Estadstica I (451769451837)

Unidad IV: Variables Aleatorias

Ingeniera Comercial
Universidad de Concepcin
Dpto. de Gestin Empresarial
Campus Los ngeles

Tipos de Espacio Muestral

Un espacio muestral se dice:

I

Discreto, si es un conjunto finito o infinito numerable.

Continuo, si es un conjunto infinito no numerable.

Si lanzamos dos monedas perfectas, entonces el espacio muestral es

= {CC , CS, SC , SS}
el cual resulta ser un espacio muestral discreto, pues es finito.

Tipos de Espacio Muestral

Si observamos la cantidad de automviles que llegan a una interseccin especfica en un lapso de 30 minutos, entonces
= {0, 1, 2, 3, 4, . . .} = N0
as, es un conjunto infinito numerable y por ende un espacio muestral discreto.

Si anotamos la vida til, en horas, de un modelo cualquiera de una

determinada marca de automviles, entonces
= {t R : t > 0} = [0, +[
de este modo, es un espacio muestral continuo, por ser infinito no
numerable.

Variables Aleatorias
I

Una funcin X , que a cada elemento de un espacio muestral le

asigna un nmero real, se conoce como variable aleatoria (v.a.). Es
decir, una variable aleatoria es una funcin de la forma
X : R

(1)

En el concepto de variable aleatoria est implcito el concepto de

experimento aleatorio.
Experimento
Lanzar dos dados
Lanzar una moneda 30 veces
Contar vehculos en una esquina

Variable Aleatoria
X = suma de las caras
X = no de caras obtenidas
o
X = n vehculos
hora

Variables Aleatorias
I

El conjunto de todos los valores que puede tomar una v.a. X se

conoce como recorrido de X y se denota por Rec(X ).

Suponga que = {s1 , s2 , . . . , sn } es el espacio muestral para un

determinado experimento aleatorio y que X es una variable aleatoria
definida sobre con recorrido Rec(X ) = {x1 , x2 , . . . , xm }.

Podemos observar que X = xi si y solo si el resultado del experimento

aleatorio es un punto muestral sj , de tal forma que
X (sj ) = xi

Adems, podemos definir una funcin de probabilidad PX sobre Rec(X )

en el siguiente sentido


PX (X = xi ) = P {sj : X (sj ) = xi }

Variables Aleatorias

PX (X = xi ) debe entenderse como: la probabilidad de que la variable

aleatoria X tome el valor xi .

Notemos que PX define una funcin de probabilidad para la variable

aleatoria X . Adems, se tiene que PX satisface los Axiomas de Kolmogorov.

Por simpleza, escribimos P(X = xi ) en vez de PX (X = xi )

Las variables aleatorias siempre se denotan con letras maysculas,

mientras que los valores que ellas pueden tomar, se denotan con letras
minsculas.

Variables Aleatorias
I

Consideremos el experimento de lanzar tres veces una moneda perfecta.

Definamos la variable aleatoria X como el nmero de caras obtenidas

en los tres lanzamientos.
s
X (s)

CCC
3

CCS
2

CSC
2

SCC
2

SSC
2

SCS
1

CSS
1

SSS
0

Observamos que el recorrido de la variable X es Rec(X ) = {0, 1, 2, 3}.

Asumiendo que cada punto muestral si tiene la misma probabilidad

de ocurrir, podemos construir fcilmente la funcin de probabilidad P
asociada a X .

Variables Aleatorias

Por ejemplo, podemos calcular la probabilidad de que el no de caras

obtenidas en los tres lanzamientos sea igual a 1


P(X = 1) = P {CSS, SCS, SSC } = 3/8

En general, se tiene que

x
P(X = x)

0
1/8

1
3/8

2
3/8

3
1/8

Variables Aleatorias
I

Con cada variable aleatoria X , podemos asociar una funcin llamada

funcin de distribucin acumulada de X .

La funcin de distribucin acumuluda (cdf por sus siglas en ingls)

de una variable aleatoria X , denotada por FX (x), est definida por
FX (x) = P(X x),

La cdf para el ejemplo de las monedas es

0
si < x < 0

1/8
si
0x <1

FX (x) = 1/2 si 1 x < 2

7/8 si 2 x < 3

1
si 3 x <

Variables Aleatorias
I

La grfica de FX (x) nos dice que se trata de una funcin por tramos,
definida para todos los valores x, no solo los que viven es Rec(X ) =
{0, 1, 2, 3}.

A modo de ejemplo, la probabilidad acumulada hasta el valor x = 2.5

viene dada por
FX (2.5) = P(X 2.5) = P(X = 0, 1, o 2) =

7
8

Theorem
La funcin F es una funcin de distribucin acumulada si y solo si se
cumplen las siguientes tres condiciones:
1.

lim F (x) = 0 y lim F (x) = 1.

2. F es una funcin no decreciente de x.

3. F es una funcin continua por la derecha; es decir,
x0 : lim+ F (x) = F (x0 )
xx0

Variables Aleatorias
I

Como ejemplo, consideremos el experimento de lanzar una moneda

hasta que aparezca la primera cara. Sea p la probabilidad de obtener
cara en un lanzamiento cualquiera y definamos la v.a. X como el
nmero de lanzamientos realizados hasta obtener la primera cara.
Luego, la funcin de probabilidad asociada a X es
P(X = x) = p(1 p)x1 ,

x = 1, 2, . . .

Lo anterior pues de deben obtener x 1 sellos antes de obtener la

primera cara.

La cdf asociada es
FX (x) = P(X x) =

x
X
i=1

P(X = i) =

x
X
i=1

p(1 p)i1

Variables Aleatorias
I

De donde obtenemos que

FX (x) = P(X x)
x
X
p(1 p)i1
=
i=1

1 (1 p)x
1 (1 p)
= 1 (1 p)x
=p

La funcin anterior es la cdf de una distribucin llamada distribucin

geomtrica, cuya funcin de probabilidad viene dada por
P(X = x) = p(1 p)x1 ,

para x = 1, 2, . . .

x = 1, 2, . . .

Notemos que las funciones involucradas en el ejemplo anterior son

todas discretas.

Variables Aleatorias

Un ejemplo de cdf continua es la funcin

FX (x) =

1
1 + e x

La funcin anterior corresponde a la cdf de una variable aleatoria que

sigue una distribucin logstica de probabilidades.

Se puede probar fcilmente que la funcin anterior corresponde a una

cdf.

Variables Aleatorias
I

Una variable aleatoria X es continua si FX (x) es una funcin continua

de x. Por su parte, X ser discreta si FX (x) es una funcin discreta
de x.

Se dice que dos variables aleatorias X e Y estn idnticamente distribuidas si poseen la misma distribucin de probabilidades.

Para el experimento de lanzar tres veces una moneda perfecta. Sean

X = no de caras obtenidas e Y = no de sello obtenidos, entonces
X e Y estn idnticamente distribuidas, pero X no es igual a Y .

Theorem
Las siguientes proposiciones son equivalentes:
I

Las v.a. X e Y estn idnticamente distribuidas.

FX (x) = FY (x), para todo x.

PMF y PDF
I

Asociada a cada v.a. X y a su respectiva cdf FX tambin existe otra

funcin: la funcin de masa de probabilidad (pmf por sus siglas en
ingls) o funcin de densidad de probabilidad (pdf por sus siglas
en ingls). Los trminos pmf y pdf se refieren, respectivamente, a
los casos discreto y continuo.

La funcin de masa de probabilidad o pmf de una variable aleatoria

discreta X viene dada por
fX (x) = P(X = x),

Notemos que la pmf nos sirve para calcular probabilidades en el caso

discreto, ya que
I

P(a X b) =

b
X

fX (k)

k=a
I

P(X b) =

b
X
k=k0

fX (k) = FX (b), siendo k0 el primer elemento de Rec(X ).

PMF y PDF
I

La funcin de densidad de probabilidad o pdf de una v.a. continua

X es la funcin fX (x) que satisface la siguiente propiedad
Z x
FX (x) =
fX (t) dt, x

Como fX (x) en este caso es continua, usando el Primer Teorema

Fundamental del Clculo resulta la relacin
d
FX (x) = fX (x)
dx

En el caso continuo no tiene sentido calcular probabilidad puntual

pues P(X = x) = 0 si X es continua. En este caso solo tiene sentido
calcular probabilidades para un intervalo segn la expresin
Z
P(a X b) =

fX (x) dx
a

PMF y PDF
I

De la expresin anterior se desprende que

P(a X b) = FX (b) FX (a)

Notemos que
P(a < X < b) = P(a < X b) = P(a X < b) = P(a X b)

Con todo lo anterior podemos probar que para la distribucin logstica

descrita anteriormente, su funcin de densidad de probabilidad viene
dada por
e x
fX (x) =
(1 + e x )2

PMF y PDF
Theorem
Una funcin fX (x) es una pmf (o una pdf) de una variable aleatoria X si
y solo si:
I

fX (x) 0 para todo x.

X
x

fX (x) = 1 (pmf), o bien

fX (x) dx = 1 (pdf)

La expresin X tiene una distribucin de probabilidad dada por fX (x)

suele abreviarse simblicamente como X fX (x). De igual forma
puede interpretarse X FX (x).

Para indicar que X e Y estn idnticamente distribuidas, suele anotarse X Y .