Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
3. VARIABLES ALEATORIAS
Una variable aleatoria es discreta si sólo puede tomar una cantidad finita o
infinita numerable de valores. Si por el contrario, la variable aleatoria puede tomar
cualquier valor de un conjunto infinito no numerable, entonces la variable es
continua.
Desde luego, el análisis de una variable aleatoria discreta difiere del de una
variable aleatoria continua. Esto se expresa a continuación.
Definición:
Sea X una variable aleatoria discreta, cuyo rango (conjunto de valores posibles) es
el conjunto que denotamos por RX. Se define la función de probabilidad de X
como:
f X : RX [0,1]
Ejemplo 3.1.1
3.1.1 PROPIEDADES
0 f X (x) 1 x R X
f
xRX
X (x) 1
P(x0 x x1 ) f X (x)
x x0
Ejemplo 3.1.1.1
x 1 2 3 4 5 6
fX(x) 1/6 1/6 1/6 1/6 1/6 1/6
Es decir,
4
P(2 X 5)
6
Definición:
Si X es una variable aleatoria continua cuyos valores posibles son todos los
números que pertenecen al conjunto RX, se define la función de densidad de X
como la función:
f X : RX
f X (x) 0 x RX
2) El área bajo la función es uno.
RX
f X (x)dx 1
3) La probabilidad de que la variable aleatoria presente un valor cualquiera
dentro de un intervalo, es el área bajo la función y sobre el intervalo.
x1
P(x 0 X x1 ) f X (x)dx
x0
Ejemplo 3.2.1
1 1
x ;1 x 2
f X (x) 3 2
0 ; en otro caso
4 1 1
1 1
El área bajo la curva es 1 1 1 2 1 2
A x dx x x
2
6 2 1 6 6 2
1 3 2
A=1
P(1 x 1.5) 9 3 1 1 27 16 11
1.5 1
1 1 2 1 1.5
x
dx x x
1
3 2 6 2 1 24 4 6 2 24 24 24
11
P(1 x 1.5)
24
Definición:
FX( x0 ) = P (X ≤ x0)
■ Si X es continua FX( x0 ) = f a
X (x) dx , en donde a es el valor más
3.3.1 PROPIEDADES
Ejemplo 3.3.1.1
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
Resolución:
x -5 -1 1 1.5 3
fX(x) 0.2 0.01 0.3 0.29 0.2
FX(x) 0.2 0.21 0.51 0.8 1
Por lo tanto, P(-1 < X ≤ 1.5 ) = FX(1.5) - FX(-1) = 0.8 – 0.21 = 0.59
Ejemplo 3.3.1.2
La comisión por ventas que una empresa ofrece a sus agentes crece dependiendo
de los rangos de ventas individuales, la tasa de crecimiento es una variable
aleatoria X que tiene función de densidad
cx ;0x1
1
fX (x) cx ; 1 x 2
2
0 ; en otro caso.
Resolución
La primera condición que debe cumplir la función es ser positiva para todo valor de
x. Para ello, en esta función, basta con que c> 0.
por lo tanto, la función de densidad de la variable aleatoria X es
1
;0x1
4x
1 1
x ; 1 x 2
f X(x) 4 2
en otro caso.
0 ;
La gráfica de la función de densidad es la siguiente,
2
x y x
Si x < 1, FX(x) =
4dy
0
8
y
1 x 2 x 2
y 1
Si 1 < x < 2 , FX(x) = dy dy 1 y y x x 1
14 8 2 8
04 2 8 8 2 1
Por lo tanto,
0 ; x0
2
x 0x1
;
8
2
x x 1 ; 1 x 2
f X(x) 8 2 8
1 ; x 2.
1.22
P(0.5 < X < 1.2) = FX(1.2) - FX(0.5) = 1.2 1 0.5 2 0.87375
8 2 8 8
Con el fin de lograr una mejor descripción de una variable aleatoria es necesario
utilizar características numéricas, las características numéricas de una variable
aleatoria se pueden clasificar en:
x ) 0.5
F X (~
a. Si X es discreta
E( X ) xf X (x)
x
b. Si X es continua:
E( X ) xf X (x)dx
Ejemplo 3.4.1.1
12 2
0x1
49 x ;
12 3
f X (x) x ; 1x2
49
0 ; en otro caso
Resolución:
1 2 1 2
E( X ) xf (x)dx 12 x 3dx 12 x 4dx 12
x 4 12 x
5
X
0 49 1 49 0 5(49) 1
4(49)
387
245
387
E( X )
245
Ejemplo 3.4.1.2
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
Resolución:
x -5 3 4 8 10 12
fX(x) 0.05 0.13 0.22 0.07 0.33 0.2
FX(x) 0.05 0.18 0.4 0.47 0.8 1.0
La media µ es:
La mediana ~
x es el valor para el cual FX( ~
x )=0.5
Entonces ~
x = 10
Definición:
(x)dx
Vale la pena mencionar que el valor esperado es un operador lineal; es decir, tiene
las siguientes propiedades:
1) VARIANZA
Definición
Si X es una variable aleatoria, se define su varianza como:
Var(X)= σ2 = E[(X-µ)2]
Por tanto, si X es discreta:
Var( X ) (x ) f X (x)
2 2
x
Si X es continua:
Var( X ) 2 (x )2 fX (x)dx
Var( X ) 2 E[(x ) 2 ] E( X 2 ) 2
en donde:
xx f X (x)
2
2 si X es discreta
E[ X ]
x 2 f X (x)dx si X es continua
y µ2 es el cuadrado de E(X).
2) DESVIACIÓN ESTÁNDAR
Definición
Var(x)
3) COEFICIENTE DE VARIACIÓN
Definición
Ejemplo 3.4.2.1
Resolución:
RX = {0,1,.2,3}
x 0 1 2 3
fX(x) 1/8 3/8 3/8 1/8
1 3 3 1 3
E(X)=µ= xf (x) 0 1 2 3
X
x 8 8 8 8 2
Entonces;
3
Var( X ) E(x2 ) 2 x2 f (x) 2
X
1 x 3 23 1 3 3
(0)2 (1)2 (2)2 (3)2 2
8 8 8 8 2 4
2
3
4
C.V .( X ) 3 / 2 3
3/ 2 3
1) COEFICIENTE DE SESGO
Definición.
E[(x )3 ]
a( X )
3
0 La distribución es simétrica
a(x) 0 La distribución tiene sesgo positivo
0 La distribución tiene sesgo negativo
Distribución simétrica
2) COEFICIENTE DE CURTOSIS
Definición.
3 La distribución es mesocúrtica
k (x) 3 La distribución es leptocúrtica
3 La distribución es platicúrtica
Distribución mesocúrtica
Distribución leptocúrtica
Distribución platicúrtica