Variables Aleatorias

VARIABLES ALEATORIAS
Variable aleatoria
Es una función cuyo dominio es un espacio muestral, y
cuyo rango es un subconjunto de lo números reales.
X
DX= RX

O1 x1
O2 x2
.. ..
.. ..
Ok xm

DX=={O1, O2, ..., Ok} RX={x1, x2, ..., xm}

 VARIABLES ALEATORIAS
Tipo de variables aleatorias

1. Variables aleatorias discretas

Son aquellas cuyos rangos forman conjuntos numerables.
Pueden contener un número finito o infinito de elementos.
Ejemplos: Número de fallas por cada metro de un tejido.
Número de artículos defectuosos producidos.
2. Variables aleatorias continuas
Son aquellas cuyos rangos forman conjuntos no
numerables.
Ejemplos: Cantidad de combustible consumido por día.
Peso de un producto.
 VARIABLES ALEATORIAS DISCRETAS.
Función de probabilidad
Sea X una variable aleatoria discreta que tiene como
rango RX ; luego, una función f(x) es llamada función de
probabilidad de la variable aleatoria X si tiene como
dominio a RX, y como rango a un conjunto de números
reales P[X= xi ] = f(xi) que cumplen con las siguientes
condiciones.

1. P[X=xi] = f (xi) 0 ,  xi  RX
2. 0  f (xi)  1 ,  xi  RX
3.  f ( xi )  1
xiRX
 VARIABLES ALEATORIAS DISCRETAS. Ejemplo

Una ONG ha propuesto 10 nuevos proyectos, de los

cuales 4 son proyectos educativos y 6 son proyectos
sociales. Para realizar un análisis de factibilidad de los
proyectos se eligen al azar 3 de ellos para que sean
analizados la próxima semana.
Si se define X= Número de proyectos educativos que
serán evaluados la próxima semana, halle la función de
probabilidad de la variable X.
Exp. Aleatorio: Se eligen al azar 3 proyectos para ser analizados.

MSR 10 
4 P.Educativos 3 n( )     120
3
6 P.Sociales
 VARIABLES ALEATORIAS DISCRETAS. Ejemplo

={ (S1,S2,S3), (S1,S2,E3), (S1,E2,S3), (E1,S2,S3), (E1,E2,S3), (E1,S2,E3), (S1,E2,E3), (E1,E2,E3) },

X 0 1 1 1 2 2 2 3
 RX={0,1,2,3}

f(0)=P[ X=0 ]=P[ S1,S2,S3 ]= (6/10)(5/9)(4/8)=120/720=5/30

f(1)=P[ X=1 ]=P[ S1,S2,E3 ]+P[ S1,E2,S3 ]+P[ E1,S2,S3 ]
= (6/10)(5/9)(4/8)+ (6/10)(4/9)(5/8)+ (4/10)(6/9)(5/8)= 15/30
f(2)=P[ X=2 ]=P[ S1,E2,E3 ]+P[ E1,S2,E3 ]+P[ E1,E2,S3 ]
= (6/10)(4/9)(3/8)+ (4/10)(6/9)(3/8)+ (4/10)(3/9)(6/8)= 9/30
f(3)=P[ X=3 ]=P[ E1,E2,E3 ]= (4/10)(3/9)(2/8)=24/720=1/30
VARIABLES ALEATORIAS DISCRETAS. Ejemplo

Función de probabilidad de la variable aleatoria X

f ( x)  5 / 30 , si x  0
 15 / 30, si x  1
 9 / 30, si x  2
 1/30, si x  3
 0, otros valore s de x

Tabla de probabilidades
X 0 1 2 3
f(x) 5/30 15/30 9/30 1/30
VARIABLES ALEATORIAS DISCRETAS. Ejemplo

Gráfico de distribución de probabilidades

f(x)

16/30

12/30

8/30

4/30

0 1 2 3 x
Número de proyectos educativos
 VARIABLES ALEATORIAS DISCRETAS.

Función de probabilidad acumulativa

Sea X una variable aleatoria discreta que tiene como
función de probabilidad f(x); luego, la función de
probabilidad acumulativa de la variable aleatoria X se
define como:

F ( x)  P  X  x    f (x )
xi  x
i
 VARIABLES ALEATORIAS DISCRETAS.

Función de probabilidad acumulativa.

Propiedades

1. F ( x)  0,  x  m, donde m  Min x  RX

2. F ( x)  1,  x  M , donde M  Max x  RX

3. 0  F ( x)  1,  x  RX

4. F(x) es una función no decreciente.

 VARIABLES ALEATORIAS DISCRETAS. Ejemplo

Si el número de proyectos educativos que son evaluados por

semana es una variable aleatoria X que tiene como tabla de
probabilidades:

X 0 1 2 3
f(x) 5/30 15/30 9/30 1/30
Halle la función de distribución acumulativa de X.

Puesto que RX={0,1,2,3}  m=Min x RX =0, M=Max x RX =3,

F(x)=P[ X < x ]=0  x <0

 VARIABLES ALEATORIAS DISCRETAS. Ejemplo
X 0 1 2 3
f(x) 5/30 15/30 9/30 1/30
RX={0,1,2,3}  m=Min x RX =0, M=Max x RX =3,
Para 0  x <1
F(0)=P[ X  0 ]= P[ X < 0 ]+P[ X = 0 ]= 0 +f(0)= 5/30
Para 1 x <2
F(1)=P[ X  1]= P[ X < 1 ]+P[ X = 1 ]= 5/30 +f(1)= 20/30
Para 2  x <3
F(2)=P[ X  2 ]= P[ X < 2 ]+P[ X = 2 ]= 20/30 +f(2)= 29/30
Para x3
F(3)=P[ X  3 ]= P[ X < 3 ]+P[ X = 3 ]= 29/30 +f(3)= 1
 VARIABLES ALEATORIAS DISCRETAS. Ejemplo

F ( x)  0 , si x  0
Gráfico de distribución acumulativa de probabilidades
 5 / 30, si 0  x  1 F(x)
 20 / 30, si 1  x  2 1

 29/30, si 2  x  3
25/30

20/30
 1, si x  3
15/30

10/30

5/30

0 1 2 3 4 x
Número de proyectos educativos
 VALOR ESPERADO

Valor esperado o esperanza matemática

Es el valor promedio que esperaríamos encontrar por la
observación repetida de una variable aleatoria.
Si X es una variable aleatoria con función de probabilidad f(x),
el valor esperado de la variable X se define como:

EX   x f ( xi )
xi RX
 VALOR ESPERADO

Valor esperado o esperanza matemática de una función

de una variable aleatoria

Sea X una variable aleatorias con función de probabilidad f(x), y

sea Y=g(x) una función de la variable aleatoria X, luego,

EY  E g (X)    g ( x) f ( xi )
xi RX
 VALOR ESPERADO

Media y variancia de una variable aleatoria

Sea X una variable aleatoria con función de probabilidad f(x) ;

entonces, la media X y la variancia de la variable aleatoria X se
definen como:

X  E  X 

 X2  Var  X   E  X  X   E  X 2   X2
2
 Propiedad de linealidad
Sea X una v.a y definamos una nueva v.a Y por:
Y=a +bX
Entonces la media y varianza de esta nueva v.a
vienen dadas, en función de la media y varianza
de la v.a antigua X, por:
 Y  a  b X
y
 b 
2
Y
2 2
X
 VALOR ESPERADO

Propiedades de valores esperados

Si X, Y son dos variables aleatorias, y a, b son dos constantes:
1) E(a)=a
2) E( aX )= a E(X)
3) E( a X + b )= a E(X) + b
4) E( a X + b Y )= a E(X) + b E(Y)
5) Var(a) = 0
6) Var( a X )= a2 Var( X )
7) Si X, Y son variables aleatorias independientes:

Var aX  bY  a 2 Var X  b2 Var Y

 VALOR ESPERADO. Ejemplo
Si el número de proyectos educativos que son evaluados por
semana es una variable aleatoria X que tiene como tabla de
probabilidades:
X 0 1 2 3
f(x) 5/30 15/30 9/30 1/30
Halle la media y variancia de X.
EX    x f ( x )
 (0)(5 / 30)  (1)(15 / 30)  (2)(9 / 30)  (3)(1 / 30)  1.2
 
E X 2   x 2 f ( x)
 (0) 2 (5 / 30)  (1) 2 (15 / 30)  (2) 2 (9 / 30)  (3) 2 (1 / 30)  2

X  EX  1.2  
2X  E X 2   2X  2  (1.2) 2  0.56
 VALOR ESPERADO. Ejemplo
Si el costo de evaluación de los proyectos educativos (miles de
nuevos soles) es igual a : Y=5+1.2X, halle la media y variancia del
costo de evaluación de los proyectos educativos.

Y  E 5  1.2X   5  1.2 E  X   5  1.2 X

 5  (1.2)(1.2)  5.44 miles de nuevos soles

 Y2  Var 5  1.2X  (1.2)2 Var  X  (1.2)2  X2

 (1.2)2 (0.56)  0.8064 (miles de nuevos soles)2
 EJERCICIO 1
Un negocio de computadoras que atiende pedidos por correo
tiene cuatro líneas telefónicas. Sea la variable aleatoria X =
Número de líneas ocupadas en un momento dado, cuya función
de probabilidad es:
Nº de líneas ocupadas 0 1 2 3 4

f(x) 0,10 0,20 0,25 0,25 0,20

a) Calcule el valor esperado, la variancia y coeficiente de

variación de X.
b) Si la función perdida (en soles) del negocio P por línea
ocupada esta dado por: P = 10X + 2, calcule el valor
esperado, la variancia y coeficiente de variación de P.
 EJERCICIO 2
Suponga que el número de accidentes por semana que ocurren
en una empresa es una variable aleatoria X con función de
distribución de probabilidades dada por:

a) Hallar la media, la variancia y coeficiente de variación de X.

b) Si en una semana se sabe que ocurrió al menos un accidente,
¿cuál es la probabilidad de que en dicha semana haya
ocurrido exactamente uno?
c) La empresa incurre en una pérdida semanal Y (soles) según
el número de accidentes dada por: Y = 10 + 8X. Hallar la
pérdida esperada semanal
EJERCICIO
EJERCICIO 3 1
 Función de densidad de una v.a continua

• Dado que los posibles valores de una variable

aleatoria continua X son infinitos y no enumerables,
no tiene mucho sentido hablar, como en el caso de
una v.a. discreta, de la probabilidad de que X tome
un único valor (ya que intuitivamente esta
probabilidad sería siempre 0).

• Sin embargo, si es razonable hablar de la

probabilidad de que X tome valores en un intervalo.
Para ello se utiliza un modelo matemático conocido
como la función de densidad.
Si X es una v.a continua, se define la función densidad de X como
una función f: R  [0, [ que satisface que él area debajo de su
gráfica sea igual a 1.

La idea de introducir f(x) P(a < X < b)

esta curva o modelo es
poder obtener con ella
probabilidades
como: P(a < X < b)
a b x

Estas se obtendrán como el área que hay debajo de la

gráfica de f entre a y b, tal como se ilustra arriba.
Note que no interesa si se incluyen o no los extremos a y b ya
que las probabilidades puntuales son nulas.
 Ejemplo:
Sea X una variable aleatoria continua que puede
tomar cualquier valor entre a y b. Entonces la
función de densidad de esta variable debe ser:
1
f ( x)  a xb
ba
Como ejemplo, tomemos a = 3 y b = 12. Entonces
f(x)
P(4 < X < 7) = 1/3
0,1
En este caso diremos que X
tiene una distribución uniforme
x
0,0
2 3 4 5 6 7 8 9 10 11 12
en el intervalo [3,12] y lo
a b denotaremos por X ~ U([3,12])
min máx
 Función de distribución acumulada
Si X es una variable aleatoria, la función de distribución acumulada se
define por:
FX ( x )  P ( X  x)

En general se cumple que P (a  X  b)  FX (b)  FX (a )  P ( X  a )

donde el último término es 0 si X es una v.a contínua.

Si X es una v.a. Discreta Si X es una v.a. Continua

FX ( x)   PX (t ) FX (x)  Area bajo la

t función de densidad de X
donde la suma se toma en el intervalo ]-, x]
sobre todos los
t  x en el rango de X
 EJERCICIO
EJERCICIO 4 2
El tiempo necesario para que los estudiantes completen un
examen de una hora es una variable aleatoria con una función
de distribución de probabilidad dada por
0 𝑥<0
𝑥3 𝑥2
𝐹 𝑥 = + 0 ≤𝑥 ≤1
2 2
1 𝑥>1

a) Determine la probabilidad de que un estudiante elegido al

azar se demore al menos media hora en terminar el examen.
b) Dado que una estudiante particular necesita al menos 15
minutos para completar el examen, encuentre la probabilidad
de que requiera como máximo 30 minutos para terminar.