Variables aleatorias y sus

distribuciones
1. Variables aleatorias discretas
2. Media y varianza
3. La distribución binomial
4. Distribuciones continuas
5. La distribución normal
6. Una función de una variable
aleatoria
 Características
 Una variable aleatoria es una función con valores
numéricos y definida sobre un espacio muestral
 Una variable aleatoria discreta toma diversos
valores con probabilidades especificadas por su
distribución de probabilidad
 Utilidad de una v.a.: reduce el espacio de muestra
a uno más fácil de manejar
 Ejemplo: En una familia de 3 hijos, cuál es la
probabilidad de que haya un varón o menos?

1 3 1
Pr( X  1)  p (0)  p(1)   
8 8 2
a) Variable aleatoria X= “Cantidad de varones”
b) Diagrama de su distribución de probabilidad
Variable aleatoria general X
 Variable aleatoria
 Frecuentemente interesa conocer más que el
resultado de un experimento aleatorio, una
función de dicho resultado.
 Una variable aleatoria es una función con valores
numéricos y definida sobre un espacio muestral
 Si lanzamos al aire tres monedas, podemos
definir la función como X:
X: número de caras que resultan del
experimento.
 Variable aleatoria
 Hemos definido una función del espacio muestral
en la recta. Tales funciones X, cuyos valores
dependen del resultado de un experimento
aleatorio se llaman variables aleatorias.
 Si toma ciertos valores aislados de un intervalo,
es v.a. discreta, sino continua.
 La distribución se puede representar como:
– Tabla
– Diagrama
– Fórmula
Distribución de probabilidad de una
variable aleatoria
 La distribución de probabilidad de una variable
aleatoria X es el conjunto de sus posibles
valores numéricos x1, x2,…,xn y las
probabilidades correspondientes Pi, i=1,2,…,n
tal que:
p ( xi )  0, i


 p( x )  1
i
 La colección de pares (xi,p(xi)) es llamada
i 1
distribución de probabilidad.
 Media y Varianza
 Si el tamaño de la muestra aumentara
ilimitadamente, la distribución de
frecuencia relativa se fijaría en la
distribución de probabilidad.
 A partir de la distribución de frecuencia
relativa, se puede calcular la media y la
varianza de la muestra (Cap. 2)
 Es natural que a partir de la distribución
de probabilidad se calculen los valores
análogos con las siguientes definiciones:
 Definiciones
Media de población
  x x
p( x)

Varianza

 (x  )
2
 2
 p( x)
x

Se simplifica como :
2   x 2

x
p ( x )   2
Cálculo de la media y la varianza de X= número de varones
 Función de densidad de
probabilidad
 La función de densidad de probabilidad de
una variable aleatoria X se denota como:
f X (x)

 Se define de modo tal que:

f X ( x)x
 representa la probabilidad de ocurrencia de X en
el intervalo:
 x x 
 x  , x 
 2 2 
 Función de densidad de una
Variable aleatoria
f x ( xi )  P[ X  xi ]
Propiedades

f x ( xi )  0

f
i
x ( xi )  1
 Esperanza de una variable
aleatoria
 Sea X una V.A. continua que toma los
valores x1,x2,…xn con f.d. fx(xi), entonces:
n
E ( X )   xi f x ( xi )
i 1
 Si X es una V.A continua entonces:

E ( X )   Xf x ( x)dx


 E(X) también se la conoce como media de X,

o media de la población y se la nota E(X)=μ
Varianza de una variable aleatoria
 Sea X una variable aleatoria con función de
densidad fx(x), definimos varianza de X:

 2  E[( X  E ( X )) 2 ]  E[( X   ) 2 ]

 Si X es una variable discreta

 (x  )
2
Var ( X )  i f x ( xi )
  X 

 Si X es una variable continua

 2
Var ( x)   ( X   ) f x ( x)dx

Varianza de una variable aleatoria
 La varianza sigma cuadrado es una medida de
dispersión de los valores de la variable aleatoria con
respecto a su centro de gravedad μ.
 Consideremos una variable aleatoria con la siguiente
distribución de probabilidad.

X 6 7 8
f(x) 0.4 0.4 0.2

 E(X)=6*0.4+7*0.4+8*0.2=6.8
 Var(X)=(6-6.8)^2*0.4+(7-6.8)^2*0.4+
(8-6.8)^2*0.2=0.56
Transformación lineal Y de una v.a. X
 Asimetría
3
1 n
Sesgo  
n  1 i 1
( xi  X )

Coeficient e de asimetría :
sesgo
 3

Distribuciones

Para una v. a. continua, la función

de distribución acumulada es :
x
FX ( x)  P[ X  x]   f X ( x)dx


Es la probabilidad de tener el valor

de X menor o igual que x
Función de distribución acumulada
 Se define como la probabilidad de que la
variable aleatoria X sea menor o igual
que algún valor particular.
F(x)=P[X≤x]
 Si X es una variable aleatoria discreta

FX ( x)   P[ X  xi ]
xi  x
 Como F(x) representa una probabilidad
es claro que 0≤F(x)≤1 además:
Función de distribución acumulada
a. Limite Fx=0

X→-oo
b. Limite Fx=1

X→+oo
c. Si x1 < x2 entonces Fx(x1) ≤ Fx(x2)
x
 La función acumulada para la variable
aleatoriaX continua X será: 
F ( x)  P[ X  x]  f (h)dh

Distribuciones de variable discreta
(Probability Density Functions)
Distribuciones de variable
continua
 Procesos de Bernoulli
 Hay un cierto número de fenómenos aleatorios
conocidos como procesos de Bernoulli.
 Se denominan ensayos de Bernoulli, a aquellos
ensayos independientes que repetidos un
número fijo de veces tienen las siguientes
características:
1) Hay sólo dos resultados posibles: éxito o
fracaso
2) La probabilidad de éxito es la misma en cada
ensayo. Independencia.
 Ensayos de Bernoulli
 Tirar una moneda, suponiendo que la
moneda es perfecta, cada tirada se
denomina un ensayo y tiene dos posibles
resultados: uno de ellos se considera
éxito. P(E)=p y P(F)=q
 Extraemos de una urna con 4 fichas rojas
y 3 azules una bolilla; anotamos su color y
la devolvemos a la urna. P(roja)=4/7 y
P(azul)=3/7
 Proceso de fabricación de artículos
electrónicos: elección de una muestra,
defectuoso o no defectuoso.
 Distribución Binomial: para v.a.
discretas
 En general, para n repeticiones
independientes de un ensayo de Bernoulli,
la probabilidad de obtener v éxitos está
dada por:

P X v n . pv.qn v

v
 Coeficientes binomiales:
 Distribución Binomial
 Se define la variable aleatoria :
X= “número de éxitos en las n repeticiones”,
 Se dice que sigue una distribución binomial o
sigue un Modelo Binomial con parámetros n y p.
 E(X)=np

 Var(X)=npq

 La distribución acumulada es:

k
P X k n . p v . qn v

v 0 v
Ejemplos de variables binomiales
 Consideremos el experimento de
lanzamiento de dos dados:
1 2 3 4 5 6

1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)

3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)

5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

Distribuciones de variable
continua
 a) Histograma de frecuencia relativa
b) Trazado a nueva escala en la densidad de f.r.

La suma de frec relativas es 1

Cubre un área total igual a 1

 Qué sucede con la densidad de
frecuencia relativa de una v.a.
continua a medida que aumenta el
tamaño de la muestra?
 Influyen menos las fluctuaciones de la suerte.
 Permite una definición más clara de las células

 Mientras el área permanece fija, la densidad

de frecuencia relativa tiende a la función de
densidad de probabilidad.
Relación entre la densidad de frecuencia relativa y
la densidad de probabilidad
 Distribución normal (curva de Gauss)

2
1  x 
1  
2 

f X ( x)  e 

2
 x 
Z  
  

Curva campana simétrica

 Distribución Normal Standard
Una variable con distribución normal estándar
(μ=0 σ=1) se nota con la letra Z.
Si:

X  N ( , 2 )

Conversión: la variable Z se define como:

X 
Z


Para que tenga una distribución Normal estándar.

Efectos de escala
 Distribución Normal
 Se ve que -como
en cualquier
distribución
continua- la
probabilidad de
que P(X=a)=0 para
cualquier a. Luego
lo que se calculan
son áreas (gráfico).
Distribución Normal
 Ejemplos

Pr( Z  0.6)  0.2743

Pr(0.6  Z  1.3) 
Pr( Z  0.6)  Pr( Z  1.3) 
 0.2743  0.0968  0.1775
 Ejemplo

Pr( 1  Z  2) 
1  Pr( Z  1)  Pr( Z  2) 
Pr( Z  2)  0.0228
Pr( Z  1)  Pr( Z  1)  0.1587
1  0.1587  0.0228  0.8185
 Distribución Normal
 Es la más usada de las distribuciones continuas de
probabilidad, ya que es la distribución límite de varios
modelos, incluso discretos y ajusta muy bien a muchas
situaciones reales. Su función de densidad es la siguiente:
2
1  ( x ) 
  

2 
e 
f ( x) 
 2

 Su forma es la conocida campana de Gauss. Una vez que

se especifican la media μ y el desvío estándar σ, la curva
normal queda completamente determinada.
 Si una v.a. continua X sigue una distribución Normal con
parámetros μ y σ, lo denotamos como: 2
X  N ( , )
 Distribución Normal

Las cuatro distribuciones del gráfico son normales, con

distintos valores de la media y la desviación típica. La
verde es la "normal reducida", de media cero y desviación
típica uno.
 Distribución Geométrica
 Definimos sobre Ω , la variable aleatoria X que
denota el número de repeticiones necesarias
hasta obtener el primer éxito. Es claro que dicha
variable asume los valores 1,2,3,….etc. Esta
variable aleatoria así definida sigue la
distribución:

q=1-p
 Esta variable con distribución geométrica tiene
las siguientes propiedades:
 Distribución de Poisson
 El modelo probabilístico de Poisson, es utilizado a
menudo para variables aleatorias distribuidas en el
tiempo o en el espacio. Por ej: Número de bacterias
por cm3 de agua, número de accidentes con
motocicletas por mes, etc.
 Para que el modelo de Poisson esté presente debe
verificar lo siguiente:
1) Los sucesos que ocurren en un intervalo (de tiempo,
región del espacio, etc) son independientes de los
que ocurren en cualquier otro intervalo (de tiempo,
región del espacio, etc)
2) La probabilidad de que un suceso se presente, es
proporcional a la longitud del intervalo.
3) La probabilidad de que uno o mas sucesos se
presenten en un intervalo muy pequeño es tan
pequeña que puede despreciarse.
Distribución de Poisson
 Distribución de Poisson
 La función de densidad de probabilidad es:
e   k
P( X  k ) 
k! (1)
 E(X)=λ Var(X)= λ
 La función de distribución acumulada
(fda) esta dada por:

x
e   i
F ( x)  
i 0 i!
 Proceso de Poisson
 Considere eventos aleatorios tales como el arribo de
aviones a un aeropuerto, el arribo de barcos a un puerto,
el arribo de llamadas a una central, la falla de máquinas en
una fábrica, etc.
 Estos eventos pueden ser descriptos por una función de
conteo N(t) definida para todos los t >=0.
Esta función de conteo representará el número de eventos
que ocurrirán en [0,t].
El tiempo cero es el punto en el cual la observación
comienza, ya sea que un arribo ocurra o no en ese
instante.
 Si los arribos ocurren de acuerdo a un proceso de Poisson,
la probabilidad de que N(t)=n es:

e   t ( t ) n (2)
P( N (t )  n) 
n!
 Función de Densidad

e   k  t
e ( t ) n
P( X  k )  P( N (t )  n) 
k! n!

 Si comparamos la ecuación (1) con (2) vemos que

N(t) tiene una distribución de Poisson con
parámetro α=λt, por lo tanto su media y su
varianza son:
E[N(t)] = α = λt = V[N(t)]
 Distribución uniforme
 Es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
 Una variable aleatoria X esta uniformemente distribuida en
el intervalo (a,b) si su función es la siguiente:
 1 ,a  x  b

f ( x)   b  a
 0, otro

 La función de distribución acumulada esta dada por:

 0, xa
x  a
F ( x)   ,a  x  b
b  a
 1, xb
 La media y la varianza de la distribución están dadas por:

ab (b  a ) 2
E( X )  V (X ) 
2 12
Distribución uniforme

 1 ,a  x  b

f ( x)   b  a
 0, otro
 Distribución triangular
 2( x  a ) f(x )

 (b  a )(c  a ) a xb

 2(c  x)
f ( x)   bxc
 (c  b)(c  a )
 0, otro

a b c x

 La esperanza es:
 0, xa
abc  ( x  a) 2
E( X )   a xb
3  (b  a )(c  a)
F ( x)   2
1  ( c  x )
bxc
 (c  b)(c  a)
 1 xc
 Distribución Exponencial
 Esta distribución ha sido usada para modelar
tiempos entre arribos cuando los arribos son
totalmente aleatorios (ver relación con Poisson).
 Su función de densidad de probabilidad esta dada
por: e  x x  0
f ( x)  
 0 otro

 La fda se define como

 0 x0
 x
F ( x)   e t dt  1  e t
0
x0
Distribución Exponencial
 Distribución chi-cuadrado
 Brinda un criterio de “bondad del ajuste”
 Se usa para decidir si ciertas variables son
independientes o no
 Def.: sea Z1, Z2, …Zk k distribuciones normales
estándar. Entonces
2 2 2 2
  Z  Z  ....Z
1 2 k

es la distribución chi-cuadrado con k grados de

libertad
 Distribución para k=1,4,6,8
 La distribución no es
simétrica
K=1  Es sesgada a la
K=4 derecha
 Para valores grandes
de k la distribución
se acerca a la
distribución normal
 Lectura obligatoria
 Cap. 4 Wonnacott - Págs 77-100
 Cap. 6 Rao – Págs 452-487