You are on page 1of 31

Capacitacin en

Variables Aleatorias
Alexis Rojas P.

Objetivos
Concepto de Variable Aleatoria: Soporte y clasificacin.
Variable
aleatoria discreta: funcin de probabilidad y
establecimiento de la relacin con la funcin de distribucin.
Aplicacin e interpretacin grfica de los conceptos de valor
esperado, varianza y desviacin estndar.
Modelo binomial para analizar situaciones o experimentos, cuyos
resultados son dicotmicos: cara o sello, xito o fracaso o bien
cero o uno
Variable aleatoria continua: funcin de densidad de una variable
aleatoria con distribucin normal. Estudio y aplicacin de
elementos bsicos de la distribucin normal, a partir de diversas
situaciones en
contexto tales como: mediciones de peso y
estatura en adolescentes; puntajes de pruebas nacionales e
internacionales; datos meteorolgicos de temperatura o
precipitaciones. Relacin entre la distribucin normal y la
distribucin normal estndar. Aproximacin de la probabilidad
binomial por la probabilidad de la normal, aplicacin al clculo de
experimentos binomiales.

Variable aleatoria discreta

El mismo Doob explicaba el origen del trmino variable aleatoria (random


variable): "Cuando estaba escribiendo mi libro [Stochastic Processes] tuve una
discusin con William Feller. l aseguraba que todo el mundo deca "variable
aleatoria" (random variable), mientras que yo sostena que se usaba "variable al
azar" (chance variable).
Obviamente, debamos usar el mismo nombre en nuestros libros, as que optamos
por tomar la decisin mediante un procedimiento aleatorio: lanzamos una moneda
y l gan".

Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:

X :
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.
La variable aleatoria puede ser discreta o continua.
Nos centraremos en el caso discreto.

Ejemplo de variable aleatoria discreta:

Nmero de caras al lanzar


3 monedas.
Elementos del
espacio muestral

SSS

SSC SCS

CSS

CCS

CSC SCC CCC

Ley de
correspondencia

N reales
(# de caras)

Establecer una variable aleatoria


para un experimento aleatorio no
es ms que una manera de asignar
de "manera natural" nmeros a los
eventos.

X :
w X ( w)

3 caras

Funcin de probabilidad
Voy a pensar un nmero entero del 1 al 100.
Qu numero ser?
Intentaremos representar el estado de incertidumbre
mediante una funcin matemtica: la funcin de
probabilidad.
P

1/100
1 2 3

........

99 100 X

Suponga que un alumno pregunta si es par.


Y respondo que no. Cmo modifica la funcin?
P

1/50
1 2 3

........

99 100 X

Que pasar si el alumno pregunta: Tiene dos cifras el


nmero? o Es un nmero primo?

Funcin de probabilidad o distribucin


Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad o distribucin
de probabilidad asociada a X, de la siguiente forma:

p : [0,1]
x p ( x) P( X x)
La funcin de probabilidad debe cumplir:

(i ) 0 p( x) 1 x
(ii ) p( x) 1
x

(Suma sobre todos los posibles valores


que puede tomar la variable aleatoria).

Funcin de probabilidad
discreta
Valores

S
S
S

Probabilidad

1/4 = 0.25

2/4 = 0.50

1/4 = 0.25

X :
w X ( w)

p : [0,1]
x p ( x) P( X x)

Requerimientos de una
distribucin de probabilidad
X

P(X)

P(X)

P(X)

-1
0
1
2
3

.1
.2
.4
.2
.1
1.0

-1
0
1
2
3

-.1
.3
.4
.3
.1
1.0

-1
0
1
2
3

.1
.3
.4
.3
.1
1.2

0 p( x) 1 para todo x

p( x) 1
x

Observa que aun si el espacio muestral es infinito


numerable, tambin podemos definir una variable
aleatoria discreta y una funcin de probabilidad.
Ejemplo: Sea X = Nmero de lanzamientos de una
moneda antes de que aparezca una cara.
Entonces:
P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 1/2 1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1, 2,

Sea el experimento lanzar dos dados. Definamos


el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como:

con S = {2,3,...,12} la suma de puntos.


Una posible funcin de probabilidad es:

f : [0,1]
f (2) P(X 2 ) P( (1,1) ) 1/ 36
f (3) P(X 3 ) P( (1,2) (2,1) ) 2 / 36
f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36
...

Funcin de probabilidad de la variable aleatoria X


6/36

P
5/36

5/36

4/36

4/36

3/36

3/36

2/36

2/36

1/36

1/36

10

11

12

Observa que cumple las dos condiciones: es siempre


positiva (y menor o igual a 1).

Funcin de distribucin (acumulada)


Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:

F : [0,1]
x F ( x) P( X x)

En nuestro ejemplo de los dos dados:


F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Funcin de distribucin de la variable aleatoria X


F
1,0

0,5

0,028

10 11

12

Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin


de distribucin F(x) de una variable discreta definida
como:
X = Nmero en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6

1
6

F(x)

f(x)

0.5

Funcin de probabilidad f(x)

0 1

Funcin de distribucin F(x)

Algunos problemas de probabilidad estn relacionados


con la probabilidad P(a <X b) de que X asuma algn
valor en un intervalo (a, b]. Observa que:

P(a < X b) = F(b) - F(a)


Para demostrarlo observa que, como los sucesos
X a y a < X b son mutuamente excluyentes, entonces:
F(b) = P(X b) = P(X a) + P(a < X b)
= F(a) + P(a < X b)
En el ejemplo de los dos dados, calcula la probabilidad de
que los dos dados sumen al menos 4 pero no ms de 8:
P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Mtodo de Monte Carlo


Realicemos ahora el siguiente
experimento aleatorio: girar la
ruleta de la imagen y apuntar el
nmero del sector que coincide
con la flecha.

La variable aleatoria X de este experimento asocia cada sector a un


nmero entero, como podemos observar en la imagen. Es una
variable aleatoria discreta. Los resultados posibles son:
{0, 1, 2, 3, 4, 5, 6, 7}. Por simetra podemos establecer una funcin de
probabilidad: la probabilidad de cada resultado es 1/8.

Repitamos un experimento aleatorio semejante, pero ahora con esta


nueva ruleta:
Ahora el espacio muestral est
compuesto por 4 eventos.
Establecemos una nueva
variable aleatoria discreta X' que
asocia cada sector (evento) a los
nmeros: {0, 1, 2, 3}.

Ahora teniendo en cuenta el tamao relativo de los sectores


podemos establecer una funcin de probabilidad, que asocia a cada
uno de los valores de la variable aleatoria
{0, 1, 2, 3} las probabilidades {1/4, 1/2, 1/8, 1/8}, respectivamente
(proporcionales al ngulo del sector).

Cmo simular con el


ordenador la
distribucin de
probabilidad de las
ruletas?

Resultado Funcin de
probabilidad

P. acumulada
(Funcin de
distribucin)

0
1

0.25
0.5

0.25
0.75

2
3

0.125
0.125

0.875
1

Condicin

Resultado

0 g < 0.25
0.25 g < 0.75

0
1

0.75 g < 0.875


0.875 g < 1

2
3

Una vez visto un caso particular, el problema general puede


formularse del siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son
{x0, x1, x2 , ... xn} y sean {p0, p1, p2, ... pn} sus respectivas
probabilidades. Al sortear un nmero aleatorio g, uniformemente
distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se
verifica la siguiente condicin:

i 1

p
j 0

g p j
j 0

21

Esperanza matemtica o media


de una funcin de probabilidad
discreta

E X xi P( X xi ) xi p( xi )
i

P(x)

x P(x)

-1
0
1
2
3

.1
.2
.4
.2
.1

-.1
.0
.4
.4
.3
1.0

Siempre que no genere


ambigedad pasaremos
de arrastrar la variable
aleatoria: en vez de poner
X = xi ponemos
directamente xi.
22

Calcular la esperanza de la variable aleatoria X en


el ejemplo de los dos dados:
12

E ( X ) P (i ) i
i2

1
2
6
1
2 3 ... 7 ... 12 7
36
36
36
36

Propiedades:
(1)
(2)
(3)

E (c) c

E ( X Y ) E ( X ) E (Y )
E(aX b) aE( X ) b

Juegos
A un juego de azar podemos asignarle una variable aleatoria X, cuyos
valores son las ganancias correspondientes a los posibles resultados.
La esperanza matemtica de la variable aleatoria X representa el
beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un nmero elevado de
veces.

Si la esperanza matemtica es 0 se dice que el juego es justo.


Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es favorable.
Sea el juego que consiste en sacar una bola de una urna que contiene 7
bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extrada es roja
y pagamos 150 euros en el caso de que sea negra. Qu podemos esperar
si jugamos muchas veces?

Espacio muestral = {R, N}. Consideramos las ganancias como


positivas y las prdidas negativas:
Variable aleatoria X

Funcin de probabilidad

50

0,7

-150

0,3

50 0,7 (150) 0,3 10


Ganancia media

Marc Kac, en Enigmas of Chance (1985), explica cmo aplicar el concepto


de esperanza a la vida real:
"Una semana, apareci un anuncio del Imperial College of Science and
Technology ofreciendo un puesto de profesor de Matemticas con un salario
de 150 libras anuales; ser ciudadano britnico no era requisito necesario. El
salario era tan escaso que supuse que ningn ciudadano britnico respetable
estara interesado en ese trabajo. Fui a preguntar a Steinhaus si deba o no
optar al puesto. Por entonces no saba ni una palabra de ingls, pero estaba
dispuesto a jurar que mis conocimientos eran los suficientes.
"Djame pensar", me dijo Steinhaus. "Estimara que la probabilidad de que
consigas el trabajo es de una entre mil. Si multiplicas esto por ciento
cincuenta libras, tienes tres chelines. Eso es mucho ms de lo que cuesta
enviar la carta, as que deberas hacerlo". Lo hice, pero el trabajo fue al
final para un ciudadano britnico (despus de todo, s que haba alguno
interesado).

Varianza y desviacin estndar o


tpica de una funcin de
probabilidad discreta
Varianza

Var ( X ) E (( X ) )
2

(x )
i

P( X xi )

Desviacin estndar
o tpica

Var (X )

Ambas miden la dispersin de los datos. Observa que la desviacin


tpica lo hace con las mismas unidades que los propios datos.

Ejemplo
X

P(X)

-1
0
1
2
3

.1
.2
.4
.2
.1

-2
-1
0
1
2

( X ) ( X ) P( X )
2

4
1
0
1
4

( xi ) P( xi ) 1,2
2

Var ( X ) 1.10

.4
.2
.0
.2
.4
1.2

Calcula la varianza y desviacin tpica de la variable


aleatoria X en el ejemplo de los dos dados:
12

Var ( X ) P (i ) (i 7 )
2

i2

1
2
1
2
2
( 2 7 ) (3 7 ) ... (12 7 ) 2 5,83
36
36
36

Var ( X ) 5,83 2,41

Algunas propiedades de la
varianza

Var ( X ) E ( X ) ( E ( X ))
2

Var (cX ) c Var ( X )


Var ( X a ) Var ( X )
2

Var (aX b) a Var ( X )


2

You might also like