Variables Aleatorias

Introduccin
El concepto de variable aleatoria permite pasar de los resultados
experimentales a una funcin numrica de los resultados.
En general, cada resultado de un experimento se puede asociar con
un nmero que especifica una regla de asociacin (p. ej. la cantidad
entre la muestra de diez componentes que no duran 1000 horas. o
el peso total de equipaje de una muestra de 25 pasajeros de una
aerolnea).
Esta regla de asociacin se llama variable aleatoria, una variable
porque solo son diferentes valores numricos, y aleatoria porque el
valor observado depende de cul de los resultados experimentales
posibles resulte.
Hay dos tipos de variables aleatorias, variables aleatorias discretas
y variables aleatorias continuas.

Definicin
Una v.a. es una funcin que asigna a cada punto del espacio muestral
un nmero real

X:

Ejemplo:
: Estado de las unidades producidas en un proceso de fabricacin
={ falla , no falla }
X({no falla}) = 0
X({falla}) = 1

: Estado de las unidades producidas en un proceso de fabricacin

Espacio Muestral

no falla

X({no falla}) = 0

A cada s
le corresponde
exactamente
un valor X(s)

falla

X({falla}) = 1

IR

X:

Rx IR

Conjunto
Nmeros
Reales

Observaciones

si

X(s) = b; s

A
sk
X(s) = a

RX
a

El espacio RX es el conjunto de TODOS los posible valores de X(s).

En cierto sentido podemos considerar Rx como otro espacio muestral
El espacio muestral original

induce un espacio muestra Rx asociado

a la Variable Aleatoria X
Luego un evento A en

induce un evento Ax en el espacio muestral RX

Ejemplo:
X: Nmero de caras al lanzar 3 monedas.
Elementos del
espacio muestral

+++

++C +C+

C++

CC+

C+C

+CC CCC

Ley de
correspondencia

N reales
(# de caras)

Establecer una variable aleatoria para un

experimento aleatorio no es ms que una
manera de asignar de "manera natural"
nmeros a los eventos.

3 caras

X :E
w X ( w)

Eventos de inters
si

X(s) = b; s

A
sk
X(s) = a

RX

Ntese
que
para cada par
de
nmeros
reales a y b
existen
los
siguientes
conjuntos:

a
(
(
[
[

a<x<b
a<xb
ax<b
axb

(
(

x<b
xb
x>a
xa

-
-

b
)
]
)
]

En el caso de un
solo nmero:
X=a o X=b

)
]

Funcin de Probabilidad
El concepto de Probabilidad de ocurrencia de eventos en el
espacio muestral se puede aplicar a eventos en RX.
0 P(X(s) = x ) = f(x) 1
f(x)
1

f: R

[0, 1]

RX
0

X(s) = x

s
X:

RX

Variable Aleatoria Discreta

Sea X una variable aleatoria.
Si

el nmero de posibles valores de X (esto es su RX).

- Es finito (contable) o.
- Es contablemente infinito (numerable).

Entonces llamamos a X una variable aleatoria discreta.

Esto es, los posibles valores de X pueden ser listados.
x1, x2, x3, ...., xn, .....
- En el caso contable la lista es finita.
- En el caso numerable la lista es infinita contable

Funcin de Probabilidad v.a. Discreta

A cada resultado posible xi se asocia un nmero f(xi) = P(X(s) = xi)
llamado la probabilidad de xi

Los f(xi) deben satisfacer

f(xi)

0 f(xi) 1; i = 1, 2, 3, ... , n

f(xi) = 1
i

El conjunto de pares (xi, f(xi)) se le

denomina Funcin o Distribucin de
Probabilidad o Cuantia.
x
x1

x2

x3

x4

x5

x6

xn

Ejemplo:
: Lanzar dos monedas legales
X: Nmero de caras que aparecen

Valores

Z
Z
Z

X :E
w X ( w)

Probabilidad

1/4 = 0.25

2/4 = 0.50

1/4 = 0.25

p : [0,1]
x p( x) = P( X = x)

Observa que aun si el espacio muestral es infinito

numerable, tambin podemos definir una variable aleatoria
discreta y una funcin de probabilidad.
Ejemplo
Sea X = Nmero de lanzamientos de una moneda antes de
que aparezca una cara.
Entonces:
P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 .
1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1,2,.
Demuestra que est normalizada.

Ejemplo
Sea el experimento lanzar dos dados. Definamos el espacio muestral
como:

= {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como:
con S = {2,3,...,12} la suma de puntos. Una posible funcin 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

...

Funcin de probabilidad de la variable aleatoria X en el ejemplo anterior

6/36

P
5/36

5/36

4/36

4/36

3/36

3/36

2/36

2/36

1/36

1/36

10

11

12

Observa que cumple las dos condiciones: es siempre positiva y est

normalizada.

Funcin de Distribucin v.a. Discreta

Dada una variable aleatoria discreta X se llama funcin
de distribucin a la funcin 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 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Grfico de la FDA v.a. Discreta

F(x)

F(x) = 0

x < x1

=
=
=

f( xi )

x1 x < x2

f( xi )

x2 x < x3

f( xi )

x3 x < x4

i=1
2
i=1
3
i=1
4

f( xi )

i=1

0
P(X=x5) = f(x5) Funcin de Probabilidad de masa
Funcin de Frecuencia

x
x1

x2

x3

x4

x5

x6

xn

x4 x < x5

Propiedades FDA v.a. Discreta

F (+) = lim F ( x) = lim P( X x) = P () = 1
x +

x +

F () = lim F ( x) = lim P( X x) = P() = 0

x

P( x1 < X x2 ) = F ( x2 ) F ( x1 )
F es montona 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 funcin de distribucin en ese punto.

Ejemplo
Funcin de distribucin de la variable aleatoria X : suma de puntos

F
1,0

0,5

0,028
2

10 11

12

Observacin
Algunos problemas de probabilidad estn relacionados con la
probabilidad P(a <X b) de que X asuma algn valor en un intervalo (a,
b]. En este caso tenemos que:
P(a < X b) = F(b) - F(a)
Para demostrarlo observa que, como 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)
Resolviendo: P(a < X b) = F(b) - F(a)

Ejemplo
En el caso de los dos dados, la probabilidad de que los dos dados sumen
al menos 4 pero no ms de 8:
P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Ejemplo
Dibuja la funcin de probabilidad f(x) y la funcin de distribucin F(x) de
una variable discreta definida como: X = Nmero 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
6

F(x)

f(x)

0.
5

Funcin de probabilidad f(x)

0 1

Funcin de distribucin F(x)

Ejemplo
En ocasiones algunas lneas areas venden ms pasajes que los disponibles
en un vuelo. Una compaa ha vendido 250 boletos que corresponden a un
avin de 200 plazas. Sea X la variable aleatoria que expresa el nmero de
viajeros que se presentan en el aeropuerto para tomar el vuelo. La
distribucin de X es:

a)
b)
c)

Calcula la probabilidad de que todos los pasajeros que llegan a tomar el

vuelo tengan plaza.
Calcula la probabilidad de que se quede sin plaza alguno de los viajeros
Calcula la probabilidad de que lleguen al aeropuerto entre 195 y 200
pasajeros

Solucin

Ejemplo
Se lanza una serie de cohetes hasta que el primer lanzamiento sea
exitoso. Si esto no ocurre en 5 ensayos el experimento se detiene.
Suponga que hay una probabilidad constante de 0.9 de tener un
lanzamiento exitoso y los ensayos son independientes. El costo del
primer lanzamiento es K u.m. mientras que los lanzamientos
siguientes cuestan K/3 u.m. Si T es el costo del experimento,
encuentre la distribucin de probabilidades de T.

Solucin

Esperanza Matemtica de una v.a. Discreta

= E ( X ) = xi P( X = xi ) = xi p ( xi )
i

X
-1
0
1
2
3

P(X)
.1
.2
.4
.2
.1

XP(X)

-.1
.0
.4
.4
.3
1.0

Siempre que no genere

ambigedad pasaremos
de arrastrar la variable
aleatoria: en vez de
poner
X = xi ponemos
directamente xi.

Ejemplo
Calcular el puntaje promedio esperado al lanzar dos dados
11

= E ( X ) = xi p ( xi ) =
i =1

1
6
2
1
2 + 3 + ... + 7 + ... + 12 = 7
36
36
36
36

Ejercicio
Sean a, b y c constantes. Demuestra que:

E (c ) = c

(1)

(2) E ( p1 ( x) + p2 ( x)) = E ( p1 ( x)) + E ( p2 ( x))

(3) E ( aX + b) = aE ( X ) + b
Solucin
(1)

= E (c ) = 1 c = c

(2) E ( p1 ( x) + p2 ( x) ) = xi ( p1 ( X = xi ) + p2 ( X = xi ) ) =
i

x p ( X = x ) + x p ( X = x ) = E ( p ( x) ) + E ( p ( x) )
i

Observacin
Si la esperanza matemtica es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es favorable.

Ejemplo
Sea el juego que consiste en sacar una bola de una urna que contiene
7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extrada es
roja y pagamos 150 euros en el caso de que sea negra. Qu podemos
esperar si jugamos muchas veces?

Solucin
Espacio muestral = {R, N}. Consideramos las
ganancias como positivas y las prdidas negativas:
v.a. X

v.a G

Funcin de probabilidad

50

0,7

-150

0,3

= 50 0,7 + (150) 0,3 = 10

Ganancia media

Ejemplo
Una compaa de seguros domsticos tiene que determinar el gasto
medio por pliza suscrita, sabiendo que cada ao 1 de cada 10000
plizas termina en una reclamacin de 20 millones, 1 de cada 1000 en
5 millones, 1 de cada 50 en 200.000 y el resto en 0.

Solucin

1
1

7
6
= 2 10
+
+ 5 10
10000
1000

1 9789

5
+ 2 10 + 0
= 11000
50 10000

Gasto medio

Ejemplo
Una compaa de refrescos anuncia premios en las chapas
asegurando que cada mil chapas hay 500 con intntelo otra vez ,
300 con premio de 5 u.m. , 150 con premios de 10 u.m. , 40 con
premios de 50 u.m. , y 10 con premios de 100 u.m. Un individuo
compra una botella cuyo costo es de 10 u.m. Caracterizar su
ganancia mediante una variable aleatoria. Es razonable su
decisin? Calcular su probabilidad de perder dinero.

Solucin

Momento de orden k de una variable aleatoria discreta

De forma ms general podemos definir la esperanza matemtica o
media no solo para una variable aleatoria X, sino para cualquier funcin
T(X) como:

= E (T ( X ) ) = T ( xi ) p ( xi )
i

Tomando como casos particulares a las funciones:

T ( X ) = X k ; k = 1, 2, 3, ...
obtenemos los momentos de orden k centrados en el origen:

mk = E ( X k ) = xik p ( xi )
i

Y tomando como casos particulares a las funciones:

T ( X ) = ( X ) k ; k = 1, 2, 3, ...
obtenemos los momentos de orden k centrados en la media de X:

M k = E (( X ) k ) = ( x ) k p ( xi )
i

Observa que:

m1 = E ( X ) =
M1 = E( X ) = E( X ) = 0

Varianza y desviacin estndar o tpica de

una variable aleatoria discreta
Varianza

2 = Var ( X ) = M 2 = E (( X ) 2 ) =
2

x
P ( X = xi )
(
)

i
i

Desviacin estndar o tpica

= Var ( X )
Ambas miden la dispersin de los datos. Observa que la desviacin
tpica lo hace con las mismas unidades que los propios datos.

Ejemplo

P(X)

-1
0
1
2
3

.1
.2
.4
.2
.1

-2
-1
0
1
2

( X ) ( X ) P( X )
2

4
1
0
1
4

2 = ( xi ) 2 P ( xi ) = 1,2
i

= Var ( X ) = 1.10

.4
.2
.0
.2
.4
1.2

Ejemplo
Calcula la varianza y desviacin tpica de la variable
aleatoria X en el ejemplo de los dos dados:
11

Var ( X ) = p( xi ) ( xi 7) 2 =
i =1

1
2
1
2
2
(2 7) + (3 7) + ... + (12 7) 2 = 5,83
36
36
36

= Var ( X ) = 5,83 = 2,41

Ejemplo
Calculamos la media y varianza de la variable de la variable nmero de viajeros

es decir, se esperan 201 viajeros para tomar el vuelo.

Para la varianza calculamos previamente E(X2),

por lo tanto

Algunas propiedades de la varianza

1.

Var ( X ) = 2 = ( xi ) 2 p ( xi ) =
i

2
x
+

2 xi ) p ( xi ) =
(
i
2

2
x
p
x
+

2 xi p ( xi ) =
(
)
i
i
2

E ( X ) + 2 = E ( X ) ( E ( X ))
2

2 = E ( X 2 ) ( E ( X )) 2

2. Si a y b son constantes , entonces,

V (aX + b) = a 2V ( X )
3. Si X e Y son variables aleatorias y a, b son constantes reales,
entonces,

V (aX bY ) = a 2V ( X ) + b 2V (Y ) slo si X e Y son indep

Ejercicio

Variables Aleatorias Continuas

Cuando el experimento se realiza sobre un espacio muestral
que est relacionado con escalas intervalares (tales como
mediciones de distancias, volmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)

Ya que los posibles valores de X en un intervalo, a < x < b,

son infinitos - no enumerables - no podemos hablar del
i-simo valor de X = xi; En tales casos se habla se Variables
Aleatorias Continuas, donde Rx es un intervalo o un conjunto
de intervalos; entonces existe una funcin continua especial
f(x) = funcin de densidad de probabilidad

Funcin de Probabilidad v.a. Continua

Sea X una variable
aleatoria continua. La
funcin densidad de
probabilidad (fdf) es una
funcin que satisface:

f(x)

A: un evento

Propiedades:
f(x) > 0;

x Rx , +

A: { x| a < x b)

f(x) dx = 1
Rx

P(A) = P(a < x < b) =

f( x ) dx
a

Observaciones
b
1. P ( a x b) = f ( x) dx
a

2. F ( x) = P ( X x) =

f (t )dt

3. F (-) = 0 ; F () = 1

A = f ( x)dx

f(x)

4. Fx es no decreciente
5. E [ X ] =

xf ( x)dx

|R

6. V [ X ] = ( x E [ X ]) f ( x) dx

Funcin de Distribucin Acumulada

Si X es una variable aleatoria, la Funcin de Distribucin Acumulada
mide la probabilidad de un suceso en un intervalo de valores:
F(x) = P(X x)

Si X es una v.a. Continua

x

F(x) =

f(t) dt
-

Donde la sumatoria es
reemplazada por una
integracin para todos los
valores de t x

Propiedades
lim F(x) = 0 lim F(x) = 1
x-
x+
2. Luego P(] - , x ]) = F(x) define una Probabilidad
1.

Adems:

3.

P( ]a,b] ) = F(b) - F(a)

P( [a,b] ) = F(b) - F(a-)
P( ]a,b[ ) = F(b-) - F(a)
P( [a,b[ ) = F(b-) - F(a-)

dF ( x)
= f ( x)
dx

Ejemplo
Sea X una variable aleatoria continua que puede tomar cualquier valor entre a
x b; cuya pdf es:

f (x ) =

1
ba

a xb

f(x)

Sea a = 3; b = 12

0,2

A: el evento { 4 < x < 7 }

0,1

Entonces:
7

0,0
2 3 4 5

6 7

8 9 10 11 12

min

mx

P(A) = P(4 < x < 7)

P(A) =

1
9

dx

Ejemplo
Supongamos que X tiene como funcin densidad a f(x) = 0.75(1-x2), si
-1 x 1 y cero en otro caso. Encuentra
a) La funcin de distribucin
b) Las probabilidades P(-1/2 X 1/2) y P(1/4 X 2).
c) x tal que P(X x) = 0.95

Solucin
a) Funcin de distribucin
F(x) = 0 , si x -1
x

F ( x) = 0.75 (1 v 2 )dv = 0.50 + 0.75 x 0.25 x 3 , si - 1 < x 1

1

F(x) = 1 , si x >1.

b) Probabilidades
1
2

P( 12 X 12 ) = F ( 12 ) F ( 12 ) = 0.75 (1 v 2 )dv = 0.6875

12

2
1

P( X 2) F (2) F ( 4 ) 0.75 (1 v )dv = 0.3164

1
4

1
4

c) Probabilidad inversa

P( X x) = F ( x) = 0.5 + 0.75 x 0.25 x 3 = 0.95 x 0.73

Momentos de orden k centrados en el

origen y en la media.

Momentos de orden k
Observa que para k = 2: 2 = E((X - )2)

Otras valores tpicos o medidas del valor

central
Mediana:
xmed

x( N +1) / 2

1 / 2( x N / 2 + x( N +1) / 2 )

si N es impar
si N es par

F ( xmed ) = P( X x) = P( X x) = 0.5

Discreto.

Continuo.

Moda : es el valor para el cul la distribucin toma su mximo absoluto.

Mo = x0

x0

Los momentos de orden superior son menos robustos y, por lo tanto, menos utilizados

3er momento: describe la asimetra de la distribucin.

Asimetra (skewness)

1
m3
N

3
x
x
(
)

i =1 i
N

m3 ( x x ) 3 f ( x)dx

4o momento: describe el aplanamiento de la distribucin.

Kurtosis

1
m4
N

4
(
)
x

x
i
i =1

m4 ( x x ) 4 f ( x)dx

Se suele medir en una escala que toma 3

como su cero, ya que ste es el valor de la
kurtosis de una distribucin normal estndar

Ejemplo

Ejemplo

Solucin
Probabilidad inversa

Ejemplo
El nmero de artculos vendidos en una fbrica cada mes (en millones) es
una variable aleatoria con funcin de densidad:

a.
b.
c.
d.
e.

Calcula el valor de k para que f (x) sea una funcin de densidad.

Obtn la funcin de distribucin de X..
Calcula la probabilidad de que en un mes se supere una venta de 0.8
(millones).
Calcula la probabilidad de que en un mes el nmero de ventas est
comprendido entre 0.6 y 0.8 (millones).
Si se quiere tener una garanta del 95% de que no se agote el producto en
un mes determinado, qu cantidad c del mismo debe pedirse a fbrica?.

Solucin

Ejemplo
Calculamos la media y varianza de la variable nmero de artculos vendidos

Ejercicio
El control de la calidad de ciertos productos se realiza contando el nmero
de defectos por unidad y comprobando si dicho nmero est comprendido
entre ciertos lmites llamados lmites de control. Si el nmero de defectos
por unidad en cierto proceso de fabricacin es una variable aleatoria X con
funcin masa de probabilidad dada por:

a)
b)

Determina el nmero medio de defectos por unidad

Si los lmites de control vienen dados por Lmite inferior de control:
3 y Lmite superior de control: +3. siendo = E[X], y se
considera que el proceso est bajo control estadstico cuando el
nmero de defectos que se van observando en una muestra de
unidades est comprendido entre dichos lmites.
- Calcula la probabilidad de que una unidad de produccin no caiga
entre los lmites de control.
- Calcula la probabilidad de que en una muestra de 5 unidades, al
menos 1 no caiga entre los lmites de control.

Ejercicio
El tiempo necesario en milisegundos para completar una reaccin qumica
est aproximado por una funcin de distribucin dada por:

a) Obtn la funcin de densidad.

b) Calcula el tiempo esperado para completar la reaccin.
c) Calcula el porcentaje de reacciones completas antes de 200
milisegundos.

Ejercicio
El espesor de un recubrimiento conductor (en micrmetros) tiene una
funcin de densidad dada por

a) Obtn la funcin de distribucin.

b) Calcula la probabilidad de que el espesor sea inferior a 110 m
c) Calcula la probabilidad de que el espesor est comprendido entre 115 y
118 m.
d) Si el costo promedio del recubrimiento es de 0.5 euros por micrmetro de
espesor en cada pieza, cul es el costo promedio del recubrimiento por
pieza?.