Tema 4.

- Variables aleatorias y distribuciones de

probabilidad
Contenido

4.1.- Variables aleatorias

• Definiciones
• Funciones de probabilidad y de
distribución
• Momentos de una variable aleatoria
• Distribución conjunta de variables
aleatorias

4.2.- Distribuciones de probabilidad

• Variables aleatorias discretas
• Variables aleatorias continuas
 DEFINICIONES
Variable aleatoria (Definición formal)
Una variable aleatoria es una función X : E → R
e → X(e)
que a cada suceso elemental, e, del espacio muestra E le atribuye un
único número real.
Ejemplo 1
Si un experimento consiste en lanzar de modo ordenado tres monedas al aire, y
observamos el número de caras y de cruces que se obtienen, el espacio muestral
resultante será E = {CCC, CCX, CXC, XCC, CXX, XCX, XXC, XXX}
Podemos definir la variable aleatoria X = “nº de caras” de forma que:
X(CCC) = 3 ; X(XXX) = 0
X(CCX) = X(CXC) = X(XCC) = 2
X(XXC) = X(XCX) = X(CXX) = 1
INSISTIMOS EN LA IDEA
DE VARIABLE ALEATORIA
Y
EXPERIMENTO
ALEATORIO
 ¿Qué es una variable aleatoria?
o Experimento: proceso de obtener un dato dadas unas condiciones de
experimentación. La obtención de un nuevo dato, con las mismas
condiciones, es una repetición del experimento.
o Experimento aleatorio: experimento que al repetirlo no siempre se
obtiene el mismo valor.
Ejemplo: medir el tiempo que un máquina tarda en hacer la misma tarea,
observar el valor al lanzar un dado,…
oVariable aleatoria: es el resultado de un experimento aleatorio. Es la
variable respuesta de un experimento aleatorio.
Ejemplo: Experimento - observar el resultado de lanzar una moneda
Variable aleatoria – valor que se obtiene al lanzar una moneda (variable
discreta)
Ejemplo: Experimento – medir el tiempo de acceso de un ordenador a
una red
Variable aleatoria – tiempo de acceso (variable continua)
 NOTACIÓN

o Variable aleatoria: letras mayúsculas del final del alfabeto.

Ejemplo: X=resultado de lanzar una moneda
Y=resultado de lanzar un dado
o Cuando nos refiramos de forma genérica a un valor numérico que
pueda tomar la variable aleatoria, usaremos letras minúsculas.
Ejemplo: P(X=x) es la probabilidad de que la variable aleatoria X tome
el valor x
P(Y=yi) es la probabilidad de que la variable aleatoria Y tome
el valor yi, i=1,2,…n
o Valores observados: a los valores observados se les denomina
realizaciones de la variable aleatoria.
Ejemplo: Y=resultado de lanzar un dado.
Si lanzamos el dado 5 veces tendremos 5 realizaciones de la variable
aleatoria Y, por ejemplo 1,3,3,1,6
 Distribución de una variable aleatoria
Dada la v. a., X, definida sobre el espacio muestral E, asociado a un
experimento aleatorio, se define su distribución de probabilidad, como
P( X  A)  Pe  E : X (e)  A

 Clasificación de las variables aleatorias.

• Discretas: aquellas que sólo pueden

tomar un número finito o infinito
numerable de valores.
• Ej:Valor que se obtiene al lanzar una moneda.

• Continuas: pueden tomar un número

infinito no numerable de valores.
• Ej: Tiempo de acceso a un ordenador.
 FUNCIONES DE PROBABILIDAD Y DE DISTRIBUCIÓN

 Función de masa de probabilidad

Es una función que asigna a cada posible valor de una variable
aleatoria discreta su probabilidad.
f :   0,1
xi  f ( xi )  P( X  xi )
Propiedades
• Si xi no es uno de los valores que puede tomar X, f(xi) = 0
• Si x1, x2, …,xk son los valores admisibles de la v. a. X, 40%
entonces 35%
k k

 f ( x )   P( X  x )  1
i 1
i
i 1
i
30%

25%

20%
• f(xi) ≥ 0 para todo i=1,…,k
15%
EJEMPLO 1 10%
Número de caras al lanzar 3 monedas. 5%

0%
0 1 2 3
 FUNCIONES DE PROBABILIDAD Y DE DISTRIBUCIÓN

EJEMPLO 2
X=resultado de lanzar un dado
Se tiene que x=1,2,…,6 y al ser cada valor igual de probable.
Función de probabilidad: p(x)=1/6 para x=1,2,…6.

p(x)

A este tipo de variables aleatorias: K valores diferentes equiprobables, se les llama

UNIFORMES DISCRETAS.
 EJEMPLO 3
Una centralita telefónica tiene 5 líneas.
Sea X = número de líneas ocupadas en una unidad de tiempo.
Espacio muestral: X={0,1,2,3,4,5}

Supongamos que la centralita recibe por término medio 2 llamadas por unidad de
tiempo (y la duración de la llamada se completa en esa misma unidad de tiempo).
Entonces se puede demostrar que la función de probabilidad es:

P(X=0)=0.14 ¿Probabilidad del suceso A: más de 2 líneas ocupadas?

P(X=1)=0.27 P(A)=P(X=3) + P(X=4) + P(X=5) = 0.32
P(X=2)=0.27
P(X=3)=0.18
P(X=4)=0.09
P(X=5)=0.05
 Función de distribución para variables aleatorias
discretas
Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o iguales.
F :   0,1
xi  F ( xi )  P( X  xi )

• Para variables aleatorias discretas

F ( x)  P( X  x)   f (t ) para -   x  ,
tx

siendo f(t) la función de probabilidad de X

Propiedades
• Es una función monótona no decreciente.
• Es continua por la derecha, o sea:
lim F ( x)  F (a)
xa 

• lim F ( xi )  0 y lim F ( xi )  1
xi  xi 

Observamos que:
• P(X<x) = 1- F(x)
• P(x1 < X ≤ x2) = F(x2) - F(x1)
Seguimos con el ejemplo de la
centralita y ahora calculamos su función
de distribución
Propiedades
• X=número de líneas ocupadas en una unidad de tiempo
0.14 si x=0
0.27 si x=1
•Función de probabilidad p(x) = 0.27 si x=2
0.18 si x=3
0.09 si x=4
0.05 si x=5

0 si x<0, pues P(X≤0)=0

0.14 si 0≤x<1, pues P(X ≤x)=P(X<0)+P(X=0)
0.41 si 1≤x<2, pues P(X ≤x)=P(X<1)+P(X=1)
Función de p(x)= 0.68 si 2≤x<3, pues P(X ≤x)=P(X<2)+P(X=2)
Distribución 0.86 si 3≤x<4, pues P(X ≤x)=P(X<3)+P(X=3)
0.95 si 4≤x<5, pues P(X ≤x)=P(X<4)+P(X=4)
1 si x≥5
Ejercicio 4.1.1
Supongamos que la producción de un día de 850 piezas
manufacturadas contiene 50 piezas que no cumplen con los requisitos
del cliente.
Se seleccionan del lote 2 piezas al azar y sin reemplazo. Si llamamos
X al a la variable aleatoria “ nº de piezas que no cumplen “ . Calcular:
a) Su función de probabilidad.
b) Su función de distribución.
 Función de densidad de probabilidad
La función f(x), definida en los números reales, es una función de densidad para una
variable aleatoria continua, X, si verifica:
* f ( x)  0 para toda x  



*  f ( x) dx  1


* P[a  X  b]   f ( x)dx
a
 Función de densidad f(x) de la variable aleatoria X en el punto x, es una función
matemática tal que:

ÁREA =PROBABILIDAD

b
P[a  X  b]   f ( x)dx
a
 Ejemplo 4
 X = longitud de una pieza manufacturada

 Si la pieza es aceptable cuando está en el intervalo

[1,7;2,4]. ¿Qué % de piezas defectuosas se
fabrican?

% Defectuosas = 1- 0.502 = 0.498 =>49.8%

Función de distribución para variables aleatorias continuas
• Para variables aleatorias continuas
x
F ( x)  P( X  x)   f (t ) dt para -   x  ,


Al existir la derivada de F en casi todos los puntos, se puede concluir que:

• f(x) = F´(x)
• Si a < b,
• Como consecuencia: la probabilidad de un punto es cero y
• la probabilidad de un intervalo no depende de si es abierto, cerrado o
semi-abierto.
Ejercicio 4.1.2
Supongamos que el error en la temperatura de reacción, en ºC, para un
experimento de laboratorio controlado es una variable aleatoria
continua X que tiene la función de densidad

 x2
 -1  x  2
f ( x)   3 ,
 0, en los demás casos

a) Comprobar que es una función de densidad.

b) Calcular su función de distribución.
c) Calcular P(0 < X ≤ 1)
 MOMENTOS DE UNA VARIABLE ALEATORIA
 Momentos de una variable aleatoria discreta
Llamamos momento de orden r, respecto a un punto cualquiera “s” de una v. a. X, como
la media de las potencias de grado r de las desviaciones de los valores de la variable
respecto de ese punto s, o sea: mr    xi  s r f ( xi )
i
• Si s = 0, los llamaremos momentos respecto al origen y si s = media, momentos
centrales.
 Esperanza matemática o media es el momento de orden uno respecto al origen,
E[ X ]     xi f ( xi )
i

 Varianza, momento central de orden dos

Var[ X ]   2   ( xi   ) 2 f ( xi )   xi2 f ( xi )   2
i i

 Desviación típica, raíz cuadra de la varianza

  (x  )
i
i
2
f ( xi )

• Se puede observar el paralelismo de estos momentos con los estadísticos que vimos en
descriptiva
 Momentos de un variable aleatoria continua
Como en el caso discreto, en ocasiones se está interesado en resumir la distribución de
X a través de sus momentos.
 La esperanza matemática o media viene dada por:

E[ X ]     x f ( x)dx


 La varianza
 
Var[ X ]     ( x   ) f ( x)dx 
2 2
 x 2
f ( x ) dx   2

 
Ejercicio 4.1.4
La demanda semanal de Pepsi, en miles de litros, de una cadena local
de tiendas es una variable aleatoria continua X, sabiendo que tiene como función
de densidad

2( x  1) si 1  x  2
f ( x)  
0 en los demás casos

a) Dar la expresión de su función de distribución.

b) Encontrar su media y su varianza.
c) Calcular la probabilidad de que en una semana determinada
la demanda sea menor de 1500 litros
DISTRIBUCIÓN CONJUNTA DE VARIABLES ALEATORIAS
 Independencia estadística

Sean X e Y dos variables aleatorias, discretas o continuas, con

distribución de probabilidad conjunta f(x,y) y distribuciones marginales
g(x) y h(y), respectivamente. Decimos que las variables aleatorias X e
Y son estadísticamente independientes si y sólo si f(x,y) = g(x)h(y)
para toda (x,y) dentro de sus rangos.
Ejercicio 4.1.5

De una variable aleatoria, X, se sabe que los valores que toma son: -3, -2,
0, 2 y 3, que P(X = 0) = 0.5, P(X = 3) = 0.125, que el valor esperado de la
variable es 0 y la varianza 3.25. Calcular:
a) La función de probabilidad de la función Y = X2

Ejercicio 4.1.6

El tiempo de vida de una componente de un motor es una variable

aleatoria, X, con función de densidad:  0 si x  0
f ( x)   -x
e si x  0
a) Calcular su función de distribución.
b) Calcular la probabilidad de que el tiempo de vida de la
componente esté entre 1 y 3.