Вы находитесь на странице: 1из 17

Variables aleatorias y distribuciones de probabilidad

En esta seccin trataremos el concepto de variable aleatoria y distribuciones de probabilidad. Un


aspecto importante en esta parte del mdulo es lograr diferenciar un evento de una variable
aleatoria, si recordamos en matemticas nos explicaron el significado de variable: son
caractersticas de una situacin o contexto que se representan a travs de una letra y varan segn el
valor que debe tomar la misma segn en el contexto estudiado.
Ejemplo 46
Si estudiamos los ingresos de una empresa por la venta de impresoras, entonces stos y el nmero
de impresoras fabricadas son variables porque varan; un da se pueden vender 5 impresoras, otro
da 9 impresoras y as sucesivamente. Esa variacin en las unidades de impresora vendidas hace que
a su vez los ingresos varen. Suelen usarse las letras I y x para denotan los ingresos y el nmero
de unidades vendidas respectivamente.
Ahora que hemos recordado el significado de variable describamos intuitivamente el concepto de
variable aleatoria para luego presentar la definicin formal. Ya sabemos que una variable es una
caracterstica que toma valores que varan, si a esto le agregamos la palabra aleatoria diremos que
es una variable cuyos valores provienen de una caracterstica cuyo resultado no es predecible. Ms
precisamente:

Una variable aleatoria es un valor numrico que corresponde a una caracterstica


cuantitativa de un experimento aleatorio.

Ejemplo 47
Determinemos la variable aleatoria en la siguiente situacin: de un grupo de personas se selecciona
al azar una persona y se mide su estatura.
El experimento aleatorio es seleccionar una persona del grupo, la caracterstica cuantitativa es su
estatura y la variable aleatoria es la medida de dicha estatura.
Debe resaltarse que un evento es simplemente una caracterstica de un experimento aleatorio
mientras una variable aleatoria es una caracterstica cuantitativa de un experimento aleatorio.

Clases de variables aleatorias


Las variables aleatorias se clasifican en dos tipos, las discretas y las continuas.

Una variable es discreta cuando sus valores se pueden contar y organizar secuencialmente.
Estas variables asumen finitos valores.
Una variable es continua cuando toma valores en un intervalo o en la unin de varios de
ellos. Al estar en un intervalo una variable aleatoria continua puede asumir infinitos valores.
En adelante usaremos la letra X

para indicar una variable aleatoria, ya sea discreta o

Ejemplo 48
Si consideramos el lanzamiento de 4 monedas entonces el nmero de veces que aparece cara es una
variable aleatoria. Determinemos la variable aleatoria, establezcamos los valores que toma y luego
averiguaremos si es discreta o continua.
El experimento aleatorio es el lanzamiento de cuatro monedas, la variable aleatoria es el nmero
de caras que resultan de lanzar las cuatro monedas. Los posibles resultados del experimento son
0 caras: al lanzar las monedas no cay ninguna cara.
1 cara: al lanzar las monedas cay slo una cara.
2 caras: al lanzar las monedas cayeron slo dos caras.
3 caras: al lanzar las monedas cayeron tres caras.
4 caras: al lanzar las monedas todos los resultados fueron cara.
Nombremos entonces la variable aleatoria y sus valores:

X = 0,1, 2,3, 4
Como esta variable toma finitos valores, ella es discreta.

Ejemplo 49
Si consideramos ahora la variable aleatoria peso, en toneladas, del arroz de las cosechas en
determinada regin, sta es continua porque sus valores se encuentran en un intervalo. Por ejemplo
entre 0 y 100 toneladas:

0 X 100

Caractersticas de las variables aleatorias discretas, su


funcin de probabilidad y de distribucin acumulada

Cuando una variable aleatoria es discreta a la regla que asigna a cada valor de ella su probabilidad
se le denomina funcin de probabilidad.

Sea X una variable aleatoria discreta denominaremos por

, que se lee

probabilidad de que
tome el valor , a la funcin de probabilidad de la variable
aleatoria X si satisface las siguientes condiciones:

1.

para todos los valores de X.

2.

Por otra parte, denominamos funcin de distribucin acumulada de la variable aleatoria X a la


probabilidad de que X sea menor o igual a un valor especfico de x y est dada por

F ( x) = P( X x) = p( xi )
xi x

Que significa la suma de las probabilidades de que X tome valores menores o iguales a uno dado.
Tambin es posible calcular la probabilidad de que X tome valores mayores (mayores o iguales) a
un nmero dado y menores (menores o iguales) a otro. Cuando esto suceda tendremos que la
probabilidad es la siguiente:

P(a < X
P(a X
P(a < X
P(a X

< b) = P( X
< b) = P( X
b) = P( X
b) = P( X

< b) P( X
< b) P( X
b) P( X
b) P( X

< a)
a)
< a)
a)

Ejemplo 50

Consideremos el nmero de caras que resultan al lanzar 4 veces una moneda y determinemos la
variable aleatoria, establezcamos su funcin de distribucin de probabilidad y su funcin de
distribucin acumulada.

X : nmero de caras que resultan al lanzar 4 veces una moneda.


Para determinar la probabilidad de cada valor de la variable aleatoria estableceremos por medio de
las tcnicas de conteo el nmero de elementos en el espacio muestral y el nmero de casos exitosos
en que podemos obtener cara.
Como en el primer, segundo, tercer y cuarto lanzamiento tenemos 2 opciones de resultado, cara o
sello, entonces utilizaremos el principio fundamental de conteo:

Lanzamiento:

2 = 4 4 = 16

primero

segundo

tercero

cuarto

As decimos que hay 16 posibles resultados en el espacio muestral.


Por otra parte, para determinar el nmero de casos favorables de cada valor de la variable aleatoria
utilizaremos la tcnica de conteo de la combinatoria porque en un lanzamiento existen 4
posibilidades de que los resultados sean cara y necesitamos saber cuntos contienen 0, 1, 2, 3 y 4
caras.

X = 0 : ningn resultado fue cara.

C0 =

4!
1 2 3 4 24
=
=
= 1
0!( 4 0 )! 1 2 3 4 24

De 4 elementos se formaron grupos que no contena a ninguno de ellos


Ntese que con esto estamos indicando que slo un valor puede llenar el resultado de cada
lanzamiento (sello) por ende el nico grupo que no contiene ninguna cara es (s,s,s,s).

X = 1 : uno de los resultados fue cara.

C1 =

4!
1 2 3 4 24
=
=
= 4
1!( 4 1)! 1 2 3
6

De 4 elementos se formaron grupos que con un elemento de ellos.

En este caso estamos obligando a que un resultado se llene en algn lanzamiento con un solo
elemento: cara.

X = 2 : dos de los resultados fueron cara.

C2 =

4!
4!
1 2 3 4 24
=
=
=
= 6
2!( 4 2 )! 2!( 2 )! (1 2)(1 2) 4

En este caso estamos obligando a que dos resultados se llenen en algn lanzamiento con un solo
elemento (cara).

X = 3 : tres de los resultados fueron cara.

C3 =

4!
4!
1 2 3 4 24
=
=
=
= 4
3!( 4 3)! 3!(1)! (1 2 3)(1) 6

En este caso estamos obligando a que tres resultados se llene en algn lanzamiento con un solo
elemento (cara).

X = 4 : cuatro de los resultados fueron cara.

C4 =

4!
4!
1 2 3 4
24
=
=
=
=1
4!( 4 4 )! 4!(0 )! (1 2 3 4)(1) 24

Con la anterior informacin podemos establecer la funcin de distribucin de probabilidad

P(0) = P( X = 0) =

P(1) = P( X = 1) =

nmero de casos favorables


1
=
nmero de elemetos en el espacio muestral 16

4
16

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

6
16

P(3) = P( X = 3) =

4
16

P(4) = P( X = 4) =

1
16

Formemos ahora la tabla de distribucin de probabilidad:

Distribucin de probabilidad

Valores de la variable
aleatoria
X =x
0
1
2
3
4

Probabilidad del valor que


toma la variable aleatoria
P( X = x)
1

16
4

16
6

16
4

16
1

16

Con los datos de la anterior tabla podemos determinar algunas probabilidades acumuladas para con
ellas crear una tabla de distribuciones acumuladas.

1. Probabilidad de que en el resultado de los lanzamientos ninguno sea cara.

P( X = 0) =

1
= 0.0625
16

2. Probabilidad que como mximo uno de los resultados sea cara. Esto significa que puede
ser que ningn resultado sea cara o que uno slo de los resultados sea cara.

P(0 x 1) = P(0) + P(1) =

1 4
5
+ = = 0.3125
16 16 16

3. Probabilidad de que a lo ms en los resultados hallan 2 caras. En este caso pueden salir
o ninguna o una o dos caras.

P(0 x 2) = P(0) + P(1) + P(2) =

1 4 6 11
+ + = = 0.6875
16 16 16 16

4. Probabilidad de que mximo en los resultados hallan 3 caras. Aqu podemos tener que
en los resultados hay 0, 1, 2 o 3 caras.

P(0 x 3) = P(0) + P(1) + P(2) + P(3) =

1 4 6 4 15
+ + + = = 0.9375
16 16 16 16 16

5. Probabilidad de a los ms en los resultados hallan 4 caras:

P(0 x 4) = P(0) + P(1) + P(2) + P(3) + P(4) =

1 4 6 4 1 16
+ + + + = = 1
16 16 16 16 16 16

Organizando esta informacin en una tabla obtenemos:

Probabilidad

0 x 1

0 x2

0 x3

0 x4

0.3125

0.6875

0.9375

De igual manera nos podran pedir las probabilidades presentadas a continuacin, observe los
signos y recuerde que < significa ser menor pero no igual a, significa ser menor e igual a,
> significa ser mayor pero no igual a y significa ser mayor e igual a. Como ejercicio
interprete los enunciados y resultados:

4 6 4 14
+ + = = 0.875
16 16 16 16
4 6 10
7. P(1 x < 3) = P(1) + P(2) = + = = 0.625
16 16 16
4
8. P(2 < x < 4) = P(3) =
= 0.25
16
4 6 4 14
9. P(1 < x 4) = P(2) + P(3) + P(4) = + + = = 0.875
16 16 16 16
6.

P(1 x < 4) = P(1) + P(2) + P(3) =

Ejemplo 51
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea menor o igual
que 3?

P( X 3) = p( X = 0) + p ( X = 1) + p ( X = 2) + p ( X = 3)
= p(0) + p(1) + p (2) + (3)
1 4 6 4
= + + +
16 16 16 16
15
=
16
La probabilidad de que a lanzar una moneda 4 veces el nmero de caras sea menor o igual que 3 es
de un 0,9375.
Ejemplo 52

Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2?

P( X > 2) = p ( X = 3) + p ( X = 4)
= p(3) + (4)
4 1
= +
16 16
5
=
16
Es posible resolver el ejercicio utilizando el concepto de complemento. Vemoslo:

P( X > 2) = 1 P( X 2)
= 1 ( P( X = 0) + P( X = 1) + P( X = 2))
= 1 ( p(0) + p(1) + p (2))
1 4 6
= 1 + +
16 16 16
11 5
= 1 =
16 16

As, la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2 es
0.3125 aproximadamente.

Caractersticas de las variables aleatorias continuas, su


funcin de probabilidad y de distribucin acumulada
Cuando la variable aleatoria es continua a la regla que asigna a cada valor de ella su probabilidad se
le conoce como funcin de densidad.

Si X es una variable aleatoria continua y existe una funcin

tal que

1.
2.
3.
Entonces sta se denomina funcin de densidad de probabilidad de la variable aleatoria
continua X.

Cabe resaltar que en la definicin se indica que los valores de la variable aleatoria estn entre e
pero en realidad indica que debe estar en un intervalo, no necesariamente el mencionado.
Anlogamente al caso de la variable aleatoria discreta, la funcin de distribucin acumulada de
una variable continua X es la probabilidad de que X tome un valor menor o igual a algn x
especfico. En otras palabras,
x

P( X x) = F ( x) = f (t )dt .

Una funcin de distribucin acumulada de una variable continua satisface las siguientes
propiedades.

1. F () = 0
2. F () = 1
3. P(a < X < b) = F (b) F (a )
dF ( x)
= f ( x)
dx
5. P( X x) = P( X < x) = F ( x)
4.

Ejemplo 53
Consideremos la concentracin, en miligramos, de amoniaco en un acuario.

X := cantidad de amoniaco en miligramos en un acuario.


La funcin de densidad de la variable aleatoria continua X no es tan sencilla de establecer como en
el caso de las variables discretas. Sin embargo, existen diversos motivos que llevan a considera esta
funcin de densidad como una distribucin normal, que se estudiar ms adelante, con 0 X 1 .
Para darnos una idea del significado de una distribucin normal vamos a considerar el siguiente
ejemplo, para el cual grficamente observaremos su distribucin. Cuando una funcin de densidad
se grafica y tiene forma de campana diremos que su funcin de probabilidad se distribuye
normal.

Ejemplo 54

Si se miden los tiempos de llegada de 100 000 clientes y se agrupan en 100 intervalos de 5
segundos cada uno, entonces la representacin grfica es la siguiente.

0,025
0,02
0,015
0,01
0,005
0
Tiempodellegada

Como la grfica tiene forma de campana entonces podemos pensar que la funcin de densidad es de
tipo normal.

Ejemplo 55 (George Canavos)

La variable aleatoria que representa la proporcin de accidentes automovilsticos fatales en Estados


Unidos, tiene la siguiente funcin de densidad:

42 x(1 x)5
f ( x) =
0

0 < x 1
en otro caso

Cul es la probabilidad de que no ms del 25% de los accidentes automovilsticos sean fatales?
La pregunta que debemos responder es cul es el valor de P ( X 0.25) ?

P ( X 0.25 ) =

0.25

= 42

42 x(1 x)5 dx

0.25

x (1 x )5 dx
0.25

x 2 5 x3 10 x 4 10 x5 5 x 6 x 7
= 42
+

+

3
4
5
6
7 0
2
= 0.5551

De esta manera concluimos que la probabilidad de que no ms del 25% de los accidentes
automovilsticos sean fatales es de 0.5551.

Valor esperado de una variable aleatoria discreta o continua

Antes de dar la definicin de valor esperado para variables aleatorias discretas o continuas,
observemos el siguiente ejemplo que nos ilustra el significado del valor esperado de una variable
aleatoria discreta.
Consideremos un vendedor comisionista. Aunque l no tiene certeza de cul ser su comisin
espera que sta supere los $500 000 al finalizar el mes. ste valor es lo que se conoce como el
valor esperado. Para tratar de verificar la obtencin de una comisin de $500 000, el comisionista
debera establecer una distribucin de probabilidad, multiplicar cada resultado del experimento por
su probabilidad y sumar los resultados. Si esta esperanza coincide o supera los $500 000 podra
decir que con seguridad lograr dicha comisin.
Existen diversos contextos que nos conducen a la toma de decisiones, de forma que stas nos lleven
a una situacin favorable sin conocer con certeza el resultado del fenmeno o situacin estudiada.
Estas decisiones se toman con base en la esperanza o valor esperado de la variable aleatoria
analizada.

Ejemplo 56
Analicemos la siguiente distribucin de probabilidad del vendedor comisionista.
Comisin
Probabilidad

$0

$200 000

$400 000

$600 000

0.02

0.4

0.18

0.4

El valor esperado de la comisin para el vendedor es

Comisin esperada = 0 ( 0.02 ) + 200000 ( 0.4 ) + 400000 ( 0.18 ) + 600000 ( 0.4 )


= 392000
Con este resultado podemos decir que nuestro vendedor comisionista no podr obtener la comisin
de $500000 que esperaba a este nivel de venta.

Ejemplo 57
Una empresa petrolera ha elaborado un estudio y tiene dos posibles lugares donde perforar para
encontrar petrleo. Dado que una perforacin resulta costosa por la mano de obra y la maquinaria
utilizada la empresa debe escoger uno de los dos lugares para perforar inicialmente.
Si la posibilidad de extraer petrleo en el sitio A es del 30% y del sitio B del 40%, pero se calcula
que A producir una ganancia $60 000 000 en caso de encontrar petrleo y una prdida de
$6 000 000 en caso de no encontrar, mientras B producir una ganancia de $40 000 000 si se halla
petrleo y una prdida de $6 000 000 en caso contrario. Determinemos dnde deber perforar
primero la compaa.
Sitio A

P(sacar petrleo) = 0.3

Ganancia = $60 000 000

P(no sacar petrleo) = 0.7

Prdida = $6 000 000

Ganancia esperada = $60 000 000 ( 0.3) $6 000 000 (0.7 )


= $13 800 000
Sitio B

P(sacar petrleo) = 0.4

Ganancia = $40 000 000

P(no sacar petrleo) = 0.6

Prdida = $6 000 000

Ganancia esperada = $40 000 000 ( 0.4) $6 000 000 (0.6 )


= $12 400 000
As concluimos que es mejor perforar inicialmente el sitio A porque se espera que la ganancia sea
mayor que en el sitio B.

Con base en lo anterior el valor esperado de una variable aleatoria discreta se calcula de la
siguiente manera.

Si una variable aleatoria es continua entonces su valor esperado se calcula as:

Ejemplo 58 (George Canavos)


Calculemos el valor esperado de la variable aleatoria proporcin de accidentes fatales en los
Estados Unidos del ejemplo 10.

Dado que esta variable aleatoria es continua porque sus valores se encuentran en un intervalo,
debemos utilizar una integral para calcular su valor esperado. Veamos:
1

E ( X ) = xf ( x)dx
0

= 42 x 2 (1 x)5 dx
0

= 42 x 2 (1 x)5 dx
0

x3 5 x 4 10 x5 10 x 6 5 x 7 x8
= 42
+

+

4
5
6
7
8 0
3
= 0.25

Luego se espera que un 25% de accidentes sean fatales en los Estados Unidos.

Varianza de una variable aleatoria discreta y continua

La varianza de una variable aleatoria es una medida de dispersin de la distribucin de


probabilidad de sta. (George Canavos)

En el caso de una variable aleatoria discreta la varianza se determina as:

Y cuando la variable aleatoria es continua calculamos su varianza de la siguiente manera:

Ejemplo 59
Consideremos el ejemplo 49 y calculemos la varianza de la variable aleatoria comisin:
Comisin
Probabilidad

$0

$200 000

$400 000

$600 000

0.02

0.4

0.18

0.4

Dado que E ( X ) = 392 000 slo necesitamos hallar E ( X 2 ) para encontrar la varianza.

E ( X 2 ) = (0) 2 (0.02) + (200000) 2 (0.4) + (400000) 2 (0.18) + (600000)2 (0.4)


= 188800000000000
Aplicando la expresin que permite calcular la varianza obtenemos:

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

= 188800000000000 (392000)2
= 351360000000000
Esta varianza al sacar la raz nos dice que tan alejados estn los datos de la media de los datos; por
lo tanto tenemos que

Var ( X ) = 351360000000000 187 445,9922


En otras palabras, los datos o las comisiones estn a $187 445,9922 de diferencia del promedio o
de la media de las comisiones.
A la raz cuadrada de la varianza de una variable aleatoria se le conoce como desviacin
estndar o error tpico.

Autoestudio

Llego el momento de aplicar los temas tratados anteriormente, para reforzar nuestros conocimientos
es necesario practicar; por ello tal y como se indica en la gua de actividades semanal por favor
revise el libro sugerido en el mapa conceptual de la unidad 2 (Estadstica) y realice la gua prctica
correspondiente a esta semana.
Para acceder al mencionado debe ingresar a la biblioteca virtual en otra pgina de internet distinta a
la del mdulo. Las instrucciones para ingresar a la biblioteca aparecen a continuacin; por favor
sgalas y realice los ejercicios del libro, slo aquellos que cubran los temas tratados hasta ahora.
Para acceder al libro
En la unidad 2, aparece un mapa conceptual; en el espacio de la hojita que despliega la bibliografa
de click sobre el libro recomendado. Para acceder al mencionado debe seguir los siguientes pasos:
1. en la pgina principal de campus virtual debajo del CAE dice biblioteca virtual, de click en
este link.
2. All se abre la pgina de la biblioteca y debe escribir su usuario y contrasea.
3. Hagan click en libros electrnicos e ingrese el usuario y la contrasea.
4. Ahora de click en e-libro, vuelva a la pgina del mapa conceptual y de click sobre el libro
que desean consultar.
Si sigui correctamente las instrucciones debe poder visualizar el libro indicado.

Adicionalmente puede revisar el libro Estadstica para Administracin y Economa de Anderson


que se encuentra en google (libros); busque en el ndice los temas tratados: variables aleatorias,
valor esperado y varianza (pginas 175-187). Luego resuelva los ejercicios all propuestos.