VARIABLES ALEATORIAS

http://www1.up.edu.pe/portada/webcast/

MIGUEL ANGEL HUARINGA

SÁNCHEZ
CAPACIDADES

• El estudiante conocerá el concepto de variable

aleatoria y podrá analizar el comportamiento
probabilista de la variable, a través de su
distribución y sus características numéricas
• Aplicará el concepto de valor esperado y
varianza de una variable aleatoria discreta.
• Determinará probabilidades para variables
aleatorias discretas
EVENTOS NUMÉRICOS Y VARIABLES ALEATORIAS

• Los eventos de mayor interés para un científico, un

profesional o empresario son los eventos identificados
por números, llamados eventos numéricos.

• Un empresario estará interesado en el evento de que 10 de

15 empresas pequeñas obtengan utilidades por encima del
50%; otro empresario estará interesado en el evento que
las ventas el próximo año alcancen la cifra de cinco
millones de soles.

• A cada punto del espacio muestral se le asigna un número.

Los números variarán de un punto muestral a otro, pero a
ciertos eventos se les puede asignar el mismo número.
CONCEPTO DE VARIABLE ALEATORIA
• Sea “ε” un experimento aleatorio y Ω el espacio muestral
asociado a este experimento.
• Una función X: Ω →R(w), tal que a cada elemento ω Є
Ω, le asocia un número real
x = X(w) se denomina variable aleatoria (o función variable
aleatoria).
• El dominio de la v.a. X es todo Ω y el rango es un
subconjunto de ℝ que lo denotaremos por Rx
Variable Aleatoria
Ω X ℝ

Dominio de X Rango de X
OBSERVACIONES
• Si el Rango de X es un conjunto contable (finito
o numerable), se dice que la variable aleatoria es
discreta.
• Si el Rango de X es continuo, se dice que la
variable aleatoria X es continua, entonces x el
valor de la variable aleatoria X, puede tomar
cualquier valor de cierto intervalo o colección de
intervalos sobre la recta real.
Clasificación de las variables aleatorias
 8

Ejemplos variable aleatoria discreta

Experimento Variable aleatoria Valores posibles V.A

Llamar a cinco clientes Cantidad de clientes que

compran 0, 1,2,3,4,5

Inspeccionar un Cantidad de chips

embarque de 40 chips defectuosos 0,1,2,….,40

Funcionamiento de un Cantidad de clientes

restaurante durante un día 0,1,2,3…….

Vender un automóvil Sexo Cliente 0 si es hombre y 1 si es

mujer
 9

Ejemplos variable aleatoria continua

Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de un Tiempo en minutos, entre

banco llegadas de clientes X≥0

Llenar una lata de bebida

(máx =12.1 onzas) Cantidad de onzas 0 ≤ x ≤ 12.1

Proyecto para construir Porcentaje de ejecución

una biblioteca del proyecto 0 ≤ x ≤ 100

Ensayar un nuevo Temperatura cuando se

proceso químico lleva a cabo la reacción 150 ≤ x ≤ 212
deseada (min 150º F; máx
212ºF)
6-8

Variable aleatoria discreta

• Una variable aleatoria discreta es una variable
que puede tomar sólo ciertos valores diferentes
que son el resultado de la cuenta de alguna
característica de interés.
Ejemplo. En la tirada de dos dados si X es la suma
obtenida
Ω

X(1,1) = 2;
X(1,2) = X(2,1) = 3;
X(1,3) = X(3,1) = X(2,2) = 4;
………………………………..……
X(5,6) = X(6,5) = 11;
X(6,6) = 12
NOTACION:
X indica la función variable
aleatoria,
x representa el valor específico
que toma la variable aleatoria al
ser evaluada en Ω
 13

Función de Cuantía
Sea x el valor de una variable aleatoria X discreta. Una
función real valorada “ f ” definida en el rango de la
v.a. X, será una función de cuantía o una función de
probabilidad, si satisface las siguientes condiciones:

(i) f ( x)  0 x 
(Suma sobre todos los posibles valores
(ii)  f ( x)  1 que puede tomar la variable aleatoria).
x

OBSERVACIÓN: si x es el valor de una v.a. discreta X => f(x) es la

probabilidad que la variable aleatoria X, tome el valor de x

f(x) = P[X = x] 0 ≤ f(x) ≤ 1

6-4

EJEMPLO 1: sea el experimento lanzar una moneda tres

veces:
• El espacio muestral para este experimento será:
• Ω = {CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}
• Sea X la función variable aleatoria que asocia cada
elemento (w) de Ω, con el número de caras obtenidas.
• Entonces, los valores posibles de X (número de caras)
son:
 X(CCC) = 3
 X(CCS) = X(CSC) = X(SCC) = 2
 X(CSS) = X(SCS) = X(SSC) = 1
 X(SSS) = 0

 Luego Rx ={ 0, 1, 2, 3}
6-5

EJEMPLO 1 continuación

• El resultado “cero caras” ocurrió 1 vez.

• El resultado “una cara” ocurrió 3 veces.
• El resultado “dos caras” ocurrió 3 veces.
• El resultado “tres caras” ocurrió 1 vez.
 Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
3 monedas.
Elementos del
SSS SSC SCS CSS CCS CSC SCC CCC
espacio muestral

Ley de
correspondencia

Nº reales
(# de caras) 0 1 2 3 caras
Establecer una variable aleatoria

X :E 
para un experimento aleatorio no
es más que una manera de asignar
de "manera natural" números a los
eventos. w  X ( w) 16
6-6

Distribuciones probabilísticas
• Presentación tabular para el EJEMPLO 1,
Nº caras Probabilidad
x f(x)
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.1125
Total 8/8
 MAHS

Distribuciones probabilísticas
Gráfico de la función de cuantía f(x)

0.4 0.375 0.375

0.35

0.3

0.25

0.2

0.15 0.125 0.125

0.1

0.05

0 1 2 3

Número de caras
 MAHS

Distribuciones probabilísticas
Gráfico de la función de cuantía f(x)

0.4
0.375 0.375
P (X=2) = f(2)
0.35

0.3

0.25

0.2

0.15
0.125 0.125

0.1

0.05

0 1 2 3
Número de caras
6-7

Características de una distribución

probabilística

• La probabilidad de un resultado siempre

debe estar entre 0 y 1.
• 0 ≤ f(xi) ≤ 1
• La suma de todos los resultados
mutuamente excluyentes siempre es 1.
• ∑ f(xi) = 1
 21

Sea el experimento “lanzar dos dados”. Definamos el espacio

muestral Ω como:
Ω = {(1,1),(1,2),...(1,6),…..,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como:

con Ω = {2,3,...,12} la suma de los puntos de la cara superior.

Una posible función de probabilidad es:
f :   [0,1]
f (2)  P(X  2 )  P( (1,1) )  1/ 36
f (3)  P(X  3 )  P( (1,2)  (2,1) )  2 / 36
f (4)  P(X  4 )  P( (1,3)  (3,1)  (2,2) )  3 / 36
...
 22

Función de probabilidad de la variable aleatoria X

6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre positiva y está normalizada.
 23

Función de distribución
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F :   [0,1]
x  F ( x)  P( X  x)

En nuestro ejemplo de los dos dados:

F(5) = P(X  5) = P(x = 2 ó x = 3 ó x = 4 ó x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
 24
Función de distribución de la variable aleatoria X

F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
 25
Ejemplo: Dibuja la función de probabilidad f(x) y la función de
distribución F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6

1 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x

Función de probabilidad f(x) Función de distribución F(x)

 26

Algunos problemas de probabilidad están relacionados con la

probabilidad P(a <X  b) de que X asuma algún valor en un
intervalo. Observa que:

P(a < X  b) = F(b) - F(a)

Los sucesos X  a y a< X  b son mutuamente
excluyentes. Entonces:

F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)

En el ejemplo de los dos dados, calcula la probabilidad de que los

dos dados sumen al menos 4 pero no más de 8.

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

 27

Algunas propiedades de la función de distribución

F ()  lim F ( x)  lim P( X  x)  P( E )  1
x   x  

F ()  lim F ( x)  lim P( X  x)  P()  0

x   x  

P( x1  X  x2 )  F ( x2 )  F ( x1 )
F es monótona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de distribución
en ese punto.
 28

Variable aleatoria

Media, varianza y desviación típica de una variable aleatoria discreta.

Se llama media o esperanza de una v.a. discreta X, que toma los
valores x1, ,x2, ....con probabilidades p1, p2,... al valor de la siguiente
expresión:  
 i
x P( X  x ) 
i i 
xp i i i

La varianza viene dada por la siguiente fórmula: 

2
  i ( xi   )2 pi
que puede calcularse mediante:
 2   i xi2 pi   2

Ejemplo: La distribución de probabilidad de una v.a. X viene dada por la siguiente

tabla:
xi 1 2 3 4 5
pi 0.1 0.3 a 0.2 0.3

¿Cuánto vale P(X=3)?

Calcula la media y la varianza.
Otro ejemplo:

• El departamento de personal de una compañía

ha contratado a 5 hombres y tres mujeres para
que visiten universidades y recluten estudiantes
jóvenes. Para el efecto se envía un equipo de 3
personas. Suponga que se seleccionan al azar 3
de los ocho agentes. Sea Y el número de
hombres seleccionados.
• Construya el espacio muestral asociado a este
experimento
• Hallar la función de cuantía para Y, grafíquela.
6-10

Media de una distribución probabilística

discreta (valor esperado)

• La media:
▫ indica la ubicación central de los datos.
▫ es el promedio, a la larga, del valor de la variable
aleatoria.
▫ también se conoce como el valor esperado, E(x),
en una distribución de probabilidad.
▫ es un promedio ponderado.
 31
Esperanza matemática o media
de una distribución discreta

  E  X    xi P( X  xi )   xi f ( xi )
i i

x f(x) x f(x)
-1 .1 -.1
0 .2 .0
1 .4 .4
2 .2 .4
3 .1 .3
1.0
 32

Calcular la esperanza de la variable aleatoria X

en el ejemplo de los dos dados:

12
  E ( X )   f ( xi )  x 
i 2

1 2 6 1
 2   3  ...   7  ...  12  7
36 36 36 36
Propiedades de la función esperanza
• 1) E(a) = a con a ∈ R
• dem:
• E( a) = ∑ a * f( x ) = a ∑ f ( x ) = a , recordando que ∑ f( x ) = 1

• 2) E(a + bX) = a + b E(X) (es una función lineal)

• dem:
• E( a + bX ) = ∑ ( a + bx) f ( x ) = ∑ a f( x ) + ∑bx f( x ) =
• a ∑ f ( x ) + b ∑ x f( x ) = a +b E( X )

• 3) Sean gi (X) , i = 1,….., k funciones de una v.a. X ; entonces

k k
E [ g i ( x )]   E [ g ( x)]i
i 1 i 1
 34

Varianza y desviación estándar o típica

de una distribución discreta
Varianza

  Var ( X )  M 2  E ( X   )  
2 2

 (x  )
i
i
2
P( X  xi )

Desviación estándar o típica

  Var(X )
Ambas miden la “dispersión de los datos”. Observa que la desviación
típica lo hace con las mismas unidades que los propios datos.
 35
Ejemplo

X  ( X   ) ( X   )  P( X )
2 2
X P(X)

-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
 2   ( xi   ) 2 P( xi )  1,2
i

  Var( X )  1.10
 36

Calcula la varianza y desviación típica de la

variable aleatoria X en el ejemplo de los dos
dados:
12
Var ( X )   P(i)  (i  7) 2 
i 2

1 2 1
 (2  7)   (3  7)  ...   (12  7) 2  5,83
2 2

36 36 36

  Var( X )  5,83  2,41

 37

Algunas propiedades de la varianza

Var ( X )     ( xi   ) f ( xi ) 
2 2

 (x
i
i
2
   2  xi ) f ( xi ) 
2

x
i
i
2
f ( xi )   f ( xi )  2   xi f ( xi ) 
2

E ( X )    2   E ( X )  ( E ( X ))
2 2 2 2 2

  E ( X )  ( E ( X ))
2 2 2
6-14

EJEMPLO 2
• Dan Desch, # de casas Semanas
propietario de College pintadas
Painters, estudió sus 10 5
registros de las 11 6
últimas 20 semanas y
obtuvo los siguientes 12 7
números de casas 13 2
pintadas por semana:
determine su función
de probabilidad y
grafíquela.
6-15

EJEMPLO 2 continuación

• Distribución probabilística:
Número de casas Probabilidad, f(x)
pintadas, X
10 .25

11 .30

12 .35

13 .10

Total 1
6-16

EJEMPLO 2 continuación

• Calcule el número medio de casas pintadas por

semana:
  E ( x)  [ xf ( x)]
 (10)(.25)  (11)(.30)  (12)(.35)  (13)(.10)
  11.3
6-17

EJEMPLO 2 continuación

• Calcule la variancia del número de casas

pintadas por semana:

 2  [( x   ) 2 f ( x )]
 .4225  .0270  .1715  .2890
 .91
Propiedades de la varianza
• 1) V(a)=0 con a ∈ R
• dem:
• V( a ) = E [a − E( a )]2 = E( a − a )2 = E(0 ) = 0
• utilizando prop 1 de esperanza

• 2) V(aX) = a2 V(X)

• 3) V(aX+b) = a2 V(X)
EJEMPLO 3
Consideremos el lanzamiento de una moneda tres veces y definimos:
X(w) = Nc – Ns.
Hallar la distribución de probabilidad en forma tabular y gráfica.
Solución:
El Espacio Muestral es:
Ω = [ ccc, ccs, csc, scc ,css, scs, ssc, sss]

Entonces el Rango de x será:

Rx. = ( -3, -1, 1,3) ;

La distribución de probabilidad se obtiene,
calculando P(x) para cada x € Rx.
P(3) = P[X=3] = P(ccc) = 1/8
P(1) = P[X=1] = P(ccs) + P(csc) + P(scc) = 3/8
P(-1) = P[X=-1] = P(ssc) + P(scs) + P(css) = 3/8
P(-3) = P[X=-3] = P(sss) = 1/8
Luego cada x con su respectiva P(x) se lleva a una
representación tabular)
REPRESENTACIÓN TABULAR

X -3 -1 1 3

P(x) 1/8 3/8 3/8 1/8

X = Nc – Ns
Es claro que:
1.- P(x) > 0 , para todo X € Rx
2.- ∑ P(x) = 1
X € Rx
3/8

1/8

-3 -1 0 1 3
 Variable aleatoria

Media, varianza y desviación típica de una variable aleatoria discreta.

Se llama media o esperanza de una v.a. discreta X, que toma los
valores x1, ,x2, ....con probabilidades p1, p2,... al valor de la siguiente
expresión:  
 i
x P( X  x ) 
i i 
xp i i i

La varianza viene dada por la siguiente fórmula: 

2
  i ( xi   )2 pi
que puede calcularse mediante:
 2   i xi2 pi   2

Ejemplo: La distribución de probabilidad de una v.a. X viene dada por la siguiente

tabla:
xi 1 2 3 4 5
pi 0.1 0.3 a 0.2 0.3

¿Cuánto vale P(X=3)?

Calcula la media y la varianza.
47
 DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
DE UNA VARIABLE ALEATORIA DISCRETA
j
F ( x j )  P( X  x j )   xi
i 1

La FDA es una función no decreciente de X con las

siguientes propiedades.
1. 0  F ( x)  1
2. F ( xi )  F ( x j )  xi  x j
3. P(X  x)  1 - F ( x)
Además, si X pertenece al conjunto de los números
enteros:
4. P(X  x)  F ( x)  F ( x  1)
5. P( xi  X  x j )  F ( x j )  F ( xi  1)  xi  x j

consultar: Canavos, Prob. y Estad., Aplicaciones y

Métodos., Mc Graw Hill., pag. 56