Variables Aleatorias
Variables Aleatorias
Variables Aleatorias
Preparado por:
3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.5 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2
Probabilidad y Estadística
3.1. I NTRODUCCIÓN
En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de
resultados observados al realizar un experimento aleatorio, presentando para cada valor su frecuen-
cia, esto es, el número de veces que sucede cada resultado.
Sin embargo, antes de realizar un experimento aleatorio no se puede predecir con exactitud qué
resultados se van a observar, sino que, como mucho, se puede describir cuales van a ser los resultados
posibles y con qué probabilidad puede ocurrir cada uno de ellos. En muchas ocasiones, nos interesa
más que el resultado completo del experimento, una función real de los resultados.
Tales funciones cuyos valores dependen de los posibles resultados de un experimento aleatorio,
se llaman variables aleatorias. En todo proceso de observación o experimento aleatorio podemos
definir una variable aleatoria asignando a cada resultado del experimento un número:
si el resultado del experimento es numérico porque contamos o medimos, los posibles valores
de la variable coinciden con los resultados del experimento.
Llamamos variables aleatorias a aquellas funciones cuyos valores dependen de los resultados de
un experimento aleatorio. Más precisamente:
Definición 1
Sea Ω un espacio muestral, se dice que X es una variable aleatoria, si es una función de Ω en los
R, es decir,
X : Ω −→ R
ω 7−→ X (ω )
Es decir, una variable aleatoria es un medio para describir los resultados del espacio muestral.
Las variables aleatorias se clasifican en variables aleatorias discretas y variables aleatorias continuas.
Definición 2
Sea Ω un espacio muestral, se dice que X es un variable aleatoria discreta, si img( X ) es un con-
junto finito o numerable.
Ejemplo 3.2.1. Determine una variable aleatoria para cada uno de los siguientes experimentos alea-
torios
1. Una persona visita un almacén y lo pueden atender directamente o le pueden pedir que espere.
3.1. INTRODUCCIÓN 3
Probabilidad y Estadística
Solución. Se tiene
1. El espacio muestral sería Ω = { A, E} donde A representa ser atendido y E tener que esperar,
podemos definir la variable aleatoria
X: Ω → R donde X ( A) = 1 X ( E) = 0.
donde
0 si ω ∈ {SSSS},
1 si ω ∈ {CSSS, SCSS, SSCS, SSSC },
X (ω ) = 2 si ω ∈ {CCSS, CSCS, CSCS, . . . , SSCC }
3 si ω ∈ {CCCS, CCSC, CSCC, SCCC },
4
si ω ∈ {CCCC }.
Para definir a una variable aleatoria discreta, debemos indicar el valor que toma la variable en
cada elemento del espacio muestral.
Definición 3 – Probabilidad
Sea X : Ω → R una variable aleatoria discreta, se dice que la probabilidad de x ∈ R bajo X,
notada por P ( X = x ), como
P ( X (τ ) = x |τ ∈ Ω) si x ∈ img( X )
P (X = x) =
0 si x 6∈ img( X )
Ejemplo 3.2.2. Se lanzan dos monedas justas y se cuenta el número de caras que aparecen. Determine
la función de de masa de probabilidad para este experimento y trace la gráfica correspondiente.
Solución. Sea C si la moneda cayó en cara y S si la moneda cayo en sello. El espacio muestral del
experimento es
Ω = {CC, CS, SC, SS}
tomemos X variable aleatoria que representa la cantidad de caras que aparecieron, entonces
X: Ω → R
donde
0 si ω = {SS}
X (ω ) = 1 si ω = {CS, SC }
2 si ω = {CC }
1
si x = 0,
4
2
P (X = x) = si x = 1,
4
1
si x = 2.
4
Teorema 1
Sea X una variable aleatoria discreta y Ω su espacio muestral. La función de probabilidad debe
cumplir:
1. 0 ≤ p( x j ) ≤ 1
n
2. ∑ p( x j ) = 1
j =1
F : R −→ R
x 7−→ F ( x ) = P ( X ≤ x )
es decir,
F(x) = ∑ p ( t ).
t≤ x
X P (X = x)
1 0.20
2 0.25
3 0.15
4 0.40
2. Calcule P ( X < 3)
Solución.
1. Comprobamos que
Teorema 2
Si X es una variable aleatoria discreta,
img( X ) = { x1 , x2 , . . . , xn },
1. Si se conoce p, F ( x ) = ∑ p(t)
t≤ x
2. Si se conoce F,
F ( x j ) − F ( x j −1 ) si x = x j
p( x ) = P ( X = x ) =
0 si x ∈
/ img( X )
X P (X = x)
1 0.20
2 0.25
3 0.15
4 0.40
1. Calcule P ( X < 2)
2. Calcule P ( X ≥ 2)
Solución. Tenemos
Luego
P ( X ≥ 2) = P ( X = 2) + P ( X = 3) = 0.15 + 0.40 = 0.55
o también,
P ( X ≥ 2) = 1 − P ( X < 2) = 1 − 0.45 = 0.55
Ejemplo 3.2.5. Se lanza un dado “justo” y se apunta el número que se observa en la cara superior.
De acuerdo a esto:
Solución. Como es un dado “justo”, cada una de las caras tiene la misma probabilidad de “salir”. Sea
X la variable aleatoria que representa el número que aparece en la cara superior.
1
6
si x = 1,
1
si x = 2,
6
1
si x = 3,
6
P (X = x) =
1
si x = 4,
6
1
si x = 5,
6
1
si x = 6.
6
P ( X sea par) = P ( x = 2 o x = 4 o x = 6)
= P ( X = 2) + P ( X = 4) + P ( X = 6)
= P ( X = 2) + P ( X = 4)
1 1 1 1
= + + = .
6 6 6 2
P ( X < 3) = P ( x = 1 o x = 2)
= P ( X = 1) + P ( X = 2)
1 1
= +
6 6
2 1
= = .
6 3
Una variable aleatoria es un medio para describir los resultados de un espacio muestral mediante
la asignación de valores. En el caso de una variable continua, los valores numéricos provienen de un
intervalo continuo.
Definición 6 – Variable aleatoria continua
Sea Ω un espacio muestral, se dice que X es un variable aleatoria continua, si img( X ) es un
intervalo de R.
Ejemplo 3.3.1. Determine una variable aleatoria para cada uno de los siguientes experimentos alea-
torios
2. Manejar un auto.
Solución. Se tiene
donde
X (ω ) = x
donde
X (ω ) = x
la cual verifica
1. f ( x ) ≥ 0 para todo t ∈ R,
Z +∞
2. f ( x )dx = 1.
−∞
Es decir, la probabilidad de que X tome valores dentro del intervalo [ a, b] es igual al área bajo la
curva f que también suele ser llamada curva de densidad.
Teorema 3
Sea X una variable aleatoria continua, entonces
1. P ( X = x ) = 0.
1. Trace la gráfica de f .
F : R −→ R
Z x
x 7−→ F ( x ) = P ( X ≤ x ) = f (t)dt
−∞
Teorema 4
Sea X una variable aleatoria continua y su función de distribución F y f su función de densidad,
se verifica que Z x
f ( x) = F′ ( x) y F(x) = f (t)dt
−∞
Teorema 5
Sea F la función de distribución de una variable aleatoria continua X, entonces
1. F es creciente.
2. Sea a ∈ R, F ( X > a) = 1 − F ( a)
1
4
si x = 0
P (X = x) = 2
4
si x = 1
Calcule la media de número de caras que pueden caer cuando se lanzan dos monedas.
Determine la media.
Solución.
23/2
Z +∞
µ = E (X) = x f ( x )dx = − 0P (0.5 < x < 1) = 0.9428
−∞ 3
Teorema 6
Sean X, Y variables aleatorias y α ∈ R, se tiene que
1. E (α) = α
2. E ( X + Y ) = E ( X ) + E (Y )
Definición 10
Varianza Si X es una variable aleatoria discreta, se dice que la varianza de X, notada por V ( X ),
está definida por
n
V (x) = ∑ ( x k − µ )2 p ( x k ).
k =0
Teorema 7
Sean X, Y variables aleatorias y α ∈ R, se tiene que
1. V ( X ) = E X 2 − ( E ( X ))2
2. V (α) = 0
1
si x = 0,
4
2
P (X = x) = si x = 1,
4
1
si x = 2.
4
Calcule la media de número de caras que pueden caer cuando se lanzan dos monedas.
√
de donde σ = 0.1111 = 0.3333.
Definición 11
Si X es una variable aleatoria discreta, p su función de densidad y q ∈ [0, 1]. El percentil q es el
valor xq que verifica
p( x < xq ) ≤ q y p( x ≤ xq ) ≥ q
Definición 12
Los cuartiles, notados como Qk con k ∈ {1, 2, 3} dividen a la distribución en cuatro partes iguales.
Se definen como el percentil con 0.25, 0.5 y 0.75 respectivamente, es decir,
1. Q1 = x0.25 ,
3. Q3 = x0.75 .
Definición 13
El rango intercuartílico representa la zona en la cual se encuentra el 50 % de la probabilidad y se
define por:
Rango intercuartílico = Q3 − Q1
Q2 − Q1 = Q3 − Q2
Definición 14 – Momento
Definimos momento de orden k respecto al origen, y lo notamos por mk ,
Definición 16
El coeficiente de asimetría está definido por
µ3
CA =
σ3
Definición 17
El coeficiente de apuntalamiento está definido por
µ4
CA =
p σ4
Definición 18
El coeficiente de variación está definido por
σ
CV =
|µ|
3.5. E JEMPLOS
Consideremos el experimento aleatorio lazar una moneda tres veces, en el cual notaremos con
“C”cuando salga cara y “S” cuando salga sello, con lo cual el espacio muestral estará representado
por
Ω = {CC, SC, CS, SS} ,
Existen varias variables aleatorias que se pueden construir en base a Ω, en particular, construya-
mos la variable aleatoria X que cuenta el número de caras obtenidas después de lanzar tres veces al
moneda, es decir,
X : Ω → {0, 1, 2, 3}
Notemos que existe una probabilidad igual de obtener “CC” o “SC”, con eso en mente vamos a
construir la función de densidad, donde
1
P ( X = 0) =
4
1 1 1
P( X = 1) = P({CS}, {SC }) = + =
4 4 2
1
P ( X = 2) =
4
es decir,
1
si x = 0
4
p( x ) = 1
2 si x = 1
1
si x = 2
4
1 1 1
∑ p( x ) = 4 + 2 + 4 = 1
14 3.5. EJEMPLOS
Probabilidad y Estadística
1 1
E( X ) = ∑ xk p( xk ) = 0p(0) + 1p(1) + 2p(2) = 0 + 2 + 2 4 = 1 = µ
Var ( X ) = ∑ ( x k − µ )2 p ( x k ) = (0 − 1)2 p (0) + (1 − 1)2 p (1) + (2 − 1)2 p (2)
1 1 1
= 1· + 0 + 1 · = = σ2
4 4 2
La distribución de la cantidad de grava (en toneladas) vendida por una compañía de materiales
de construcción en una semana dada es una variable continua aleatoria X con función de densidad
de probabilidad
3
(1 − x 2 ) 0 ≤ x ≤ 1,
f (x) = 2
0 en otro caso.
3
3 3 y3 3 x3
Z x
2
F(x) = (1 − y )dy = y− = x−
0 2 2 3 0 2 3
1
x2 x4
Z 1 Z 1
3 3 3 3
Z +∞
2 3
E( X ) = x f ( x )dx = x (1 − x )dx = ( x − x )dx = − =
−∞ 0 2 2 0 2 2 4 0 8
Si calculamos además
Z 1 Z 1
3 3 1
Z +∞
E( X 2 ) = x2 f ( x )dx = x2 (1 − x2 )dx = ( x2 − x4 )dx =
−∞ 0 2 2 0 5
De donde 2
1 3 19
Var ( X ) = − = = 0.059
5 8 320
y
σX = 0.244.
3.5. EJEMPLOS 15