Sie sind auf Seite 1von 11

VARIABLE ALEATORIA

Definicin. Sea E un experimento aleatorio y W el espacio muestral asociado al experimento. Una


funcin que asigna a cada uno de los eventos elementales del espacio muestral, ( w W ), un
nmero real X (w), se llama variable aleatoria.

W W1 X
wi

wn

Ejemplo
De una caja que contiene 5 artculos, de las cuales 3 son buenos y 2 son malos, se selecciona 2
artculos.
a. con reposicin
b. sin reposicin
Se observa el estado de cada artculo.

Solucin.
a. Exp. Accin: Seleccionar dos artculos con reposicin.
] Interesa: Observar el estado en que se encuentra cada artculo seleccionado.
W = { ( B1 , B2 ), ( B1 , D2 ), ( D1 , B2 ), ( D1 , D2 )}
donde Bi : Artculo bueno en la i-sima seleccin, i= 1, 2
Di: artculo defectuoso en la i-sima seleccin, i= 1, 2
Sea la variable:
X: Nmero de artculos defectuosos.
Luego:
X ( B1 , B2 ) = 0
X ( B1 , D2 ) = X ( D1 , B2 ) = 1
X ( D1 , D2 ) =2
RX: 0, 1, 2 a RX se le llama recorrido de la variable.

De esto tenemos que:


Si X = 0 entonces ocurre el evento {(B 1,B2 )}
X = 1 entonces ocurre uno de cualesquiera de los siguientes eventos:
{(B1,D2), (D1,B2)}
X = 2 entonces ocurre el evento {(D1, D2)}

De lo anterior sabemos cuales son los posibles valores que puede tomar la variable, pero antes de
llevar a cabo el experimento no sabemos cual va ser el valor que tome la variable, lo que si podemos
saber es la probabilidad con que cada una de los valores de la variable puede ocurrir, as:

P(X = 0) = P ( B1 , B2 ) = P ( B1 ) P( B2 ) =(3/5)(3/5)

Lic. Mara A. Zacaras Daz Pgina 13


P(X = 1) = P { ( B1 , D2 ), ( D1 , B2 )} = P( B1 , D2 ) + P( D1 , B2 )
= P(B1)P(D2)+P(D1)P(B2)=3/5x2/5+2/5x3/5=12/25
P(X = 2) = P ( D1 , D2 ) = P(D1)P(D2)=2/5x2/5=4/25

Si los resultados anteriores lo presentamos en una tabla, tenemos:

xi p( x i )
0 9/25
1 12/25
2 4/25

A esta tabla se le denomina distribucin de probabilidades y a p(x i) funcin de probabilidad o


cuanta.

La representacin grfica de la tabla anterior es:

Esta grfica y la tabla nos indican el comportamiento probabilstico de la variable, o sea nos est
indicando que al seleccionar 2 artculos con reposicin es ms probable que salga 1 artculo
defectuoso.

Resumiendo lo anterior y estableciendo Equivalencias


Exp. Exp.
Acc. Seleccionar dos artculos = Acc. Seleccionar dos artculos
Int. Observar el estado de cada artculo X: Nmero de artculos defectuosos
W = { ( B1 , B2 ), ( B1 , D2 ), ( D1 , B2 ), ( D1 , D2 )} RX : 0, 1, 2
La probabilidad de cada evento elemental es La probabilidad de cada valor de la variable es:
3 3 9 9
P ( B1 , B2 ) = P ( B1 ) P ( B2 ) = x = P( X = 0 ) =
5 5 25 25

3 2 6 12
P ( B1 , D2 ) = P ( B1 ) P ( D2 ) = x = P( X = 1 ) =
5 5 25 25
2 3 6
P ( D1 , B2 ) = P ( D1 ) P ( B2 ) = x =
5 5 25
2 2 4 4
P ( D1 , D2 ) = P ( D1 ) P ( D2 ) = x = P( X = 2 ) =
5 5 25 25

Lic. Mara A. Zacaras Daz Pgina 14


Sea el evento: Sea el evento

S: A lo ms un artculo es defectuoso S: A lo ms un artculo es defectuoso


S = { ( B1 , B2 ) , ( B1 , D2 ) , ( D1 , B2 ) } S = [ X 1]
P( S ) = P ( B1 , B2 ) + P ( B1 , D2 ) + P ( D1 , B2 ) P ( S ) = P ( X 1) = P ( X = 0 ) + P ( X = 1)
9 6 6 21 9 12 21
P( S ) = + + = P(S ) = + =
25 25 25 25 25 25 25

El smbolo significa equivalente.

Todos los puntos tratados hasta antes de variable aleatoria, ahora van a ser tratados en trminos de
variable aleatoria, por lo tanto tenemos las siguientes equivalencias:
1. El experimento aleatorio siempre se va a dar.
2. Lo que Interesa va ser reemplazado por la variable aleatoria X.
3. El espacio muestral va ser reemplazado por el recorrido de la variable aleatoria, R X
4. La probabilidad de cada uno o ms eventos elementales, va estar dado por la probabilidad
de cada uno de los valores de la variable aleatoria.
5. La probabilidad de cualquier evento, como subconjunto del espacio muestral, va ser la
probabilidad de un intervalo, siendo este intervalo un subconjunto del recorrido de la
variable aleatoria.

Lo que se est haciendo es un proceso de transformacin en el espacio muestral

W
0
W1 P

wi

wn

X
0
P

Lic. Mara A. Zacaras Daz Pgina 15


Al estudiar variables aleatorias distinguiremos 2 casos importantes:

Variables aleatorias discretas.


Variables aleatorias continuas.

Variable Aleatoria Discreta


Definicin. Si el nmero de valores posibles de X es finito o infinito numerable, llamamos a X una
variable aleatoria discreta.
Es decir los valores posibles de X se pueden anotar como x 1, x2,...

Funcin Probabilidad o Cuanta


Definicin. En una variable aleatoria discreta, con cada posible valor de X, asociamos un nmero
p( xi ) = P(X=xi) llamada la probabilidad de x i.

Los nmeros p( xi ) deben satisfacer las siguientes condiciones:


a. p( xi ) 0
b. p( xi ) = 1
La funcin P se llama funcin de probabilidad de la variable aleatoria X.
La coleccin de pares (xi, p( xi )) i=1,2... se le llama distribucin de probabilidades de X.

Lic. Mara A. Zacaras Daz Pgina 16


Variable Aleatoria Continua.

Supongamos que el recorrido de X est formado por un gran nmero de valores, x i, i = 1, 2, 3, ., N,


como por ejemplo 0; 0.01; 0.02; 0.03; 0.04; , 0.96, 0.97; 0.98; 0.99; 1.00. Con cada uno de
estos valores est asociado un nmero no negativo p(x i)= P(X= xi), i = 0 1, 2, 3, , N cuya suma es
igual a 1.
La representacin grafica de esta situacin es:

Grfica de los puntos del 0 al 1 con separacin de 0.02

0.00 0.14 0.28 0.42 0.56 0.70 0.84 0.98


Recorrido de X

La anterior descripcin probabilstica de X, podra ser matemticamente idealizada, al suponer que X


puede tomar todos los valores posibles, 0 < = x < = 1, al hacer esto, puesto que los valores
posibles de X no son contables, no se puede hablar del i-esimo valor de X, por lo tanto p(x i)
pierde significado. Por lo que se har es sustituir la funcin p, definida slo para x 1, x2, x3, por
una funcin f para todos los valores x, 0 < = x < = 1 y esta funcin f , cumplir que f(x) >= 0 y
1
f ( x)dx = 1 .
0

La anterior descripcin probabilstica de X, podra ser matemticamente idealizada, al suponer que X


puede tomar todos los valores posibles, 0 < = x < = 1, al hacer esto, puesto que los valores
posibles de X no son contables, no se puede hablar del i-esimo valor de X, por lo tanto p(x i)
pierde significado. Por lo que se har es sustituir la funcin p, definida slo para x 1, x2, x3, por
una funcin f para todos los valores x, 0 < = x < = 1 y esta funcin f , cumplir que f(x) >= 0 y
1
f ( x)dx = 1 .
0

Lic. Mara A. Zacaras Daz Pgina 17


Formalizando lo anterior tenemos:

Definicin. Se dice que X es una variable aleatoria continua si existe una funcin f, llamada funcin de
densidad de probabilidad (fdp) de X, que satisface las siguientes condiciones:

f (x) 0, "x , es decir la funcin es no negativa.


El rea bajo la curva es igual a 1, es decir: f ( x)dx = 1


-
Para cualquier a, b tal que -< a < b < tenemos:
b

P(a < X < b) =


f ( x)dx
a

La variable, X, su recorrido, RX y su funcin de densidad de probabilidad f (x) recibe el nombre de


Distribucin de Probabilidades.

Una consecuencia de la descripcin probabilstica de X, que para cualquier valor especifico de X, por
x0

ejemplo x0, es que tenemos P(X = x0) = 0, puesto que P(X = x0) = f ( x)dx = 0 , sin embargo,
x0

debemos notar que s permitimos que X tome todos los valores en un intervalo, entonces la
probabilidad cero no es equivalente con la imposibilidad. Por lo tanto, en el caso continuo, P(A) =
0 no implica A = f , el conjunto vacio. En vista de estas consideraciones, las siguientes
probabilidades son todas iguales, si X es una variable aleatoria continua:
P(c X d ), P(c X < d ), P(c < X d ) y P (c < X < d )

Ejemplo
Considere la siguiente funcin:
2x 0 < x <1
f ( x) =
0
para cualquier otro valor
1. Es esta una funcin de densidad de probabilidad asociada a la variable aleatoria X?
2. Si lo es, muestre el comportamiento probabilstico de la Variable aleatoria y halle la
P(X > 0.7)

Solucin.
1.
Si x = 0.1 f (0.1) = 0.2

a. x = 0.5 f (0.5) = 1 luego f(x) > = 0
x = 0.9 f (0.9) = 1.8

1
2 1
b. 2 xdx = 2 xdx = x
- 0


0
=1
Cumple las 2 condiciones, por lo tanto f(x) es una funcin de densidad de probabilidad.

2. Comportamiento probabilstico.

Lic. Mara A. Zacaras Daz Pgina 18


rea bajo la curva
es 1

1
1
P(X > 0.7) =
2 x dx = x 2
0.7
0.7
= 1 - 0.49 = 0.51

P(X>0.7)

Ejemplo
Considere la siguiente funcin:
kx, 0 x < 2

f ( x ) = k (4 - x ), 2 x 4
0, en otros casos

a. Halle el valor de k para que f sea una funcin de densidad.


b. Muestre el comportamiento probabilstico de la variable.
c. Calcule: P(X<1.2), P(X>= 2.5), P(1 < X < 3), P(X = 0.5)

Solucin.
2 4
1
a. f ( x) = 1
-
kxdx +
0
k (4 - x)dx = 1
2
4k = 1 k =
4

luego:

x / 4, 0 x < 2

f (x) = (4 - x) / 4, 2 x 4
0, en otros casos

Lic. Mara A. Zacaras Daz Pgina 19


b.

1.2 1.2
x x 2 1.44
c. i. P(X<1.2) = dx = = = 0.18
0
4 8
0
8
2 x 2.5
( 4 - x ) dx
ii. P(X>=2.5) = 1 - P ( X 2.5 ) = 1 - dx + = 0.2825
0 4 2
4
2
x
3
( 4 - x ) dx
iii. P(1<X<3) = dx + = 0.75
1
4 2
4
iv. P( X = 0.5) = 0

Funcin de Distribucin Acumulativa

Definicin. Sea X una variable aleatoria, discreta o continua.


La funcin de distribucin acumulativa (fda) para una variable aleatoria X, denotada por FX ( a) tal
que:
a. El dominio de FX ( a) es la lnea completa de los reales
b. Para toda a real FX ( a) = P ( X a)

Se puede notar que la fda, expresa la probabilidad de que X tome uno ms valores en el intervalo que
va desde - hasta a . Por tanto, no es posible que FX ( a) decrezca conforme crece a

Teorema.
a. Si X es una variable aleatoria discreta, con funcin de cuanta p(x j), entonces
FX ( a) = p( x ) , en donde la suma se toma sobre todos los subndices j que satisfacen
x j a
j x j a
a

b. Si X es una variable aleatoria continua con fdp f, entonces FX ( a) = f ( x)dx .


-

FX ( a) Debe satisfacer los siguientes cuatro requisitos:


1. 0 FX (a) 1, para toda a
FX ( a) es una probabilidad y est limitada por 0 y 1.
2. lim a - F (a ) = 0 y lim a + F (a) = 1
3.Si a < b, tenemos FX (a ) FX (b)

Lic. Mara A. Zacaras Daz Pgina 20


4. lim h 0 FX (b + h) = FX (b) para toda b, h > 0 o sea FX (b) es continua desde la derecha, en
todos los puntos

Ejemplo
La distribucin de probabilidades de la Variable aleatoria, X. Nmero de artculos defectuosos, donde
la seleccin de los artculos es con reposicin es:
xi p( x i )
0 9/25
1 12/25
2 4/25

Lic. Mara A. Zacaras Daz Pgina 21


Su funcin de distribucin acumulativa es:
Si
a<0 FX ( a) = p( x ) = 0
x j a
j

9
0 a < 1 FX (a ) = p( x ) = p(0) = 25
x j a
j

9 12 21
1 a < 2 FX (a ) = p( x ) = p(0) + P(1) = 25 + 25 = 25
x j a
j

9 12 4
a 2 FX ( a) = p( x ) = p(0) + P(1) + p(2) = 25 + 25 + 25 = 1
x j a
j

Ejemplo
La funcin de distribucin acumulativa para la siguiente distribucin de probabilidades:
2x 0 < x <1
f ( x) =
0
para cualquier otro valor
0

Si a < = 0 F(a) = P(X a) =


odx = 0
-
0 a

0 < a < 1 F(a) = P(X a) =


0dx +
-
2 x dx = a 2
0
0 1 a

a 1 F(a) = P(X a) =
-

0dx +
2 x dx +
0
0 dx = 1
1

Resumiendo:
0 a 0

F (a ) = a 2 0 < a 1
1 a > 1

Halle la P(X > 0.7) = 1- P(X 0.7) = 1 F(0.7) = 1 (0.7)2 = 0.51

Ejemplo
La funcin de distribucin acumulativa para la siguiente distribucin de probabilidades
x / 4, 0 x < 2

f (x) = (4 - x) / 4, 2 x 4
0, en otros casos

es:
0

Si a < 0 F(a) = P(X a) =


odx = 0
-
0 a
x a2
0 a <2 F(a) = P(X a) = 0dx + dx =
- 0
4 8

0 2
x
a
( 4 - x ) dx = -a 2 + 8a - 8
2 a <4 F(a) = P(X a) =
-
0 dx +
0
4
dx +
2
4 8
Lic. Mara A. Zacaras Daz Pgina 22
0 2
x
4
( 4 - x ) dx + a 0dx = 1
a 4 F(a) = P(X a) = 0 dx + dx +
- 0
4 2
4 4

Resumiendo:
0, a<0
a 2 8, 0 a < 2

F (a) = 2
( -a + 8a - 8) 8, 2 a < 4

1, a 4
Utilizando esta funcin se puede calcular la probabilidad de los eventos propuestos.
P(X 1.2) = F(1.2) = (1.2 )2 / 8 = 0.18
8 ( 2.5 ) - ( 2.5 ) 2 - 8
P(X >0 2.5) = 1 F(2.5) = 1 - = 0.2825
8

8 ( 3) - 3 - 8 1
2

P(1 < X < 3) = F(3) F(1) = - = 0.75


8 8

Lic. Mara A. Zacaras Daz Pgina 23