Professional Documents
Culture Documents
Capítulo 6
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
Reales
RX x = X(w)
Fig. 6.1
El dominio de la variable aleatoria X es el espacio muestral y el rango es un
subconjunto de los números reales que denotaremos por RX, siendo,
203 Estadística
R X {x / x X ( w), w } .
EJEMPLO 6.1.
Sea el espacio muestral que se obtiene al lanzar al aire una moneda tres
veces consecutivas, esto es,
{SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.
Si X se define en como "el número de caras obtenidas", entonces, X es una
variable aleatoria cuyo rango es el conjunto: R X {0,1,2,3}. En efecto,
EJEMPLO 6.2.
Sea , el espacio muestral que resulta de lanzar un dado sucesivamente veces
hasta obtener el primer dos, esto es, .
{E, FE, FFE, FFFE,...etc...}
donde E(éxito)“sale dos”, y F(fracaso)"No sale dos" , en cada prueba. La
función Y definida en , como "el número de lanzamientos realizados", es una
variable aleatoria, cuyo rango es el conjunto: RY {1,2,,etc..}. Esta variable
ejecuta las siguientes asignaciones:
Y(E) = 1, Y(FE) = 2, Y(FFE) = 3,... etc..
En algunos casos el resultado w de un experimento aleatorio es ya la
característica numérica que queremos anotar, en este caso se define la variable
aleatoria X como la función identidad, esto es, X(w) = w.
EJEMPLO 6.3.
Sea el espacio muestral que consiste del tiempo de duración de un artefacto
electrodoméstico obtenido al azar de un lote, entonces,
{w / w 0} . Si la variable aleatoria X se define también como el
tiempo de duración del artefacto, entonces X es la función identidad cuyo rango es
el conjunto:
R X {x / x 0}.
Distribuciones de probabilidad 204
NOTA. La variable aleatoria es pues, una función que atribuye a cada evento
elemental un número que no es aleatorio o imprevisible si no fijo y
predeterminado.
Lo que es aleatorio es el experimento sobre cuyo espacio muestral se define la
variable aleatoria.
Esta función puede estar definida por una ley o regla o por un conjunto de
números reales atribuidos mediante dicha ley o regla.
En la mayoría de las aplicaciones, se está más interesado en los valores que
toma la variable, ignorando completamente el espacio muestral en el que se define.
El rango de la variable aleatoria es un espacio muestral inducido por la variable.
Clasificación.
Las variables aleatorias se clasifican en general en discretas y continuas.
Una variable aleatoria discreta es aquella cuyo rango es un conjunto finito o
infinito numerable de valores (ejemplos 6.1 y 6.2).
Si la variable aleatoria X es discreta, su rango se expresará en general por:
R X {x1 , x 2 ,...., x n ,...} .
PX ({x i }) P({w / X ( w) x i }) ,
o PX ({x i }) P ( A) , donde, A {w / X ( w) B} .
P[ X x i ] P({w / X ( w) x i }) .
Por ejemplo, si la variable aleatoria X es el número de caras que resultan al
tirar una moneda 3 veces, el rango de X es R X {0,1,2,3}, entonces,
PX ( B ) P ( A)
X
A
RX
B
P
PX
P(A) = PX (B)
Fig. 6.2
NOTAS.
1. El conjunto de pares ( x i , P[ X x i ]) es la distribución de
probabilidades de la variable aleatoria X .
Esta distribución es similar a una distribución de frecuencias relativas,
por tanto, se pueden calcular, por ejemplo, medidas de tendencia central y de
dispersión mediante un proceso similar al que se hizo con la distribución de
frecuencias relativas.
Sólo habrá que cambiar las notaciones por tratarse ahora de una población.
2. Las probabilidades p i P[ X x i ] , xi RX satisfacen las propiedades:
a) p i 0, para cada x i R X , b) p
xi R X
i 1.
P[ X x ] P () 0
i) f ( x) 0 x , y ii) f (x ) 1
xi R X
i
La condición ii)
n
Es: f ( x ) 1 , si R X
i 1
i {x1 , x 2 ,..., x n } es finito.
Es : f (x
i 1
i ) 1, si R X {x1 , x 2 ,..., etc.} es infinito,
NOTAS.
1. Si A R X , entonces, la probabilidad de A es el número:
P ( A) P[ X x ] f ( x ).
xi A
i
xi A
i
Probabilidad p i P[ X x i ] p1 p2 p3 ... pn
La gráfica de una distribución de probabilidades discreta es la gráfica de
bastones que consiste de segmentos verticales continuos o punteados de
longitud proporcional a la probabilidad respectiva en cada valor x i de la
variable (figura. 6.3).
EJEMPLO 6.4.
Distribuciones de probabilidad 208
f (4) P[ X 4] P(CCCC ) 1 16
Observar que si k R X , entonces, X k , si y sólo si, en las 4 tiradas de la
moneda aparecen k caras y 4 k sellos. Esto ocurre de C 4 formas. Cada una
k
de esas formas tiene probabilidad:
(1 2) k (1 2) 4 k (1 2) 4 1 16
C k4
f (k ) , k = 0, 1, 2, 3, 4 .
16
Cuya gráfica es la figura 6.3.
2
4 6 10
b) P[0 X 2] f (k ) f (1) f (2) 16 16 16
k 1
C xn
c) f ( x) C nx (1 2) x (1 2) n x , x 0,1,2,...,n
2n
209 Estadística
6/16 ^ f(x)
4/16
1/16
>X
0 1 2 3 4
Figura 6.3
xi f ( xi )
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Tabla 6.2
F ( x) P[ X x] P[ X k ] f (k ),
kx kx
para x
Distribuciones de probabilidad 210
EJEMPLO 6.5.
Sea X la variable aleatoria definida como el número de caras que resultan al
lanzar una moneda 4 veces.
a) Hallar la función de distribución F(x) de la variable aleatoria X y graficarla.
b) Usando F(x), calcular P[0 X 2] .
SOLUCION.
a) La función de probabilidades f(x) de la variable aleatoria X está descrita en el
ejemplo 6.4, por:
f (0) 1 16 , f (1) 4 16 , f ( 2) 6 16 , f (3) 4 16 y f ( 4) 1 16 .
F ( 2) f (0) f (1) f ( 2) 1 16 4 16 6 16 11 16
Por tanto,
0, x<0
1 16 , 0 x <1
5 16 ,
1 x < 2
F ( x)
11 16 , 2 x<3
15 16 , 3 x < 4
1,
x4
b)
11 1 10
P[0 X 2] P[ X 2] P[ X 0] F (2) F (0)
16 16 16
NOTA. En general si X tiene rango finito R X {x1 , x 2 ,..., x n } , y función de
probabilidad f ( x i ) , la función de distribución acumulada de X es:
0, < x < x1
F ( x)
1,
f ( xi ), xi x < xi +1 , i 1,2,...n 1
x n x
EJEMPLO 6.6.
Un lote de 10 artículos contiene 4 defectuosos. Si se obtiene una muestra al azar
de cinco artículos, determine la distribución de probabilidades del número de
artículos defectuosos en la muestra, si se escogen
a) Los cinco a la vez
b) Uno por uno con reposición
SOLUCION.
Sea X el número de artículos defectuosos en la muestra de cinco.
a) Si se escogen los 5 a la vez, el rango de X es el conjunto R X {0,1,2,3,4} .
Si k R X , el evento X k significa que de los 5 escogidos a la vez, k son
defectuosos y 5 k son no defectuosos y esto ocurre de C k4 C 56 k . Por otro
lado, se escogen 5 artículos a la vez de 10, de C 510 formas. Entonces, la función
de probabilidad f(x) de X es
C k4 C 56 k
f ( x) P[ X k ] , k 0,1,2,3,4.
C 510
El lector debería verificar que la suma de probabilidades es igual a 1.
Distribuciones de probabilidad 212
f ( x ) P[ X k ] C k5 p k q 5 k , k 0,1,2,3,4,5.
donde p 4 / 10 y q 6 / 10.
El lector debe verificar que la suma de probabilidades es igual a 1.
EJEMPLO 6.7.
Una urna contiene 3 fichas de color rojo y una de color azul. Un experimento
aleatorio consiste en extraer fichas al azar de la urna uno a uno sucesivamente.
a) Determinar la distribución de probabilidades del número de intentos que se
realizan hasta que aparezca la primera ficha azul.
a1) sin reposición, a2) con reposición.
b) Si dos personas A y B juegan sacando alternativamente una ficha con reposición
de la urna y si gana el que obtiene la primera ficha azul, ¿cuál es la probabilidad
de que A gane el juego si el juega primero?.
SOLUCION.
a) Sea X la variable aleatoria que denota el número de intentos hasta que ocurra la
primera ficha azul.
a1) Si la extracción es sin reposición, el rango de X es el conjunto
R X {1,2,3,4} . Entonces,
1
f (1) P[ X 1]
4
3 1 1
f ( 2) P[ X 2]
4 3 4
3 2 1 1
f (3) P[ X 3]
4 3 2 4
3 2 1 1 1
f (4) P[ X 4]
4 3 2 1 4
213 Estadística
f (k ) 1
k 1
1 3 3 3
k 1 2 3
1 3 14
f (k )
4
4
k 1
1 ...
4 4 4 4 1 (3 4)
1
k 1
b) Si A sale primero, entonces, juega las veces impares. Luego,
P[A gane el juego] = P[X 1 ó X 3 ó X 5 ó X 7, etc..]
2 4 6
1 1 3 1 3 1 3
...
4 4 4 4 4 4 4
1
2 3
9 9 9
1 ...
4 16 16 16
1 1 4
P[A gane el juego] .
4 1 (9 16) 7
EJEMPLO 6.8.
En el ejemplo 6.7 determinar la distribución de probabilidades del número de
intentos hasta que ocurra la segunda roja
a) Una por una sin reposición.
Distribuciones de probabilidad 214
donde p 3 / 4, q 1 / 4 .
EJEMPLO 6.9.
En el ejemplo 6.7 si X es la variable aleatoria definida como el número de
intentos que se realizan con reposición hasta que ocurra la primera ficha azul
a) Hallar la función de distribución acumulada F(x) de X.
b) Utilizando F(x) calcular P[ 2 X 20] .
SOLUCION.
a) La función de distribución acumulada F(x) de X está dada por la expresión:
x t 1 x
1 3 3
Observar que : 4 4
t 1
1
4
2 20
3 3
b) P[ 2 X 20] F ( 20) F ( 2) 0.559
4 4
EJEMPLO 6.10.
Determinar el valor de la constante c para que la función f(x) definida por:
c3 x
f ( x ) P[ X x] , x 0,1,2,...etc...
x!
sea función de probabilidad de la variable aleatoria X, cuyos valores posibles son: 0,
1, 2,...,etc.. Hallar, además, la función de distribución acumulada de X y calcular
P[ X 3] .
SOLUCION.
Cada probabilidad f(x) debe ser mayor o igual que cero. Además, la suma de
todas las probabilidades debe ser igual a uno.
zk
Para encontrar la constante c utilizaremos la suma:
k 0
k!
ez.
c3 x 3x
Luego,
x 0
x!
c
x 0 x!
ce 3 1 , de donde resulta
c e 3 .
e 3 3 x
Entonces, f ( x) , x 0,1,2,...etc...
x!
La función de distribución acumulada F(x) de esta variable aleatoria es:
1 e 3 3e 3 4.5e 3 1 0.42319 0.57681
EJEMPLO 6.11
Un inversionista puede participar en un negocio 4 veces y de manera
independiente. Cada vez que participa gana o pierde $5000 con la misma
probabilidad. La persona comienza con $10000 y dejará de participar en el negocio
si pierde todo su dinero o gana $15000 (o sea si termina con $25000). Hallar la
función de probabilidad de la utilidad del inversionista
SOLUCION
Sean: U la variable que representa la utilidad.
P pierde con probabilidad 1/2
G pierde con probabilidad 1/2
Entonces, los valores de U (montos finales menos capital) son:
10,000, en los casos: PP o PGPP o GPPP con probabilidad6/16
0, en los casos: PGPG o PGGP o GPPG o GPGP o GGPP
con probabilidad 5/16
10,000, en los casos: GGPG o GPGG o PGGG con probabilidad3/16
15,000, en los casos: GGG con probabilidad2/16
iii) P ( A) P[ x A] A
f ( x ) dx , para cualquier intervalo A