ESTADÍSTICA II- TEMA 1

VARIABLES ALEATORIAS UNIDIMENSIONALES

Autora: Profesores:
LIDIA MUÑOZ GRANADOS OSCAR MARTÍNEZ
CARLES MÉNDEZ-ORTEGA
Dpto. Economía - URV Dpto. Economía - URV
VARIABLES ALEATORIAS UNIDIMENSIONALES

1.0) Variables aleatorias

1.1) Variables aleatorias discretas

1.2) Variables aleatorias continuas

1.3) Desigualtat de Txebitxev

VARIABLES ALEATORIAS UNIDIMENSIONALES

Dado un experimento aleatorio, consideramos:

1.-  → espacio muestral

2.- { ();  ; ; ( )ᶜ} → Álgebra de sucesos

3.- p :  () → [0,1]

A → p(A) cumpliendo : a) P(A)  0
b) P() = 1
c) P(AB) = P(A) + P(B), para A y
B disjuntos.
• El conjunto ( ,  (), P) → Constituye:

ESPACIO DE PROBABILIDAD ASOCIADO AL EXPERIMENTO ALEATORIO

VARIABLES ALEATORIAS UNIDIMENSIONALES

• Una variable aleatoria es una función real definida sobre el espacio

muestral E, que hace corresponder a cada uno de los elementos de E uno
y sólo un valor real.

X:  R
W€ X(W) € R

Cada punto muestral Valor real

• Diremos que se ha definido una variable aleatoria, o que se ha construido

un modelo de distribución de probabilidad cuando se especifican posibles
valores de una variable aleatoria, junto con sus respectivas
probabilidades.
VARIABLES ALEATORIAS UNIDIMENSIONALES
DISCRETA (V.A.D.)

Una v.a es de tipo discreto cuando toma como resultados posibles un número de
valores finito o infinito numerable. Entre otras, estas v.a. corresponden a aquellos
experimentos en los que mido el número de veces que ocurre un suceso.

CONTINUA (V.A.C.)

Una v.a es de tipo continua, cuando puede tomar cualquier valor en un intervalo.
Pej: Peso de una persona, altura, duración de una bombilla,….

Para poder trabajar en términos probabilísticos con v.a. voy a definir dos
funciones:

- Función de Cuantía o de Probabilidad P(x) para v.a.d.. Su equivalente

para las v.a.c. es la función de densidad f(x).

- Función de Distribución: F(x).

VARIABLES ALEATORIAS UNIDIMENSIONALES
EJEMPLO 1: V.A.D.

Experimento aleatorio: Lanzar 2 monedas y observar los lados que aparecen.

 = {CC,CX,XC,XX}

Definimos X : “número de caras”

X:  R
CC X (CC) = 2
CX X (CX) = 1
XC X (XC) = 1
XX X (XX) = 0

• Rango de X = Rx → Imagen de X = valores reales ( de 0 a 2) → Rx { 0,1 2}

• El rango de X tiene un número finito de elementos, por lo que diremos que es una
variable aleatoria discreta.

• Si el rango fuese infinito numerable, X también sería V.A.D.

VARIABLES ALEATORIAS UNIDIMENSIONALES
EJEMPLO 2: V.A.C.

Experimento aleatorio: Escoger al azar una persona y medir su altura o peso

 = { 1,52; 1,65; …; 1,98}

• Definimos Y : “tiempo que he mirado la televisión”

• Rango de Y es INFINITO NO NUMERABLE → Y es una VARIABLE

ALEATORIA CONTÍNUA.

• Rx [0h; 24h]
1.1. Variables aleatorias discretas
[Link] función de cuantía o probabilidad [P(xi=x)]

Va a ser la función que va a indicar las probabilidades de que la variable tome

los diferentes valores que forman el espacio muestral

P(x i ) = P(x = x i )  P(x ) = 1


i

EJEMPLOS:

• Ejemplo 1 → Probabilidad que salga cara en el lanzamiento de 2 monedas.

• Ejemplo 2 → Tirar dos dados consecutivamente

*Nota: Si p(x) no está definida en el rango su función de cuantía vale 0.

1.1. Variables aleatorias discretas
Ejemplo 2 → Tirar dos dados consecutivamente
Función de cuantía o probabilidad:

(1,1) (2,1)(1,2) (2,2)(3,1)(1,3)

Representación gráfica:
1.1. Variables aleatorias discretas

Propiedades de la función de cuantía o probabilidad:

1. Px (x) ≥ 0 ᵾ x € R → Siempre toma valores no negativos
2. ∑ P(x) = 1 → La probabilidad total tiene que ser =1

Ejercicio: Práctica 1 ejercicio 2:

• Tiramos un dado trucado: → “La probabilidad de obtener una

determinada cara es proporcional a la puntuación de esta cara”
1.1. Variables aleatorias discretas
1.1.2 La función de distribución de X0 [F(X0)]
Cualquier variable aleatoria, tanto discreta como continua tiene asociada una
función que permite el cálculo de probabilidades acumuladas hasta un valor
Xi.
Fx → Será la probabilidad de que la variable aleatoria tome el valor X0 ó
valores inferiores F(x ) = P(x  x ) = P(x = x ) + P(x = x ) + ... + P(x = x )
i i i i −1 1

F(−) = 0 F() = 1
Ejemplo: Lanzamiento de dos dados consecutivos
P[5,9]=P[5<;X<;9]
=24/36=4736+5/36+6/36+etc
1.1. Variables aleatorias discretas
Ejemplo 2 → Tirar dos dados consecutivamente
Función de distribución:

1/36 1/36+2/36 1/36+2/36+3/36

Representación gráfica
1.1. Variables aleatorias discretas

Propiedades de la función de distribución

1.- La función es no negativa

▫ Fx (x) ≥ 0

2.- Es una función creciente

▫ Si X₁ < X₂ → F (X₁) ≤ F( X₂)

3.- Fx es continua por la derecha.

▫ Fx (a) = Fx (a⁺)

4.- En los puntos de a € Rx, Fx presenta una discontinuidad de salto

▫ F(x) es una función escalonada.
1.1. Variables aleatorias discretas

Propiedades de la función de distribución

5.1.-La función es convergente a 0 por la izquierda:

▫ F (-∞) =0

5.2.- La función es convergente a 1 por la derecha:

▫ F (∞)= 1

6.- Fx es una función acotada entre 0 y 1.

▫ 0 ≤ F(x) ≤1

• Ejemplo lanzamiento 3 monedas

1.1. Variables aleatorias discretas
CÁLCULO DE PROBABILIDAD:

1. P ( (-∞,a] ) = P(X ≤ a) = Fx (a)

2. P ( (a,∞) ) = P(X > a) = 1- Fx (a)

3. P ( (-∞,a) ) = P(X < a) = Fx (a⁻)

4. P ( [a,∞) ) = P(X ≥ a) = 1- Fx (a⁻)

5. P( (a,b] ) = Fx (b) – Fx (a)

6. P( [a,b] ) = Fx (b) – Fx (a⁻)

7. P( [a,b) ) = Fx (b⁻) – Fx (a⁻)

8. P( (a,b) ) = Fx (b⁻) – Fx (a)

1.2. Variables aleatorias continuas
Una variable aleatoria es de tipo continua, cuando el espacio muestral asociado al
experimento está formado por un número infinito de resultados no numerables.

Por lo que una variable continua puede tomar cualquier valor de un intervalo.
 → Infinitos resultados elementales.

Si consideramos que todos son equiprobables, no sería posible asignar una

probabilidad a cada uno de los resultados.

Cuando la variable aleatoria es continua la probabilidad exacta de un punto

SIEMPRE será 0.

Probabilidad de 1 punto entre infinitos →

Por ello debemos utilizar la función de densidad, para estudiar la densidad de

probabilidad de una variable.
1.2. Variables aleatorias continuas
1.2.1 La función de densidad (fx)
Definición: La distribución de probabilidad de una variable aleatoria X continua viene
determinada por una función f(x) que verifica:

f (x)  0 y −
f (x)dx = 1
1. Para todos los valores reales siempre toma valores no negativos.
2. El área definida por esta función es igual a 1, y por lo tanto recoge la
probabilidad total.

El conocimiento de f(x) me va a permitir calcular cualquier probabilidad por

integración. Sin embargo, conocer f(x) no siempre es fácil, por lo que buscaremos
aproximaciones.

Cuando la variable aleatoria es continua, la probabilidad que tome el valor de un

intervalor es la misma tanto si es abierto () como si es cerrado [], ya que la
probabilidad en un punto = 0.
1.2. Variables aleatorias continuas
1.2.2 La función de distribución (Fx)

Propiedades de la función de distribución

1.- La función es no negativa

▫ Fx (x) ≥ 0

2.- Es una función creciente

▫ Si X₁ < X₂ → F (X₁) ≤ F( X₂)

5.1.-La función es convergente a 0 por la izquierda:

▫ F (-∞) =0

5.2.- La función es convergente a 1 por la derecha:

▫ F (∞)= 1

6.- Fx es una función acotada entre 0 y 1.

▫ 0 ≤ F(x) ≤1
1.2. Variables aleatorias continuas
APLICACIONES Y CÁLCULO DE PROBABILIDAD DE UN INTERVALO

1. P ( (-∞,a) ) = P ( (-∞,a] )
▫ P(x < a) = P (x ≤ a)
 Si conozco Fx → PIZARRA
 Si no conozco Fx pero si fx → PIZARRA

2. P ( [a, +∞) ) = P ((a, +∞) )

▫ P(x ≥ a) = P (x > a)
 Si conozco Fx → PIZARRA
 Si no conozco Fx pero si fx → PIZARRA

3. P ( [a,b] ) = P ( [a,b) ) = P ( (a,b] ) = P ( (a,b) )

▫ P(a ≤ x ≤ b) = P(a < x ≤ b)
 Si conozco Fx → PIZARRA
 Si no conozco Fx pero si fx → PIZARRA
Características de las variables aleatorias

• Esperanza matemática de una variable aleatoria.

• Varianza de una variable aleatoria.

• Desigualdad de Txebitxev
1.3 Esperanza matemática
La esperanza matemática o valor esperado de una variable aleatoria, que se
simboliza como E (X) = μ, es el valor medio teórico de la distribución y se
obtiene promediando todos los valores de la variable ponderados por sus
respectivas probabilidades.
n
v.a.d.:  = E(x) =  x i  p(x i )
i =1

v.a.c.:  = E(x) =  x  f (x)dx
−

Pretende ser una medida de tendencia central de la variable aleatoria.

Ejemplos → Pizzarra.
1.3 Esperanza matemática
Propiedades de la esperanza:

1. La esperanza de una constante es la constante.

▫ E(a) = a

2. La esperanza de una suma es la suma de esperanzas

▫ E [ ∑ⁿ Xi ] = ∑ ⁿ E (Xi)

3. La esperanza y los cambios de escala

▫ E [ aX ] = a * E (X) → Queda afectada por los cambios de escala

4. La esperanza y los cambios de origen

▫ E [ aX + b ] = E (aX) + E (b) = a*E(X) +b → Queda afectada por los cambios
de origen

EJEMPLO → PIZZARRA
1.4 Varianza de una V.A.
Para poder medir la variabilidad de la distribución, es necesario disponer de
una medida que informe de su dispersión.

La medida de dispersión más utilizada es la varianza.

La varianza de una variable aleatoria, que simbolizaremos con VAR(X) o 2,

representa la media de la desviación de X respecto a su valor medio.

La mayor o menor dispersión de una variable aleatoria determinará el grado

de representatividad de su valor medio.

La varianza se representa: n
v.a.d.:  =  (x i − ) 2  p(x i ) = E(x 2 ) − ( E(x) )
2 2

i =1

( )
  2
v.a.c :  =  x  f (x)dx −
2 2
x  f (x)dx
− −
1.4 Varianza de una V.A.
Desviación estándar: D(x) o σ
Mide la dispersión de los valores alrededor de su esperanza y viene dada por
la raíz cuadrada de la varianza.

Propiedades de la VARIANZA:

1.- Var (X) ≥ 0

2.- Var (X) = E [X 2]- (E [X]) 2

ejemplo

3.- Var (a) = 0 → Varianza de una constante es igual a 0

1.4 Varianza de una V.A.
Propiedades de la VARIANZA:

4.- V ( bX) = b 2 V(X) → La varianza de una constante por la variable es igual al

cuadrado de la constante por la varianza de la variable. Queda afectada por
los cambios de escala

5.- V (a + bX) = b 2 V(X) → No le afectan los cambios de origen

6.- Var ( X +- Y) = Var (X) + Var (Y) +- 2 Cov (X,Y)

1.5 Desigualdad de Txebychev
Una vez que tenemos el modelo probabilístico, se puede evaluar la
probabilidad de cualquier sucesos y la probabilidad de obtener un resultado
que pertenezca a un intervalo centrad en el valor esperado.

Si información que tenemos del la variable aleatoria únicamente se reduce a

sus principales momentos ( μ y σ 2), no se puede calcular la probabilidad de
un suceso cualquiera.

En esta situación aplicamos la desigualdad de Txebychev, ya que nos permite

fijar una cota inferior para la probabilidad de obtener valores que se
encuentren dentro de un intervalo centrado en la esperanza en función de
estos momentos.

Se puede aplicar tanto en variables aleatorias discretas o continuas.

1.5 Desigualdad de Txebychev
El teorema de Txebychev establece una cota inferior para la probabilidad e
términos de los momentos μ y σ de la siguiente forma:

V(x)
P (| X − E(X) | k ) 
k2

Área de la región rosa ≤ ( σ 2 / k 2 )