Variable aleatoria

Dado un experimento aleatorio cualquiera, una

variable aleatoria es una transformacin X del
espacio de resultados al conjunto de nmeros
reales, esto es,

X :S R
EL valor de una variable aleatoria es un nmero
 Ejemplo
Suponga que un experimento aleatorio
consiste en lanzar al aire una moneda y
observar la cara superior una vez que la
moneda cae. Denotemos por Cara y Cruz
los dos lados de la moneda.
Entonces claramente el espacio muestral es el
conjunto = {Cara, Cruz}. Defina la variable
aleatoria:
X(Cara) = 0 y X(Cruz) = 1.
 Ejemplo
Consideremos el experimento aleatorio
consistente en lanzar un dardo en un tablero
circular de radio uno. El espacio muestral o
conjunto de posibles resultados del
experimento se puede escribir como sigue

S {( x, y) / x y 1}
2 2
 ejemplo
Si consideramos el experimento lanzar una
moneda al aire tres veces, nuestro espacio
muestral S estar formado por los ocho
posibles resultados elementales del
experimento, es decir:
S={(s,s,s),(s,s,a),(a,s,s), (a,s,a),
(a,a,c),(s,a,s),(s,a,a), (a,a,a)}.
Cada uno de estos sucesos (equiprobables) con una
probabilidad de 1/8. Podemos definir una funcin que a cada
uno de los resultados, le asigna el nmero de soles (o guilas)
obtenidas:

S R
(s,s,s) 3
(s,s,a) 2
(a,s,s) 2
(a,s,a) 1
(a,a,s) 1
(s,a,s) 2
(s,a,a) 1
(a,a,a) 0
As pues, una variable aleatoria es una funcin
con base en el resultado de un experimento
aleatorio, y por tanto el valor de una variable
aleatoria es un fenmeno aleatorio, pero a
diferencia del experimento aleatorio original
que puede tener resultados no numricos (sol
guila en una moneda), el valor de la
variable aleatoria es un fenmeno aleatorio
cuyos resultados son siempre numricos.
 Variable de tipo discreto:
Una variable aleatoria X diremos que es de tipo
discreto, o simplemente discreta, si el
conjunto de valores que toma esta variable
aleatoria (X(S)) es un conjunto contable (finito
o infinito numerable).
El lanzamiento de un dado, la combinacin
ganadora del sorteo de la melate, el nmero
de llamadas telefnica que recibe una central,
etc.
 Variable aleatoria continua
Si un espacio muestral contiene un nmero
infinito de posibilidades igual al nmero de
puntos en un segmento de lnea, se llama
espacio muestral continuo.

Una variable aleatoria se llama variable

aleatoria continua si puede tomar valores en
una escala continua.
 En la mayor parte de los problemas prcticos, las
variables aleatorias continuas representan datos
medidos, como todos los posibles pesos, alturas,
temperaturas, distancias o periodos de vida.
Mientras que las variables aleatorias discretas
representan datos contados, como el nmero de
artculos defectuosos en una muestra de k
artculos o el nmero de accidentes de carretera
por ao en un pas.
 ejemplo
Determine en cada caso si la variable aleatoria en
cuestin es discreta o continua.
Cules son sus posible valores?
a) Tiempo de vida de una persona escogida al azar.
b) Nmero de errores tipogrficas en una pgina escogida
al azar de un libro.
c) Tiempo de servicio en una transaccin escogida al azar
realizada por una persona en un cajero automtico.
d) Monto de una reclamacin por accidente
automovilstico escogida al azar del conjunto de
reclamaciones efectuadas a una compaa
aseguradora.
 ejemplo
Considere un experimento aleatorio con espacio
muestral equiprobable ={1, 2, 3, 4, 5, 6}. Defina
la variable aleatoria X() = 2( 3). Cuales son
los posibles valores de X? Calcule:

P( X 0); P(X { 2,3 }); P(X 0 )

P( X 0); P(X 1 ); P( 2 X-4 0 )
2

P(X 4 )
2
 Distribuciones Discretas de
Probabilidad
El conjunto de pares ordenados (x, f(x)) es una
distribucin de probabilidad de la variable
aleatoria discreta X si, para cada resultado
posible x:
1. P( X x) f ( x)
2. f(x) 0
3. f(x) 1
x
 Ejemplo
Hay tres computadoras defectuosas de un conjunto
de ocho similares en una tienda. Si una escuela
hace una compra al azar de dos de estas
computadoras, cul es la distribucin de
probabilidad para el nmero de defectuosas?
Sea X una variable aleatoria cuyos valores de x son
la cantidad posible de computadoras defectuosas
que compra la escuela. Entonces x puede ser
cualquiera de los nmeros 0, 1 y 2.
 3 5 3 5

10 15
f (0) P( X 0) 0 8 2 ; f (1) P( X 1) 1 8 1
28 28


2 2
3 5

3
f (2) P( X 2) 2 8 0
28


2
Si una agencia de autos vende 50% de su inventario
de cierto vehculo extranjero equipado con bolsas
de aire, encontrar una frmula para la
distribucin de probabilidad del nmero de autos
con bolsas de aire entre los siguientes cuatro
vehculos que venda la agencia.
Sea X una variable aleatoria cuyos valores de x son
la cantidad posible de los cuatro autos vendidos
que tienen bolsa de aire. Entonces x puede ser
cualquiera de los nmeros 0, 1, 2, 3 y 4.
 Hay muchos problemas en donde se desea
calcular la probabilidad de que el valor
observado de una variable aleatoria X sea
menor o igual que algn nmero real x.
La distribucin acumulada o funcin de
distribucin F(x) de una variable aleatoria
discreta X con distribucin de probabilidad
f(x) es

F ( x) P( X x) f (t ) - x
tx
Ejemplo
Es til ver de forma grfica
una distribucin de probabilidad.
Los puntos (x, f(x))
se pueden graficar mediante
un grfico de barras.
El grfico permite
observar de forma fcil
qu valores de X tienen
ms probabilidad de ocurrencia.
Los puntos (x, f(x)) se pueden
graficar mediante un grfico llamado
histograma de probabilidad.
Este se utiliza para
las distribuciones de
probabilidad de v.a.
continuas, ya que el ancho
de los rectngulos representan
intervalos y esto reas.
Tambin es til ver
de forma grfica una
distribucin acumulada.
Los puntos (x, F(x))

se pueden graficar
mediante un

Diagrama de frecuencias acumuladas

 Funcin de probabilidad de una
variable aleatoria continua
Una variable aleatoria continua tiene una
probabilidad cero de tomar exactamente cualquiera
de sus valores. Por lo cual, su distribucin de
probabilidad no se puede dar en forma tabular, pero
se puede establecer como una frmula.
En este tipo de variables se trata con un intervalo en
lugar de un valor puntual de nuestra variable
aleatoria.
Se trata el clculo de probabilidades para varios
intervalos de variables aleatorias continuas como
P(a< X< b), P(X> a), etc.
 No importa si incluimos o no un extremo del
intervalo.

Cuando X es una variable continua se verifica que :

P ( a X b) P ( a X b) P ( X b) P ( a X b)
Aqu no se puede hablar de la probabilidad de que
X=x; en cambio si se puede hablar de la probabilidad
de que x<X<x+x; y, como tal, en lugar de hablar de
funcin de probabilidad se hablar de FUNCIN DE
DENSIDAD DE PROBABILIDAD, o simplemente funcin
de densidad de X.
 Funcin de densidad
Se utilizan reas para representar probabilidades y
son valores numricos positivos, la funcin de
densidad debe estar completamente por arriba del
eje x.
 Funcin de densidad
La funcin f(x) es una funcin de densidad
de probabilid ad ( fdp) para la variable aleatoria
continua X , definida en el conjunto de nmeros
reales R, si :
1. f ( x) 0

2. f ( x)dx 1

b
3. P(a X b) f ( x)dx
a
 Ejemplo
La funcin f(x) dada por:
Encontraremos el valor de la constante que hace
que la siguiente funcin sea de densidad.

1 1
1 c | x | dx 2c xdx c
1 0

por lo tanto c 1
 Ejercicios
Grafique y compruebe que las siguientes
funciones son de densidad.

1. f(x) (x 1 )/ 2, para x (-1, 1 ).

2. f(x) e , para x 0.
-x
 Funcin de distribucin.
Sea X una variable aleatoria continua.
La funcin de distribuci n de X,
denotada por F(x) : R [ 0 , 1 ]
se define como :
F(x) P(X x).
Considere ahora la variable aleatoria continua X La
correspondiente funcin de distribucin se obtiene
calculando la siguiente integral
 Se puede notar que:
x
F ( x) P( X x) f (u )du

de modo que por el teorema fundamenta l del calculo :

F (x) f(x)
Toda funcin de distribucin F(x) satisface las
siguientes propiedades:
a. 0 F(x) 1.
b. lm F ( x) 1
x

c. lm F ( x) 0
x

d. si x1 x2 entonces F(x1 ) F(x2 )

e. si x1 x2 entonces P( x1 X x2 ) F ( x2 ) F ( x1 )
 Esperanza, varianza, momentos
La esperanza de una variable aleatoria X es un
nmero denotado por E(X) y que se calcula como
sigue: Si X es discreta, entonces:
E ( X ) xP( X x)
x

Si X es continua con funcin de densidad f ( x)

Entonces la esperanza es :

E ( X ) xf ( x)dx

 Ejemplo
Sea X una variable aleatoria discreta con funcin
de densidad dada por la siguiente tabla.
x -1 0 1 2

F(x) 1/8 4/8 1/8 2/8

E ( X ) xf ( x) 1*1 / 8 0 * 4 / 8 1*1 / 8 2 * 2 / 8
x

1/2
 Ejemplo

Considere la variable aleatoria continua X

con funcin de densidad f(x) 2 x
para x ( 0, 1 ), siendo cero fuera de este intervalo.
La esperanza de X es :
1
1 2 3 2
E(X) xf ( x)dx x 2 xdx x
0 3 0 3
 Ejercicio
Considere una variable aleatoria continua X
con funcin de densidad f(x) |x|, para
- 1 x 1.
Compruebe que la esperanza
de esta variable aleatoria es cero.

Sea X una variable aleatoria discreta con posibles valores

en el conjunto { 1, 2 , . . . , n}, y tal que la probabilid ad
de que tome cualquiera de estos valores es 1/n.
Compruebe que la esperanza de X es (n 1 )/ 2.
 ejemplo

Sea X una variable aleatoria con funcin de probabilid ad

dada por la tabla que aparece abajo. Encuentre la funcin
de probabilid ad de X 2 y mediante la definicin calcule
2
E(X ).
x -2 -1 0 1 2

F(x) 2/8 1/8 2/8 1/8 2/8

 Esperanza de una funcin de una
variable aleatoria
Sea X una variable aleatoria continua y sea
g : R R una funcin ta l que g(X)
es una variable con esperanza finita.
Entonces

E(g(X)) g ( x) f ( x)dx
-

Donde f(x) es la funcion de densidad

en la variable alettoria X
 Ejemplo
Calcularem os E(Y ) en donde Y X , y X es la variable
2

aleatoria continua con funcin de densidad

f(x) 2 x para x ( 0, 1 ).
Solucion :
1
E(X 2 ) x 2 f ( x)dx x 2 2 xdx
- 0
1 1
1 4 1
2 x dx x
3

0
2 0 2
 Propiedades de la esperanza

Sean X y Y con esperanza finita y sea c una constante.

Entonces
a. E(c) c.
b. E(cX) cE(X)
c. Si X 0, entonces E(X) 0.
d. E(X Y ) E(X) E(Y ).
 Varianza
Vamos ahora a definir otra caracters tica numrica
asociada a las variables aleatorias llamada varianza.
Se denota por Var(X) y se define como sigue :
Var(X) (x E(x)) f(x) si X es discreta
2

x

Var(X) ( x E(x)) 2 f ( x)dx si X es continua

A la raz cuadrada positiva de la varianza, esto es ,

se le llama desviacin estndar
 Ejemplo
Calcularemos la varianza de la variable aleatoria
discreta X con funcin:
x -1 0 1 2
F(x) 1/8 4/8 1/8 2/8

Recordemos que E(X)=1/2

Y Aplicando la formula:
Var(X)=1
 Ejemplo
Calcularem os la varianza de la variable
aleatoria continua X con funcin de densidad
f(x) 2 x para x ( 0, 1 ). En un clculo
previo tenemos que E(X) 2 / 3. Por lo tanto

Var(X) ( x E ( x)) f ( x)dx
2

1
( x 2 / 3) 2 xdx 1 / 18
2

0
 Proposicin

Sean X y Y dos variables aleatorias , y sea c una constante.

Entonces
a. Var(X) 0.
b. Var(c) 0.
c. Var(cX) c Var(X).
2

d. Var(X c) Var(X).
e. Var(X) E(X 2 ) E 2(X).
f. En general, Var(X Y ) Var(X) Var(Y ).
 Momentos

n - esimo momento de una variable aleatoria X

E ( X n ) x n f ( x) Cuando X es una variable discreta
x

E( X n ) f ( x)dx
n
x

Var(X n ) ( x E ( x)) n f ( x)
x

Var(X n ) ( x E ( x)) n f ( x)

 Distribuciones de probabilidad

Distribuci n uniforme discreta.

Decimos que una variable aleatoria X tiene
una distribuci n uniforme discreta sobre el
conjunto finito de nmeros {x1, . . . , xn }
si la probabilid ad de que X tome cualquiera
de estos valores es la misma, es decir, 1/n.
 ejemplo

1 / n si x x1...x n
P( X x)
0 otro caso
 Esperanza y Varianza

n
1
E ( X ) xi
n i 1
n
1
Var ( X ) ( xi E ( x)) 2

n i 1
 Distribucin Bernoulli.
Un ensayo Bernoulli se define como aquel experimento
aleatorio con nicamente dos posibles resultados,
llamados genricamente xito y fracaso, con
probabilidades respectivas p y 1 p. Si se define la variable
aleatoria X como aquella funcin que lleva el resultado
xito al nmero 1 y el resultado fracaso al nmero 0,
entonces decimos que X tiene una distribucin Bernoulli
con parmetro p (0, 1), y escribimos X Ber(p)
 Distribucin de Bernoulli

p (1 p)
x 1 x
si x 0,1
P( X x)
0 en otro caso
 Ejemplo

Considere el experiment o aleatorio de lanzar una

moneda al aire. Suponga que w1 y w2 son los dos
resultados posibles, con probabilid ades p y 1 p,
respectiva mente. Sea X la variable aleatoria dada
por X(w1 ) 1, y X(w2 ) 0.
Entonces X tiene distribuci n Ber(p).
Cul es la distribuci n de 1 X?
 Distribucin binomial.
Supongamos ahora que tenemos una serie de
n ensayos independientes Bernoulli en donde
la probabilidad de xito en cualesquiera de
estos ensayos es p. Si denotamos por E el
resultado xito y por F el resultado fracaso,
entonces el espacio muestral consiste de
todas las posibles sucesiones de longitud n de
caracteres E y F y, entonces, tenemos que el
espacio muestral S tiene 2 elementos
Si ahora definimos la variable aleatoria
X como aquella que cuenta el nmero
de xitos en cada una de estas sucesiones ,
esto es
X(EE ...EE) n, X(FE ...EE) n 1,. . ., X(FF ...FF) 0 ,
entonces tenemos que X puede tomar los valores
0 , 1, 2, . . . , n con las probabilid ades que aparecen abajo.
Decimos entonces que X tiene una distribuci n binomial con
parmetros n y p, y escribimos X ~ bin(n, p ).
n x
p (1 p) n x para x 0,1,..n
P(X x) x
en otro caso
0
 ejemplo
para n 10 ensayos, con probabilid ad p 0.3,
se puede calcular
10 10 2
P(X 2) (0.3) (.7)
2
0.2334
2
La grfica de esta funcin de probabilid ad
con estos parmetros aparece en la Figura
Queremos que en n ensayos Bernoulli se obtengan
x xitos y n x fracasos.
La probabilid ad de obtener sto es el nmero
n x
p...p (1
p )....(1 p ) x
p (1 p )
x n x

n
donde es el correspond iente coeficient e
x
del binomio de Newton
Para esta distribuci n se puede demostrar que
E(X) np, y Var(X) np( 1 p).
 Distribucin geomtrica.
Supongamos que tenemos ahora una sucesin infinita
de ensayos independientes Bernoulli, en cada uno de
los cuales la probabilidad de xito es p. Para cada una
de estas sucesiones definimos la variable aleatoria X
como el nmero de fracasos antes de obtener el primer
xito.
Por ejemplo,
X(FEFEFF...) 1, X(EFFEEE...) 0, X(FFFEFE...) 3.
Donde X puede tomar los valores 0, 1, 2, . . .
La probabilid ad de que X tome el valor entero x 0 es
p( 1 p)x .
 distribucin geomtrica
X geo(p)
p(1 p) x para x 0,1,2,...
P( X x)
0 en otro caso
Para p 0.4 tenemos el siguiente grafico
La inspeccin sucesiva de artculos hasta encontrar
una defectuoso, posiblemente en un proceso de
control de calidad, puede modelarse usando una
distribucin geomtrica.
Para esta distribucin tenemos que:

Esperanza y varianza
1 p 1 p
E( X ) Var ( X ) 2
p p
 ejercicio
Una persona participa cada semana con un boleto
en un juego de lotera en donde la probabilidad de
ganar el primer premio es
6 1
p 10
1000000
Cuntos aos en promedio debe esta persona
participar en el juego antes de obtener el primer
premio?
 Distribucin Poisson.
Supongamos que deseamos observar el
nmero de ocurrencias de un cierto evento
dentro de un intervalo de tiempo dado.
Para modelar este tipo de situaciones
podemos definir la variable aleatoria X como
el nmero de ocurrencia de este evento en el
intervalo de tiempo dado.
Donde X toma valores 0, 1, 2, 3, ,
No ponemos cota superior
 Distribucin Poisson
Adicionalm ente supongamos que conocemos
la tasa media de ocurrencia del evento
de inters, que denotamos por la letra (lambda).
Decimos que X tiene una distribuci n Poisson
con parmetro 0, y escribimos X ~ Poisson( )
si x 0,1,2,..
x
e
P(X x) x! otro caso
0
Despues de algunos clculos puede
comprobars e que E(X) , y Var(X) .
 ejemplo
En promedio se reciben 2 peticiones de acceso a una
pgina web durante un minuto cualquiera. Utilice el
modelo Poisson para calcular la probabilidad de que
en un minuto dado:
a) nadie solicite acceso a la pgina.
b) se reciban mas de dos peticiones.
resumen
resumen
Distribuciones de variables aleatorias continuas
Distribucin uniforme continua.
Decimos que una variable aleatoria X tiene
una distribuci n uniforme continua en el
intervalo (a, b), y escribimos X~unif(a,b)
si su funcin de densidad es
1 si x (a, b)
f ( x) b a
0 en otro caso
 Grafica de la funcin de densidad y de
distribucin

Compruebe que la funcin de distribucin de una variable

aleatoria con distribucin unif(a, b) es la que aparece en la
Figura (b)
0 si x 0
x a
f ( x) si a x b
b a si x b
1
 ejemplo
En el experimento aleatorio terico de generar un
nmero al azar X en el intervalo unitario (0, 1) se
considera regularmente que X tiene distribucin
uniforme en dicho intervalo.
Compruebe que la funcin de distribuci n de una variable
aleatoria con distribuci n unif(a, b) es la que aparece en la
Figura de la lamina anterior, y est dada por :
0 si x a
x a
F ( x) si a x b
b a si x b
1
 Distribucin exponencial.
Decimos que una variable aleatoria continua X tiene
una distribuci n exponencia l con parmetro 0,
y escribimos X~ exp ()
cuando su funcin de densidad es
e x si x 0
f(x)
0 si x 0
 Ejemplo
Suponga que el tiempo en minutos que un usuario
cualquiera permanece revisando su correo
electrnico sigue una distribucin exponencial de
parmetro = 1/5. Calcule la probabilidad de que
un usuario cualquiera permanezca conectado al
servidor de correo a) menos de un minuto. b) mas
de un ahora.
solucin
1
P( X 1) 1 / 5e x /5
dx 0.181
0

x / 5
P( X 60) 1 / 5e x /5
dx e 0.0000061
60 60
 Distribucin gama.
La variable aleatoria continua X tiene una
distribucin gama con parmetros n > 0 y >
0, y escribimos X gama(n, ), si su funcin
de densidad es
( x )
n 1
x si x 0
e
f ( x ) ( n)
si x 0
0

(n) t e dt n 1 t
0
La grafica de esta funcin de densidad para
varios valores de los parmetros se muestra en
la Figura:
En este caso, para evaluar la funcin gama es
necesario substituir el valor de n en el integrando y
efectuar la integral infinita. Afortunadamente no
evaluaremos esta integral para cualquier valor de n,
slo para algunos pocos valores, principalmente
enteros, y nos ayudaremos de las siguientes
propiedades:
a. (n 1) n(n)
b. (n 1) n!
c. (2) (1)
d. (1 / 2)
Resolviendo un par de integrales se
puede demostrar que:

E(X) n/
y
Var ( X ) n / 2
 Distribucin beta.
Decimos que la variable aleatoria continua X tiene
una distribucin beta con parmetros a> 0 y b > 0,
y escribimos X beta(a, b), cuando su funcin de
densidad es:
1
x (1 x) si x (0,1)
a 1 b 1
f ( x ) B ( a, b )
en otro caso
0
 El termino B(a, b) se conoce como la funcin
beta y se define de la siguiente manera:
(a )(b)
B ( a, b)
( a b)
Para la distribuci n beta (a, b) se tiene que
a
E(X) ,y
a b
ab
Var(X)
(a b 1 )(a b) 2
 Distribucin normal.
Decimos que la variable aleatoria continua X
tiene una distribuci n normal si su funcin de
densidad est dada por la siguiente expresin :
1 ( x ) 2 / 2 2
f(x) e
2 2
La distribuci n normal depende de los parametros
y escrbimos entonces : X ~ N( , )
La esperanza y la varianza son:
E(X) =
Var(X) =
 En particular, decimos que la variable aleatoria
X tiene una distribucin normal estndar si
tiene una distribucin normal con parmetros
= 0 y = 1. En este caso la funcin de
densidad se reduce a la expresin:

x2
1
f ( x) e 2
2
 Es posible transformar una variable aleatoria
normal no estndar en una estndar mediante
la siguiente operacin:
x
Z

Al hacer esto tendremos :
E(Z) 0 y Var(Z) 1
Con esto tenemos :
P(a X b) P(a X b )
a X b a b
P( ) P( Z )

La igualdad de estas probabilidades es consecuencia de la
igualdad de los eventos.
De esta forma una probabilidad que involucra a la variable X
se ha reducido a una probabilidad que involucra a Z.
Es tambin comn denotar la funcin de
distribuci n de Z como (x), es decir,
x u2
1
(x)
2
e 2
du

cuyo significad o geometrico es

 Es necesario decir que, sin importar el mtodo
de integracin que se utilice, no es posible
encontrar una expresin exacta para esta
integral, pero usando mtodos numricos
pueden encontrarse aproximaciones de ella
para distintos valores de x. Los valores para
distintos valores de x se pueden encontrar en
las tablas.
 ejemplos
Demuestre que (x) = 1 (x).
Encuentre x tal que
a) (x) = 0.3
b) (x)= 0.75
Use la tabla de la distribucin normal estndar para
comprobar que
a) (1.65) = 0.9505
b) (1.65) = 0.0495
c) (1) = 0.1587
 Sea X con distribucin N(5, 10). Calcule
a) P(X 7)
b) P(0 < X < 5)
c) P(X > 10).
resumen
resumen