VARIABLE ALEATORIA

Ing. Maricela Jimnez Garca

1
Definicin:

Una variable aleatoria es una descripcin

numrica del resultado de un experimento

Tipos:
Variable aleatoria Discreta
Variable aleatoria Continua

2
Ejemplos variable aleatoria discreta

Experimento Variable aleatoria Valores posibles V.A

Llamar a cinco clientes Cantidad de clientes 0, 1,2,3,4,5

Inspeccionar un Cantidad de chips 0,1,2,.,40

embarque de 40 chips defectuosos

Funcionamiento de un Cantidad de clientes 0,1,2,3.

restaurante durante un da

Vender un automvil Sexo Cliente 0 si es hombre y 1 si es

mujer

3
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de un Tiempo en minuto, entre X>=0

banco llegadas de clientes
Llenar una lata de bebida Cantidad de onzas 0<=x<=12.1
(mx =12.1 onzas)

Proyecto para construir un Porcentaje de terminado 0<=x<=100

biblioteca del proyecto

Ensayar un nuevo Temperatura cuando se 150<=x<=212

proceso qumico lleva a cabo la reaccin
deseada (min 150 F; mx
212F)

4
 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 :E
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.

Veremos en este captulo el caso discreto.
5
 Funcin de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una funcin 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) p( x) 0 x (Suma sobre todos los posibles valores

(ii ) p( x) 1
que puede tomar la variable aleatoria).

6
 Funcin de probabilidad discreta

Valores Probabilidad

Z 0 1/4 = 0.25

1 2/4 = 0.50
Z
2 1/4 = 0.25

Z Z

7
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
... 8
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

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre positiva y est normalizada.

9
 Funcin de distribucin
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

10
Funcin de distribucin de la variable aleatoria X

F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
11
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 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x

Funcin de probabilidad f(x) Funcin de distribucin F(x)

12
Algunos problemas de probabilidad estn relacionados con la
probabilidad P(a <X b) de que X asuma algn valor en un
intervalo. Observa que:

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

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

13
Algunas propiedades de la funcin de distribucin

F () lim F ( x) lim P( X x) P( E ) 1
x x

F () lim F ( x) lim P( X x) P() 0

x x

P( x1 X x2 ) F ( x2 ) F ( x1 )
F es montona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la funcin de distribucin
en ese punto.

14
Esperanza matemtica o media
de un distribucin discreta

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

X P(X) X P(X)
-1 .1 -.1
0 .2 .0
1 .4 .4
2 .2 .4
3 .1 .3
1.0

15
 Calcular la esperanza de la variable aleatoria X
en el ejemplo de los dos dados:
12
E ( X ) P(i) i
i 2

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

16
 Varianza y desviacin estndar o tpica de una
distribucin discreta
Varianza

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

(x )
i
i
2
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.
17
Ejemplo

X ( X ) ( X ) P( X )
2 2
X P(X)

-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2
2 ( xi ) 2 P( xi ) 1,2
i

Var( X ) 1.10
18
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
i 2

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

36 36 36

Var( X ) 5,83 2,41

19
Algunas propiedades de la varianza

Var ( X ) ( xi ) p( xi )
2 2

(x 2xi ) p( xi )
2 2
i
i

x p( xi ) 2 xi p( xi )
2 2
i
i i

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

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

20
 Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso q = 1 - p,
podemos construir una funcin de probabilidad:
x 1 x
P( X x ) p q x 0,1
Evidentemente:
1

P( X x) P( X 0) P( X 1) p q 1
x 0
21
 Ejercicio: Calcular la esperanza y la varianza de la
distribucin de Bernoulli.
1
E[ X ] x P( X x)
x 0

0 P( X 0) 1 P( X 1) p
1
Var ( X ) E[ X ] ( E[ X ]) x P( X x) p
2 2 2 2

x 0

0 P( X 0) 1 P( X 1) p
2 2 2

p p p (1 p ) pq
2

22
Distribucin Binomial de
Probabilidad

23
Definicin

La distribucin binomial de probabilidad es

una distribucin discreta de probabilidad que
tiene muchas aplicaciones. Se relaciona con
una experimento de etapas mltiples que
llamamos binomial.

24
Experimento Binomial (Propiedades)
El experimento consiste en una sucesin de n
intentos o ensayos idnticos.
En cada intento o ensayo son posibles dos
resultados. A uno lo llamaremos xito y al otro
fracaso.
La probabilidad de un xito, se representa por p y
no cambia de un intento o ensayo. Por lo tanto la
probabilidad de un fracaso se representa por (1-p),
que tampoco cambia de un intento a otro.
Los intentos o ensayos son independientes.

25
DIAGRAMA DE UN EXPERIMENTO
BINOMIAL CON OCHO INTENTOS

Propiedad 1: El experimento consiste en n=8 intentos idnticos de lanzar una

moneda.
Propiedad 2: Cada intento da como resultado un xito (S) o un fracaso (F).

Intentos 1 2 3 4 5 6 7 8
Resultados S F F S S F S S

26
 Distribucin binomial
La distribucin binomial aparece cuando estamos interesados
en el nmero de veces que un suceso A ocurre (xitos) en n
intentos independientes de un experimento.

P. ej.: nmero de caras en n lanzamientos

de una moneda.
Si A tiene probabilidad p (probabilidad de xito) en un intento,
entonces q = 1-p es la probabilidad de que A no ocurra
(probabilidad de fracaso).

En nuestro ejemplo de la moneda, p = 0.5 es la

probabilidad de que salga cara y q = 1-p =1 - 0.5 = 0.5
es la probabilidad de que no salga cara.
27
 Supongamos que el experimento consta de n intentos y
definamos la variable aleatoria:

X = Nmero de veces que ocurre A.

En nuestro ejemplo: X = Nmero de veces que sale cara.

Entonces X puede tomar los valores 0, 1, 2, ... n.

Si consideramos uno de estos valores, digamos el valor x , i.e. en

x de los n intentos ocurre A y en n-x no. Entonces la probabilidad
de cada posible ordenacin es pxqn-x y existen x idnticas
k
ordenaciones.

28
La distribucin de probabilidad P(X = k) ser:

n x n x n! n x
B(n, p) p( x) p (1 p) p (1 p)
x

x x!(n x)!

Distribucin binomial para n = 5 y

distintos valores de p, B(5, p)

29
Ejercicio:
Supongamos que la probabilidad de encontrar una estrella
de masa m* >10 M en un cmulo estelar joven es del 4%.
Cul es la probabilidad de que en una muestra escogida al
azar, entre 10 miembros del cmulo encontremos 3 estrellas
con m* >10 M?
n x
p(x) p ( 1 p)n x
x
p 0.04; n 10; x 3
10
p( 3 ) ( 0.04 ) ( 1-0.04 ) 0.043 0.967 0.006
3 10- 3

30
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.

n k nk
P(k ) p q (k 0,1,....n)
k
p = 1/6, q = 5/6, n = 4

Al menos dos seises, implica que nos valen k = 2, 3, 4.

P(2) + P(3) + P (4)

4 1 5 4 1 5 4 1
2 2 3 4

2 6 6 3 6 6 4 6
1 171
4 (6 25 4 5 1) 0.132
6 1296
31
 Caractersticas de la distribucin binomial
Media
P(X) n = 5 p = 0.1
= E(X) = n p .6
.4
= 5 0.1 = 0.5 .2
0 X
= 5 0.5 = 0.25 0 1 2 3 4 5

Desviacin estndar
P(X) n = 5 p = 0.5
np(1 p) .6
.4

5 0.1 (1 0.1) 0.67

.2
0 X

5 0.5 (1 0.5) 1.1

0 1 2 3 4 5

32
 Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea y np (la
media de la distribucin binomial) es finito y tiende a entonces
la distribucin binomial converge a la distribucin de Poisson:

e k
p ( x) , x 0,1,2,... 0
x!

Observa que si p es pequea, el xito es un suceso raro.

33
 Caractersticas de la distribucin de Poisson

Media P(X) = 0.5

E (X ) .6
.4
.2
0 X
Desviacin estndar 0 1 2 3 4 5

P(X) = 6
.6
.4
Nota: el mximo de la distribucin .2
se encuentra en x 0 X
0 2 4 6 8 10

34
La distribucin de Poisson se obtiene como aproximacin de
una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un
nico parmetro (que es a su vez su media y varianza).

n p =

Distribucin de Poisson para varios valores de .

35
 Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, cul es la probabilidad de que en un lote de 100
televisores contenga ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
99 99 1 99 1
100 99 98 2
100 100 100
P( A )
c

0 100 1 100 100 2 100 100
0.9206 n x n x
p( x) p q ( x 0,1,....n)
x

El suceso complementario Ac: No ms de 2 televisores

defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
1 x
P( A ) e (1 1 12 ) 0.9197
c
p ( x)
x!
e ( x 0,1,....)
36
Un proceso poissoniano es aqul compuesto de eventos
discretos que son independientes en el espacio y/o en el
tiempo. Por ejemplo la llegada de fotones a un detector.
Si el nmero de eventos esperados, el nmero medio de
eventos en un intervalo de extensin h es m. Por
ejemplo el detector nos informa de la llegada en
promedio de 20 fotones fotones cada 5 segundos.
Entonces = h/ m, ser la tasa de eventos por unidad
de h. En nuestro caso 4 fotones por segundo.
La probabilidad de que ocurran x eventos en el intervalo
h vendr dada por la distribucin de Poisson. En nuestro
ejemplo la probabilidad de que lleguen x fotones en 5
segundos.

37
La seal promedio recibida en un telescopio de una fuente
celeste es de 10 fotones por segundo. Calcular la probabilidad
de recibir 7 fotones en un segundo dado.

Una distribucin de Poisson x

p ( x) e ( x 0,1,....)
con = 10. x!

P(7) = 107 e10 / 7! = 0.09, es decir 9%

Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(10)=1010 x e10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos
dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
38
Si en promedio, entran 2 coches por minuto en un garaje, cul
es la probabilidad de que durante un minuto entren 4 o ms
coches?

Si asumimos que un minuto puede dividirse en muchos

intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p que para
un intervalo pequeo ser tambin pequeo podemos
aproximar la distribucin a una Poisson con = np = 2.

El suceso complementario entran 3 coches o menos tiene

probabilidad:
2 20
P( A ) p(0) p(1) p(2) p(3) e (
c
0!
21
1! 22
2! ) 0.857
23
3!

y la respuesta es 1 0.857 = 0.143 x

p ( x) e ( x 0,1,....)
x! 39