Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ALEATORIAS
Cap. 4
EXPERIMENTO ALEATORIO
Dado un experimento aleatorio Ɛ y Ω el espacio muestral asociado a Ɛ . Una función X que asigna a cada
elemento w en Ω uno y solamente un número real x = X(w), se llama variable aleatoria, es decir, X es una
función real, X: Ω →ℝ
Una variable aleatoria, es una función que asigna un número real a cada uno de los resultados del
experimento aleatorio.
X(s) CC→ 2
CX → 1
XC → 1
XX → 0
Lanzamiento de 2 monedas
Se sacan dos bolitas de sin reemplazo de una urna que contiene 5 bolitas
negras y 4 bolitas rojas
RX = {x Ꞓ ℝ / X (w) = x, w Ꞓ Ω} = X(Ω)
Cada elemento del RX de la variable aleatoria X tiene una probabilidad que han sido inducidas por las
probabilidades asignadas a los posibles resultados del espacio muestral Ω a través de la función X, es decir, se
puede utilizar la teoría de probabilidades en RX.
EVENTOS EQUIVALENTES
Sea Ω un espacio muestral asociado a un experimento aleatorio Ɛ, y X una variable aleatoria con rango RX
definida sobre Ω. Un evento A en Ω y un evento Ex en RX se dice que son eventos equivalentes si:
A = {x Ꞓ Ω/ X(w) Ꞓ EX} Ω RX
A EX
w x X(w)
Simplemente, si A es un evento en Ω que consiste de
todos los resultados posibles para el cual X(w) Ꞓ EX
son equivalentes
NOTA: Nótese que A y EX son eventos asociados a diferentes espacios. Si A es un evento en Ω tal
que A={ w Ꞓ Ω/ X(w)=a} su evento equivalente en RX es Ex= {a}, lo cual se denota por [X=a], ósea, el
evento [X=a= es el conjunto de puntos en el espacio Ω que son aplicados en el número real “a” por
la función X.
Cuando los valores que toma una variable aleatoria son finitos o infinitos numerables se dice que es
discreta.
RX = {x1, x2.x3,…}
ΣPi=1 P ( X = xi ) = 1.
Una VA discreta toma uno de sus valores con cierta probabilidad
Dicha probabilidad es la misma que la probabilidad con que ocurre el suceso que genera el valor
de la variable
Sea X una variable aleatoria discreta con rango RX una función definida por:
P (x ) = P[X = x] = σ{𝑤∈Ω\𝑋 𝑤 =𝑥} 𝑃[ 𝑤 ]
Suceso
elemental
Probabilidad
P[x] 3/5
1/2
Número de caras al lanzar 2
2/5
Probabilidad
monedas
2/7
x P(X=x) 1/5
0→ 1/4
0
1→ 1/2
0
2 → 1/4 0 0,5 1 1,5 2 2,5
# de caras
Lanzamiento de un dado
1/6
1/6
1/6
1/6
1/6
1/6
(x) P[X = x]
1 1/6
P[X]
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
1 2 3 4 5 6
NÚMERO
Distribución uniforme
Distribución Hipergeométrica
Supóngase que se tiene “n” artículos (n finito) de los cuales “r” son defectuosos. Se extrae una muestra
aleatoria de tamaño “m” sin reemplazamiento. Sea X el número de artículos defectuosos en la muestra.
Hallar la función de probabilidad de la variable aleatoria X.
𝑟 𝑛−𝑟
𝑥 𝑚−𝑥
𝑝 𝑥 =𝑃 𝑋=𝑥 = 𝑛 , 𝑥 = 0,1,2,3 … .
𝑚
FUNCIÓN DE DISTRIBUCIÓN Ó FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA DE UNA VARIABLE ALEATORIA
DISCRETA
La función de distribución FX(x) de una variable aleatoria X se define para todo número real x como:
La función de distribución asocia a cada valor de la variable aleatoria la probabilidad acumulada hasta ese
valor.
Sea X una variable aleatoria discreta con rango RX = {x1, x2,…} y función de probabilidad, p(xi) = P[X=xi], sea x
un número real cualquiera, la función de Distribución de X se denota por F(x) y se define como:
NOTA: En general si, x ∈ [[𝑥𝑘 , 𝑥𝑘+1 ۧ, se verifica que F(x) = F(𝑥𝑘 ), donde 𝑥𝑘 y 𝑥𝑘+1 son elementos del rango.
x pi
x <1 0
1≤ x < 2 1/6
2≤ x < 3 2/6
3≤ x < 4 3/6
4≤ x < 5 4/6
5≤ x < 6 5/6
6≤ x 1
PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN
Notación:
F(∞) en vez de lim 𝐹(𝑥) y F(-∞) en vez de lim 𝐹(𝑥)
𝑥→∞ 𝑥→−∞
Propiedad 1
0 ≦ F(x) ≦ 1, Ɐ x Ɛ ℝ, pues F(x) es una probabilidad para cualquier x real y las probabilidades están
limitadas por 0 y 1.
Propiedad 2
F(x) es una función no decreciente.
En efecto, sean x1, x2 Ɛ ℝ tales que x1 ≦ x2, entonces se tiene: {x/X ≦ x1} ⊂ {x/X ≦ x2}
Por lo tanto, F(x1) ≦ F(x2)
Propiedad 3
a) F(∞) = P[{x/X < ∞}] =P[X< ∞] = 1 púes el evento {x/X < ∞ } es el conjunto de todos los números reales.
b) F(-∞) = P[{x/X < -∞}] =P[X< -∞] = 0 púes el evento {x/X <- ∞ } es un conjunto nulo.
Propiedad 4
Sea 𝑥𝑘 , 𝑥𝑘+1 ∈ RX, si x es tal que: 𝑥𝑘 < 𝑥 < 𝑥𝑘+1 , entonces F(x) = F(𝑥𝑘 )
Es decir, la función F(x) es constante e igual a F(𝑥𝑘 ) para todo x ∈ [𝑥𝑘 , 𝑥𝑘+1 ۧ
Esto implica que si X es una variable discreta, F(x) es una función escalonada (escalera), y la altura de un
escalón en 𝑥𝑘 (𝑥𝑘 ∈ RX) es igual a la P[X= 𝑥𝑘 ]
NOTA:
a) La función de distribución da directamente:
P[X ≦ a] = F(a)
b) P[X ≧ a] = 1- P[X < a] = 1- F(a - 1), si a es entero y
P[X ≧ a] = 1- F( 𝑎 - 1), si a NO es entero
c) La función de distribución F(x) se puede usar para determinar probabilidades de cualquier clase con
relación a X; en particular consideremos el evento:
(a < X < b), a, b ∈ ℝ y a < b
FX(x)= x X ∈ [0,1)
Si el Rx de una variable aleatoria X es un intervalo sobre la recta de los números reales, se llama variable
aleatoria continua.
En la práctica, se corresponden con variables asociadas con experimentos en los cuales la variable medida
puede tomar cualquier valor en un intervalo: mediciones biométricas, intervalos de tiempo, áreas, etc.
Estatura de una persona elegida al azar en una población. El valor que se obtenga será una medición en
cualquier unidad de longitud (m, cm, etc.) dentro de unos límites condicionados por la naturaleza de la
variable. El resultado es impredecible con antelación, pero existen intervalos de valores más probables que
otros debido a la distribución de alturas en la población.
FUNCIÓN DE DENSIDAD DE PROBABILIDAD
Sea X una variable aleatoria continua con rango Rx, la función de densidad de probabilidad asociado a la
variable aleatoria, es una función f(x) integrable que satisface las siguientes condiciones:
2 ) න f(x) 𝑑𝑥 = 1 o න f(x) 𝑑𝑥 = 1
𝑅𝑥 −∞
Si tenemos dos puntos a y b( [a,b] ⊂ Rx) y queremos calcular la probabilidad, de este evento denominado A,
se tiene:
𝑏
P[A] = P[a ≦ X ≦ b] = න f(x) 𝑑𝑥
𝑎
La función de densidad de probabilidad fX(x) de una variable aleatoria continua X es la función que verifica
𝑥
FX(x) = −∞ fX(t) 𝑑𝑡, Ɐ 𝑥
𝑑
fX(x) = 𝑑 𝐹X(x)
𝑥
Observaciones:
1) Es importante darse cuenta que f(x) no representa la probabilidad de algo y que solamente cuando la
función se integra entre 2 puntos produce una probabilidad.
Sea X una variable aleatoria continua con función de densidad f(x). La función de distribución (o función
de distribución acumulada) de la variable aleatoria X, denotado por F(x), se define por
x
F(x) =P[X=x] = −∞ f(t) dx, Ɐ x ∈ ℝ
1) 0 ≦ F(x) ≦ 1, Ɐ x Ɛ ℝ
5) 𝑑
Si F(x) es una función variable, entonces: 𝑓 𝑥 = 𝑑𝑥 𝐹(𝑥)
3) DISTRIBUCIONES MIXTAS
La distribución de probabilidad de este tipo de variables aleatorias, se llaman distribuciones mixtas, se obtiene
combinando la definición de distribución de una variable aleatoria discreta y la de función de densidad de una
variable aleatoria continua de la siguiente manera:
1) A cada uno de los valores xi, se le asigna un número p(xi) >0 y se define una función f tal que f(x) >0, Ɐ x ∈
[a,b] pues el rango (los valores que toma) de X es:
2) 𝑛 𝑏
La probabilidad de
𝑝 𝑥𝑖 + න 𝑓 𝑥 𝑑𝑥 = 1 un evento P[a]=σ𝑥𝑗 ∈𝐴 𝑝 𝑥𝑗 + 𝑥𝑑 𝑥 𝑓 𝐴⊂𝐸
𝑥=1 𝑎 cualquiera A se
define:
FUNCIÓN DE UNA VARIABLE ALEATORIA
Se esta interesado en el comportamiento de una VA X, Y=H(X) y cada valor de Y se determina conociendo
los valores de X.
Ya que X es una VA, Y también es una VA y la distribución de Y , se determina conociendo la
distribución de X
Eventos equivalentes
X RX H Ry
Ω
w x=X(w) Y=H(x)
Y=H(X)=H(X(w))
Sea EX un evento en RX(EX ⊂ RX) y Fy un evento en Ry(Fy ⊂ Ry), EX y Fy son equivalentes si:
EX = { x Ꞓ RX / H(x) Ꞓ Fy } Si la ocurrencia de uno implica la ocurrencia del otro, es decir, cuando
ocurre EX ocurre Fy y recíprocamente
NOTA: Cuando hablamos de eventos equivalentes, estos eventos tienen espacios diferentes
Sea X una VA definida en el espacio muestral Ω con rango RX. Sea H una función real, de modo que Y= H(X) es
una VA con rango Ry entonces para cualquier evento (Fy ⊂ Ry), definimos P[Fy] como:
RX= { x1, x2,x3…} y PX(xi) = P[X=xi] H(xij) = yi para índices de j= [ j/j=1,2,3, Si}
Sea X una VAC con función de densidad f que satisface f(x)>0 para a<x<b, e “y”= H(x) es una función continua de
x, estrictamente creciente o estrictamente decreciente, entonces la VA Y=H(X) tienen una función de densidad
g dada por:
𝑑𝑥
G(y) = f(x) 𝑑𝑦
Con x= H-1 (y) expresado en función de y. Si H es creciente, g(y) > 0, si H(a) < y < H(b), si H es creciente g(y) > 0 si
H(b) < y < H(a)
4) ESPERANZA MATEMÁTICA
Se define esperanza o media de una variable aleatoria discreta X y se representa por E[X] al valor:
E[X] = σ𝑛𝐼=𝑛 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 ]
Se define esperanza o media de una variable aleatoria continua X con función de densidad fX(x) y se
representa por E[X] al valor:
∞ ∞
E[X] = 𝑥𝑑 )𝑥(𝑓 𝑥 )𝑥(𝑅 E[X] = −∞ 𝑥𝑖 𝑓(𝑥) 𝑑𝑥 E[X] = −∞ 𝑥 𝑓(𝑥) 𝑑𝑥
μ= E[X]
Interpretación geométrica: Es igual a la abscisa del centro de gravedad del área acotada por el la curva o
el polígono de distribución de probabilidad y el eje de abscisas.
La media poblacional, que mide el valor promedio de x en la población, también se denomina valor esperado
de la variable aleatoria x. Es el valor que se esperaría observar en promedio si el experimento se repite una y
otra vez
Sea X , e Y=H(X) una función de X. El valor esperado de la función H(X), denotado por “E[H(X)], se define
por:
i) E[H(X)] = σ𝑥∈𝑅𝑥 𝐻 𝑥 𝑝 𝑥 , si x es discreta Siempre que esta serie sea absolutamente
convergente.
ii) E[H(X)] = )𝑥(𝐻 𝑅f(x) < ∞ Si X es continua H(X) puede ser discreta o continua, pero se restringirá
𝑥 en este caso que Y= H(X) es una variable aleatoria continua.
TEOREMA: Si X es una variable aleatoria, a y b constantes, entonces:
i) E[a] = a ii) E[a H(X)] = a E[H(X)] iii) E[a H(X)+ b G(X)] = a E[H(X)] + b E[G(X)]
Sea x una variable aleatoria discreta con distribución de probabilidad p(x) y media. La varianza de x es
σ2 = E[ ( X - μ )2 ] =σ𝑥∈𝑅𝑥 𝑥 − μ 2 𝑝(𝑥), donde la sumatoria es sobre todos los valores de la variable aleatoria x
Es decir, la mediana tiene la propiedad de que la variable aleatoria tiene la misma posibilidad de estar a
cualquiera de los dos lados de este.
Interpretación geométrica: La ordenada trazada por el punto con abscisa x= xme divide por la mitad el área
acotada por la curva o polígono de distribución de probabilidad.
NOTA: Una VA X es simétrica si su función de probabilidad (o densidad de probabilidad) es simétrica.
NOTA: Si la recta x=a es en el eje de simetría de la curva de distribución de probabilidad f(x),
entonces xme =xmd = E(X) = a
PERCENTILES xk : Se llama EL 100 k-ésimo percentil de al VA X al número más pequeño posible tal que la
probabilidad de no excederlo es cuando menos k, con 0 < k < 1, es decir xk es el valor más pequeño tal que:
𝒌 𝒌 𝒌 𝒌
𝝁𝒌,𝒂 = 𝑬 𝑿 − 𝒂 = 𝑿−𝒂 𝒑(𝒙) 𝝁𝒌,𝒂 = 𝑬 𝑿 − 𝒂 = න 𝑿−𝒂 𝒇 𝒙 𝒅𝒙
𝒔∈𝑹𝒙 𝑹𝒙
Si X es discreta Si X es continua
Si la distribución de probabilidad es simétrica respecto a la media, entonces todos los momentos centrales
de orden impar son iguales a 0, es decir:
μ 1 = μ 3 = μ 5 …….= 0
ASIMETRÍA 𝑆𝑘 : Se llama asimetría o sesgo a la relación:
𝐸 𝑋−𝜇 3 𝜇3
𝑆𝑘 = = 3
𝜎3 𝜎
Si 𝑆𝑘 >0: La distribución esta sesgada hacia la derecha
(asimetría positiva)
Si 𝑆𝑘 <0: La distribución esta sesgada hacia la izquierda
(asimetría negativa)
Si 𝑆𝑘 = 0: La distribución es simétrica respecto a la media
Si conocemos : Distribución de μ ; σ2
Se puede determinar
probabilidad de una VA X,
Distribución de probabilidad
Si conocemos μ ; σ2 NO puede determinar
de una VA X,
Sin embargo se puede determinar una cuota superior o inferior para la probabilidad del tipo
P[ 𝑋 − μ ≧ 𝑘𝜎 Desigualdad de Chevyshev
TEOREMA DE CHEBYSHEV
Si la VA X tiene μ y σ2 finita, entonces, para cualquier k>1, se cumple:
1 Indica que la probabilidad que X tome algún valor
P[ 𝑋 − μ ≧ 𝑘𝜎] ≦
𝑘2
fuera del intervalo 𝜇 − 𝑘𝜎, 𝜇 + 𝑘 es a lo más 1/k2