Sesión 8

Sesión 8: Variables Aleatorias
Universidad de la Sabana
Facultad de Ingeniería
Área de Matemáticas
Probabilidad y Estadística I
Juan Pablo Mojica

juan.mojica2@unisabana.edu.co
Variables Aleatorias
Una variable aleatoria (v.a) es una función que asocia un número real
con cada elemento del espacio muestral. Se utilizará letras mayúsculas
para denotar una (v.a), por ejemplo X, Y, Z · · · y letras minúsculas
para cada uno de sus valores x, y, z · · · .
Ejemplo.
De una urna que contiene 4 balotas rojas y 3 negras se sacan dos
balotas de manera sucesiva, sin reemplazo. Se quiere saber los posibles
resultados del número de balotas rojas extraídas.
Y : Número de balotas rojas extraídas al azar
Ejemplo.
Los posibles resultados y valores de y de la v.a Y son

Ejemplo.
Los posibles resultados y valores de y de la v.a Y son
Solución.
Espacio Muestral y
RR 2
RN 1
NR 1
NN 0
Ejemplo.
Considere la condición en que salen los componentes de una línea de
ensamble y se clasifican como defectuosos y no defectuosos. Defina Z
la v.a mediante
(
1, si el componente está defectuoso
Z=
0, si el componente no está defectuoso
Está v.a en la que se eligen 0 y 1 para describir los posibles valores de

denomina variable aleatoria de Bernoulli
Ejemplo.
Los estadísticos utilizan planes de muestreo para aceptar o rechazar
lotes de materiales. Suponga que uno de los planes de muestreo implica
obtener una muestra independiente de 10 artículos de un lote de 100,
en el que 12 están defectuosos. Si X representa a la v.a, definida como
el número de artículos que están defectuosos en la muestra de 10, la
variable aleatoria toma los valores 0, 1, 2, · · · , 9, 10.
Ejemplo.
Existe interés por la proporción de personas que responden a cierta
encuesta enviada por correo. Sea X la proporción. X es una variable
aleatoria que toma todos los valores de x para los cuales 0 ≤ x ≤ 1.
Ejemplo.
Existe interés por la proporción de personas que responden a cierta
encuesta enviada por correo. Sea X la proporción. X es una variable
aleatoria que toma todos los valores de x para los cuales 0 ≤ x ≤ 1.
Ejemplo.
Sea X la variable aleatoria definida como el tiempo que pasa, en horas,
para que un radar detecte entre conductores sucesivos a los que exceden
los límites de velocidad. La variable aleatoria X toma todos los valores
de x para los que x ≥ 0.
Definición
Si un espacio muestral contiene un número finito de posibilidades, o
una serie interminable con tantos elementos como números enteros
existen, se llama espacio muestral discreto.
Definición
Si un espacio muestral contiene un número finito de posibilidades, o
una serie interminable con tantos elementos como números enteros
existen, se llama espacio muestral discreto.
Definición
Si un espacio muestral contiene un número infinito de posibilidades,
igual al número de puntos en un segmento de recta, se le denomina
espacio muestral continuo.
Definición (Variable Aleatoria Discreta)

Una variable aleatoria se llama variable aleatoria discreta si se puede
contar su conjunto de resultados posibles. Los tres primeros ejemplos
enunciados son v.a discretas.
Definición (Variable Aleatoria Discreta)

Una variable aleatoria se llama variable aleatoria discreta si se puede
contar su conjunto de resultados posibles. Los tres primeros ejemplos
enunciados son v.a discretas.
Definición (Variable Aleatoria Continua)

Una variable aleatoria se llama variable aleatoria continua si conjunto
de resultados posibles tomas valores en una escala continua o un inter-
valo completo de números reales. Los dos últimos ejemplos enunciados
son v.a continuas.
Distibuciones de Probabilidad Distibuciones Discretas de Probabilidad
Distibuciones Discretas de Probabilidad

Cuando tenemos una v.a discreta cada uno de sus valores toma cierta
probabilidad. Por ejemplo al lanzar una moneda 3 veces, definimos
nuestra v.a X como el número de caras. Teniendo que nuestro espacio
muestral S tiene 8 puntos
S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}
Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades



El valor 0 con 1/8 de probabilidad






Definición (Función de Distribución).

El conjunto de pares ordenados (x, f (x)) es una función de
probabilidad, una función de masa de probabilidad o una
distribución de probabilidad de la variable aleatoria discreta X si,
para cada resultado x posible,
i) f (x) ≥ 0
X
ii) f (x) = 1
x
iii) P (X = x) = f (x)
Ejemplo:
Un embarque de 20 computadoras portátiles similares para una tienda
minorista contiene 3 que están defectuosas. Si una escuela compra al
azar 2 de estas computadoras, calcule la distribución de probabilidad
para el número de computadoras defectuosas.
Solución.
Sea X una variable aleatoria cuyos valores x son los números posibles
de computadoras defectuosas compradas por la escuela. Entonces x
sólo puede asumir los números 0, 1 y 2. Así,
3 17
0 2 68
f (0) = P (X = 0) = 20 =
2
95
3 17
1 1 51
f (1) = P (X = 1) = 20 =
2
190
3 17
2 0 3
f (2) = P (X = 2) = 20 =
2
190
Por consiguiente, la distribución de probabilidad de X es
x 0 1 2
68 51 3
f (x) 95 190 190
Definición.(Función de Distribución Acumulativa)

La función distribución acmulativa F (x) de una variable aleatoria
discreta X con distribución de probabilidad f (x) es
X
F (x) = P (X ≤ x) = f (t), para −∞ < x < ∞
t≤x
Ejemplo.
El empleado de un almacén regresa tres cascos de seguridad al azar a
tres obreros de un taller. Si Sergio, Juan y Billy, en ese orden, reciben
uno de los tres cascos, liste los puntos muestrales para los posibles
órdenes en que el empleado del almacén regresa los cascos, después
calcule el valor m de la variable aleatoria M que representa el número
de emparejamientos correctos.
Solución.
Si S, J y B representan, respectivamente, los cascos que recibieron

Sergio, Juan y Billy, entonces los posibles arreglos en los cuales se pueden
regresar los cascos y el número de emparejamientos correctos son
Solución.

Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Solución.

Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Por consiguiente, la distribución de probabilidad de M es

Solución.

Espacio Muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0
Por consiguiente, la distribución de probabilidad de M es
x 0 1 2 3
1 1 1
f (x) 0
El cálculo de las distribuciones de M son

1
F (0) = f (0) =
3
5
F (1) = f (0) + f (1) =
6
5
F (2) = f (0) + f (1) + f (2) =
6
F (3) = f (0) + f (1) + f (2) + f (3) = 1
Por lo tanto,
La función de la distribución acumulativa de M es





0, para m < 0
 1
3,


 para 0 ≤ m < 1
5
F (x) = 6 , para 1 ≤ m < 2

5
para 2 ≤ m < 3

6,




1, para m ≥ 3

Distibuciones de Probabilidad Distibuciones Continuas de Probabilidad
Distibuciones Continuas de Probabilidad
Distibuciones Continuas de Probabilidad

Nos interesamos por el cálculo de probabilidades para varios intervalos
de variables aleatorias continuas como P (a < X < b), P (W ≤ c),
P (Y ≥ q) etc.
Aunque la distribución de probabilidad de una variable aleatoria
continua no se puede representar de forma tabular, sí es posible
plantearla como una fórmula, y como tal se representará mediante la
notación funcional f (x). Para el caso en que las v.a sean continuas
f (x) por lo general se le llama función de densidad de probabilidad,
o simplemente función de densidad de X.
Definición. (Función de Densidad)

La función f (x) es una función de densidad de probabilidad (f dp)
para la variable aleatoria continua X, definida en el conjunto de
números reales, si
i) f (x) ≥ 0, para todo x ∈ R
Z ∞
ii) f (x)dx = 1
−∞
Z b
iii) P (a < X < b) = f (x)dx
a
Ejemplo.
Suponga que el error en la temperatura de reacción, en un
experimento de laboratorio controlado, es una variable aleatoria
continua X que tiene la función de densidad de probabilidad
x2
(
f (x) = 3 , −1 <x<2
0, en otro caso
a) Verifique que f (x) es una función de densidad.

b) Calcule P (0 < X ≤ 1).
Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la

definición, efectuamos
Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la

definición, efectuamos
Z 2 2 2
x3
Z ∞
x 8 1
f (x)dx = dx = = + =1
−∞ −1 2 9 −1 9 9
Y ahora para el cálculo de la probabilidad, si usamos la condición 3 de

la definición tenemos que
Z 1 2 1
x x3 1
P (0 < X ≤ 1) = dx = =
0 3 9 0 9

Definición.(Función de Densidad Acumulativa)

La función de densidad acumulativa F (x), de una variable aleatoria
continua X con función de densidad f (x), es
Z x
F (x) = P (X ≤ x) = f (t)dt, para −∞ < x < ∞
−∞
Nota
De esta definición de puede deducir que
1) P (a < X < b) = F (b) − F (a)
dF (x)
2) f (x) = dx , si la derivada existe.
Ejercicio.
1) Calcule F (x) para la función de densidad del ejemplo anterior y
utilice el resultado para evaluar P (0 < X ≤ 1).
2) El Departamento de Energía (DE) asigna proyectos mediante

licitación y, por lo general, estima lo que debería ser una licitación
razonable. Sea b el estimado. El DE determinó que la función de
densidad de la licitación ganadora (baja) es
(
5
8b , si 52 b ≤ y ≤ 2b
f (y) =
0, en otro caso
Calcule F (y) y determine la probabilidad de que la licitación

ganadora sea menor que la estimación preliminar b del DE.
Esperanza Matemática
Media de una Variable Aleatoria
La media de la variable aleatoria X o media de la distribución de

probabilidad de X, es el promedio de un conjunto que se esperaríamos
obtener a largo plazo. Este valor se denota como µx o µ cuando es
evidente a qué variable aleatoria se está haciendo referencia.
También es común referirse a esta media como la esperanza matemática

o el valor esperado de la variable aleatoria X y denotarla como E(X)
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x). La
media o valor esperado de X es:
1) Si X es discreta X
µ = E(X) = xf (x)
x
2) Si X es continua
Z ∞
µ = E(X) = xf (x)dx
−∞
Ejemplo.
Cierto día un vendedor de una empresa de aparatos médicos tiene dos
citas. Considera que en la primera cita tiene 70 por ciento de
probabilidades de cerrar una venta, por la cual podría obtener una
comisión de $1000. Por otro lado, cree que en la segunda cita sólo tiene
40 por ciento de probabilidades de cerrar el trato, del cual obtendría
$1500 de comisión. ¿Cuál es su comisión esperada con base en dichas
probabilidades? Suponga que los resultados de las citas son
independientes.
Solución
El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

$1000, $1500 y $2500. Necesitamos calcular sus probabilidades como los
resultados de las citas son independientes, se tiene que
Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

f (1000) = (0.7)(1 − 0.4) = 0.42
Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Por lo tanto, la comisión esperada para el vendedor es

Solución

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

f (1000) = (0.7)(1 − 0.4) = 0.42
f (1500) = (1 − 0.7)(0.4) = 0.12
f (2500) = (0.7)(0.4) = 0.28
Por lo tanto, la comisión esperada para el vendedor es
E(X) = ($0)(0.18)+($1000)(0.42)+($1500)(0.12)+($2500)(0.28) = $130
.
Ejemplo.
Sea X la variable aleatoria que denota la vida en horas de cierto
dispositivo electrónico. La función de densidad de probabilidad es
(
20000
x3
,x > 100
f (x) =
0, en otro caso
Calcule la vida esperada para este dispositivo

Solución.
Como la variable aleatoria es continua, entonces

Z ∞ Z ∞
20000 20000
µ = E(X) = x dx = dx = 200
100 x3 100 x2
Por lo tanto, esperamos que este tipo de dispositivo dure en promedio
200 horas.
Teorema.
Sea X una variable aleatoria con distribución de probabilidad f (x). El
valor esperado de la variable aleatoria g(X)es
1) Si X es discreta
X
µg(X) = E[g(X)] = g(x)f (x)
x
2) Si X es continua
Z ∞
µg(X) = E[g(X)] = g(x)f (x)dx
−∞
Ejercicio.
1) Un inspector de calidad obtiene una muestra de un lote que
contiene 7 componentes; el lote contiene 4 componentes buenos y
3 defectuosos. El inspector toma una muestra de 3 componentes.
Calcule el valor esperado del número de componentes buenos en
esta muestra.
2) Suponga que el número de automóviles X que pasa por un local
de lavado de autos entre las 4 p.m. y las 5 p.m. de cualquier
viernes soleado tiene la siguiente distribución de probabilidad:
x 4 5 6 7 8 9
1 1 1 1 1 1
P (X = x) 12 12 4 4 6 6
Sea g(X) = 2X − 1 la cantidad de dinero en dólares que el
administrador paga al operador. Calcule las ganancias esperadas
del operador en este periodo específico.
Ejercicio.
3) Sea X una variable aleatoria con función de densidad
x2
(
f (x) = 3 , −1 <x<2
0, en otro caso
Calcule el valor esperado de g(X) = 4X + 3.

Varianza de Variables Aleatorias
Varianza de una Variable Aleatoria
La varianza de la variable aleatoria X, clasifica la variabilidad de la

distribución o dispersión de sus observaciones sobre la media. Este
valor se denota como σx2 o σ 2 o V (X) cuando es evidente a qué
variable aleatoria se está haciendo referencia.
Definición.
Sea X una variable aleatoria con distribución de probabilidad f (x) y
media µ. La varianza de X es:
1) Si X es discreta
X
σ 2 = E[(X − µ)2 ] = (X − µ)2 f (x)
x
2) Si X es continua
Z ∞
2 2
σ = E[(X − µ) ] = (X − µ)2 f (x)dx
−∞
Nota.
La raíz cuadrada positiva de la varianza, σ, se llama desviación
estándar de X.
Teorema.
La varianza de una variable aleatoria X es
σ 2 = E(X 2 ) − µ2
o
σ 2 = E(X 2 ) − [E(X)]2
Ejercicio.
1) Calcule la V (X), para los ejercicios anteriores.
Propiedades Importantes
Propiedades.
Si a y b son constantes, entonces,
E(aX + b) = aE(X) + b
.
Propiedades.
E(aX + b) = aE(X) + b
.
El valor esperado de la suma o diferencia de dos o más funciones
de una v.a X, es
E[g(X) ± h(X)] = E[g(X)] ± E[h(X)]

Propiedades.
E(aX + b) = aE(X) + b
.
El valor esperado de la suma o diferencia de dos o más funciones
de una v.a X, es
E[g(X) ± h(X)] = E[g(X)] ± E[h(X)]
Si X y Y son variables aleatorias independientes, entonces

2
σaX+bY = V [aX + bY ] = a2 V (X) + b2 V (Y )
Propiedades.
2
σaX−bY = V [aX − bY ] = a2 V (X) + b2 V (Y )
Propiedades.
2
σaX−bY = V [aX − bY ] = a2 V (X) + b2 V (Y )
Si X1 , X2 , · · · , Xn son variables aleatorias independientes,

entonces
σa21 X1 +a2 X2 +···+an Xn = V [a1 X1 + a2 X2 + · · · + an Xn ]

= a21 V (X1 ) + a22 V (X2 ) + · · · a2n V (Xn )

Sesión 8

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sesión 8

Diunggah oleh

Hak Cipta:

Format Tersedia

Sesión 8: Variables Aleatorias

Juan Pablo Mojica

Los posibles resultados y valores de y de la v.a Y son

Los posibles resultados y valores de y de la v.a Y son

Está v.a en la que se eligen 0 y 1 para describir los posibles valores de

Definición (Variable Aleatoria Discreta)

Definición (Variable Aleatoria Discreta)

Definición (Variable Aleatoria Continua)

Distibuciones Discretas de Probabilidad

Distibuciones Discretas de Probabilidad

S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}

Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades

Distibuciones Discretas de Probabilidad

Distibuciones Discretas de Probabilidad

S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}

Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades

Distibuciones Discretas de Probabilidad

Distibuciones Discretas de Probabilidad

S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}

Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades

Distibuciones Discretas de Probabilidad

Distibuciones Discretas de Probabilidad

S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}

Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades

Distibuciones Discretas de Probabilidad

Distibuciones Discretas de Probabilidad

S = {CCC, CCS, CSC, SCC, SCS, SSC, CSS, SSS}

Entonces, los valores 0,1,2,3 tiene las siguientes probabilidades

Definición (Función de Distribución).

Por consiguiente, la distribución de probabilidad de X es

Definición.(Función de Distribución Acumulativa)

Si S, J y B representan, respectivamente, los cascos que recibieron

Si S, J y B representan, respectivamente, los cascos que recibieron

Si S, J y B representan, respectivamente, los cascos que recibieron

Por consiguiente, la distribución de probabilidad de M es

Si S, J y B representan, respectivamente, los cascos que recibieron

Por consiguiente, la distribución de probabilidad de M es

El cálculo de las distribuciones de M son

La función de la distribución acumulativa de M es

Distibuciones Continuas de Probabilidad

Distibuciones Continuas de Probabilidad

Definición. (Función de Densidad)

a) Verifique que f (x) es una función de densidad.

Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la

Solución. Es claro que f (x) ≥ 0. Para verificar la condición 2 de la

Y ahora para el cálculo de la probabilidad, si usamos la condición 3 de

Definición.(Función de Densidad Acumulativa)

2) El Departamento de Energía (DE) asigna proyectos mediante

Calcule F (y) y determine la probabilidad de que la licitación

Media de una Variable Aleatoria

La media de la variable aleatoria X o media de la distribución de

También es común referirse a esta media como la esperanza matemática

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

El vendedor, en las dos citas, puede obtener 4 comisiones totales: $0,

f (0) = (1 − 0.7)(1 − 0.4) = 0.18

Por lo tanto, la comisión esperada para el vendedor es