3 variables aleatorias discretas y continuas

Probabilidad Variables Aleatorias
M.en I, Isabel Patricia Aguilar Juárez UNAM-Facultad de Ingeniería 1
3. VARIABLES ALEATORIAS
as variables aleatorias se clasifican en discretas y continuas, dependiendo del
número de valores que pueden asumir.
Una variable aleatoria es discreta si sólo puede tomar una cantidad finita o
infinita numerable de valores. Si por el contrario, la variable aleatoria puede tomar
cualquier valor de un conjunto infinito no numerable, entonces la variable es
continua.
Desde luego, el análisis de una variable aleatoria discreta difiere del de una
variable aleatoria continua. Esto se expresa a continuación.
3.1 VARIABLES ALEATORIAS DISCRETAS. FUNCIÓN DE PROBABILIDAD.
El comportamiento aleatorio de una variable aleatoria discreta se analiza a
través de una función de probabilidad.
Definición:
Sea X una variable aleatoria discreta, cuyo rango (conjunto de valores posibles) es
el conjunto que denotamos por RX. Se define la función de probabilidad de X
como:
]1,0[: →XX Rf
tal que )()( xXPxfX == para todo valor XRx ∈ .
Esto es, la función de probabilidad de X es una función que asigna a cada
valor de x del rango de X, la probabilidad de que la variable aleatoria lo asuma en
la siguiente realización del experimento.
Ejemplo 3.1.1
Supongamos que la variable aleatoria X representa el número de automóviles que
pasan por una caseta de peaje en un período de un día. El rango de la variable
aleatoria es ,...}2,1,0{=XR ; es decir, todos los enteros no negativos. Como el
rango es un conjunto infinito numerable, la variable aleatoria X es discreta.
La función de probabilidad de X es la función que determina para cada valor
x, la probabilidad de que ese valor sea el observado; es decir, )0()0( == XPfX es
la probabilidad de que en un día no pase ningún carro por la caseta mencionada
L

)1()1( == XPfX es la probabilidad de que en un día pase exactamente un
automóvil por la caseta de peaje, etcétera.
3.1.1 PROPIEDADES
La función de probabilidad de una variable aleatoria discreta tiene las
siguientes propiedades:
1) Sus valores están entre 0 y 1
XX Rxxf ∈∀≤≤ 1)(0
2) La suma de los valores de )(xf X cuando se consideran todos los valores
del rango, es igual a uno.
1)( =∑∈∀ XRx
X xf
3) La probabilidad de que la variable aleatoria presente alguno de los valores
que pertenecen a un conjunto, es la suma de las probabilidades de los
valores particulares.
∑=
=≤≤
1
0
)()( 10
x
xx
X xfxxxP
Ejemplo 3.1.1.1
Considere el experimento que consiste en lanzar un dado y observar el número de
puntos que tiene en su cara superior.
La variable aleatoria X será el número de puntos en la cara superior del dado,
después del lanzamiento.
El rango de la variable aleatoria X es RX = {1,2,3,4,5,6}.
La función de probabilidad de X se muestra en la siguiente tabla:
x 1 2 3 4 5 6
fX(x) 1/6 1/6 1/6 1/6 1/6 1/6

Es decir,
fX(1)=P(X=1) = P(el resultado del lanzamiento es 1) = 1/6
fX(2)=P(X=2) = P(el resultado del lanzamiento es 2) = 1/6
.
La probabilidad de que el resultado esté entre 2 y 5 es:
P(2≤X≤5) = P(X=2) + P(X=3) + P(X=4) + P(X=5)
= fX(2) + fX(3) + fX(4) + fX(5)
= 1/6 + 1/6 + 1/6 + 1/6
= 4/6
6
4
)52( =≤≤ XP
3.2 VARIABLES ALEATORIAS CONTINUAS. FUNCIÓN DE DENSIDAD DE
PROBABILIDAD.
Por la naturaleza de las variables aleatorias continuas, no es posible hacer su
análisis a través de una función de probabilidad como en el caso discreto, pero en
su lugar se utiliza otra función conocida como función de probabilidad o
simplemente de densidad.
Definición:
Si X es una variable aleatoria continua cuyos valores posibles son todos los
números que pertenecen al conjunto RX, se define la función de densidad de X
como la función:
ℜ→XX Rf :
que cumple con las siguientes condiciones:
1) La función fX(x) no toma valores negativos.
XX Rxxf ∈∀≥ 0)(
2) El área bajo la función es uno.
1)( =∫ dxxf
XR
X
3) La probabilidad de que la variable aleatoria presente un valor cualquiera
dentro de un intervalo, es el área bajo la función y sobre el intervalo.
∫=≤≤
1
0
)()( 10
x
x
X dxxfxXxP

Ejemplo 3.2.1
Si la variable aleatoria X tiene función de densidad
⎪⎩
⎪
⎨
⎧
≤≤+
=
casootroen
xx
xfX
;0
21;
2
1
3
1
)(
se puede observar que, gráficamente, fX(x) tiene la forma:
El área bajo la curva es 1
2
1
6
1
1
6
4
2
1
6
1
2
1
3
1
2
1
2
2
1
=−−+=⎥⎦
⎤
⎢⎣
⎡
+=⎟
⎠
⎞
⎜
⎝
⎛
+= ∫ xxdxxA
A=1
Y la probabilidad de que X esté entre 1 y 1.5 es:
24
11
)5.11(
24
11
24
16
24
27
2
1
6
1
4
3
24
9
2
1
6
1
2
1
3
1
)5.11(
5.1
1
2
5.1
1
=≤≤
=−=−−+=⎥⎦
⎤
⎢⎣
⎡
+=⎟
⎠
⎞
⎜
⎝
⎛
+=≤≤ ∫
xP
xxdxxxP

Es muy común que en un experimento nos interesemos por la probabilidad
de que la variable aleatoria asuma, más que un valor particular, un valor
cualquiera en un rango, o bien, por identificar aquellos puntos o intervalos en los
que se acumula mayor probabilidad.
Es por ésta razón que se define una función, la función de distribución
(acumulativa) de una variable aleatoria.
La función de distribución de una variable aleatoria refleja la forma en que
se acumula la probabilidad a lo largo del rango de la variable aleatoria.
3.3 FUNCIÓN DE DISTRIBUCIÓN
Definición:
Si X es una variable aleatoria se define a la función de distribución de X como la
función que se denota por FX(x) y que asigna a cada valor x0 ∈ RX , la probabilidad
de que la variable aleatoria tome un valor menor o igual a dicha x0 . Esto es,
FX( x0 ) = P (X ≤ x0)
El cálculo de FX( x0 ) se realiza de la siguiente manera:
■ Si X es discreta, FX( x0 ) = ∑
≤ 0xx
X (x)f
■ Si X es continua FX( x0 ) = ∫
0x
a
X dx(x)f , en donde a es el valor más
pequeño que podría asumir la variable aleatoria X.
3.3.1 PROPIEDADES
Esta función de distribución tiene las siguientes propiedades:

1. Dado que es una probabilidad, solamente puede tomar valores entre
cero y uno, es decir,
0 ≤ FX( x0 ) ≤ 1 ∀ x ∈ RX
2. Para el mayor valor del rango de X, la función de distribución toma el
valor de uno,
FX( ∞ ) = 1
3. Para el menor valor del rango de X, la función de distribución toma el
valor de cero,
FX( - ∞ ) = 0
4. La función FX( x ) es una función no decreciente, escalonada si la
variable es discreta o creciente si X es continua.
5. Permite calcular fácilmente la probabilidad de que X esté en el intervalo
semi abierto (a, b] como
P (a < X ≤ b ) = FX( b ) - FX( a )
Ejemplo 3.3.1.1
Sea X una variable aleatoria con función de probabilidad la que se muestra en la
tabla. Construya la función de distribución de X, y utilícela para calcular la
probabilidad de que X sea mayor que –1 y menor o igual que1.5
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
Resolución:
FX( -5 )= P (X ≤ -5) = P( X = -5) = 0.2
FX( -1 )= P (X ≤ -1)= P( X = -5)+ P(X = -1)= 0.2 + 0.01 = 0.21
FX( 1 )= P (X ≤ 1)= P( X = -5) + P(X = -1) + P(X =1)= 0.2 + 0.01 + 0.3 = 0.51
FX( 1.5 )=P(X ≤ 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)
= 0.2 + 0.01+ 0.3 + 0.29 = 0.8
FX( 3 ) = P(X ≤ 1.5)=P(X = -5)+P(X = -1)+P(X =1)+P(X=1.5)+P(X=3)
= 0.2 + 0.01+ 0.3 + 0.29 + 0.2 = 1

Para mayor facilidad se puede mostrar la función de distribución en una tabla,
junto con la función de probabilidad,
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
FX(x) 0.2 0.21 0.51 0.8 1
Por lo tanto, P(-1 < X ≤ 1.5 ) = FX(1.5) - FX(-1) = 0.8 – 0.21 = 0.59
Hagamos un ejemplo más.
Ejemplo 3.3.1.2
La comisión por ventas que una empresa ofrece a sus agentes crece dependiendo
de los rangos de ventas individuales, la tasa de crecimiento es una variable
aleatoria X que tiene función de densidad
⎪
⎩
⎪
⎨
⎧
≤<+
≤≤
=
caso.otroen;0
2x1;
2
1
cx
1x0;cx
)x(fX
en donde c es una constante. Calcule la probabilidad de que para un agente en
particular el crecimiento en sus comisiones esté entre 0.5 y 1.2 .

Resolución
Lo primero que debemos hacer es determinar el valor de la constante c de manera
que la función fX(x) planteada sea realmente una función de densidad.
La primera condición que debe cumplir la función es ser positiva para todo valor de
x. Para ello, en esta función, basta con que c> 0.
La segunda condición que debe cumplir es integrar uno. Veamos:
4
1
c4c
2
x
2
cx
2
cx
dx
2
1
cxdxcx1
2
1
2
1
0
2
1
2
1
0
=⇒=⎥
⎦
⎤
⎢
⎣
⎡
++⎥
⎦
⎤
⎢
⎣
⎡
=⎟
⎠
⎞
⎜
⎝
⎛
++= ∫∫
por lo tanto, la función de densidad de la variable aleatoria X es
⎪
⎪
⎪
⎪
⎪
⎩
⎪
⎪
⎪
⎪
⎪
⎨
⎧
≤<+
≤≤
=
caso.otroen;0
2x1;
2
1
x
4
1
1x0;x
4
1
)x(fX
La gráfica de la función de densidad es la siguiente,
Construyamos ahora la función de distribución de X:
Si x < 1 Si 1 < x < 2

Si x < 1, FX(x) =
8
x
dy
4
y 2
x
0
=∫
Si 1 < x < 2 , FX(x) =
8
1
2
x
8
x
2
y
8
y
8
1
dy
2
1
4
y
dy
4
y 2
x
1
2
x
1
1
0
++=⎥
⎦
⎤
⎢
⎣
⎡
++=⎟
⎠
⎞
⎜
⎝
⎛
++ ∫∫
Por lo tanto,
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎧
>
≤<++
≤≤
<
=
2.x;1
2x1;
8
1
2
x
8
x
1x0;
8
x
0x;0
)x(f
2
2
X
P(0.5 < X < 1.2) = FX(1.2) - FX(0.5) =
( ) ( ) 0.87375
8
0.5
8
1
2
1.2
8
1.2
22
=−++
3.4 PARÁMETROS DE LAS DISTRIBUCIONES DE VARIABLES ALEATORIAS.
Con el fin de lograr una mejor descripción de una variable aleatoria es necesario
utilizar características numéricas, las características numéricas de una variable
aleatoria se pueden clasificar en:
- Medidas de tendencia central
- Medidas de dispersión
- Parámetros de forma

3.4.1 MEDIDAS DE TENDENCIA CENTRAL
Las medidas de tendencia central son importantes ya que serán utilizadas
como valores representativos de dicha variable. Dependiendo de la naturaleza del
experimento será más recomendable alguna de ellas. Las tres medidas de
tendencia central más importantes son:
1) MODA: Es aquel valor en el rango de la variable aleatoria para el cual la
función de probabilidad o de densidad, según sea el caso, alcanza su
máximo.
2) MEDIANA: La mediana es el valor x~ de la variable aleatoria para el cual la
función de distribución vale 0.5. Desde luego, es el valor en la rango de la
variable aleatoria que divide el rango en dos conjuntos con igual
probabilidad; esto es, x~ es tal que:
5.0)~( =xF X
3) VALOR ESPERADO (MEDIA): El valor esperado de una variable aleatoria,
también conocido como media o esperanza matemática, se puede
interpretar como el valor que en promedio tomaría una variable aleatoria en
un número grande de repeticiones del experimento, aunque también se
puede interpretar como el valor que cabe esperar que tome la variable
aleatoria en la siguiente realización del experimento. El valor esperado de
una variable aleatoria se define como sigue:
a. Si X es discreta
∑∀
==
x
X xxfXE )()( µ
b. Si X es continua:
∫
∞
∞−
== dxxxfXE X )()( µ
Ejemplo 3.4.1.1
Calcule el valor esperado de la variable aleatoria X con función de densidad:

⎪
⎪
⎪
⎩
⎪⎪
⎪
⎨
⎧
≤≤
≤≤
=
casootroen
xx
xx
xfX
;0
21;
49
12
10;
49
12
)( 3
2
Resolución:
245
387
)49(5
12
)49(4
12
49
12
49
12
)()(
2
1
5
1
0
4
2
1
4
1
0
3
=
⎥
⎦
⎤
⎢
⎣
⎡
+⎥
⎦
⎤
⎢
⎣
⎡
=+== ∫∫∫
∞
∞−
xxdxxdxxdxxxfXE X
245
387
)( == µXE
Veamos qué pasa en el caso discreto.
Ejemplo 3.4.1.2
Si la variable aleatoria X tiene la distribución que se muestra en la tabla. Calcule la
media, mediana y moda de X.
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
Resolución:
Construyamos primero la función de distribución de X
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
FX(x) 0.05 0.18 0.4 0.47 0.8 1.0
La media µ es:
28.7)(
)2.0(12)33.0(10)07.0(8)22.0(4)13.0(3)05.0(5)(
==
+++++−==
µ
µ
XE
XE
La mediana x~ es el valor para el cual FX( x~ )=0.5
Como FX(8)=0.47 < 0.5

y FX(10)=0.8 > 0.5
Entonces x~ = 10
Para obtener la moda, observemos que el máximo valor de fX(x) es 0.33 y se
alcanza cuando x=10, entonces:
moda = m0 = 10
3.4.1.1 VALOR ESPERADO
Definición:
Si g(X) es una función de la variable aleatoria X, se define el valor esperado de
g(X) como:
⎪⎩
⎪
⎨
⎧
=
∫
∑
∞
∞−
∀
continuaesXsidxxfxg
discretaesXsixfxg
XgE
X
x
X
)()(
)()(
)]([
Vale la pena mencionar que el valor esperado es un operador lineal; es decir, tiene
las siguientes propiedades:
1) Si c es una constante, E(c)=c
2) Si c es una constante, E(cX)=cE(X)
3) Si g(X) es una función de X y h(X) es otra función de la misma variable
aleatoria X, entonces:
E[g(X)+h(X)]=E[g(X)]+E[h(X)]
3.4.2 MEDIDAS DE DISPERSIÓN
Las medidas de dispersión se pueden utilizar como herramientas para medir la
validez de la media µ como representativa de la variable aleatoria X, ya que
muestran qué tanto cercanos están, en promedio, los valores de X, de µ.
Las principales medidas de dispersión se tratan a continuación.

1) VARIANZA
Definición
Si X es una variable aleatoria, se define su varianza como:
Var(X)= σ2
= E[(X-µ)2
]
Por tanto, si X es discreta:
∑∀
−==
x
X xfxXVar )()()( 22
µσ
Si X es continua:
∫
∞
∞−
−== dxxfxXVar X )()()( 22
µσ
Pues bien, si se desarrolla el cuadrado de la definición de σ2
, se obtiene una forma
muchas veces más sencilla de calcular a la varianza.
2222
)(])[()( µµσ −=−== XExEXVar
en donde:
⎪
⎩
⎪
⎨
⎧
=
∫
∑
∞
∞−
∀
continuaesXsidxxfx
discretaesXsixfx
XE
X
x
X
)(
)(
][
2
2
2
y µ2
es el cuadrado de E(X).
La varianza de una variable aleatoria tiene las siguientes propiedades:
1) Si c es una constante, Var(c)=0
2) Si c es una constante Var(cX)=c2
Var(X)
Sin embargo, aunque la varianza es una medida de dispersión, es difícil
interpretarla ya que sus unidades son cuadráticas, por ser el promedio de valores
elevado al cuadrado. Ésta dificultad se puede sortear tomando la raíz cuadrada de
la varianza.
2) DESVIACIÓN ESTÁNDAR
Definición
Si X es una variable aleatoria se define su desviación estándar como la raíz
cuadrada de la varianza; es decir:

)(xVar=σ
3) COEFICIENTE DE VARIACIÓN
Definición
Sea X una variable aleatoria. Se define su coeficiente de variación como:
µ
σ
=).(. XVC
Mide la variación promedio de la variable aleatoria alrededor de la media µ, como
una proporción de la misma µ. Por lo tanto, es una medida adimensional.
Ejemplo 3.4.2.1
¿Cuál es la variabilidad que tiene el número X de hijos varones en una familia de 3
hijos?.
Resolución:
Sea V la variable aleatoria que representa el número de hijos varones en una
familia de 3 hijos.
RX = {0,1,.2,3}
La función de probabilidad de x es:
x 0 1 2 3
fX(x) 1/8 3/8 3/8 1/8
E(X)=µ=
2
3
8
1
3
8
3
2
8
3
1
8
1
0)( =⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
=∑∀x
X xxf
Entonces;

4
3
4
3
2
3
8
1
)3(
8
3
)2(
8
3
)1(
8
1
)0(
2
3
)()()(
2
2
2222
2
222
==
=⎟
⎠
⎞
⎜
⎝
⎛
−⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
+⎟
⎠
⎞
⎜
⎝
⎛
=
⎟
⎠
⎞
⎜
⎝
⎛
−=−= ∑∀
σ
µ
x
X xfxxEXVar
Por lo tanto, la desviación estándar es
4
3)(2
=== XVarσσ ; es decir, la
dispersión alrededor de la media es, en promedio, 2/3 hijos. Esto es:
3
3
2/3
2/3
).(. ==XVC
¿Qué otras características tiene la distribución de la variable aleatoria X?
¿Es simétrica? Veamos algunos parámetros de forma.
3.4.3 PARÁMETROS DE FORMA
1) COEFICIENTE DE SESGO
El coeficiente de sesgo es una medida del grado de asimetría de la distribución de
la variable aleatoria X.
Definición.
Sea X es una variable aleatoria. Se define su coeficiente de sesgo como:
3
3
])[(
)(
σ
µ−
=
xE
Xa
El coeficiente de sesgo se compara contra el cero para decidir acerca de la
asimetría de la distribución.

⎪
⎩
⎪
⎨
⎧
⇒<
⇒>
⇒=
=
negativosesgotieneóndistribuciLa
positivosesgotieneóndistribuciLa
simétricaesóndistribuciLa
xa
0
0
0
)(
2) COEFICIENTE DE CURTOSIS
El coeficiente de curtosis de una variable aleatoria X es una medida del grado de
apuntamiento de la distribución.
Definición.
Si X es una variable aleatoria, se define su coeficiente de curtosis como:
4
4
])[(
)(
σ
µ−
=
xE
Xk
El coeficiente de curtosis se compara contra el número 3 que es el coeficiente de
curtosis de una distribución normal estándar. Si k(X) es mayor que 3 significa que
la distribución es más alta que la normal estándar. Esto es:
Distribución simétrica
Distribución con sesgo
positivo
Distribución con sesgo
negativo

⎪
⎩
⎪
⎨
⎧
⇒<
⇒>
⇒=
=
caplaticúrtiesóndistribuciLa
caleptocúrtiesóndistribuciLa
amesocúrticesóndistribuciLa
xk
3
3
3
)(
Distribución mesocúrtica
Distribución leptocúrtica
Distribución platicúrtica

3 variables aleatorias discretas y continuas

Más contenido relacionado

La actualidad más candente (20)

Similar a 3 variables aleatorias discretas y continuas (20)

Último (20)

3 variables aleatorias discretas y continuas