝑌 + 𝑐 = 𝑎𝐸 𝑋 + 𝑏𝐸 𝑌 + 𝑐
Siempre se cumple

85
Ejemplo Sea 𝑋 una variable aleatoria de media 10, y 𝑌 otra variable aleatoria de media 6.
Construimos la variable aleatoria 𝑍 = 3𝑋 + 2𝑌. ¿Cuál es su valor medio?
𝐸 𝑍 = 𝐸 3𝑋 + 2𝑌 = 𝐸 3𝑋 + 𝐸(2𝑌) = 3𝐸 𝑋 + 2𝐸 𝑌 = 3 × 10 + 2 × 6 = 42
Ejemplo Sea 𝑋 una variable aleatoria de media 5, y 𝑌 otra variable aleatoria de media 2.
Construimos la variable aleatoria 𝑍 = 6𝑋 − 3𝑌 + 25. ¿Cuál es su valor medio?
𝐸 𝑍 = 𝐸 6𝑋 − 3𝑌 + 25 = 𝐸 6𝑋 − 𝐸 3𝑌 + 𝐸 25 = 6𝐸 𝑋 − 3𝐸 𝑌 + 25 = 6 × 5 − 3 × 2 + 25 = 49

86
Una propiedad importante que tiene la esperanza es que si tenemos una variable aleatoria 𝑋 y
conocemos su densidad 𝑓(𝑥), podemos calcular el valor medio de cualquier variable 𝑌 que sea
función de ella, es decir,𝑌 = 𝑔(𝑋) sin tener que conocer su densidad.
𝑘
෍ 𝑔 𝑥𝑖 𝑝(𝑥𝑖 ) , 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝑖=1
𝐸 𝑌 = 𝐸 𝑔(𝑥) = ∞
න 𝑔 𝑥 𝑓 𝑥 𝑑𝑥 , 𝑋 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞

87
Calcula el valor medio de 𝑌 = 𝑋
∞ 1
𝐸 𝑌 =𝐸 𝑋 =න 𝑥𝑓 𝑥 𝑑𝑥 = න 𝑥12𝑥 2 (1 − 𝑥)𝑑𝑥 = 0.7619
−∞ 0
∞
𝐸 𝑔(𝑥) = න 𝑔 𝑥 𝑓 𝑥 𝑑𝑥
−∞

88
1. Media
2. Moda
3. Varianza

89
2 - Moda de una variable aleatoria
Moda
La moda de 𝑋 es el valor 𝑥 que maximiza 𝑝(𝑥) o 𝑓(𝑥)
1.8
𝑓(𝑥) 16
𝑝(𝑥) 1.4 𝑓(𝑥)

1.2
1
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x 𝑥
moda moda moda

90
2 - Moda de una variable aleatoria
Moda
Las distribuciones pueden ser multimodales
Distribución trimodal
Distribución bimodal
𝑝(𝑥)
moda moda moda

moda moda

91
Recordatorio de tu curso de cálculo
Para calcular la moda hay Para calcular los máximos de una función hay que ver si hay máximos
que buscar los máximos relativos (tangente horizontal) que estén dentro del rango de valores de 𝑋,
absolutos y relativos de la y ver también el valor en los extremos, por si son más altos que los puntos
función donde haya tangente horizontal
En estos ejemplo, NO conseguiré encontrar el máximo usando solo 𝑓′(𝑥)

92
Calcula las modas que pueda tener
𝑓 ′ 𝑥 = 24𝑥 − 36𝑥 2 ; 𝑓 ′′ 𝑥 = 24 − 72𝑥
𝑓 𝑥 = 12𝑥 2 (1 − 𝑥) 𝑥 = 0, es un mínimo, 𝑓 ′′ 0 > 0

𝑓′ 𝑥 = 0 ⇒ ൞ 24 24
es un máximo, 𝑓 ′′
1.8
𝑥= = 0.667 <0
1.6 36 36
1.4
1.2
1
24
0.8
Se obtiene que, en ese máximo relativo: 𝑓 = 1.78
0.6 36
0.4
0.2 Por otra parte, en los extremos se tiene que 𝑓 0 = 𝑓 1 = 0

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
24
0.667 Por tanto, la moda está en 𝑥 = = 0.667
36

93
1. Media
2. Moda
3. Varianza

94
3 – Varianza de una variable aleatoria
Se denota con el símbolo 𝜎 2 (sigma cuadrado) y también Var(𝑋)

¿Cómo se calcula la varianza de una variable aleatoria?
Es el mismo concepto que la varianza de un conjunto de datos:

“La media de las desviaciones cuadráticas a la media”.
Recordemos cómo se calcula la varianza de un conjunto de datos
σ𝑛 2
2 𝑖=1 𝑥𝑖 − 𝑥ҧ
𝑠 = Se promedian las
𝑛 distancias a la
media al cuadrado
𝜎 2 = Var(𝑋) = 𝐸[ 𝑋 − 𝜇 2 ]
95
2 2
𝜎 = 𝐸[ 𝑋 − 𝜇 ]
Esto es una función de 𝑋
𝑌 =𝑔 𝑋 = 𝑋−𝜇 2
Recordemos de una diapositiva anterior
A partir de 𝑋 podemos calcular el valor medio de cualquier variable 𝑌 que sea función de ella, es decir,𝑌 = 𝑔(𝑋)
sin tener que conocer la densidad de 𝑌.
𝑘
෍ 𝑔 𝑥𝑖 𝑝(𝑥𝑖 ) , 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝑖=1
𝐸 𝑌 = 𝐸 𝑔(𝑥) = ∞
න 𝑔 𝑥 𝑓 𝑥 𝑑𝑥 , 𝑋 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞

96
2 2
𝜎 = 𝐸[ 𝑋 − 𝜇 ]
Esto es una función de 𝑋
𝑔 𝑋 = 𝑋−𝜇 2
𝑘
෍ 𝑥𝑖 − 𝜇 2 𝑝(𝑥𝑖 ) , 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
2 2 𝑖=1
𝜎 = 𝐸[ 𝑋 − 𝜇 ] = ∞
න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 , 𝑋 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
−∞
Desviación típica= 𝜎 ; Coeficiente de variación= 𝜎/|𝜇|

97
Ejemplo 𝑋= número de líneas ocupadas. 𝑥 ∈{0,1,2,3,4,5}.
0.14 si 𝑥 =0
0.27 si 𝑥 =1
0.27 si 𝑥 =2
𝑝(𝑥)
0.18 si 𝑥 =3
0.09 si 𝑥 =4
0.05 si 𝑥 =5
𝐸(𝑋) = 0 × 0.14 + 1 × 0.27 + 2 × 0.27 + 3 × 0.18 + 4 × 0.09 + 5 × 0.05 = 1.96
𝑘
𝜎2 = ෍ 𝑥𝑖 − 𝜇 2 𝑝(𝑥𝑖 )
𝑖=1
𝑉𝑎𝑟(𝑋) = (0 − 1.96)2 × 0.14 + (1 − 1.96)2 × 0.27 + (2 − 1.96)2 × 0.27

+(3 − 1.96)2 × 0.18 + (4 − 1.96)2 × 0.09 + (5 − 1.96)2 × 0.05 = 1.82

98
Ejemplo
Sea 𝑋 una v. aleatoria continua definida en (0,1) con 𝑓 𝑥 = 12𝑥 2 (1 − 𝑥)
1 1 4 5 1
𝑥 𝑥 3
𝐸 𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥 = න 12𝑥 3 (1 − 𝑥)𝑑𝑥 = 12 − =
0 0 4 5 0
5
∞ 1 2
3 1
𝜎2 =න 𝑥−𝜇 2𝑓 𝑥 𝑑𝑥 = න 𝑥− 12𝑥 2 (1 − 𝑥) 𝑑𝑥 =
−∞ 0 5 25

99
Algunas propiedades del operador varianza, Var(X)
Propiedad similar a la que tiene 𝑠 2

Var 𝑎 + 𝑏𝑋 = 𝑏 2 Var(𝑋) -ver tema 1-
Var 𝑎 − 𝑏𝑋 = Var 𝑎 + (−𝑏)𝑋 = −𝑏 2 Var 𝑋 = 𝑏 2 Var 𝑋
Si 𝑋 e 𝑌 son independientes…
Var 𝑎𝑋 + 𝑏𝑌 = 𝑎2 Var 𝑋 + 𝑏 2 Var(𝑌)
Var 𝑎𝑋 − 𝑏𝑌 = Var 𝑎𝑋 + (−𝑏)𝑌 = 𝑎2 Var 𝑋 + (−𝑏)2 Var(𝑌)

= 𝑎2 Var 𝑋 + 𝑏 2 Var(𝑌)

100
Ejemplo Sean 𝑋, 𝑌 variables aleatorias independientes, Si Var(𝑋) = 2 y Var(𝑌) = 3, calcula:

• Var(5𝑋 + 2)
• Var(3 − 2𝑋)
• Var(𝑋 + 3𝑌)
• Var 2𝑋 − 2𝑌
• Var(𝑋 + 𝑋)
Var 𝑎 + 𝑏𝑋 = 𝑏 2 Var(𝑋) Var 𝑎𝑋 + 𝑏𝑌 = 𝑎2 Var 𝑋 + 𝑏 2 Var(𝑌)

101
1. Media
2. Moda
3. Varianza
• Los conceptos de cuantil, percentil, o cuartil son muy similares

a los ya vistos en el Tema 1 para un conjunto de datos. Ahora
serían para toda la población.
• La intuición es la misma: son valores que dejan por debajo

cierto porcentaje de la población.
• No obstante hay algunas diferencias que son importantes.

103
En distribuciones continuas,
Un percentil 𝑃𝑝 es el valor que tiene una probabilidad acumulada exacta de 𝑝 × 100%.
Se pueden calcular a partir de 𝑓 𝑥 o de 𝐹(𝑥).
Prob=0.6
Por ejemplo, para el cálculo del
percentil 60 podemos hacer:
𝑃60
‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 0.60 ⇒ despejamos 𝑃60
F(𝑃60 ) = 0.60 ⇒ despejamos 𝑃60

𝑃60

104
Ejemplo Calcula la mediana 𝑄2 y el percentil 30, 𝑃30 , de la siguiente variable aleatoria
continua de la que tenemos su función de densidad y de distribución:
Función de densidad Función de distribución
0 𝑥<0
𝑓 𝑥 = 4𝑥 3 , 𝑥 ∈ 0,1 ; 𝐹 𝑥 = ቐ𝑥 4 0≤𝑥<1
1 𝑥≥1
𝑓(𝑥)
𝐹(𝑥)
1
1 0
0
105
Lo hacemos primero utilizando la función de densidad
Mediana:
𝑓 𝑥 = 4𝑥 3 , 𝑥 ∈ 0,1 ;
𝑓(𝑥)
𝑄2
න 4𝑥 3 𝑑𝑥 = 0.5
0
4 𝑄2
⇒ 𝑥 0 = 0.5
Prob= 0.5
⇒ 𝑄24 = 0.5
4
⇒ 𝑄2 = 0.5 = 0.841 𝑄2 = 0.841 1
0

106
Lo hacemos primero utilizando la función de densidad
𝑃30 Función de densidad
𝑓 𝑥 = 4𝑥 3 , 𝑥 ∈ 0,1 ;
𝑃30 𝑓(𝑥)
න 4𝑥 3 𝑑𝑥 = 0.3
0
4 𝑃30
⇒ 𝑥 0 = 0.3
Prob= 0.3
4
⇒ 𝑃30 = 0.3
4 1
⇒ 𝑃30 = 0.3 = 0.74 0 𝑃30 = 0.74

107
Ejemplo Lo hacemos ahora utilizando la función de distribución. Es más sencillo que utilizando 𝑓(𝑥),
pues 𝐹(𝑋) nos ofrece ya probabilidades acumuladas.
Función de distribución
0 𝑥<0
𝐹 𝑥 = ቐ𝑥 4 0≤𝑥<1
1 𝑥≥1
Mediana
𝐹 𝑥
𝐹 𝑄2 = 0.5
Gráficamente, equivale a
entrar por el eje Y de 𝐹(𝑥)
⇒ 𝑄24 = 0.5 con la probabilidad
acumulada deseada y leer el 0.5
valor del eje X que le
4 corresponde
⇒ 𝑄2 = 0.5 = 0.841
𝑄2

108
Ejemplo Lo hacemos ahora utilizando la función de distribución. Es más sencillo que utilizando 𝑓(𝑥),
pues 𝐹(𝑋) nos ofrece ya probabilidades acumuladas.
Función de distribución
0 𝑥<0
Percentil 30 𝐹 𝑥 = ቐ𝑥 4 0≤𝑥<1
1 𝑥≥1
𝐹 𝑥
𝐹 𝑃30 = 0.3
4
⇒ 𝑃30 = 0.3 Gráficamente,
equivale a entrar por
el eje Y de 𝐹(𝑥) con 0.3
la probabilidad
4 acumulada deseada y
⇒ 𝑃30 = 0.3 = 0.74 leer el valor del eje X
que le corresponde
𝑃30

109
Gráficamente, equivale a entrar por el eje Y de 𝐹(𝑥) con la probabilidad
acumulada deseada y leer el valor del eje X que le corresponde
𝐹 𝑥
𝑝
100
𝑃𝑝
110
Para variables aleatorias discretas, existe el problema de que la función de distribución no es
monótona creciente, y por lo tanto no es invertible. Es necesario modificar la definición de
percentil para que sea válida tanto en el caso continuo como discreto
Veamos, por ejemplo, como obtener el 𝑃60 en una v. aleatoria continua y en otra discreta
Función de distribución Función de distribución

Caso continuo Caso discreto
no interseca
con 𝐹 𝑥
0.6 ??
0.6
0.4
??
𝑃60 No hay un valor

único que
acumule un 40%
111
Se necesitas una nueva definición de percentil ( o cuantil) para poder asignar un valor en el caso discreto
Para ello, dibujaremos 𝐹(𝑥) en una variable discreta como una escalera con ‘paredes’
Este es,
formalmente el
aspecto de 𝐹(𝑥)
en el caso
discreto. Los
‘peldaños’ no
tienen ‘pared’

112
Se necesitas una nueva definición de percentil ( o cuantil) para poder asignar un valor en el caso discreto
Para ello, dibujaremos 𝐹(𝑥) en una variable discreta como una escalera con ‘paredes’
Estas ‘paredes’
no son parte de
𝐹(𝑥) pues, de lo
contrario, un
mismo valor de 𝑥
tendría varios
valores de 𝑦, y ya
no sería una
función. Son sólo
unas líneas
‘auxiliares’.

113
La definición de percentil (cuantil) de una variable aleatoria, equivale, gráficamente,
a entrar por el eje Y con la probabilidad deseada hasta interceptar con la pared de
un escalón
0.6
𝑃60 = 2
114
La definición de percentil (cuantil) de una variable aleatoria, equivale, gráficamente,
a entrar por el eje Y con la probabilidad deseada hasta interceptar con la pared de
un escalón
0.4
𝑃40 = 1
115
La definición de percentil, o cuantil, para una variable aleatoria, continua o discreta es:
El percentil 𝒑 de una variable aleatoria 𝑿 es el mínimo valor de dicha

variable que acumula una probabilidad mayor o igual a 𝒑/𝟏𝟎𝟎
Función de distribución Función de distribución

Caso continuo Caso discreto
0.6 0.6
𝑃60 𝑃60 = 2
116
La definición de percentil, o cuantil, para una variable aleatoria, continua o discreta es:
El percentil 𝒑 de una variable aleatoria 𝑿, es el mínimo valor de dicha

variable que acumula una probabilidad mayor o igual a 𝒑/𝟏𝟎𝟎
𝑃𝑝 = min 𝑥: 𝐹 𝑥 ≥ 𝑝/100 𝑐𝑜𝑛 𝑝 ∈ {1,2, … , 99}

𝑥∈ℝ𝑋
• Los percentiles (y cuartiles) son valores de la En variables continuas se cumplirá

variable aleatoria, son valores observables. siempre que 𝐹 𝑃𝑝 = 𝑝/100
pero en las discretas no.
• Eso no se cumplía en la definición de
percentiles de un conjunto de datos, donde
en muchas ocasiones se interpolaba entre
dos valores observados.

117
Ejemplo La siguiente tabla muestra una variable aleatoria 𝑋 y su función de
distribución. Calcula los cuartiles
𝑋 𝐹(𝑥)
0 0.14 𝑄1 : es el mínimo valor de 𝑋 que acumula un 25% de la
1 0.41 probabilidad o más.
2 0.68 𝑄1 = 1
3 0,86
4 0.95 𝑄2 : es el mínimo valor de 𝑋 que acumula un 50% de la
5 1.00 probabilidad o más.
𝑄2 = 2
𝑄3 : es el mínimo valor de 𝑋 que acumula un 75% de la

probabilidad o más.
𝑄3 = 3

118

Tema 03 Diapositivas VAleatorias

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 03 Diapositivas VAleatorias

Cargado por

Copyright:

Formatos disponibles

TEMA 3 – VARIABLES ALEATORIAS

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

1. Definición de variable aleatoria

Algunas imágenes han sido extraídas de Pixabay

Es un valor o conjunto de valores de

Si obtenemos un nuevo dato manteniendo

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Experimento 1 Variable Valores posibles

Lanzo dos dados que

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

1- 𝑥=4 Cada vez que repetimos el

𝑥=6 No podemos anticipar qué saldrá

6- 𝑥 = 12 Estos factores sujetos al azar son

Experimento 2 Variable Valores posibles

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

2+2 𝑥=4 Ahora todas las veces que repito el

2+2 𝑥=4 Porque las condiciones de

No hay lugar para que el azar influya

Lanzo dos dados que estén Calcular el resultado

Lanzo dos dados que estén

• Las condiciones de experimentación NO contienen a TODOS los

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Experimento aleatorio: observar el resultado de lanzar una moneda dos veces

Variable aleatoria: X=número de caras

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Experimento: proceso de obtener un dato dadas unas condiciones de experimentación. La obtención

Variable aleatoria: es el resultado (numérico) de un experimento aleatorio. Es la variable numérica

Ejemplo: Experimento- observar el resultado de lanzar un dado

Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

2. Modelo de probabilidad: función

Ejemplo: Experimento- observar el resultado de lanzar una moneda

• Valores posibles: {1=cara,0=sello}

Experimento aleatorio: observar el resultado de lanzar una moneda dos veces

Variable aleatoria: X=número de caras al lazar dos veces la moneda

Obtenemos estos valores porque los cuatro sucesos

Variable aleatoria: letras mayúsculas del final del alfabeto

Ejemplo: 𝑋=resultado de lanzar una moneda

• Cuando nos refiramos de forma genérica a un valor numérico concreto

𝑃(𝑋 = 𝑥) es la probabilidad de que la variable aleatoria 𝑋 tome el valor 𝑥

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

1. Definición de variable aleatoria

Algunas imágenes han sido extraídas de Pixabay

Sean 𝑥1, 𝑥2, … , 𝑥𝐾 , los valores posibles que puede tomar.

𝑋= valor al lanzar un dado 𝑥1 = 1 𝑥3 = 3 𝑥5 = 5

𝑋= estado aceptable/defectuoso de un 𝑥1 = 0 (aceptable)

𝑋 = número de clientes que llegan a un 0,1,2,3,4,5, …idealmente infinitos, pero

Para definir una variable aleatoria discreta 𝑋 necesitamos:

1- Los valores posibles que puede tomar 𝑥1, 𝑥2, … , 𝑥𝐾

2- Un modelo de probabilidad que asigne probabilidades a cada valor de 𝑋

Función de probabilidad 𝑝(𝑥)

Función de distribución 𝐹(𝑥)

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Para otro valor de 𝑥 diferente de 𝑥1 , 𝑥2 , … , 𝑥𝐾 la función de probabilidad vale 𝑝 𝑥 = 0

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

• 𝑋 = resultado de lanzar un dado

Función de probabilidad: 𝑝(𝑥) = 1/6 para 𝑥 = 1, … , 6. Cero en el resto de la recta real

A este tipo de variables aleatorias con K

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Sea 𝑋 =número de líneas ocupadas en una unidad de tiempo.

ESTADÍSTICA Y PROBABILIDAD estadisticaudep.com

Sea 𝑋 =número de líneas ocupadas en una unidad de tiempo.

𝑝 2 = 𝑃(𝑋 = 2) = 0.27 Por ejemplo: