Sesión 8: Variables Aleatorias
Universidad de la Sabana
Facultad de Ingeniería
Área de Matemáticas
Probabilidad y Estadística I
Juan Pablo Mojica
[email protected] Variables Aleatorias
Variables Aleatorias
Variables Aleatorias
Variables Aleatorias
Una variable aleatoria (v.a) es una función que asocia un número real
con cada elemento del espacio muestral. Se utilizará letras mayúsculas
para denotar una (v.a), por ejemplo X, Y, Z · · · y letras minúsculas
para cada uno de sus valores x, y, z · · · .
Variables Aleatorias
Ejemplo.
De una urna que contiene 4 balotas rojas y 3 negras se sacan dos
balotas de manera sucesiva, sin reemplazo. Se quiere saber los posibles
resultados del número de balotas rojas extraídas.
Y : Número de balotas rojas extraídas al azar
Variables Aleatorias
Ejemplo.
De una urna que contiene 4 balotas rojas y 3 negras se sacan dos
balotas de manera sucesiva, sin reemplazo. Se quiere saber los posibles
resultados del número de balotas rojas extraídas.
Y : Número de balotas rojas extraídas al azar
Los posibles resultados y valores de y de la v.a Y son
Variables Aleatorias
Ejemplo.
De una urna que contiene 4 balotas rojas y 3 negras se sacan dos
balotas de manera sucesiva, sin reemplazo. Se quiere saber los posibles
resultados del número de balotas rojas extraídas.
Y : Número de balotas rojas extraídas al azar
Los posibles resultados y valores de y de la v.a Y son
Solución.
Espacio Muestral y
RR 2
RN 1
NR 1
NN 0
Variables Aleatorias
Ejemplo.
Considere la condición en que salen los componentes de una línea de
ensamble y se clasifican como defectuosos y no defectuosos. Defina Z
la v.a mediante
(
1, si el componente está defectuoso
Z=
0, si el componente no está defectuoso
Está v.a en la que se eligen 0 y 1 para describir los posibles valores de
denomina variable aleatoria de Bernoulli
Variables Aleatorias
Ejemplo.
Los estadísticos utilizan planes de muestreo para aceptar o rechazar
lotes de materiales. Suponga que uno de los planes de muestreo implica
obtener una muestra independiente de 10 artículos de un lote de 100,
en el que 12 están defectuosos. Si X representa a la v.a, definida como
el número de artículos que están defectuosos en la muestra de 10, la
variable aleatoria toma los valores 0, 1, 2, · · · , 9, 10.
Variables Aleatorias
Ejemplo.
Existe interés por la proporción de personas que responden a cierta
encuesta enviada por correo. Sea X la proporción. X es una variable
aleatoria que toma todos los valores de x para los cuales 0 ≤ x ≤ 1.
Variables Aleatorias
Ejemplo.
Existe interés por la proporción de personas que responden a cierta
encuesta enviada por correo. Sea X la proporción. X es una variable
aleatoria que toma todos los valores de x para los cuales 0 ≤ x ≤ 1.
Ejemplo.
Sea X la variable aleatoria definida como el tiempo que pasa, en horas,
para que un radar detecte entre conductores sucesivos a los que exceden
los límites de velocidad. La variable aleatoria X toma todos los valores
de x para los que x ≥ 0.
Variables Aleatorias
Definición
Si un espacio muestral contiene un número finito de posibilidades, o
una serie interminable con tantos elementos como números enteros
existen, se llama espacio muestral discreto.
Variables Aleatorias
Definición
Si un espacio muestral contiene un número finito de posibilidades, o
una serie interminable con tantos elementos como números enteros
existen, se llama espacio muestral discreto.
Definición
Si un espacio muestral contiene un número infinito de posibilidades,
igual al número de puntos en un segmento de recta, se le denomina
espacio muestral continuo.
Variables Aleatorias
Definición (Variable Aleatoria Discreta)
Una variable aleatoria se llama variable aleatoria discreta si se puede
contar su conjunto de resultados posibles. Los tres primeros ejemplos
enunciados son v.a discretas.
Variables Aleatorias
Definición (Variable Aleatoria Discreta)
Una variable aleatoria se llama variable aleatoria discreta si se puede
contar su conjunto de resultados posibles. Los tres primeros ejemplos
enunciados son v.a discretas.
Definición (Variable Aleatoria Continua)
Una variable aleatoria se llama variable aleatoria continua si conjunto
de resultados posibles tomas valores en una escala continua o un inter-
valo completo de números reales. Los dos últimos ejemplos enunciados
son v.a continuas.
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades
El valor 0 con 1/8 de probabilidad
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades
El valor 0 con 1/8 de probabilidad
El valor 1 con 3/8 de probabilidad
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades
El valor 0 con 1/8 de probabilidad
El valor 1 con 3/8 de probabilidad
El valor 2 con 3/8 de probabilidad
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad
Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades
El valor 0 con 1/8 de probabilidad
El valor 1 con 3/8 de probabilidad
El valor 2 con 3/8 de probabilidad
El valor 3 con 1/8 de probabilidad
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Definición (Función de Distribución).
El conjunto de pares ordenados (x, f (x)) es una función de
probabilidad, una función de masa de probabilidad o una
distribución de probabilidad de la variable aleatoria discreta X si,
para cada resultado x posible,
i) f (x) ≥ 0
X
ii) f (x) = 1
x
iii) P (X = x) = f (x)
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Ejemplo:
Un embarque de 20 computadoras portátiles similares para una tienda
minorista contiene 3 que están defectuosas. Si una escuela compra al
azar 2 de estas computadoras, calcule la distribución de probabilidad
para el número de computadoras defectuosas.
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Solución.
Sea X una variable aleatoria cuyos valores x son los números posibles
de computadoras defectuosas compradas por la escuela. Entonces x
sólo puede asumir los números 0, 1 y 2. Así,
3 17
0 2 68
f (0) = P (X = 0) = 20 =
2
95
3 17
1 1 51
f (1) = P (X = 1) = 20 =
2
190
3 17
2 0 3
f (2) = P (X = 2) = 20 =
2
190
Por consiguiente, la distribución de probabilidad de X es
x 0 1 2
68 51 3
f (x) 95 190 190
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Definición.(Función de Distribución Acumulativa)
La función distribución acmulativa F (x) de una variable aleatoria
discreta X con distribución de probabilidad f (x) es
X
F (x) = P (X ≤ x) = f (t), para −∞ < x < ∞
t≤x
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Ejemplo.
El empleado de un almacén regresa tres cascos de seguridad al azar a
tres obreros de un taller. Si Sergio, Juan y Billy, en ese orden, reciben
uno de los tres cascos, liste los puntos muestrales para los posibles
órdenes en que el empleado del almacén regresa los cascos, después
calcule el valor m de la variable aleatoria M que representa el número
de emparejamientos correctos.
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Solución.
Si S, J y B representan, respectivamente, los cascos que recibieron
Sergio, Juan y Billy, entonces los posibles arreglos en los cuales se pueden
regresar los cascos y el número de emparejamientos correctos son
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Solución.
Si S, J y B representan, respectivamente, los cascos que recibieron
Sergio, Juan y Billy, entonces los posibles arreglos en los cuales se pueden
regresar los cascos y el número de emparejamientos correctos son
Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Solución.
Si S, J y B representan, respectivamente, los cascos que recibieron
Sergio, Juan y Billy, entonces los posibles arreglos en los cuales se pueden
regresar los cascos y el número de emparejamientos correctos son
Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Por consiguiente, la distribución de probabilidad de M es
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Solución.
Si S, J y B representan, respectivamente, los cascos que recibieron
Sergio, Juan y Billy, entonces los posibles arreglos en los cuales se pueden
regresar los cascos y el número de emparejamientos correctos son
Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Por consiguiente, la distribución de probabilidad de M es
x 0 1 2 3
1 1 1
f (x) 0
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
El cálculo de las distribuciones de M son
1
F (0) = f (0) =
3
5
F (1) = f (0) + f (1) =
6
5
F (2) = f (0) + f (1) + f (2) =
6
F (3) = f (0) + f (1) + f (2) + f (3) = 1
Por lo tanto,
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
La función de la distribución acumulativa de M es
0, para m < 0
1
3,
para 0 ≤ m < 1
5
F (x) = 6 , para 1 ≤ m < 2
5
para 2 ≤ m < 3
6,
1, para m ≥ 3
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Distibuciones Continuas de Probabilidad
Distibuciones Continuas de Probabilidad
Nos interesamos por el cálculo de probabilidades para varios intervalos
de variables aleatorias continuas como P (a < X < b), P (W ≤ c),
P (Y ≥ q) etc.
Aunque la distribución de probabilidad de una variable aleatoria
continua no se puede representar de forma tabular, sí es posible
plantearla como una fórmula, y como tal se representará mediante la
notación funcional f (x). Para el caso en que las v.a sean continuas
f (x) por lo general se le llama función de densidad de probabilidad,
o simplemente función de densidad de X.
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Definición. (Función de Densidad)
La función f (x) es una función de densidad de probabilidad (f dp)
para la variable aleatoria continua X, definida en el conjunto de
números reales, si
i) f (x) ≥ 0, para todo x ∈ R
Z ∞
ii) f (x)dx = 1
−∞
Z b
iii) P (a < X < b) = f (x)dx
a
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Ejemplo.
Suponga que el error en la temperatura de reacción, en un
experimento de laboratorio controlado, es una variable aleatoria
continua X que tiene la función de densidad de probabilidad
x2
(
f (x) = 3 , −1 <x<2
0, en otro caso
a) Verifique que f (x) es una función de densidad.
b) Calcule P (0 < X ≤ 1).
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la
definición, efectuamos
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la
definición, efectuamos
Z 2 2 2
x3
Z ∞
x 8 1
f (x)dx = dx = = + =1
−∞ −1 2 9 −1 9 9
Y ahora para el cálculo de la probabilidad, si usamos la condición 3 de
la definición tenemos que
Z 1 2 1
x x3 1
P (0 < X ≤ 1) = dx = =
0 3 9 0 9
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Definición.(Función de Densidad Acumulativa)
La función de densidad acumulativa F (x), de una variable aleatoria
continua X con función de densidad f (x), es
Z x
F (x) = P (X ≤ x) = f (t)dt, para −∞ < x < ∞
−∞
Nota
De esta definición de puede deducir que
1) P (a < X < b) = F (b) − F (a)
dF (x)
2) f (x) = dx , si la derivada existe.
Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Ejercicio.
1) Calcule F (x) para la función de densidad del ejemplo anterior y
utilice el resultado para evaluar P (0 < X ≤ 1).
2) El Departamento de Energía (DE) asigna proyectos mediante
licitación y, por lo general, estima lo que debería ser una licitación
razonable. Sea b el estimado. El DE determinó que la función de
densidad de la licitación ganadora (baja) es
(
5
8b , si 52 b ≤ y ≤ 2b
f (y) =
0, en otro caso
Calcule F (y) y determine la probabilidad de que la licitación
ganadora sea menor que la estimación preliminar b del DE.
Esperanza Matemática
Esperanza Matemática
Media de una Variable Aleatoria
La media de la variable aleatoria X o media de la distribución de
probabilidad de X, es el promedio de un conjunto que se esperaríamos
obtener a largo plazo. Este valor se denota como µx o µ cuando es
evidente a qué variable aleatoria se está haciendo referencia.
También es común referirse a esta media como la esperanza matemática
o el valor esperado de la variable aleatoria X y denotarla como E(X)
Esperanza Matemática
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x). La
media o valor esperado de X es:
1) Si X es discreta X
µ = E(X) = xf (x)
x
2) Si X es continua
Z ∞
µ = E(X) = xf (x)dx
−∞
Esperanza Matemática
Ejemplo.
Cierto día un vendedor de una empresa de aparatos médicos tiene dos
citas. Considera que en la primera cita tiene 70 por ciento de
probabilidades de cerrar una venta, por la cual podría obtener una
comisión de $1000. Por otro lado, cree que en la segunda cita sólo tiene
40 por ciento de probabilidades de cerrar el trato, del cual obtendría
$1500 de comisión. ¿Cuál es su comisión esperada con base en dichas
probabilidades? Suponga que los resultados de las citas son
independientes.
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
f (1000) = (0.7)(1 − 0.4) = 0.42
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Por lo tanto, la comisión esperada para el vendedor es
Esperanza Matemática
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,
$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
f (0) = (1 − 0.7)(1 − 0.4) = 0.18
f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Por lo tanto, la comisión esperada para el vendedor es
E(X) = ($0)(0.18)+($1000)(0.42)+($1500)(0.12)+($2500)(0.28) = $130
.
Esperanza Matemática
Ejemplo.
Sea X la variable aleatoria que denota la vida en horas de cierto
dispositivo electrónico. La función de densidad de probabilidad es
(
20000
x3
,x > 100
f (x) =
0, en otro caso
Calcule la vida esperada para este dispositivo
Esperanza Matemática
Solución.
Como la variable aleatoria es continua, entonces
Z ∞ Z ∞
20000 20000
µ = E(X) = x dx = dx = 200
100 x3 100 x2
Por lo tanto, esperamos que este tipo de dispositivo dure en promedio
200 horas.
Esperanza Matemática
Teorema.
Sea X una variable aleatoria con distribución de probabilidad f (x). El
valor esperado de la variable aleatoria g(X)es
1) Si X es discreta
X
µg(X) = E[g(X)] = g(x)f (x)
x
2) Si X es continua
Z ∞
µg(X) = E[g(X)] = g(x)f (x)dx
−∞
Esperanza Matemática
Ejercicio.
1) Un inspector de calidad obtiene una muestra de un lote que
contiene 7 componentes; el lote contiene 4 componentes buenos y
3 defectuosos. El inspector toma una muestra de 3 componentes.
Calcule el valor esperado del número de componentes buenos en
esta muestra.
2) Suponga que el número de automóviles X que pasa por un local
de lavado de autos entre las 4 p.m. y las 5 p.m. de cualquier
viernes soleado tiene la siguiente distribución de probabilidad:
x 4 5 6 7 8 9
1 1 1 1 1 1
P (X = x) 12 12 4 4 6 6
Sea g(X) = 2X − 1 la cantidad de dinero en dólares que el
administrador paga al operador. Calcule las ganancias esperadas
del operador en este periodo específico.
Esperanza Matemática
Ejercicio.
3) Sea X una variable aleatoria con función de densidad
x2
(
f (x) = 3 , −1 <x<2
0, en otro caso
Calcule el valor esperado de g(X) = 4X + 3.
Varianza de Variables Aleatorias
Varianza de Variables Aleatorias
Varianza de una Variable Aleatoria
La varianza de la variable aleatoria X, clasifica la variabilidad de la
distribución o dispersión de sus observaciones sobre la media. Este
valor se denota como σx2 o σ 2 o V (X) cuando es evidente a qué
variable aleatoria se está haciendo referencia.
Varianza de Variables Aleatorias
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x) y
media µ. La varianza de X es:
1) Si X es discreta
X
σ 2 = E[(X − µ)2 ] = (X − µ)2 f (x)
x
2) Si X es continua
Z ∞
2 2
σ = E[(X − µ) ] = (X − µ)2 f (x)dx
−∞
Nota.
La raíz cuadrada positiva de la varianza, σ, se llama desviación
estándar de X.
Varianza de Variables Aleatorias
Teorema.
La varianza de una variable aleatoria X es
σ 2 = E(X 2 ) − µ2
o
σ 2 = E(X 2 ) − [E(X)]2
Ejercicio.
1) Calcule la V (X), para los ejercicios anteriores.
Varianza de Variables Aleatorias
Propiedades Importantes
Propiedades.
Si a y b son constantes, entonces,
E(aX + b) = aE(X) + b
.
Varianza de Variables Aleatorias
Propiedades Importantes
Propiedades.
Si a y b son constantes, entonces,
E(aX + b) = aE(X) + b
.
El valor esperado de la suma o diferencia de dos o más funciones
de una v.a X, es
E[g(X) ± h(X)] = E[g(X)] ± E[h(X)]
Varianza de Variables Aleatorias
Propiedades Importantes
Propiedades.
Si a y b son constantes, entonces,
E(aX + b) = aE(X) + b
.
El valor esperado de la suma o diferencia de dos o más funciones
de una v.a X, es
E[g(X) ± h(X)] = E[g(X)] ± E[h(X)]
Si X y Y son variables aleatorias independientes, entonces
2
σaX+bY = V [aX + bY ] = a2 V (X) + b2 V (Y )
Varianza de Variables Aleatorias
Propiedades Importantes
Propiedades.
Si X y Y son variables aleatorias independientes, entonces
2
σaX−bY = V [aX − bY ] = a2 V (X) + b2 V (Y )
Varianza de Variables Aleatorias
Propiedades Importantes
Propiedades.
Si X y Y son variables aleatorias independientes, entonces
2
σaX−bY = V [aX − bY ] = a2 V (X) + b2 V (Y )
Si X1 , X2 , · · · , Xn son variables aleatorias independientes,
entonces
σa21 X1 +a2 X2 +···+an Xn = V [a1 X1 + a2 X2 + · · · + an Xn ]
= a21 V (X1 ) + a22 V (X2 ) + · · · a2n V (Xn )
