You are on page 1of 7

Capítulo 3.

Variables aleatorias
1 Distribución de una variable aleatoria

En este tema se introducen algunos resultados básicos sobre variables aleatorias


y se introducen las familias de distribuciones más relevantes para este curso. En
ocasiones nos interesarán una o más transformaciones de los resultados de un
experimento aleatorio, lo que conduce al concepto de variable aleatoria.

Ejemplo
Normalmente, los resultados posibles (espacio muestral E) de un experi-
mento aleatorio no son valores numéricos. Por ejemplo, si un experimento con-
siste en lanzar de modo ordenado tres monedas al aire, para observar el número
de caras (C) y cruces (R) que se obtienen, el espacio muestral asociado a dicho
experimento aleatorio sería:

E = {CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR} .

En Cálculo de Probabilidades resulta más fácil utilizar valores numéricos en


lugar de trabajar directamente con los elementos de un espacio muestral como
el anterior. Así, se prefiere identificar los sucesos {CRR, RCR, RRC} con el
valor numérico 1 que representa el número de caras obtenidas al realizar el
experimento.
De este modo, aparece el concepto de variable aleatoria unidimensional como
el de una función

X : E −→ R
e −→ X(e)

que a cada suceso elemental e del espacio muestral E, le atribuye un único


número real, X(e).
En el ejemplo anterior, se puede definir la variable aleatoria X ≡ número de
caras, del siguiente modo:

X : E −→ R

X (CCR) = X (CRC) = X (RCC) = 2


X (RRC) = X (RCR) = X (CRR) = 1
X (RRR) = 0

En función de los valores que tome la variable, ésta puede ser clasificada en
discreta o continua del siguiente modo:

1
v.a. discreta: es aquella que sólo puede tomar un número finito o infinito
numerable de valores. Por ejemplo,

X : E −→ N

v.a. continua: es la que puede tomar un número infinito no numerable de


valores.

X : E −→ R

2 Variables aleatorias discretas


Dada una v.a. discreta X : E −→ N, f, se define su función de masa de
probabilidad , de modo que f (xi ) es la probabilidad de que X tome ese valor
concreto:

f : R −→ [0, 1]
xi −→ f (xi ) = P [X = xi ] = P [{e, tal que X(e) = xi }]

Si xi no es uno de los valores que puede tomar X, entonces f (xi ) = 0. La


representación gráfica de la función de masa de probabilidad se realiza mediante
un diagrama de barras análogo al de distribución de frecuencias relativas para
variables discretas en Estadística Descriptiva.
Por ejemplo, si se considera el caso del lanzamiento de 3 monedas de forma
que cada una de ellas tenga probabilidad 1/2 de obtener el resultado de cara o
cruz, se tiene que
1 1 1 1
f (3) = P [X = 3] = P [{CCC}] = · · =
2 2 2 8
1 1 1 3
f (2) = P [X = 2] = P [{RCC, CCR, CRC}] = + + =
8 8 8 8
1 1 1 3
f (1) = P [X = 1] = P [{RRC, RCR, CRR}] = + + =
8 8 8 8
1 1 1 1
f (0) = P [X = 0] = P [{RRR}] = · · =
2 2 2 8

Proposición
Si x1 , x2 , . . . xk son todos los valores que puede tomar la v.a. X, entonces la
suma de las probabilidades de todos los posibles valores de la variable es 1.
k
X k
X
f(xi ) = P [X = xi ] = 1
i=1 i=1

y además todas las probabilidades son no negativas:

f (xi ) ≥ 0
∀i = 1, . . . , k

2
Otro concepto importante es el de función de distribución de una variable
aleatoria discreta, F , que se define de modo que si xi ∈ R, F (xi ) es igual a la
probabilidad de que X tome un valor inferior o igual a xi :
F : R −→ [0, 1]
xi −→ F (xi ) = P [X ≤ xi ] = P [{e, tal que X(e) ≤ xi }]
Volviendo al ejemplo de las tres monedas, se tiene que
1
F (0) = P [X ≤ 0] = P [X = 0] = f (0) =
8
1 3 4
F (1) = P [X ≤ 1] = f (0) + f (1) = + =
8 8 8
1 3 3 7
F (2) = P [X ≤ 2] = f (0) + f (1) + f (2) = + + =
8 8 8 8
1 3 3 1 8
F (3) = P [X ≤ 3] = f (0) + f (1) + f (2) + f (3) = + + + = = 1
8 8 8 8 8
La función de distribución está definida para toda la recta real, incluidos los
valores no admisibles de la variable aleatoria. Por ejemplo,
F (−1) = P [X ≤ −1] = P [∅] = 0

Figura: Función de masa de probabilidad a la izquierda, y función de distribución a


la derecha de una v.a. discreta

Nota: De lo anterior se deduce que


P (X > x) = 1 − F (x)
P (x1 < X ≤ x2 ) = F (x2 ) − F (x1 ).
Ejemplos
• Sea la función
x−2
f(x) = ,
5
con soporte {1, 2, 3, 4} . No es una función de masa de probabilidad porque,
por ejemplo, f (1) = −1/5 < 0.

3
• Sea la función
x2
h(x) = ,
25
con soporte {0, 1, 2, 3, 4} . No es una función de masa de probabilidad
P
porque 4i=0 h(i) > 1.
• Sea la función
1
g(x) = ,
5
con soporte {0, 1, 2, 3, 4} . Es una función de masa de probabilidad porque
P4
g(i) ≥ 0, i = 0, . . . 4 y i=0 g(i) = 1. La correspondiente función de
distribución tiene como gráfica:

Momentos de una variable aleatoria discreta


En ocasiones se está interesado en resumir una variable aleatoria, típicamente
a través de sus momentos. Los principales son:

4
- La esperanza o media de la variable aleatoria X
X
E [X] = µ = xi f(xi ),
i

que constituye una medida de localización.

Se puede observar en esta medida, así como en las que siguen, el paralelismo
con los momentos muestrales, aunque no se deben confundir.
- La varianza
X
V ar[X] = σ2 = (xi − µ)2 f (xi ),
i

que constituye una medida de dispersión. Alternativamente, se tiene que


X X¡ ¢
σ2 = (xi − µ)2 f (xi ) = x2i − 2µxi + µ2 f(xi ) =
i i
X
= x2i f(xi ) − µ2 .
i

- La desviación típica
sX
σ= (xi − µ)2 f(xi ).
i

Ejemplo
Para la v.a. con soporte {0, 1, 2, 3, 4} y función de masa de probabilidad
g(x) = 15 , se tiene
0+1+2+3+4
µ = =2
5
X X4
1 30
σ2 = x2i f (xi ) − µ2 = i2 − 4 = −4 =2
i i=0
5 5

σ = 2,

3 Ejercicios

1. Una compañía de refrescos anuncia premios en las chapas asegurando que


en cada 1000 chapas hay 500 con ”inténtalo otra vez”, 300 con premio de
0.3 euros, 150 con premio de 0.6 euros, 40 con premio de 3 euros y 10 con
premio de 6 euros. Un individuo, al que no le gusta el refresco, decide
comprar una botella cuyo coste es de 0.6 euros. Caracterizar su ganancia
mediante una variable aleatoria. ¿Es razonable su decisión? Calcular su
probabilidad de perder dinero.

5
2. Se lanza un dado equilibrado dos veces. Sea X la variable aleatoria ”máx-
ima puntuación obtenida en los dos lanzamientos”.

(a) Describir el espacio muestral del experimento.


(b) Describir el conjunto de posibles resultados de la variable aleatoria
X.
(c) Hallar la función de masa, la función de distribución, E(X) y V (X).
(d) Representar en un gráfico las funciones de masa y de distribución.

3. Se lanza un dado equilibrado dos veces. Sea X la variable aleatoria ”suma


de puntos obtenidos”. Calcular y dibujar las funciones de masa y de
distribución.
4. Se lanza una moneda cargada tres veces, de forma que la probabilidad
de obtener cara es 2/3, y la probabilidad de obtener cruz es 1/3. Sea la
variable aleatoria X =”el mayor número de caras sucesivas”.

(a) Calcular la probabilidad de cada elemento del espacio muestral.


(b) Para cada elemento del espacio muestral, indicar el valor que toma
la variable aleatoria X.
(c) Calcular las funciones de masa y de distribución. Dibujarlas.
(d) Calcular la esperanza y la varianza de X.

5. Hallar el valor esperado y la varianza de cada una de las siguientes dis-


tribuciones:
xi 2 3 11
(a)
f(xi ) 1/3 1/2 1/6
xi -5 -4 1 2
(b)
f(xi ) 1/4 1/8 1/2 1/8
xi 1 3 4 5
(c)
f(xi ) 0.4 0.1 0.2 0.3

6. Se lanza un dado equilibrado. Sean X =”el doble del número que aparezca
como resultado del lanzamiento” e Y =”1 si el resultado es impar y 3 si
el resultado es par”.

(a) Calcular la función de masa, esperanza, varianza y desviación típica


de X.
(b) Calcular la función de masa, esperanza, varianza y desviación típica
de Y.

7. Un jugador lanza dos monedas equilibradas. Gana 5 euros si aparecen dos


caras, 2 euros si aparece una cara y 1 euro si no aparece ninguna cara.

6
(a) Hallar la ganancia esperada.
(b) ¿Cuánto se debe pagar para jugar si el juego es justo?

8. Un jugador lanza dos monedas equilibradas. Gana 1 euro si aparece una


cara y 2 euros si aparecen dos caras. Por otra parte, pierde 5 euros si no
aparece ninguna cara. Determinar el valor esperado del juego y si éste es
favorable al jugador. ¿Y si pierde 4 euros si no sale ninguna cara?