VARIABLES ALEATORIAS

TEMA #3
Materia Estadstica Matemtica
USFXCH
Docente: Marco A. Snchez L
VARIABLES ALEATORIAS.
Para conceptualizar lo que son las variables aleatorias
consideremos el experimento c:Lanzar una monedad
tres veces
O={ccc, ccs, csc, css, scc, scs, ssc, sss}
Establezcamos un inters comn que lo que nos
interesa en este espacio muestral es clasificarlo en
funcin al numero de caras que se obtuvieron en los tres
tiros y tendramos:

Elementos clasificados de O
Nmero de caras por juego
de lanzamientos
sss 0
css, scs, ssc 1
ccs, csc, scc 2
ccc 3
VARIABLES ALEATORIAS
Es decir, la funcin X en O, definida por
X(w)=numero de caras obtenidas al lanzar
una moneda tres veces, es una funcin de
valores reales que tiene como dominio el
espacio muestral O y el subconjunto de
nmeros reales: R
x
={x/x=0,1,2,3} como rango.
En smbolos:
X: O {0,1,2,3}
w X(w)

La figura siguiente da una idea intuitiva de lo
expresado en el prrafo anterior
VARIABLES ALEATORIAS
De esta manera se establece un nuevo conjunto {0,1,2,3} que
pertenece al conjunto de los nmeros Reales, a cada uno de los
cuales le corresponde una probabilidad de la manera siguiente:
0
1
2
3
CCC
CSC
SCC
CCS
CSS
SCS
SSC
SSS
X
O
R
VARIABLES ALEATORIAS
P[3]=P[CCC]=
1
8

P[2]=P[CCS]+P[CSC]+P[SCC]=
3
8

P[1]=P[CSS]+P[SSC]+P[SCS]=
3
8

P[0]=P[SSS]=
1
8

Vemos pues que la funcin X hace corresponder a
cada elemento w de O un nmero real x, y adems, el
conjunto de elementos de O, cuya imagen es uno de
estos nmeros reales es un elemento de P(O), o sea un
evento, y tiene por lo tanto, una determinada
probabilidad. La funcin X que cumple estas
condiciones se llama variable aleatoria
VARIABLES ALEATORIAS
DEFINICION: Dado un experimento aleatorio c y O el
espacio muestral asociado al mismo. Una funcin X que
asigna a cada elemento w de O uno y solamente un
nmero real x=X(w), se llama variable aleatoria. Es decir
X es una funcin real X: OR
x
1
x
2
x
3
R
X
X
O
R
VARIABLES ALEATORIAS
El dominio de la variable aleatoria X es O y el rango es un
subconjunto de R que lo denotaremos por R
X
.
Rigurosamente al hablar de la funcin asociamos a ella el
conjunto de partida y el conjunto de llegada, mas en nuestro
caso vamos a trabajar siempre con O como dominio que a
su vez lo vamos a tomar como conjunto de partida.
El rango R
X
de la variable aleatoria X, esta dado por el
siguiente conjunto de nmeros reales:
R
X
={xeR/ X(w)=x, weO}=X(O)
Cuando hubiera cierta duda sobre el rango de una variable
aleatoria vamos a tomar como R, o un conjunto que
razonablemente contenga a R
X

VARIABLES ALEATORIAS
El caso mencionado se puede presentar si
consideramos como espacio muestral las estaturas de
los alumnos de economa y los registramos en funcin
a lo que midan, entonces existe una duda sobre el
rango que seria un subconjunto de los nmeros R y
que estimativamente puede ser de {50cm a 3 metros}
que son topes normales para la raza humana.
Ejemplo: Sea X una variable aleatoria que se
considera como el beneficio de un jugador , en un
juego en el que se tira un dado y el jugador gana
Bs.100, si salen los nmeros 1 o 3, no gana ni pierde si
salen los nmeros 2 o 5 y pierde Bs 100 si salen los
nmeros 4 o 6.
VARIABLES ALEATORIAS
El dominio de X es O={1,2,3,4,5,6}
Las imgenes de X son:
X(1)=X(3)=100; X(2)=X(5)=0; X(4)=X(6)=-100
Luego el rango de X ser: R
X
={-100,0,100}

EVENTOS EQUIVALENTES
Sea O el espacio muestral asociado a un experimento
aleatorio c, y X una variable aleatoria con rango R
X
definida
sobre O. Un evento A en O y un evento E
X
en R
X
se dice
que son eventos equivalentes si:
A={weO / X(w)eE
X
}
La figura siguiente ilustra el concepto.
VARIABLES ALEATORIAS
Ntese que A y E
X
son eventos asociados a diferentes
espacios.
Si A es un evento en O tal que A={weO/X(w)=a} su
evento equivalente en R
X
es E
X
={a}, lo cual se denota
por [X=a]
O sea el evento [X=a] es el conjunto de puntos en el
espacio O que son aplicados en el nmero real a por la
funcin X.

w X(w)
O R
X
A E
X
X
VARIABLES ALEATORIAS
Ejemplo: en el experimento aleatorio c =lanzar una
moneda tres veces y X(w)=nmero de caras obtenidas.
Sea A={weO/X(w)=2}={ccs, scc, csc} es equivalente [X=2].
Por otro lado si E
X
={1,0} tenemos que:
A={css, scs, ssc, sss} ya que X(css)=X(scs)=X(ssc)=1y
X(sss)=0.
Luego: A={weO/X(w)=1,0}={css, scs, ssc, sss} lo
denotaremos por [X=1 0]
En general si:
A={weO/X(w)=a b} se denotara por [X=a,b], similarmente
si A={weO / a<X(w)<b} se denotara por [a<X<b]
VARIABLES ALEATORIAS
Ahora si queremos hallar la probabilidad de los eventos
asociados a R
X
tales como: [X=a],[X=a,b],[a<X<b], etc.
Usaremos las probabilidades de estos eventos en el
espacio original O, es decir , pondremos:
P[X=a]=P[{weO/X(w)=a}]=P[A]
Que se lee: la probabilidad que la variable aleatoria tome el
valor de a
P[X=a,b]=P[{weO/X(w)=a b}]=P[A]
La probabilidad que la variable aleatoria tome el valor de a
b.
P[a<X<b]=P[{weO/a<X(w)<b}]=P[A]
La probabilidad que la variable aleatoria tome el valor entre
a y b.
VARIABLES ALEATORIAS
Tambin se pueden considerar eventos de la
forma:[aXb] ; [a<Xb]; etc.
DEFINICION:
Si A es un evento en el espacio muestral O y
E
X
un evento en el rango R
X
de la variable
aleatoria X, entonces definimos la probabilidad
E
X
como:

P[E
X
]=P[A], donde A={weO / X(w) e E
X
}
VARIABLES ALEATORIAS DISCRETAS Y
CONTNUAS.
DEFINICION VARIABLE ALEATORIA DISCRETA
Si el rango de la variable aleatoria X , es un conjunto
finito o infinito numerable , se llama variable aleatoria
discreta en este caso: R
X
={x
1
,x
2
,x
3
,..}
Ejemplo: Suponga que el nmero de das de trabajo
en un ao particular es 280 y los records de los
empleados se marcan cada da que ellos estn
ausentes del trabajo. Se selecciona aleatoriamente un
record y se observa los das marcados. La variable
aleatoria X se define como el nmero de das ausentes
del trabajo, entonces R
X
={0,1,2,..,280}. Luego X es una
variable aleatoria discreta con un nmero finito de
posibles valores.
DISTRIBUCIONES DISCRETAS.
La Funcin o Ley de Probabilidad
Sea X una variable aleatoria discreta con un
rango R
X
. Una funcin definida por:
p(x)=P[X=x]=

,*+-
* \()<+

Donde la suma es sobre los sucesos w tal
que X(w)=x y satisface las siguientes
condiciones:
1) p(x)>0, y x R
X
;
2)

=
x RX

, = - = 1
x RX

DISTRIBUCIONES DISCRETAS
Se llama funcin de probabilidad o ley de probabilidad
(tambin llamada funcin de cuanta) de la variable
aleatoria X.
La coleccin de pares [(x, p(x)), xeR
X
] se llama
distribucin de probabilidad de X.
Si xeR
X
, [X=x], es un evento imposible por lo tanto la
p(x)=P[X=x]=0. Por esta razn cuando definimos una
funcin de probabilidad p(x), para xeR
X,
no diremos
nada sobre la probabilidad en las xeR
X
, pues
entenderemos tcitamente que la funcin p(x), esta
bien definida para todo xeR
X,
y se asume para los
eventos imposibles p(x)=0
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
El dominio de la funcin p, puede considerarse
como el conjunto de nmeros, reales y su rango
el conjunto [0,1] u {0}, es decir:
p: R [0,1]
La distribucin de probabilidad se la representa
usualmente en una tabla como tambin
grficamente como se presenta a continuacin:
x x
1
x
2
x
3
. .
p(x)=P[X=x
]
p(x
1
) p(x
2
) p(x
3
)
FUNCIONES DE PROBABILIDAD Y DE DISTRIBUCIN.
GRFICAS.
Se ha denotado a los eventos en R
X
por E
X
, pero no
habr confusin alguna si se conviene en representar a
estos eventos por: A, B, C, etc.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
Considerando lo antes mencionado la
probabilidad de un evento A con R
X
, se define de
la siguiente manera:
P[A]=

, = -


Ejemplo: Consideremos el lanzamiento de una
moneda tres veces y definimos X(w)=n
c
-n
s
.Hallar
la distribucin de probabilidad de forma tabular y
grafica.
Para encontrar el resultado realizamos los
siguientes pasos:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
PRIMER PASO :Se establece el espacio
muestral del experimento.
O={ccc,ccs,csc,css,scs,scc,ssc,sss}
SEGUNDO PASO: Se establece la funcin de
la variable aleatoria X(w)= n
c
-n
s
donde
n
c
= numero de caras y n
s
= numero de sellos
con lo que establecemos la siguiente
correspondencia entre O y R o entre: w y x.

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
X(ccc)=3
X(ccs)=X(csc)=X(scc)=1
X(css)=X(scs)=X(ssc)=-1
X(sss)=-3
De donde sabemos que el rango de X(w) o sea
R
X
={-3,-1,1,3}
TERCER PASO: Se calcula la distribucin de
probabilidad calculando p(x) para cada xe R
X
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
P(3)=P[X=3]=P[ccc]= 1/8
P(1)=P[X=1]=P[ccs]+P[csc]+P[scc]= 3/8
P(-1)=P[X=-1]=P[css]+P[ssc]+P[scs]= 3/8
P(-3)=P[X=-3]=P[sss]= 1/8
CUARTO PASO Elaborando la tabla
tendramos

x 3 1 -1 -3
p(x) 1/8 3/8 3/8 1/8
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
Los puntos rojos que se ven nos muestran el valor
de la probabilidad asignada a cada x de los
nmeros reales, de acuerdo a la variable aleatoria
X(w) y su probabilidad considerando O.
0.13
0.38 0.38
0.13
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
-4 -3 -2 -1 0 1 2 3 4
V
a
l
o
r

a
s
i
g
n
a
d
o

p
o
r

l
a

p
r
o
b
a
b
i
l
i
d
a
d

Valores en R
p(x)
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
En el ejemplo es claro tambin que:
1. p(x)>0 siendo que xeR
X

2.

= 1

Si consideramos x=-2, tenemos que la p(-2)=0,
pues es imposible que la diferencia n
c
-n
s
sea -
2 en tres lanzamientos de la moneda.
Similarmente por ejemplo la p(1/2)=P[X=1/2]=0
En general:
si xeR
X
={-3, -1, 1, 3} es p(x)=P[X=x]=0
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
Ejemplo 2:En un lote de 10 artculos hay 3
artculos defectuosos. Del lote se toma al azar
una muestra de cuatro artculos sin reposicin.
Sea X la variable aleatoria que representa el
numero de artculos defectuosos en la muestra
a)Describir el dominio de X
b)Evaluar X(w) para cada weO
c)Evaluar la funcin de probabilidad, la
presentacin tabular y grafica de la distribucin de
probabilidad.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
La variable aleatoria X esta definida por X(w)= nmero
de artculos defectuosos en la muestra de tamao 4.
a) El dominio es:
O={nnnn, nnnd, nndn, ndnn, dnnn, nndd, ndnd, nddn,
dndn, ddnn, dnnd, nddd, dndd, ddnd, dddn}
b)
X(nnnn)=0
X(nnnd)=X(nndn)= X(ndnn)=X(dnnn)=1
X(nndd)= X(ndnd)= X(nddn)=X(dndn)= X(ddnn)=
X(dnnd)=2
X(nddd)=X(dndd)= X(ddnd)=X(dddn)=3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
La funcin de probabilidad se obtiene calculando p(x) para
cada xeR
X
.
p(0)=P[X=0]=
3
0
7
4;0
10
4
=
1
6

p(1)=P[X=1]=
3
1
7
4;1
10
4
=
1
2

p(2)=P[X=2]=
3
2
7
4;2
10
4
=
3
10

p(3)=P[X=3]=
3
3
7
4;3
10
4
=
1
30




FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
X 0 1 2 3 Total
p(x) 0,17 0,50 0,30 0,03 1,00
0.17
0.50
0.30
0.03
-
0.10
0.20
0.30
0.40
0.50
0.60
0 1 2 3
p(x)
p(x)
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
En general la funcin de probabilidad de X es:
= = =
3

1
4;
10
4
, x=0,1,2,3,
Es claro que
1. p(x)>0 , y xeR
X

2. =
5
30
+
15
30
+
9
30
+
1
30
= 1

Este ejemplo se lo puede generalizar de la siguiente
manera: Supongamos que se tienen n artculos (n finito), de
los cuales r son defectuosos. Se extrae una muestra
aleatoria de tamao m sin reemplazamiento. Sea X el
numero de artculos defectuosos en la muestra. Hallar la
funcin de probabilidad de la variable aleatoria X.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
La variable aleatoria esta definida por:
X(w)= nmero de artculos defectuosos en la
muestra de tamao m.
R
X
= {0,1,2,3,.., min(m,r)}
p(x)=P[X=x]=

;
;

, para x=0,1,2,3,..,min(m,r)
Que es la funcin de probabilidad de X. Esta
distribucin se conoce como la distribucin se
conoce como la distribucin
hipergeomtrica
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
FUNCION DE DISTRIBUCION DE UNA VARIABLE
ALEATORIA DISCRETA
Otro concepto importante es el de funcin de distribucin
o funcin de distribucin acumulativa, como se conoce
algunas veces debido a que se consideran eventos de la
forma:
[X x] y su probabilidad inducida P [X x].
DEFINICION
Sea X una variable aleatoria discreta con rango
R
X
={x
1
,x
2
,x
3
.} y funcin de probabilidad p(x
i
)=P[X=x
i
],
sea x un nmero real cualquiera, la funcin de
distribucin de X se denota por F(x) y se define como:
F(x)= P [X x] =

= , = -

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
Ejemplo: Del ejemplo lanzamiento de una moneda 3
veces y X(w)=n
c
-n
s
. Hemos calculado la distribucin
de probabilidad.
p(-3)=1/8, p(-1)=3/8,p(1)=3/8 y p(3)=1/8
Calculamos ahora la funcin de distribucin para esta
variable aleatoria. En efecto desde F(x) esta definida
para todo xeR, consideramos los siguientes casos:
1. Si x<-3, es claro que: F(x)=P[Xx]=

()

=0
2. Si x=-3, es claro que: F(-3)=P[X -3]=
=

()
;3
=p(-3)=1/8

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
3. Si xe[-3,-1> F(x)=P[X x]=

()

=
p(-3)=1/8
4. Si x=-1 F(-1)=P[X -1]=

()
;1
=
p(-3)+ p(-1)=1/8+3/8=4/8
5. Si xe[-1,1> F(x)=P[X x]=

()

=
p(-3)+p(-1)=4/8
6. Si x=1 F(1)=P[X 1]=

()
1
=
p(-3)+ p(-1)+p(1)=1/8+3/8+3/8=7/8

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
7. Si xe[1,3> F(x)=P[X x]=

()

=
p(-3)+p(-1)+p(1)=7/8
8. Si x=3 F(3)=P[X 3]=

()
3
=
p(-3)+ p(-1)+p(1)+p(3)=1/8+3/8+3/8+1/8=1
9. Si x>3 F(x)=P[X x]=

()

=
p(-3)+ p(-1)+p(1)+p(3)=1/8+3/8+3/8+1/8=1
Nota1:Se puede observar que si x e [-3,-
1>entonces F(x)=F(-3); si x e [-1,1>entonces
F(x)=F(-1), etc.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
En general si:x e [x
k
,x
k+1
> se verifica que
F(x)=F(x
k
), donde x
k
y x
k+1
son elementos del
rango de X.
Luego la funcin de distribucin podemos
escribirla as:


0 , Si x<-3
1/8 , Si -3x<-1
F(x)= 4/8 , Si -1x<1
7/8 , Si 1x<3
1 , Si x3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
Grafica de la funcin de distribucin del experimento
lanzar una moneda tres veces X=n
c
-n
s
La funcin de distribucin se representa tambin en una
tabla como la siguiente
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS.
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 1
Representacin tabular
PROPIEDADES DE LA FUNCION DE
DISTRIBUCION
Notacin : Usaremos las siguientes notaciones:

F() en vez de lim

() y
F(-) en vez de lim
;

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
Propiedad 1
0F(x) 1, siendo xe, pues F x es una
probabilidad para cualquier x real y las
probabilidades estan limitadas por 0 y 1.
Propiedad 2
F(x), es una funcin no decreciente. En efecto
sean x
1
,x
2
e tales que x
1
x
2
, entonces se
tiene: {x/Xx
1
}c : {x/Xx
2
} y aplicando la
probabilidad a ambos eventos, por el teorema
3

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
F(x
1
)=P[Xx
1
] P[Xx
2
]=F(x
2
) de donde
obtenemos que F(x
1
) F(x
2
).
Propiedad 3
(a) F()=P[{x/X<}]=P[X<]=1, pues el
evento: {x/X<} es el conjunto de todos los
nmeros reales.
(b) F(-)=P[{x/X<-}]=P[X<-]=0, pues el
evento: {x/X<-} es el conjunto nulo.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
Propiedad 4
Sean x
k
,x
k+1
e R
X
si xes tal que x
k
x<x
k+1
,
entonces F(x)=F(x
k
)
Es decir la funcin F(x),es constante e igual a
F(x
k
) para todo xe[x
k
,x
k+1
>. Esto implica que si
X es una variable discreta, F(x) es una funcin
escalonada (escalera)y la altura en un escaln
x
k
(x
k
eR
X
) es igual a la P[X=x
k
]como se
muestra en la figura siguiente:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
Grfica: Funcin de distribucin
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
Nota2
(a)La funcin de distribucin da directamente:
P[Xa]=F(a)
(b) P[Xa]=1-P[X<a]=1-F(a-1), si a es entero y
=1-F([a]), si no es entero
(c) La funcin de distribucin F(x)se puede usar
para determinar probabilidades de cualquier clase
con relacin a X, en particular consideremos el
evento:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
(a<xb), a,beR y a<b
Consideremos los siguientes eventos:
A={weO/X(w) a}=(X a) (1)
B ={weO/a<X(w) b}=(a<X b)
Desde que a y b son nmeros reales cualesquiera tales que
a<b, entonces es claro AB=C
Luego la P[AB]=P[A]+P[B] (2)
Pero AB=(X a o a<X b)=(X b)
Por lo tanto (2) se escribe:
P[X b]=P[X a]+P[a<X b] por (1)
F(b)=F(a)+ P[a<X b] de donde:
P[a<X b]= F(b)-F(a)
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
Tambin podemos calcular la P[aXb] y
desarrollando los artificios matamticos
concluimos que:
P[aXb]=F(b)-F(a)+P[X=a]
Para el caso P[a<X<b]=F(b)-F(a)+P[X=b]
Y tambin p(x
i
)=P[X=x
i
]=F(x
i
)-F(x
i
-1)
Ejemplo: La variable aleatoria Xtiene la
siguiente funcin de distribucin acumulativa:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
0 x<0
1/8 0x<1
F(x)= 1x<2
5/8 2x<3
1 x3

Calcular (a) P[X(w)<0,5]+P[X(w)2]
(b) La distribucion de probabilidades de
X
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIN. GRFICAS
(a) P[X(w)<0,5]+P[X(w)2]=F(0,5)+1-P P[X(w)<2]
=
1
8
+ 1 ,() 1- =
1
8
+ 1 (1)
=
1
8
+ 1
1
2
=
1
8
+
1
2
=
5
8

(b) Teniendo en cuenta la propiedad 4 de la
funcin de distribucion se tiene que el rango de la
variable aleatoria X es el conjunto {0,1,2,3} y la
distribucion de probabilidad es:

.


X 0 1 2 3
P(x) 1/8 3/8 1/8 3/8
DISTRIBUCIONES CONTNUAS.
DEFINICION VARIABLE ALEATORIA CONTINUA
Si el rango R
X
, de una variable aleatoria X es un
intervalo sobre la recta de los nmeros reales se
llama variable aleatoria continua.
Ejemplo: Sea X la variable aleatoria que
representa el numero de kilogramos que pierde
una persona al seguir una dieta especifica
durante cierto periodo. Es una variable aleatoria
continua, pues su rango (los valores que puede
tomar), son todos los puntos de un intervalo
por ejemplo: [1,3] kilos.

FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
Definicin Funcin de Densidad: Sea una variable
aleatoria continua con RX. La funcin de densidad
de probabilidad asociada a la variable aleatoria es
una f(x) integrable que satisface las siguientes
condiciones:
1. f(x)0 , para todo xeR (o f(x)>0, x eR
X
)
2.

= 1

(o

= 1)
:
;

Esta definicin implica la existencia de una
funcin real (definida sobre RX. La condicin uno
establece que la grafica de la funcin de densidad
esta por arriba del eje de las x.
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
La condicin (2) indica que el rea acotada por
la curva f(x), el eje x y las rectas verticales que
pasan por los puntos extremos de RX es 1
como se indica en la figura siguiente:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
Si estamos interesados en calcular la
probabilidad de un evento A={x/aXb} se
define como sigue:
P[A]=P[x/aXb]=

Y el concepto se lo ilustra en la siguiente
grfica:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
Observaciones
1.Es importante darse cuenta que f(x) no
representa la probabilidad de algo y que
solamente cuando la funcin se integra entre 2
puntos produce una probabilidad.
2.Una consecuencia de la definicin de
probabilidad de un evento (ecuacin), es que
para cualquier valor especifico de X, digamos
x0, P[X=x0]= 0, puesto que:
P[X=x0]=P[x0<Xx0]=

`0
= 0
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
3. Una consecuencia inmediata de (2) es el
siguiente resultado:
P[a X b]=P[a < X b]=P[a < X< b]=P[a X<
b]
Para cuando X es una variable aleatoria
continua.
EJEMPLO: Sea X una variable aleatoria con
funcin de densidad :
a(3x-x
2
) , si 0 x 3
0 , en otros casos
f(x)
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
a) Hallar el coeficiente a
b) Construir la grafica de la funcin de
densidad de probabilidad
c) Calcular la probabilidad que x se encuentre
en el intervalo [1,2]
d) Hallar la probabilidad que X se encuentre
en el intervalo <-1,3/2>
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
a) Como los valores de la variable aleatoria X se
encuentran en el intervalo [0,3]. Es decir el
RX=[0,3]. Entonces por la condicin 2 de la funcin
de densidad tenemos:

3
2
=
3
2

1
3

3
3
0
= (
27
2
9)
3
0
=1
=
1
27
2
;
18
2
=
1
9
2
=
2
9

b) La grafica de la funcin f(x) en el intervalo [0,3] y
responde a la ecuacin:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
y=
2
9
3
2
=
6
9

2
9

2
=
2
3

2
9

2

y=
2
3

2
9

2


-
0.10
0.20
0.30
0.40
0.50
0.60
- 1 2 3 4
F
u
n
c
i

n

d
e

x

f
(
x
)

Valores del R
X
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
c) La probabilidad que la variable X se encuentre en
el intervalo [1,2] se determina por la ecuacin:
P[1X 2] =

2
3

2
9

2
2
1
dx=

2
3

2
3
27
2
1

=
4
3

16
27
(
1
3

2
27
) =
20
27

7
27
=
13
27

=0,4814=48,14%
d) Por la ecuacin principal de probabilidad de
un evento se tiene:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
P[-1<X<3/2]=

0 +

2
3

2
9

2
3
2
0
0
`;1
dx
=0 -

2
3

2
3
27
3
2
0
=
(
3
2
)
2
3

2(
3
2
)
3
27
=
9
4
3

54
8
27
=
9
12

54
216

=
3
4

1
4
=
2
4
=
1
2
= 0,5 = 50%
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIN
FUNCION DE DISTRIBUCION DE UNA VARIABLE
ALEATORIA CONTINUA
Sea X una variable aleatoria continua con funcin de
densidad f(x). La funcin de distribucin acumulativa
de la variable aleatoria X denotada por F(x) se define
por:
F(x)=P[Xx]=

;

FUNCION DE DISTRIBUCIN CONTINUA
EJEMPLO: Sea X una variable aleatoria con funcin
de densidad definida por:
=
3
4
2 , 0 2
0 ,

a) Hallar la funcin de distribucin de X y su grafica
b) F(1)
La F(x) esta definida para toda xe9, entonces se
consideran los siguientes casos:
FUNCION DE DISTRIBUCIN CONTINUA
1. Si x<0, F(x)=P[Xx]=

;
= 0
2. Si 0 x 2, F(x)=P[Xx]=

()

;
=

;
+

3
4
2

0
= 0 +
3
4
(
2

3
3
)-

0
=
3
4

2
(1

3
)
3. Si x>2,
F(x)=P[Xx]=

= 0 +

3
4
2
2
0
+

0 = 1

2

FUNCION DE DISTRIBUCIN CONTINUA
4. De 1),2)y3) la funcin de distribucin de la
variable aleatoria X es
F =
0 , < 0

3
4

2
(1

3
), 0 2
1 , 2

La grafica de la distribucin es la siguiente:
b) F(1)= P[X1]=
3
4
1
2
1
1
3
=
1
2

FUNCION DE DISTRIBUCIN CONTINUA
0
0.2
0.4
0.6
0.8
1
1.2
-2 -1 0 1 2 3 4
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION
Las tres primeras propiedades son las mismas
que el caso discreto.
1) 0F(x)1, y xe9
2) F(-)= lim
;
()= lim
;

= 0
0
;

F()= lim

()= lim

= 1

;

3)La funcin de distribucin es no decreciente
esto es si ab entonces F(a) F(b)
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION
4).lim
0
+ = ()siempre que xe9,con
h>0, es decir F es continua por la derecha en
todos los puntos
5)Del segundo teorema fundamental de
clculo se tiene que si F(x) es una funcin
derivable entonces:
f(x)=

()
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION
EJEMPLO: Una estacin de servicio es
provisionada de gasolina una vez a la semana.
El volumen X de la posible venta semanal en
miles de galones tiene la siguiente funcin de
distribucin acumulada:
F(x)=1-(1-x)
4
, 0<x<1
a) Cul debe ser la capacidad de su tanque
para que la probabilidad que su provisin se
agote en una semana sea del 0,01?
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION
b) Cul es la probabilidad de que la venta
semanal est entre los 800y 900 galones?
Solucin
a)Sea C la capacidad del tanque por lo tanto
se quiere determinar el valor de C, tal que:
0,01=P[XC]=1-P[XC]=1-[1-(1-C)
4
]=(1-C)
4
,de
donde C=1- 0,01
b)P[0,8<X<0,9]=F(0,9)-F(0,8)=1-(1-0,9)
4
-[1-(1-
0,8)
4
]=(0,2)
4
-(0,1)
4
=0,0015

MEDIA, VARIANZA Y SESGO DE UNA DISTRIBUCIN
FUNCION DE UNA VARIABLE ALEAORIA
En muchos problemas frecuentemente se est
interesado en el comportamiento de una
funcin, digamos H de una variable aleatoria
X, Y=H(X); y cada valor de Y(esto es y=H(X),
se determina conociendo los valores de X.
Desde que X es una variable aleatoria , Y
tambin es una variable aleatoria y la
distribucin de y=H(X) se determina
conociendo la distribucin de probabilidades
de X.
FUNCIN DE UNA VARIABLE ALEATORIA
EJEMPLO: Sea X una variable aleatoria discreta con
funcin de probabilidad p(x) como se indica en la
siguiente tabla:



Determinar:
a)El rango de la variable aleatoria Y=X
2

b)La funcin de probabilidad de la variable aleatoria
Y=X
2

c)Lo mismo que a) y b) para la variable aleatoria Y=3X-
1
x -1 0 1 2
p(x)=P[X=
x]
1/8 3/8 3/8 1/8
FUNCIN DE UNA VARIABLE ALEATORIA
a)Remplazando los valores de X en la funcin
H(X) (y=H(X)) entonces:
Si X=-1,Y=x
2
toma el valor y=H(-1)=(-1)
2
=1
Si X=0,Y=x
2
toma el valor y=H(0)=(0)
2
=0
Si X=1,Y=x
2
toma el valor y=H(1)=(1)
2
=1
Si X=2,Y=x
2
toma el valor y=H(2)=(2)
2
=4
Por lo tanto el rango de la variable aleatoria Y
es R
Y
={1,0,1,4}



FUNCIN DE UNA VARIABLE ALEATORIA
b)La funcin de probabilidad se calcula como
sigue:
Py(0)=P[Y=0]=P[X=0]=p(0)=3/8
Py(1)=P[Y=1]=P[X=-1]+P[X=1]=
=p(-1)+p(1)=1/8+3/8=4/8=1/2
Py(4)=P[Y=4]=P[X=2]=p(2)=1/8
Asi la distribucin de probabilidad de Y=X
2

representado en una tabla es:


FUNCIN DE UNA VARIABLE ALEATORIA
y 0 1 4
Py(y) 3/8 4/8 1/8
En este caso Y=H(X)=3X-1 los valores de Y
serian los siguientes:
Si x=-1 y=H(-1)=((3x(-1))-1)=-3-1=-4
Si x=0 y=H(0)=((3x(0))-1)=0-1=-1
Si x=1 y=H(1)=((3x(1))-1)=3-1=2
Si x=2 y=H(2)=((3x(2))-1)=6-1=5
Por lo tanto R
Y
={-4,-1,2,5}
La funcin de probabilidad se calcula de la
siguiente manera:

FUNCIN DE UNA VARIABLE ALEATORIA
py(-4)=P[Y=-4]=P[X=-1]=p(-1)=1/8
py(-1)=P[Y=-1]=P[X=0]=p(0)=3/8
py(2)=P[Y=2]=P[X=1]=p(1)=3/8
py(5)=P[Y=5]=P[X=2]=p(2)=1/8
Luego la distribucin de probabilidad esta dada
en la tabla:


y -4 -1 2 5
P
y
(y) 1/8 3/8 3/8 1/8
FUNCIN DE UNA VARIABLE ALEATORIA
Definicin Eventos Equivalentes: Sea E
X
un
evento en R
X
(E
X
cR
X
) y F
Y
un evento R
Y

(F
Y
cR
Y
), E
X
y F
Y
son eventos equivalentes si:
E
X
={xeR
X
/H(X) e F
Y
}
La relacin se presenta en la grafica siguiente:
w. x=X(w) y=H(x)
O
R
X
R
Y H
X
FUNCIN DE UNA VARIABLE ALEATORIA
FUNCIONES CONTINUAS DE UNA VARIABLE
ALEATORIA CONTINUA
Teorema: Sea X una variable aleatoria continua
con funcin de densidad f que satisface f(x)>0,
para a<X<b e Y=H(X), es una funcin continua de
x, estrictamente creciente o decreciente, entonces
la variable aleatoria Y=H(X) tiene una funcin de
densidad g dada por:
g(y)=f(x)

FUNCIN DE UNA VARIABLE ALEATORIA
EJEMPLO: Suponiendo que X es una variable
aleatoria con funcin de densidad:
f(x)=

10
, 0 2 5
0 ,

Si Y=H(X)=2X+6 calcular la funcin de densidad
de g de Y.
El procedimiento de solucin seria:
1) G(y)=P[Yy]=P[2X+6 y]=P[X
;6
2
]
FUNCIN DE UNA VARIABLE ALEATORIA
=

10
=

2
20

;6
2
0
6
2
0
=
1
80

2
12 +36
Donde los eventos Yy) en R
Y
y [X(
;6
2
)]en R
X

son equivalentes.
2) g(y)=

40

3
20

3) 0x2 5entonces 6 2x+6 4 5 +6
o 6 y 4 5 +6 por lo tanto la funcin de
densidad de y es:
FUNCIN DE UNA VARIABLE ALEATORIA
g(y)=

40

3
20
, 6 4 5 +6
0 ,


VALOR ESPERADO DE UNA VARIABLE
ALEATORIA
Sea X una variable aleatoria con RX y funcin
de probabilidad p(x) si es discreta o funcin de
densidad f(x) si es continua, el valor esperado
o esperanza matemtica de X se denota por
E(X) y se define:
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
E(X)= ()

si X es una variable aleatoria discreta (*)

E(X)=

si X es una variable aleatoria

continua (**)
Siempre que ()

, sea absolutamente convergente, es

decir la ()

es finita y

;
es finita
respectivamente.
La Esperanza matemtica de X, se llama tambin: media de la
variable aleatoria y se denota por , o sea
=E(X)
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
EJEMPLO: Hallar la esperanza matemtica de la
variable aleatoria X con distribucin de
probabilidad:


Aplicando la formula para variables aleatorias
discretas y generando una columna mas en la
tabla obtenemos:
x 0 1 2 3 4
p(x) 0,2 0,4 0,3 0,08 0,02
x 0 1 2 3 4 E(X)
Sumatori
a
p(x) 0,2 0,4 0,3 0,08 0,02
xp(x) 0 0,4 0,6 0,24 0,08 1,32
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
EJEMPLO 2: Sea X una variable aleatoria
continua cuya funcin de densidad esta definida
por:
=
3
4

2
2 , 0 < < 2
0 ,

Calcular la esperanza de X.
Aplicando la formula encontramos la esperanza
matemtica
E(X)=

3
4

2
2 =

3
4

2
2
2
0

VALOR ESPERADO DE UNA VARIABLE ALEATORIA
=
3
4
2
3
3

4
4
2
0
= 0,99
Entonces la E(X)=0,9999=1

VALOR ESPERADO DE UNA VARIABLE ALEATORIA
PROPIEDADES DE LA ESPERANZA
MATEMATICA
El siguiente teorema generaliza la definicin de
esperanza matemtica a la de una funcin de
la variable aleatoria Y=H(X)
TEOREMA 1
Sea X una variable aleatoria e Y=H(X) una
funcin de X. El valor esperado de la funcin
H(X) denotado por E[H(X)] se define por:
PROPIEDADES DE LA ESPERANZA MATEMATICA

i) E[H(X)]=

()

,
Siempre que esta serie sea absolutamente
convergente
ii) E[H(X)]=

, si x es continua
Siempre que

() <

Es posible que si X es continua, H(X) puede ser
discreta o continua, en este caso restringiremos H
a que Y=H(X) sea una variable aleatoria continua.

PROPIEDADES DE LA ESPERANZA MATEMATICA
TEOREMA 2
Si X es una variable aleatoria , a y b constantes.
Entonces:
(i) E(a)= a,
(ii) E[aH(X)]=aE[H(X)]
(iii) E[aH(X)+bG(X)]=aE[H(X)]+bE[G(X)]

TEOREMA 3
Sea X una variable aleatoria y si a y b son
constantes entonces:
E[aXb]=aE(X)b

PROPIEDADES DE LA ESPERANZA MATEMATICA
TEOREMA 4
Sea X
1
,X
2
,..X
n
, n variables aleatorias y
a
i
(i=1,2,3,..n) constantes, entonces:
E[a
0
+

<1
] = a
0
+

<1

Consecuencia del teorema 4:
E[aX+bY]=aE(X)+bE(Y)
EJEMPLO 1: Sea X una variable aleatoria cuya
distribucin de probabilidad esta dada por:
PROPIEDADES DE LA ESPERANZA MATEMATICA


Calcular: a) E(2X+1); b) E(4X-2)
c) E(2X
2
+3); d) E(4X
2
+X+3)
a)E(X)=0
1
8
+1
3
8
+2
3
8
+3
1
8
=
12
8
=
3
2

E(2X+1)=2E(X)+1=2
3
2
+1 = 3 +1 = 4
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
PROPIEDADES DE LA ESPERANZA MATEMATICA
b) E(4X-2)=4E(X)-2=4
3
2
2 = 6 2 = 4
c)Primero calculemos E(X
2
) por la formula del
teorema 1 se obtiene:
E(X
2
)=0
2

1
8
+1
2

3
8
+2
2

3
8
+3
2

1
8
=
24
8
= 3
E(2X
2
+3)=2E(X
2
)+3=2x3+3=9
d) E(4X
2
+X+3)=4E(X
2
)+E(X)+3=4x3+
3
2
+3=16,5
PROPIEDADES DE LA ESPERANZA MATEMATICA
EJEMPLO 2 En un juego de lotera se venden
1000 boletos a 25 ctvs. Hay 5 premios en
efectivo de: Bs.25,Bs. 20,Bs. 10,Bs. 5 y de
Bs.1. primero, segundo, tercero, cuarto y
quinto premio respectivamente. Calcular la
ganancia esperada de un comprador de 2
boletos.
PASO 1 Definimos la variable aleatoria:
X(w)=Beneficio neto al comprar un boleto
X(w)=Valor Premio - costo del Boleto
PROPIEDADES DE LA ESPERANZA MATEMATICA
PASO2 Establezco una segunda variable
aleatoria relacionada con X que seria Y=2X
que es el beneficio al comprar 2 boletos.
PASO 3 La Esperanza de Y con relacin a la
de X ser: E(Y)=E(2X)= 2E(X)
PASO 4 Establezco el rango de la variable X y
su correspondiente probabilidad en funcin al
espacio muestral considerado
PROPIEDADES DE LA ESPERANZA MATEMATICA
El rango de X es el beneficio neto que obtiene
el comprador de un boleto si pierde o gana uno
de los diferentes premios en Bs., entonces:
R
X
={-0,25;0,75;4,75;9,75;19,75;24,75}
La probabilidad la establecemos el numero
total de elemento de O que se constituyen en
1000 boletos y lo expresamos en la siguiente
tabla:

PROPIEDADES DE LA ESPERANZA MATEMATICA
X -0,25 0,75 4,75 9,75 19,75 24,75
E(X)
p(x) 995/1000 1/1000 1/1000 1/1000 1/1000 1/000

xp(x)
-0,24875 0,00075 0,00475 0,00975 0,01975 0,02475 -0,18825
Por lo tanto el beneficio esperado al comprar un
boleto
es -0,18825, luego el beneficio de comprar dos
boletos ser:
E(2X)=2x(-0,18825)=-0,3765 que es el beneficio
esperado al comprar dos boletos.
MOMENTOS DE UNA DISTRIBUCIN
Los momentos de la distribucin de
probabilidades son: la esperanza matemtica
como primer momento central y la Varianza
como segundo momento central. Y dentro de
la Varianza se tiene el concepto de la
desviacin estandar.
A continuacin se desarrollaran las
definiciones de estos nuevos conceptos y su
correspondiente aplicacin e interpretacin.
MOMENTOS DE UNA DISTRIBUCIN
VARIANZA DE UNA VARIABLE ALEATORIA
La varianza de una variable aleatoria X se
denota por Var(X) o por la letra griega o

2
( o
simplemente o
2
), y se define como:
Var(X)=o
2
=E[(X-)
2
]
Por lo tanto:
o
2
=E[(X-)
2
]=

p(x), si X es
discreta

MOMENTOS DE UNA DISTRIBUCIN
o
2
=E[(X-)
2
]=

;
,si X es
continua
La varianza es una medida de dispersin o
concentracin de la informacin alrededor de
la media E(X).
La varianza es pequea si la informacin se
encuentra concentrada alrededor de E(X), y si
la varianza crece, la informacin se aleja de la
media E(X).
MOMENTOS DE UNA DISTRIBUCIN
La varianza de una variable aleatoria Xes un caso
especial del teorema 1 pues H(X)=(X-)
2
.
Observe que la unidad de la variable aleatoria es
, entonces la unidad de la media es la misma, en
cambio la unidad de la varianza sera
2
.
DESVIACION TIPICA
Otra medida de dispersin llamada desviacin
tpica de la variable aleatoria se define como la
relacin cuadrada de la varianza y se denomina
por sigma o, es decir:
MOMENTOS DE UNA DISTRIBUCIN
o = + o
2

Note que la unidad de o es la misma que de la
variable aleatoria y un valor pequeo de la
desviacin tpica poca dispersin mientras que
un valor grande indica gran dispersin.
EJEMPLO 1
La variable aleatoria X tiene la siguiente
funcin de distribucin:
MOMENTOS DE UNA DISTRIBUCIN
F =
0 , < 0

1
8
, 0 < 1
1
2
, 1 < 2
5
8
, 2 < 3
1 , > 3

Calcular la varianza y desviacion tipica de la
variable aleatoria.
MOMENTOS DE UNA DISTRIBUCIN
Paso 1 .-Definicin del R
X
={0,1,2,3}
Paso 2 Elaboracin tabla de calculo



Paso 3.-Para el calculo de la Varianza
requiero:
2
que podemos incluirlos en la
anterior tabla y tendriamos:


x 0 1 2 3 Total
E(X)
F(x) 1/8 1/2 5/8 1
p(x) 1/8 3/8 1/8 3/8
xp(x) 0 3/8 2/8 9/8 14/8
MOMENTOS DE UNA DISTRIBUCIN
El valor de la Varianza o
2
= 1,1875
Y la desviacion tipica es =
2

= 1,1875= 1,089
x 0 1 2 3 Total
E(X)
F(x) 1/8 1/2 5/8 1
p(x) 1/8 3/8 1/8 3/8
xp(x) 0 3/8 2/8 9/8 14/8

2
(0-14/8)
2
(1-14/8)
2
(2-14/8)
2
(3-14/8)
2
E
2
p
(x)

2
196/64 36/64 4/64 100/64

2

p(x)
196/512 108/512 4/512 300/512 608/512
MOMENTOS DE UNA DISTRIBUCIN
Ejemplo 2: Usando la funcin de densidad del
ejemplo 2 de diapositiva 80 calcular la
Varianza y desviacin tpica.
=E(X)=1

2
=E[(X-1)
2
]=

1
2
3
4
2
2
0
=
1
5