Professional Documents
Culture Documents
USFXCH
Docente: Marco A. Sánchez L
VARIABLES ALEATORIAS
TEMA #2
VARIABLES ALEATORIAS.
Para conceptualizar lo que son las variables aleatorias
consideremos el experimento :”Lanzar una monedad tres
veces”
={ccc, ccs, csc, css, scc, scs, ssc, sss}
Establezcamos un interés común que lo que nos interesa
en este espacio muestral es clasificarlo en función al
numero de caras que se obtuvieron en los tres tiros y
tendríamos:
x3
x2
RX
x1
VARIABLES ALEATORIAS
El dominio de la variable aleatoria X es y el rango es un
subconjunto de R que lo denotaremos por “RX”.
Rigurosamente al hablar de la función asociamos a ella el
conjunto de partida y el conjunto de llegada, mas en nuestro
caso vamos a trabajar siempre con como dominio que a
su vez lo vamos a tomar como conjunto de partida.
El rango RX de la variable aleatoria X, esta dado por el
siguiente conjunto de números reales:
RX={xR/ X(w)=x, w}=X()
Cuando hubiera cierta duda sobre el rango de una variable
aleatoria vamos a tomar como R, o un conjunto que
razonablemente contenga a RX
VARIABLES ALEATORIAS
El caso mencionado se puede presentar si consideramos
como espacio muestral las estaturas de los alumnos de
economía y los registramos en función a lo que midan,
entonces existe una duda sobre el rango que seria un
subconjunto de los números R y que estimativamente
puede ser de {50cm a 3 metros} que son topes normales
para la raza humana.
Ejemplo: Sea X una variable aleatoria que se considera
como el beneficio de un jugador , en un juego en el que se
tira un dado y el jugador gana Bs.100, si salen los
números 1 o 3, no gana ni pierde si salen los números 2 o
5 y pierde Bs 100 si salen los números 4 o 6.
VARIABLES ALEATORIAS
El dominio de X es ={1,2,3,4,5,6}
Las imágenes de X son:
X(1)=X(3)=100; X(2)=X(5)=0; X(4)=X(6)=-100
Luego el rango de X será: RX={-100,0,100}
EVENTOS EQUIVALENTES
Sea el espacio muestral asociado a un experimento aleatorio
, y X una variable aleatoria con rango RX definida sobre . Un
evento A en y un evento EX en RX se dice que son eventos
equivalentes si:
A={w / X(w)EX}
La figura siguiente ilustra el concepto.
VARIABLES ALEATORIAS
RX
A EX
X
w X(w)
x x1 x2 x3 . .
p(x)=P[X=x] p(x1) p(x2) p(x3) … …
FUNCIONES DE PROBABILIDAD Y DE DISTRIBUCIÓN.
GRÁFICAS.
X(ccc)=3
X(ccs)=X(csc)=X(scc)=1
X(css)=X(scs)=X(ssc)=-1
X(sss)=-3
De donde sabemos que el rango de X(w) o sea
RX={-3,-1,1,3}
TERCER PASO: Se calcula la distribución de
probabilidad calculando p(x) para cada x RX
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
P(3)=P[X=3]=P[ccc]= 1/8
P(1)=P[X=1]=P[ccs]+P[csc]+P[scc]= 3/8
P(-1)=P[X=-1]=P[css]+P[ssc]+P[scs]= 3/8
P(-3)=P[X=-3]=P[sss]= 1/8
CUARTO PASO Elaborando la tabla tendríamos
x 3 1 -1 -3
p(x) 1/8 3/8 3/8 1/8
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
p(x)
0,38 0,38
0,40
0,35
Valor asignado por la
0,30
probabilidad
0,25
0,20
0,13 0,13
0,15
0,10
0,05
0,00
-4 -3 -2 -1 0 1 2 3 4
Valores en R
X 0 1 2 3 Total
p(x) 0,17 0,50 0,30 0,03 1,00
p(x)
0,60
0,50
0,50
0,40
0,30
0,30
p(x)
0,20 0,17
0,10 0,03
-
0 1 2 3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
En general la función de probabilidad de X es:
3 1
×
𝑥 4−𝑥
𝑝 𝑥 =𝑃 𝑋=𝑥 = 10 , x=0,1,2,3,
4
Es claro que
1. p(x)>0 , y xRX
5 15 9 1
2. 𝑥∈𝑅𝑋 𝑝 𝑥 = + + + =1
30 30 30 30
Observaciones
1.Es importante darse cuenta que f(x) no representa
la probabilidad de algo y que solamente cuando la
función se integra entre 2 puntos produce una
probabilidad.
2.Una consecuencia de la definición de probabilidad
de un evento (ecuación), es que para cualquier
valor especifico de X, digamos x0, P[X=x0]= 0,
puesto que:
𝑥𝑜
P[X=x0]=P[x0<X≤x0]= `𝑥0
𝑓 𝑥 𝑑𝑥 = 0
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
a) Hallar el coeficiente a
b) Construir la grafica de la función de densidad
de probabilidad
c) Calcular la probabilidad que x se encuentre en
el intervalo [1,2]
d) Hallar la probabilidad que X se encuentre en
el intervalo <-1,3/2>
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
2 2 6 2 2 2 2 2
y= 3𝑥 − 𝑥 = 𝑥 − 𝑥 = 𝑥− 𝑥
9 9 9 3 9
2 2 2
y= 𝑥 − 𝑥
3 9
0,60
0,50
Función de x f(x)
0,40
0,30
0,20
0,10
-
- 1 2 3 4
Valores del RX
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
0,8
0,6
0,4
0,2
0
-2 -1 0 1 2 3 4
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION
Determinar:
a)El rango de la variable aleatoria Y=X2
b)La función de probabilidad de la variable aleatoria Y=X2
c)Lo mismo que a) y b) para la variable aleatoria Y=3X-1
FUNCIÓN DE UNA VARIABLE ALEATORIA
py(-4)=P[Y=-4]=P[X=-1]=p(-1)=1/8
py(-1)=P[Y=-1]=P[X=0]=p(0)=3/8
py(2)=P[Y=2]=P[X=1]=p(1)=3/8
py(5)=P[Y=5]=P[X=2]=p(2)=1/8
Luego la distribución de probabilidad esta dada
en la tabla:
y -4 -1 2 5
Py(y) 1/8 3/8 3/8 1/8
FUNCIÓN DE UNA VARIABLE ALEATORIA
w. x=X(w) y=H(x)
FUNCIÓN DE UNA VARIABLE ALEATORIA
FUNCIONES CONTINUAS DE UNA VARIABLE
ALEATORIA CONTINUA
Teorema: Sea X una variable aleatoria continua con
función de densidad f que satisface f(x)>0, para
a<X<b e Y=H(X), es una función continua de x,
estrictamente creciente o decreciente, entonces la
variable aleatoria Y=H(X) tiene una función de
densidad “g” dada por:
𝑑𝑥
g(y)=f(x)
𝑑𝑦
FUNCIÓN DE UNA VARIABLE ALEATORIA
EJEMPLO: Suponiendo que X es una variable
aleatoria con función de densidad:
𝑥
,0 ≤ 𝑥 ≤ 2 5
f(x)= 10
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Si Y=H(X)=2X+6 calcular la función de densidad de g
de Y.
El procedimiento de solución seria:
𝑦−6
1) G(y)=P[Y≤y]=P[2X+6 ≤y]=P[X≤ ]
2
FUNCIÓN DE UNA VARIABLE ALEATORIA
𝑦−6 𝑦−6
𝑥 𝑥2 1
= 0
2 𝑑𝑥 = 2 = 𝑦 2 − 12𝑦 + 36
10 20 80
0
𝑦−6
Donde los eventos Y≤y) en RY y [X≤( )]en RX son
2
equivalentes.
𝑑 𝑦 3
2) g(y)= 𝐺 𝑦 = −
𝑑𝑦 40 20
3) 0≤x≤2 5entonces 6≤2x+6≤4 5 + 6
o 6 ≤ y ≤4 5 + 6por lo tanto la función de densidad
de y es:
FUNCIÓN DE UNA VARIABLE ALEATORIA
𝑦 3
− ,6 ≤ 𝑦 ≤ 4 5 + 6
g(y)= 40 20
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
3 2𝑥 3 2𝑥4
= − = 0,99
4 3 04
Entonces la E(X)=0,9999=1
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
Siempre que 𝑅𝑋
𝐻 𝑥 𝑓(𝑥) < ∞
Es posible que si X es continua, H(X) puede ser
discreta o continua, en este caso restringiremos H a
que Y=H(X) sea una variable aleatoria continua.
PROPIEDADES DE LA ESPERANZA MATEMATICA
TEOREMA 2
Si X es una variable aleatoria , a y b constantes.
Entonces:
(i) E(a)= a,
(ii) E[aH(X)]=aE[H(X)]
(iii) E[aH(X)+bG(X)]=aE[H(X)]+bE[G(X)]
TEOREMA 3
Sea X una variable aleatoria y si a y b son
constantes entonces:
E[aX±b]=aE(X)±b
PROPIEDADES DE LA ESPERANZA MATEMATICA
TEOREMA 4
Sea X1,X2,..Xn, n variables aleatorias y ai(i=1,2,3,..n)
constantes, entonces:
E[a0+ 𝑛𝑖=1 𝑎𝑖 𝑋𝑖 ] = a0+ 𝑛𝑖=1 𝑎𝑖 𝐸(𝑋𝑖 )
Consecuencia del teorema 4:
E[aX+bY]=aE(X)+bE(Y)
EJEMPLO 1: Sea X una variable aleatoria cuya
distribución de probabilidad esta dada por:
PROPIEDADES DE LA ESPERANZA MATEMATICA
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
3
b) E(4X-2)=4E(X)-2=4× − 2 = 6 − 2 = 4
2
c)Primero calculemos E(X2) por la formula del
teorema 1 se obtiene:
1 2 3 2 3 2 1 24
E(X )=0 ×
2 2 +1 × +2 × + 3 × = =3
8 8 8 8 8
E(2X2+3)=2E(X2)+3=2x3+3=9
3
d) E(4X +X+3)=4E(X )+E(X)+3=4x3+ +3=16,5
2 2
2
PROPIEDADES DE LA ESPERANZA MATEMATICA
= + 2
Note que la unidad de es la misma que de la
variable aleatoria y un valor pequeño de la
desviación típica poca dispersión mientras que
un valor grande indica gran dispersión.
EJEMPLO 1
La variable aleatoria X tiene la siguiente función
de distribución:
MOMENTOS DE UNA DISTRIBUCIÓN
0 , 𝑥<0
1
, 0≤𝑥<1
8
1
F 𝑥 = 2
, 1≤𝑥<2
5
, 2≤𝑥<3
8
1 , 𝑥>3
Calcular la varianza y desviación típica de la
variable aleatoria.
MOMENTOS DE UNA DISTRIBUCIÓN