Вы находитесь на странице: 1из 47

VARIABLES ALEATORIAS

Variable aleatoria
Dado un espacio muestral , en donde se encuentra definida una probabilidad P, se llama variable aleatoria a toda funcin X de al conjunto de nmeros reales.
X w Reales RX Fig. 6.1 x = X(w)

Ejemplo:variable aleatoria
Experimento: lanzar dos monedas Variable aleatoria: X=nmero de sellos observados
Eventos simples CC X 0 1

S S S S

CS SC SS

Rango de la variable aleatoria


El rango de la variable aleatoria X es el conjunto RX conformado por todos sus posibles valores.

RX = { X ( w) / w }

Evento ( X = a )

( X = a) = { w / X (w) = a }
Por ejemplo, si X = nmero de caras observadas al lanzar una moneda tres veces. Rango de X = {0, 1, 2, 3} Evento (X=2)={ccs, csc, scc}

Tipos de variables aleatorias


La variable aleatoria X es discreta si puede asumir un conjunto finito o infinito numerable de valores diferentes. Ejemplos: X = nmero de libros defectuosos en un lote de 100 unidades Rango de X = {0, 1, 2, , 100} Y = nmero de plizas de seguro de vida vendidas en un ao Rango de Y = {0, 1, 2, 3, 4, }

Tipos de variables aleatorias


La variable aleatoria X es continua si puede asumir cualquier valor en un intervalo o unin de intervalos. Ejemplos: X = Tiempo de atencin a un cliente (en minutos) Rango de X = Menos de 30 min. = [0, 30] min. Y = Dimetro, en pulgadas, de cierto tipo de tuberas Rango de Y = Entre 3 y 6 pulg. = [3, 6] pulg.

Probabilidad en el rango de una v.a.


Sea X una v.a. elemento de RX: discreta y

a un

P[ X = a] = P({w / X ( w) = a})
En el ejemplo anterior: P(X = 2) = P ({ccs, csc, scc}) = 3/8

VARIABLES ALEATORIAS DISCRETAS

Distribucin de probabilidad de una variable aleatoria discreta


La distribucin de probabilidad de una variable aleatoria discreta X se describe como una funcin de probabilidad representada por f(x) que asigna a cada valor de la variable aleatoria, la probabilidad de que X asuma ese valor, esto es f(x) = P(X = x).

Distribucin de probabilidad de una variable aleatoria discreta


Toda funcin de probabilidad cumple lo siguiente: 0 f ( x) 1

f ( x) = P( X = x) = 1
x RX x RX

Si A R X , entonces P( X A) = f ( x)
x A

El dominio de la funcin f(x) se puede extender a todos los reales si se define f(x) = 0 para todo x que no pertenece al rango de X.

Ejemplo: Dist. discreta de probabilidades


Experimento: lanzar dos monedas Variable aleatoria: X=nmero de sellos observados

Funcin de probabilidad f(0) = P(X=0) = 1/4 f(1) = P(X=1) = 2/4 f(2) = P(X=2) = 1/4

S S S S

0 1 2

Ejemplo
Sea la variable aleatoria X = nmero de expedientes rechazados por documentacin incompleta, en un da. Usando informacin disponible en los archivos, se observ el nmero de expedientes rechazados por documentacin incompleta por da, en una muestra de 200 das. Los resultados fueron:
- 32 das no se rechazaron expedientes - 48 das se rechaz un expediente - 70 das se rechazaron dos expedientes - 30 das se rechazaron tres expedientes - 16 das se rechazaron cuatro expedientes - 4 das se rechazaron cinco expedientes

sigue ejemplo
a) Usar la informacin anterior para construir una distribucin de probabilidades para X b) Calcular la probabilidad de que en un da cualquiera sean rechazados mas de tres expedientes por documentacin incompleta. c) Calcular la probabilidad de que en un da cualquiera sean rechazados a lo mas dos expedientes por documentacin incompleta.

Solucin
X = nmero de expedientes rechazados por documentacin incompleta, en un da a) Su distribucin de probabilidades se construye usando las frecuencias relativas:
x P(X=x) 0 32/200 = 0,16 1 48/200 =0,24 2 70/200 =0,35 3 30/200 =0,15 4 16/200 =0,08 5 4/200 =0,02

b) P(sean rechazados mas de 3 expedientes en un da) = P(X>3) = P(X=4)+P(X=5) = 0,08+0,02 = 0,10 c) P(sean rechazados a lo mas 2 expedientes en un da) = P(X2)=P(X=0)+P(X=1)+P(X=2) = 0,16+0,24+0,35=0,75

Funcin de Distribucin Acumulada


La funcin de distribucin acumulada de la variable aleatoria X,

F : IR IR

es una funcin F ( x ) = P ( X x ) Si X es una variable aleatoria discreta:

F (a) = P( X a) = P( X = x)
xa

Propiedades: Funcin de Distribucin Acumulada Si F(x) es la funcin de distribucin acumulada de la variable aleatoria X, entonces: 1) 2) 3)

Si x1 x2 F ( x1 ) F ( x2 )
P ( a < X b ) = F (b ) F ( a )
LimF ( x) = 0
x

y LimF ( x) = 1
x+

Ejemplo
Sea X el nmero de caras obtenidas al lanzar una moneda tres veces. Encontrar: a) La funcin de distribucin acumulada de la

variable aleatoria X. b) P(X 1) c) P(1< X 3)

Ejemplo
Sea X una variable aleatoria discreta que denota el nmero de averas que un operario resuelve en una jornada de trabajo, con funcin de probabilidad dada por:

k f ( x) = ; x +1

x = 0,1, 2, 3

Halle el valor de k y encuentre y grafique la funcin de distribucin acumulada de X.

Media o esperanza de X: x
Sea X una variable aleatoria discreta. La esperanza de X es una media ponderada de los valores posibles de X cada uno con un peso igual a su probabilidad de ocurrencia:

X = E(X ) =

xR X

xP ( X = x )

Rx representa el rango de X

Esperanza de una funcin de X


Sea X una variable aleatoria discreta. H(x) es una funcin de X y tambin es una v.a. La media o valor esperado de H(X) es:

E( H ( X )) =

xRX

H ( x)P( X = x)

Varianza de X:

x2

Sea X una variable aleatoria discreta. La varianza de X es:

X = E[( X x ) 2 ] =
2

xR X

2 P ( X = x) ( x ) x

X = E( X ) x =
2 2 2

xR X

P( X = x) x

Desviacin Estndar de X: X
La desviacin estndar de la variable aleatoria X es la raz cuadrada de su varianza:

X = X

Ejemplo
El nmero de licitaciones que gana al ao una empresa consultora, se modela con una variable aleatoria X con distribucin de probabilidad:

x P(X=x)

0 1 2 3 4 0.15 0.30 0.25 0.20 0.10

Encontrar la media, la desviacin estndar y el coeficiente de variacin de X.

Solucin:
De la distribucin de probabilidad:
X P(X=x) 0 0.15
4

1 0.30

2 0.25

3 0.20

4 0.10

E( X ) = x P( X = x) =1, 8 licitaciones
x=0

Var ( X ) = E( X ) = x P( X = x)
2 2 2 x=0

Var ( X ) = 4, 7 (1,8) = 1, 46 licitaciones


2

sigue solucin

X = E ( X ) = 1.8 licitaciones X = Var ( X ) = 1.46 licitaciones 2


2

X = X = 1.21 licitaciones
2

X CV X = = 0.67 X

VARIABLES ALEATORIAS CONTINUAS

Funcin de densidad de una v.a. continua


La funcin f(x), es funcin de densidad de probabilidad de la v.a. continua X, si satisface:
i) f (x) 0 para todo ii)

x ( = nmeros reales).

f ( x ) dx = 1

iii) P( A) = P[x A] =

f (x)dx para todo intervalo A

Probabilidad para una v.a. continua con funcin de densidad f(x)


P[a X b] =

f ( x)dx
a

P[ a X b]

Probabilidad para una v.a. continua con funcin de densidad f(x)


Si x 0 es un valor de la v.a. continua X, entonces:

P[ X = x0 ] = P[ x0 X x0 ] =
Como consecuencias se tiene: a) P(A) = 0, no implica A = .

x0 x0

f ( x)dx = 0

[a X b] = P[a X <b] = P[a < X b] = P[a < X <b] b) P

Ejemplo
Si las ventas diarias (en miles de soles) en una tienda de abarrotes se modelan con una variable continua X con funcin de densidad de probabilidad

f ( x ) = cx , 0 x 10
Encontrar:

a) b) c)

El valor de c. P ( X < 5 ). P ( X 8 ).

Solucin:
10

a) b) c)

( cx ) dx = 1 50 c = 1 c = 0 . 02
0

P( X < 5) = 0.02x dx = 0.25


0

P ( X 8) = 0.02 x dx = 0.36
8

10

Grficamente:

f(x) P(X < 5) = rea sombreada 0.20 0.10

10

Funcin de Distribucin Acumulada


La funcin de distribucin acumulada de la variable aleatoria continua X con funcin de densidad f(x) es: F ( x ) = P ( X x ) tal que:
a

F ( a) = P( X a ) =

f ( x) dx

Propiedades: Funcin de Distribucin Acumulada Si F(x) es la funcin de distribucin acumulada de la v.a. continua X, con densidad f(x), entonces: 1) 2) 3)

Si x1 x2 F ( x1 ) F ( x2 )
LimF ( x) = 0
x

P ( a < X b ) = F (b ) F ( a )
y LimF ( x) = 1
x+

dF ( x) = f ( x) dx 4)

Ejemplo
Si las ventas diarias (en miles de soles) en una tienda se modela con variable continua X con funcin de densidad de probabilidad

f ( x ) = 0 . 02 x ,
Encontrar:

0 x 10

a) La funcin de distribucin acumulada de la variable aleatoria X. b) P(X 5).

Solucin:
a) F ( a ) = P ( X a ) =
a

f ( x ) dx

2 0 . 02 x dx = 0 . 01 a 0

0 F ( x ) = 0 . 01 x 2 1
b)

x<0 0 x 10 x > 10

P ( X 5 ) = F ( 5 ) = 0 . 25

Media o esperanza de X
Sea X una variable aleatoria continua con funcin de densidad f(x). La media o esperanza de X es:

X = E(X ) =

xf ( x ) dx = xf ( x ) dx
x R x

Esperanza de una funcin de la variable aleatoria continua X


Sea X una variable aleatoria continua con funcin de densidad f(x). H(x) es una funcin de X y tambin es una v.a. El valor esperado de H(X) es:

E( H ( X )) = H ( x) f ( x)dx =

xRx

H ( x) f ( x)dx

Varianza de X
Sea X una variable aleatoria continua con funcin de densidad f(x), entonces la varianza de X es:
2 X = E[( X X )2 ] = E( X 2 ) X 2

=
2 X

xRx

(x

) f ( x) dx =
2

xRx

f ( x) dx X

Desviacin Estndar de X La desviacin estndar de la variable aleatoria X es:

X = X

Ejemplo
Un fabricante produce cierto tipo de aceite. La demanda mensual (en miles de litros) es una variable aleatoria X con funcin de densidad de probabilidad: f(x) = 0,5 si 2 < x < 4 Por cada litro vendido se obtiene una ganancia de 3 soles, mientras que por cada litro no vendido durante el mes se pierde 1 sol. Si el fabricante debe decidir al comienzo del ao cunto producir mensualmente, cul ser el nivel de produccin que maximizar su utilidad esperada?

Solucin:
Supongamos que la produccin mensual de aceite para el prximo ao es k miles de litros:

3000X 1000(k X ) , 2 < X < k U(X ) = , k < X <4 3000k 4000X 1000k , 2 < X < k U(X ) = , k < X <4 3000k

sigue solucin

E(U( X )) = U(x) f (x) dx


2

= (4000 x 1000 k)(0,5) dx + (3000 k)(0,5) dx


2 k 2

= 1000 k + 7000 k 4000

sigue solucin
( E (U ( X ))) = 2000 k + 7000
'

Si

( E (U ( X ))) = 0 k = 3,5
' ''

( E (U ( X ))) = 2000 < 0 E (U ( X )) tiene mximo absoluto en k = 3,5


Por lo tanto, para maximizar la utilidad esperada, se debera producir 3500 litros mensuales de aceite.

Propiedades: Esperanza y Varianza


Sean X e Y variables aleatorias discretas o continuas, a y b constantes. 1. E(aX + b) = E(aX) + E(b) = aE(X) + b 2. V(aX + b) = a2 V(X) 3. E(aX + bY) = aE(X) + bE(Y) 4. Si X e Y son independientes, entonces E(XY) = E(X)E(Y) 5. Si X e Y son independientes, entonces: V(aX + bY) = a2 V(X) + b2 V(Y)

Propiedades: Esperanza y Varianza


6. (Desigualdad de Chebyshev)

1 P( | X X | k X ) 1 2 , (k > 0) k
7.

Si

Z =

X x

Z = 0 Z = 1