complemento cálculo integral - probabilidad

Variables Aleatorias

Variables Aleatorias

El objetivo de esta sección es poder obtener unas versiones más generales de los conceptos de probabilidad que
hemos adoptado hasta el momento. Frecuentemente, cuando se realiza algún experimento, estamos interesados
principalmente en alguna función del resultado, más que del resultado mismo del experimento. Por ejemplo, de los
casos que hemos revisado, tenemos la suma de los resultados del lanzamiento de dos dados o de los tres lanzamientos
de una moneda, nos interesan el número de caras que podemos obtener al revisar los resultados, más que de la lista
de caras y sellos que resulta de esta.
Estas cantidades de nuestro interés son llamadas variables aleatorias.
Ahora, nuestro principal objetivo, será entender un caso particular de estas variables, las variables cuyos resultados
podemos contar o cuantificar de alguna forma. Estas variables aleatorias reciben el nombre de variables aleatorias
discretas.

Definición. Sea (Ω, B, P) un espacio de probabilidad. Una variable aleatoria discreta es una función

X : Ω −→ R

es decir, una función que al espacio muestral le asigna un conjunto discreto (De puntos, sin ningún intervalo) de
números reales. Se puede entender por variable aleatoria como un valor numérico que está afectado por el azar.
Aunque no podamos estimar con precisión qué valor va a tomar la variable, podemos determinar la probabilidad
de ese evento, basándonos en que es un espacio de probabilidad.

Ejemplo.

1. Supongamos que se lanza un dado corriente legal una vez y tenemos que el espacio muestral está dado por

Ω = {1, 2, 3, 4, 5, 6}

y consideremos la variable aleatoria

X = ”El número obtenido por el dado.”

entonces, la variable aleatoria está descrita por

X(k) = k, para k = 1, 2, 3, 4, 5, 6.

2. Se lanza una moneda legal tres veces. Tenemos que el espacio muestral está dado por

Ω = {(C, C, C) , (C, C, S) , (C, S, C) , (C, S, S) , (S, C, C) , (S, C, S) , (S, S, C) , (S, S, S)}

Sea
X = ”El número de caras obtienidas en tres lanzamientos.”
1
 2

luego los posibles valores de la variable aleatoria son 0, 1, 2 y 3, ya que al usar la variable aleatoria en cada
posible caso, se obtiene que

X [(S, S, S)] = 0
X [(S, S, C)] = 1
X [(S, C, S)] = 1
X [(C, S, S)] = 1
X [(S, C, C)] = 2
X [(C, S, C)] = 2
X [(C, C, S)] = 2
X [(C, C, C)] = 3

3. Se escogen 3 bolas de manera aleatoria sin sustitución de una urna que contiene 4 bolas rojas y 6 bolas
blancas. Vale la pena recordar que el espacio muestral de este experimento tiene tamaño
 
10
|Ω| = = 120,
3
por lo que no es prudente enlistar los resultados de este experimento, aunque podemos mostrar los resultados
generales, como

{Bi , Bj , Bk }, con 1 ≤ i < j < k ≤ 6

{Bi , Bj , Ra }, con 1 ≤ i < j ≤ 6, 1 ≤ a ≤ 4
{Bi , Ra , Rb }, con 1 ≤ i ≤ 6, 1 ≤ a < b ≤ 4
{Ra , Rb , Rc }, con 1 ≤ a < b < c ≤ 4

donde Bi representa una bola blanca y Ra representa una bola roja.

Considere la variable aleatoria

X = ”El número de bolas rojas extraídas en un intento.”

De donde tenemos que la variable aleatoria X puede tomar los valores 0, 1, 2, 3, considerando los resultados
generales que analizamos antes.

Función de Densidad de una Variable Aleatoria Discreta

Las variables aleatorias tienen una función ligada a ellas, llamada función de densidad. En el caso de las variables
aleatorias discretas, la función de densidad nos permite describir puntualmente cómo se comporta dicha variable
aleatoria de la siguiente manera:

Definición. Sea (Ω, B, P) un espacio de probabilidad. La función de densidad de una variable aleatoria discreta
X en el espacio (Ω, B, P) está dada por
fX (k) := P (X = k)
de donde se tiene que la expresión “X = k” se puede traducir como “Todos los elementos ω ∈ Ω tales que X(ω) = k”.
 3

Observación. Sea X una variable aleatoria discreta, con función de densidad fX . Se tiene que la función de densidad
cumple las siguientes condiciones:

1. 0 ≤ fX (k) ≤ 1.
2. Sea K ⊆ R el conjunto de todos los posibles valores que toma la variable aleatoria X. Entonces se tiene que
la suma
X
fX (k) = 1
k∈K
Esto se resume a la suma de las probabilidades de todos los eventos por individual de una variable aleatoria
es 1.

Ejemplo.

1. Suponga que se lanza un dado corriente legal una vez y consideremos la variable aleatoria

X = ”El número obtenido por el dado.”

En este caso, la función de densidad de la variable aleatoria X está dada por:

 1 Si k = 1, 2, 3, 4, 5, 6.


fX (k) = 6
0 En otro caso.

puesto que en un dado corriente legal, cada resultado que podemos obtener de este es igualmente probable.
2. Se lanza una moneda legal tres veces. Sea

X = ”El número de caras obtienidas en tres lanzamientos.”

la función de densidad está dada por

1
fX (0) = P (X = 0) =
8
3
fX (1) = P (X = 1) =
8
3
fX (2) = P (X = 2) =
8
1
fX (3) = P (X = 3) =
8
y valdrá 0 en otro caso. Luego la función de densidad puede ser descrita como


 1/8 si k = 0

3/8 si k=1




fX (k) = 3/8 si k = 2

1/8 si k = 3





0 en otro caso


3. Se escogen 3 bolas de manera aleatoria sin sustitución de una urna que contiene 4 bolas rojas y 6 bolas
blancas. Considere la variable aleatoria

X = ”El número de bolas rojas extraídas en un intento.”

 4

La función de densidad de la variable aleatoria X está dada por

fX (k) = P(X = k)
   
 4 6


 k 3−k
Si k = 0, 1, 2, 3.

  
10


=

 3





0 en otro caso


ya que estamos mirando las posibles formas de escoger k bolas rojas de las 4 posibles, 3 − k bolas blancas de
los 6 resultados posibles, sobre el número total de escoger 3 bolas sobre 10 posibles. Entonces la función de
densidad está dada por


 20/120 Si k = 0.

 60/120 Si k = 1.



fX (k) = 36/120 Si k = 2.

4/120 Si k = 3.





0 en otro caso.


Función de Distribución

Definición. Sea (Ω, B, P) un espacio de probabilidad y X una variable aleatoria sobre . La función FX definida
sobre R por medio de:

FX (k) := P (X ≤ k)
:= PX ((−∞, k])

se llama función de distribución (o de distribución acumulativa) de la variable aleatoria X.

Observación. Para las funciones de distribución de variables aleatorias discretas tenemos las siguientes propiedades:

1. La función de distribución FX (k) es no decreciente, es decir, crece o se mantiene constante.

2. lı́m FX (k) = 0, lı́m FX (k) = 1.
k→−∞ k→∞
3. FX (k) es continua a derecha.

Notemos que una función de densidad de una variable aleatoria discreta es una función puntual, es decir, que
simplemente se va evaluando en algunos valores (determinados por la variable aleatoria asociada a esta). En cambio,
una función de distribución discreta es una función acumulativa, que asocia los valores anteriores a los que está
evaluando.

Ejemplo.
 5

1. Considerando el ejemplo de la variable aleatoria que indica los resultados de un dado legal arrojado, tenemos
que la función de distribución de ella es:



 0 si k < 1


si 1 ≤ k < 2



 1/6


si 2 ≤ k < 3



 2/6

FX (k) = 3/6 si 3 ≤ k < 4


si 4 ≤ k < 5



 4/6


si 5 ≤ k < 6



 5/6


si k ≥ 6

1

notamos como los valores se van agregando a medida que la variable va avanzando en la recta real. Esto
podemos verificarlo a partir de algunos ejemplos y la definición de función de distribución:

FX (3.5) = P (X ≤ 3.5)

teniendo en cuenta que la variable aleatoria toma valores 1, 2, 3, 4, 5 y 6 entonces calcular P (X ≤ 3.5) se
limita a revisar y sumar las probabilidades de los números que toma la variable aleatoria en ese intervalo, es
decir:

P (X ≤ 3.5) = P (X = 1) + P (X = 2) + P (X = 3)
= (1/6) + (1/6) + (1/6)
= 3/6.

2. Considerando el experimento de lanzar una moneda legal tres veces y de contar las caras obtenidas, tenemos
que la función de distribución está dada por



 0 si k < 0


si 0 ≤ k < 1



 1/8

FX (k) = 4/8 si 1 ≤ k < 2


si 2 ≤ k < 3



 7/8


si k ≥ 3

1

Para una variable aleatoria, se sabe que esta está determinada por sus funciones de densidad y distribución, pero
es de nuestro interés tratar de conocer datos que resuman la información que estas agrupan.
Sabemos que un valor importante de unos datos que varían son un “promedio” y un dato que “mida” qué tanto
varían esos datos de ese “promedio”. Por esto se definen las siguientes valores:

Definición. Sea X una variable aleatoria real discreta que toma valores x1 , x2 , x3 , ... todos diferentes.
Se define el valor esperado de la variable aleatoria X (o media, esperanza o promedio) como:
P
µ = E [X] = xi P (X = xi )
i≥1
 6

Ejemplo.

1. El valor esperado de la variable aleatoria asociada a los resultados del dado es:
X
E (X) = xi P (X = xi )
i≥1

= 1 × (1/6) + 2 × (1/6) + 3 × (1/6) +

4 × (1/6) + 5 × (1/6) + 6 × (1/6)
= 7/2 = 3.5 .

2. El valor esperado de la variable aleatoria asociada a contar las caras del resultado de lanzar una moneda
legal 3 veces es:
X
E (X) = xi P (X = xi )
i≥1

= 0 × (1/8) + 1 × (3/8) + 2 × (3/8) + 3 × (1/8)

= 12/8 = 1.5 .

3. Consideremos la variable aleatoria X , cuya función de densidad está descrita por el siguiente cuadro

j -1 0 1 3 5
2 5 5 10 10
P (X = j)
32 32 32 32 32

Entonces tenemos que el valor esperado de la variable aleatoria está dada por
X
E (X) = xi P (X = xi )
i≥1

= (−1) × (2/32) + 0 × (5/32) + 1 × (5/32) +

3 × (10/32) + 5 × (10/32)
= 83/32 = 2.59375.

De los tres ejemplos anteriores, notemos que en los ejemplos 1. y 2. el valor esperado se comporta como el promedio
de los datos que puede tomar la variable, pero en el ejemplo 3. podemos darnos cuenta que el promedio de los
valores que puede tomar la variable es
−1 + 0 + 1 + 3 + 5
= 1.6
5
pero el valor esperado es diferente al promedio de los datos que puede tomar la variable.

Teorema. Sean X, Y variables aleatorias, a, b ∈ R y g : R −→ R. Algunas propiedades importantes del valor

esperado son:

P
1. E [g (X)] = g (xi ) P (X = xi ), con x1 , x2 , . . . los valores que puede tomar la variable aleatoria X.
i≥1
2. E [X + b] = aE [X] + b
 7

3. E [aX] = aE [X] + b.
4. E [X + Y] = E [X] + E [Y].

Definición. Sea X una variable aleatoria real discreta que toma valores x1 , x2 , x3 , ... todos diferentes .
Se define la varianza de la variable aleatoria X como
X 2
σ 2 = V ar (X) := (xi − µ) P (X = xi )
i≥1
 
2
= E (X − µ)

Observación. De las propiedades del valor esperado, se tiene que

 
2
V ar (X) = E (X − µ)
E X2 − 2µX + µ2


=
E X2 − 2µE (X) + µ2


=
E X2 − 2µ2 + µ2 = E X2 − µ2 .



=

entonces no es necesario calcular las diferencias de los valores que la variable aleatoria puede tomar, sino calcular
el valor esperado de X, el valor esperado de X2 y restar el segundo con el primero.

Teorema. Sea X una variable aleatoria y a, b ∈ R. Algunas propiedades importantes del valor esperado son:

1. V ar (X) ≥ 0
2. V ar (aX) = a2 V ar (X).
3. V ar (X + b) = V ar (X).
4. V ar (X) = 0 si y solo si P (X = E [X]) = 1.

Ejemplo.

1. La varianza de la variable aleatoria asociada a los resultados del dado es:

X 2
V ar (X) = (xi − µ) P (X = xi )
i≥1

= (−2.5)2 × (1/6) + (−1.5)2 × (1/6) + (−0.5)2 × (1/6) +

(0.5) × (1/6) + (1.5)2 × (1/6) + (2.5)2 × (1/6)
= 35/12
 8

2. Calculemos la varianza de la variable aleatoria asociada al experimento del triple lanzamiento de la moneda.
Por lo primero, necesitamos calcular
X
E X2 x2i P (X = xi )


=
i≥1

= 02 × (1/8) + 12 × (3/8) + 22 × (3/8) + 32 × (1/8)

= 0 × (1/8) + 1 × (3/8) + 4 × (3/8) + 9 × (1/8)
= 24/8 = 3 .

entonces
2
= E X2 − (E (X))


V ar (X)
2
= 3 − (1.5)
= 3 − 2.25 = 0.75 .

Comprobemos que es igual que por la definición original:

X 2
V ar (X) = (xi − µ) P (X = xi )
i≥1

= (−1.5)2 × (1/8) + (−0.5)2 × (3/8) + (0.5)2 × (3/8) + (1.5)2 × (1/8)

= (2.25) × (1/8) + (0.25) × (3/8) + (0.25) × (3/8) + (2.25) × (1/8)
= 6/8 = 3/4 = 0.75 .

3. Sea X una variable aleatoria discreta que solamente los valores −1, 0 y 1 con probabilidades

P (X = −1) = 0.5, P (X = −1) = 0.3, P (X = −1) = 0.2,

respectivamente. Calcule la varianza de X.

Debemos calcular primero E [X], de donde tenemos que

E [X] = (−1) × (0.5) + 0 × (0.3) + 1 × (0.2)

= −0.5 + 0.2 = −0.3 .

Ahora, tenemos que

2
E [X] = (−1) × (0.5) + 02 × (0.3) + 12 × (0.2)
= 0.5 + 0.2 = 0.3 .

y así, tenemos que

2
V ar (X) = E X2 − (E (X))

2
= 0.3 − (0.3)
= 0.3 − 0.09 = 0.21 .