Sunteți pe pagina 1din 13

4.

1 VARIABLES ALEATORIAS DISCRETAS


Definicin Se dice que una variable aleatoria es discreta si toma un numero finito o a
lo ms numerable de valores:

En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el

conjunto de los valores posibles de que asocia la probabilidad al

singleton .
En la prctica el conjunto de los valores que puede tomar es o una parte de .

Determinar la ley de una variable aleatoria discreta es:


1. Determinar el conjunto de los valores que puede tomar .

2. Calcular para cada uno de estos valores .


3.
Punto de vista frecuentista.
Recordemos que el nico sentido prctico que le podemos dar a la idea de probabilidad
es el de un lmite de frecuencias experimentales. Este es tambin el sentido que hay
que dar a la nocin de ley discreta.Repetimos veces, en forma independiente, el
experimento aleatorio del cual como resultado medimos . Se obtiene as una -

tupla de variables aleatorias independientes de misma ley que


(esto se llama una muestra). A partir de esta -tupla podemos calcular las frecuencias

experimentales de los eventos `` '' :

Segn la Ley de los Grandes


Nmeros, esta frecuencia debe

converger a . Para
todo las frecuencias

experimentales definen una ley de probabilidad discreta sobre el

conjunto de los .
Usualmente se representa a las leyes discretas por diagramas de barras : Se dibuja

encima de la abscisa un segmento vertical de altura igual a .


Las leyes discretas ms comunes son las siguientes.
Ley uniforme.
La ley uniforme definida sobre un conjunto finito es la ley de ``sorteos al azar'' en este

conjunto o equiprobabilidad. Ella asigna la misma probabilidad a todos los


elementos del conjunto, si el cardinal del conjunto es .
Ley de Bernoulli.
Las variables aleatorias discretas ms simples son las indicatrices de eventos. Si es

un evento de probabilidad , la variable aleatoria toma el valor si se realiza y

0 si no. Su ley es la ley de Bernoulli de parmetro .

Los otros dos ejemplos bsicos son la ley binomial y la ley geomtrica.
Ley binomial.
Se repite el mismo experimento veces en forma independiente y se cuenta el
nmero de veces que se produce el evento . Se considerar la repeticin de los
experimentos como un nuevo experimento global. Como solamente nos interesa el
evento , bastar guardar de la experiencia global una -tupla booleana del tipo:

la cual ser ms fcil de transformar en una -tupla de 0 y . Denotemos:

el nmero de veces en que se realiza a lo largo de


los experimentos.

Si

denota la probabilidad del evento , la variable aleatoria sigue una ley de

Bernoulli de parmetro . La variable aleatoria toma sus valores en el

conjunto . Para determinar su ley, los eventos que nos interesan son los

del tipo `` ''. A partir de la hiptesis de independencia de los experimentos, la


probabilidad de un resultado cualquiera del experimento global es un producto de
probabilidades. Por ejemplo:
Toda -tupla particular que contenga `` '' y ``0''

tiene como probabilidad . En total hay: que es el


nmero de maneras de seleccionar ndices entre . De donde:

4.1.1 DISTRIBUCIN DE PROBABILIDAD EN FORMA GENERAL


Toda distribucin de probabilidad es generada por una variable aleatoria x, la que
puede ser de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque
puede tomar diferentes valores, aleatoria, porque el valor tomado
es totalmente al azar y discreta porque solo puede tomar valores
enteros y un nmero finito de ellos.

Ejemplos:
X - Variable que nos define el nmero de burbujas por envase de vidrio que son
generadas en un proceso dado.
X - 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
X - Variable que nos define el nmero de productos defectuosos en un lote de 25
productos.
X - 0, 1, 2, 3,....,25 productos defectuosos en el lote

X - Variable que nos define el nmero de alumnos aprobados en la materia de


probabilidad en un grupo de 40 alumnos.
X - 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre sern enteros, nunca fraccionarios.

2. Variable aleatoria continua (x). Se le denomina variable porque


puede tomar diferentes valores, aleatoria, porque los valores que
toma son totalmente al azar y continua porque puede tomar tanto
valores enteros como fraccionarios y un nmero infinito de ellos.

Ejemplos:

X - Variable que nos define el dimetro de un engrane en pulgadas


X - 5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

X - Variable que nos define la longitud de un cable o circuito utilizado en un arns de


auto
X - 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
X - Variable que nos define la concentracin en gramos de plata de algunas muestras
de mineral
X - 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una
variable continua es que esta variable nos permite medirla o evaluarla, mientras que
una variable discreta no es medible, es una variable de tipo atributo, cuando se
inspecciona un producto este puede ser defectuoso o no, blanco o negro, cumple con
las especificaciones o no cumple, etc, etc.

Las variables descritas anteriormente nos generan una distribucin de probabilidad, las
que pueden ser.

1) Distribucin de probabilidad discreta.


2) Distribucin de probabilidad continua.

Las caractersticas de cada una de las distribuciones anteriores se mencionarn a


continuacin:

DISTRIBUCIN DE PROBABILIDAD DISCRETA.


Caractersticas:
1. Es generada por una variable discreta (x).

X - Variable que solo toma valores enteros


X - 0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.

2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.

3.Sp(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores


que toma x debe ser igual a 1.

DISTRIBUCIN DE PROBABILIDAD CONTINUA.


Caractersticas:
1. Es generada por una variable continua (x).

X - Es una variable que puede tomar tanto valores enteros como fraccionarios.

X - 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,

2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad
de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin
de densidad de probabilidad slo puede estar definida en los cuadrantes I y II.
3. La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad
de probabilidad deber ser de 1.

4.1.3 VARIANCIA DESVIACIN CONTINUAS

Varianza

En teora de probabilidad, la varianza o variancia (que suele representarse como )


de una variable aleatoria es una medida de dispersin definida como la esperanza del
cuadrado de la desviacin de dicha variable respecto a su media.

Est medida en la unidad de medida de la variable al cuadrado. Por ejemplo, si la


variable mide una distancia en metros, la varianza se expresa en metros al cuadrado.
La desviacin estndar es la raz cuadrada de la varianza, es una medida de dispersin
alternativa expresada en las mismas unidades de los datos de la variable objeto de
estudio. La varianza tiene como valor mnimo 0.

Hay que tener en cuenta que la varianza puede verse muy influida por los valores
atpicos y no se aconseja su uso cuando las distribuciones de las variables aleatorias
tienen colas pesadas. En tales casos se recomienda el uso de otras medidas de
dispersin ms robustas.

El trmino varianza fue acuado por Ronald Fisher en un artculo publicado en enero
de 1919 con el ttulo The Correlation Between Relatives on the Supposition
of Mendelian Inheritance.1

Caso continuo
Si la variable aleatoria X es continua con funcin de densidad f(x), entonces

donde
y las integrales estn definidas sobre el rango de X.

4.1.4 FUNCIN ACUMULADA


Funcin de Distribucin Acumulada

La distribucin de una variable aleatoria, independientemente del tipo de variable,


puede representarse tambin por su funcin de distribucin, denotada como F(y). Esta
funcin asigna a cada valor de la variable un valor entre 0 y 1 que indica la probabilidad
de que la variable, observada para un caso particular, asuma un valor menor o igual al
valor en que se est evaluando la funcin. Por ejemplo, si F(30)=0,60 diremos que 0,60
es la probabilidad de que la variable se realice en un caso de anlisis particular con el
valor de 30 o con un valor menor a 30.

Ejemplo Distribucin de probabilidades y funcin de distribucin de la variable


aleatoria Y (suma de los puntos en la tirada de dos dados, con caras del 1 al 6)

y f(y) F(y)

f(2) =
2 F(2) = f(2) = 1/36
1/36

f(3) =
3 F(3) = f(2) + f(3) = 1/36 + 2/36 = 3/36
2/36

f(4) =
4 F(4) = f(2) + f(3) + f(4) = 1/36 + 2/36 + 3/36 = 6/36
3/36

f(5) =
5 F(5) = f(2) + f(3) + f(4) + f(5)= 1/36 + 2/36 + 3/36 + 4/36= 10/36
4/36

f(6) =
6 F(6) = f(2) + f(3) + f(4) + f(5) + f(6) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36= 15/36
5/36
f(7) =
7 F(7) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36 + 6/36 = 21/36
6/36

f(8) = F(8) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36 + 6/36 +
8
5/36 5/36= 26/36

f(9) = F(9) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9)= 1/36 + 2/36 + 3/36 + 4/36 + 5/36 +
9
4/36 6/36 + 5/36 + 4/36= 30/36

f(10) = F(10) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) = 1/36 + 2/36 + 3/36 + 4/36 +
10
3/36 5/36 + 6/36 + 5/36 + 4/36 + 3/36= 33/36

f(11) = F(11) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) + f(11) = 1/36 + 2/36 + 3/36 +
11
2/36 4/36 + 5/36 + 6/36 + 5/36 + 4/36 + 3/36 + 2/36= 35/36

f(12) = F(12) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) + f(11) + f(12) = 1/36 + 2/36 +
12
1/36 3/36 + 4/36 + 5/36 + 6/36 + 5/36 + 4/36 + 3/36 + 2/36 + 1/36= 36/36= 1

4.2 VARIABLES ALEATORIAS CONTINUAS

Una variable aleatoria X es continua si su funcin de distribucin es una funcin


continua.

En la prctica, se corresponden con variables asociadas con experimentos en los


cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biomtricas, intervalos de tiempo, reas, etc.

Ejemplos

Resultado de un generador de nmeros aleatorios entre 0 y 1. Es el ejemplo


ms sencillo que podemos considerar, es un caso particular de una familia de
variables aleatorias que tienen una distribucin uniforme en un intervalo [a, b].
Se corresponde con la eleccin al azar de cualquier valor entre a y b.

Estatura de una persona elegida al azar en una poblacin. El valor que se


obtenga ser una medicin en cualquier unidad de longitud (m, cm, etc.) dentro
de unos lmites condicionados por la naturaleza de la variable. El resultado es
impredecible con antelacin, pero existen intervalos de valores ms probables
que otros debido a la distribucin de alturas en la poblacin. Ms adelante
veremos que, generalmente, variables biomtricas como la altura se adaptan un
modelo de distribucin denominado distribucin Normal y representado por una
campana de Gauss.

Dentro de las variables aleatorias continuas tenemos las variables aleatorias


absolutamente continuas.
Diremos que una variable aleatoria X continua tiene una distribucin absolutamente
continua si existe una funcin real f, positiva e integrable en el conjunto de nmeros
reales, tal que la funcin de distribucin F de X se puede expresar como

Una variable aleatoria con distribucin absolutamente continua, por extensin, se


clasifica como variable aleatoria absolutamente continua.

En el presente manual, todas las variables aleatorias continuas con las que
trabajemos pertenecen al grupo de las variables absolutamente continuas, en
particular, los ejemplos y casos expuestos.

3.2.1 distribucin de probabilidad en forma general

4.2.2 VALOR ESPERADO

El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos
de azar, debido a que los jugadores deseaban saber cual era su esperanza de ganar o
perder con un juego determinado. Como a cada resultado particular del juego le
corresponde una probabilidad determinada, esto equivale a una funcin de probabilidad
de una variable aleatoria y el conjunto de todos los resultados posibles del juego estar
representado por la distribucin de probabilidad de la variable aleatoria. El valor
esperado o esperanza es muy importante, ya que es uno de los parmetros que
describen una variable aleatoria.

Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el
valor esperado de la variable aleatoria X, el cual se representa por E(X), est definido
por:
E(X) = xi f(xi)

Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la
variable aleatoria por la probabilidad que le corresponde y despus se suman esos
productos.

El valor esperado representa el valor promedio que se espera suceda, al repetir el


experimento en forma independiente una gran cantidad de veces. El valor esperado se
interpreta fsicamente como el centro de masa o centro de gravedad de la distribucin
de probabilidad, por lo que es igual a la media o promedio aritmtico, los cuales se
representan con la letra m.
De acuerdo a lo anterior podemos escribir que:
E(X) = m = xi f(xi)

Ejemplo 4. 7. Si se lanzan dos dados legales, encontrar el valor esperado.


Solucin.
Definamos la variable aleatoria X como la suma de los nmeros que aparecen al
lanzar dos dados legales. Como vimos en el problema anterior, la distribucin de
probabilidad es:
xi f(xi) =

xi 2 3 4 5 6 7 8 9 10 11 12
f(xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

En particular, si la distribucin de probabilidades es simtrica como en el ejemplo


anterior, el valor esperado coincide con el valor de la variable que tiene la mayor
probabilidad en la distribucin.

4.2.3 VARIANCIA, DESVIACIN ESTNDAR


La desviacin slo significa qu tan lejos de lo normal
Desviacin estndar
La desviacin estndar () mide cunto se separan los datos.
La frmula es fcil: es la raz cuadrada de la varianza. As que, "qu es la varianza?"
Varianza
la varianza (que es el cuadrado de la desviacin estndar: 2) se define as:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los nmeros)
2. Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la diferencia
elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (Por qu al cuadrado?)
Ejemplo
T y tus amigos habis medido las alturas de vuestros perros (en milmetros):

Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Respuesta:
600 + 470 + 170 + 430 + 300 1970
Media = = = 394
5 5
as que la altura media es 394 mm. Vamos a dibujar esto en el grfico:

Ahora calculamos la diferencia de cada altura con la media:

Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:
Varianza: 2 = 2062 + 762 + (-224)2 + 362 + (-94)2 = 108,520 = 21,704
5 5
As que la varianza es 21,704.
Y la desviacin estndar es la raz de la varianza, as que:
Desviacin estndar: = 21,704 = 147
y lo bueno de la desviacin estndar es que es til: ahora veremos qu alturas estn a
distancia menos de la desviacin estndar (147mm) de la media:

As que usando la desviacin estndar tenemos una manera "estndar" de saber qu es


normal, o extra grande o extra pequeo.
Los Rottweilers son perros grandes. Y los Dachsunds son un poco menudos... pero que no
se enteren!

4.2.4 FUNCIN ACUMULADA


Definicin. Sea X una variable aleatoria continua. La funcin de distribucin acumulada (f.d.a)
de la variable aleatoria X se define como:

Ejemplo. Supngase de X es una variable aleatoria continua cuya f.d.p. est dada por:

Obtenga la f.d.p de la variable aleatoria X.

La funcin de distribucin acumulada es importante por varias razones. Esto es particularmente


cierto cuando tratamos con una v.a. continua, ya que en este caso no podemos estudiar la
conducta probabilstica de X. Al calcular la probabilidad: P(X = x), ya que esta siempre es igual
a cero. Sin embargo, podemos hacer preguntas acerca de: P(X<x).
Teorema. Sea F(x) la f.d.a. de una variable aleatoria continua X, la cual tiene como f.d.p a la
funcin f(x).

Entonces para todo valor de x, en la cual la funcin F(x) es diferenciable.

Ejemplo. Supongamos que una v.a. continua X tiene una f.d.a. dada por:

Obtener la f.d.p. de la variable aleatoria X.

Aplicando el teorema anterior se tiene:

La funcin f(x) no est definida en x = 0 y en x = 1.

Ejemplo. Supongamos que una v.a. continua X tiene una f.d.a dada por:

Obtenga la f.d.p. de la variable aleatoria X.

Ejemplo. Sea X el ngulo entre la direccin fijada y la direccin de la aguja de una hiladora. Si
la aguja se mueve en cierto modo, y se puede suponer que para cada valor de X entre 0 y 2p,
la probabilidad P(X x ) es igual a la razn del ngulo X y el ngulo total 2p. Esto representa a
la funcin de distribucin:

Obtenga la f.d.p. de la variable aleatoria X.

Derivando a la funcin de distribucin obtenemos:

La probabilidad del evento a X b, la podemos obtener en trminos de la f.d.a como:

4.2.5 CLCULOS DE PROBABILIDAD

Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles
de ocurrencia del evento; es decir, de cuntas formas puede ocurrir determinada
situacin.
Los casos favorables de ocurrencia de un evento sern los que cumplan con la
condicin que estoy buscando.
As para el tiro de una moneda tengo 2 casos posibles de ocurrencia (o cae guila o
cae sol) y slo 1 caso favorable de que pueda caer guila (pues slo hay un guila en
la moneda).
Para calcular la probabilidad de un evento se utiliza la siguiente frmula:

Para nuestro ejemplo: Probabilidad de "que caiga un guila" tenemos:

Por lo tanto, existe una probabilidad del 50% que yo obtenga un guila al tirar una
moneda.
Veamos otro ejemplo: Si yo tengo una canasta llena de peras y manzanas, de las
cuales hay 20 peras y 10 manzanas. Qu fruta es ms probable que saque al azar de
la canasta?
Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los casos
posibles. Para calcular la probabilidad de sacar una manzana mis casos favorables son
10 puesto que existen slo 10 manzanas. As, aplicando la frmula obtenemos que:

33.3% probable

Calculando igual, la probabilidad de sacar pera es:

66.7% probable
Como 66.7 es mayor que 33.3 es ms probable que saque una pera, pues hay ms
peras que manzanas en la canasta.
Fjate bien que 33.3% + 66.7% es igual al 100% porque siempre que saques algo de la
canasta es seguro que saques una fruta.

As, el valor de la probabilidad de un evento imposible es 0 mientras que la probabilidad


de un evento seguro es 1; porque:

Ahora practica lo aprendido resolviendo los ejercicios que se te proponen en la


evaluacin1.