Variable Aleatoria

DEFINICIÓN DE VARIABLE ALEATORIA

Una variable aleatoria es una regla, o función, que asigna un único

número real a cada resultado de un espacio muestral de un
experimento.

E
X
NNNN
0

NNDN, NNND, 1
DNNN, NDNN

DNDN, 2
NDND,DNND,
DDNN, NNDD, 3
DNND

4
…….
 Entre dos valores
Entre dos valores consecutivos
cualesquiera de la misma
de la misma no existe ningún siempre existen valores
valor intermedio. intermedios.
Es decir que una VAD tiene un
Es decir que una VAC tiene
espacio muestral finito o infinito un espacio muestral
numerable.
infinito no numerable.

Variable Aleatoria Discreta Variable Aleatoria Continua

 Variable Aleatoria Discreta
FUNCIÓN DE PROBABILIDAD
Es posible asociar valores de probabilidades a los valores de la variable aleatoria discreta.
Se llama función de probabilidad a la función que hace corresponder a cada elemento del espacio muestral el
valor de su probabilidad

Ejemplo:
EXPERIMENTO: Revisar 4 computadoras y analizar si están defectuosas o en buen estado.

X P(x)
E
0 1/16
NNNN

1 4/16
NNDN, NNND,
DNNN, NDNN
2 6/16
DNDN,
NDND,DNND, 3 4/16
DDNN, NNDD,
DNND
……. 4 1/16
La Función de Probabilidad de una variable aleatoria discreta debe cumplir con dos condiciones

CONDICIÓN DE NO NEGATIVIDAD:

p ( xi )  0 xi  R ( X )
CONDICIÓN DE CIERRE:

 p( x )  1
i 1
i
OTRA FORMA DE PRESENTAR LA FUNCIÓN DE PROBABILIDAD
TABLAS
Xi 0 1 2 3 4 GRÁFICA

P(X i ) 1/16 4/16 6/16 4/16 1/16

 FUNCIÓN DE PROBABILIDADES ACUMULADAS O FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDADES

Para la VAD, retomamos el ejemplo de las piezas defectuosas:

xi 0 1 2 3 4
P(x i ) 1/16 4/16 6/16 4/16 1/16

F(X) 1/16 5/16 11/16 15/16 16/16

1 1 4 5 1 4 6 11
P X  0   P X  1    P X  2     
16 16 16 16 16 16 16 16
F(x1 )  P(x  x1 )  P(x1 )
F(x2 )  P(x  x2 )  P(x1 )  P(x2 )
F(x3 )  P(x  x3 )  P(x1 )  P(x2 )  P(x3 )
......
¿Qúe gráfico utilizaríamos para
k representar la función de probabilidad
En general: F( xk )  P( X  xk )   P( xi ) acumulada???
i 1
ESPERANZA MATEMÁTICA O MEDIA PARA LA VAD

xi 0 1 2 3 4
P(x i ) 1/16 4/16 6/16 4/16 1/16

  xfi

N

𝜇= ∑
[ ]𝑥𝑓𝑖
𝑁
=∑ 𝑥
𝑓𝑖
𝑁
= ∑ ¿ ¿Es
[ ]
lo que se espera que en
promedio suceda

1 4 6 4 1
Del ejemplos   0.  1.  2.  3.  4.  2
16 16 16 16 16
¿Y si la variable Aleatoria es continua?
¿Cómo mostramos la información?
 ¿Qué representa fir?

Área = fir

Para que la frecuencia relativa la podamos

ver como un valor de probabilidad, ¿qué se
debe cumplir?
Si n

Área= P(Xi)

b
P(a  x  b)=  f (x) dx
a
FUNCIÓN DE DENSIDAD

Dada una variable aleatoria continua, llamamos función de densidad de X

a la función f:    que cumple con las siguientes propiedades:
1. f(x)  0 x  

2.  f(x)dx=1


Si a<b, siendo a y b número reales:

b
P(a  x  b)=  f (x) dx
a
EJEMPLO
Suponga que los valores de la variable aleatoria X son todos números reales
entre 0 y 2 y que la función de densidad está dada por:

¿Cumple con las propiedades de

función de densidad?
 f (x)  0
1

2
x b

2 0 1  2 dx 1  f (x) dx  1
a
Ahora queremos calcular la P(x<1,5)

1,5
x
P ( x  1,5)   1  dx  0,94
0
2
Resumiendo

p ( xi )  0 xi  R ( X )
V.A.D Función de probabilidades n

 p( x )  1
i 1
i

V.A.C Función de densidad

FUNCIÓN DE PROBABILIDADES ACUMULADAS O FUNCIÓN DE DISTRIBUCIÓN
DE PROBABILIDADES

0.4
x
F (0, 4)  P(x  0.4)   1  dx 
0
2
0.8
x
F (0,8)  P(x  0.8)   1  dx 
0
2
1.25
x
F (1, 25)  P(x  1.25)   1
0
2
dx 

x
x x2 x2
F ( xk )  P ( X  xk )   1  dx  x   F (x) x 
0
2 4 4
1,552
 F (1,55)  1,55  
4
x
En general: F (x)  

f (x) dx
ESPERANZA MATEMÁTICA O MEDIA PARA LA VAC


 

x. f (x) dx
Calculamos la esperanza matemática para los dos ejemplos
EJEMPLO 2

0,055
¿Cuál es el valor esperado de la VAC cuya
función de densidad es

2 x si 0  x  1
f ( x)  
0 p.cualq. otra valor de x

1
   x.(2 x) dx
0
1
   2 x 2 dx
0

3 1
2x
  0.67
3 0
Propiedades de la Esperanza Matemática

1) Si la variable aleatoria toma un único valor constante c, la esperanza de dicha

constante es igual a ella misma.

E( c )  c

2) Si a la variable aleatoria X se la multiplica por una constante c resulta que la

esperanza del producto es igual al producto de la constante por la esperanza de la
variable.

E( c . X )  c.E(x)
3) La esperanza de una suma de dos variables aleatorias es igual a la suma de
las esperanzas de cada una de las variables.

E (X  Y)  E(X)  E(Y)

4) La esperanza del producto de dos variables independientes entre sí es

igual al producto de las esperanzas de cada una de ellas.

E (X.Y)  E(X).E(Y)
VARIANZA DE UNA VARIABLE ALEATORIA

Recordemos la definición de varianza poblacional:

x   
2
fi
2  
N

¿
Puede también demostrarse que la varianza puede calcularse por la fórmula:

 
Var(X)  E X 2  E(X) 2 E X 2   2  
Demostración
Var(X)  E D 2 
2
Var(x)  E  X   X  
 
Var(x)  E  X 2  2 X  X   X 2 
 

 
Var(x)  E X 2  2  X E  X    X 2 E (x 2 )   x 2 P(x)
Var(x)  E  X 2    2X
VARIANZA PARA LA VAC

   
Var(X)  E X 2  E(X) 2 E X 2   2
sabiendo que :

E(x 2 )   x 2.f(x)dx

Calcular la varianza para
PROPIEDADES PARA LA VARIANZA
1) Si la variable aleatoria toma solo el valor constante c, la varianza es cero.
Var( c )  0
Demostración
Var( c )  E( c )   E( c )   c  c  0
2 2 2 2

2) Si a la variable aleatoria X se la multiplica por una constante su varianza es

igual a la constante al cuadrado por varianza de la variable.
2
Var( c.X )  c Var(X)
Demostración
Var( c.X )  E  ( c.X )    E( c.X )   E  c .X    E( c.X )  
2 2 2 2 2
   
 c E  X    c E( X )   c E  X   c  E( X )   c  E( X )  E( X )  
2 2 2 2 2 2 2 2 2 2
     
2
c .Var( X )
3) Si X e Y son variables aleatorias independientes, entonces la varianza de a
suma de las variables es igual a la suma de las varianzas de dichas variables.

Var( X  Y )  E  ( X  Y )    E( X  Y ) 
2 2

      
 E(x) E(Y)  2

Var( X  Y )  E( X  2 XY  Y )   E( X )   2E( X ).E( Y )   E( Y ) 

2 2 2 2

Var( X  Y )  E( X )  2 E( X ).E( Y )  E( Y )   E( X )   2E( X ).E( Y )   E( Y ) 

2 2 2 2

Var( X  Y )   E( X )   E( X )     E( Y )   E( Y )   
2 2 2 2

Var( X  Y )  Var( X )  Var( Y )