El concepto de variable aleatoria surge de la necesidad de hacer ms manejables matemticamente los a a resultados de los experimentos aleatorios, que en muchos

casos son cualitativos, y que siguen patrones muy similares aunque la naturaleza del experimento no lo sea. Por ejemplo, un experimento consistente en observar el resultado de tirar una moneda, si sta est e a trucada y la probabilidad de cara es 0.9 y la de cruz es 0.1, es similar al experimento observar una pieza fabricada en un proceso que produce un 90% de piezas buenas y un 10% de piezas con defecto, pues en ambos casos, los posibles resultados del experimento son dos y la asignacin de probabilidades a los resultados es o igual. Sin embargo, ambos experimentos son de naturaleza totalmente diferente.

4.1 Variable aleatoria y ley de probabilidad asociada a la variable.

Denicin 1 Dado un espacio muestral asociado a un experimento aleatorio, llamaremos variable o aleatoria (v.a.) denida sobre a una aplicacin X de en IR. o Por ejemplo, en los dos experimentos de la introduccin, podr denirse la aplicacin X que asigna al o a o resultado cara el valor 1 y al resultado cruz el valor 0. Igualmente, en el caso de la pieza, podr a denirse una variable asignando al resultado buena el valor 1 y al resultado defectuosa el valor 0. Denicin 2 Dada una variable aleatoria X denida sobre el conjunto de sucesos de un experimento o u aleatorio, llamaremos soporte de X, que se denota por SX , al conjunto de posibles valores (nmeros reales) de la variable aleatoria. Observacin 1 El soporte de una variable aleatoria puede ser discreto o consistir en un intervalo de o IR. En los dos ejemplos anteriores, SX = {0, 1}. El soporte de la variable aleatoria se puede considerar como un nuevo espacio muestral, sobre el que se puede denir una probabilidad relacionada con la probabilidad denida sobre el espacio muestral original , de la siguiente forma: dado A IR, p(A) = p({ /X() A}) De esta forma se dene una aplicacin con llegada en el intervalo [0,1], sobre los subconjuntos del o soporte que son imagen de un suceso de y se puede demostrar que esta aplicacin es una probabilidad. o Esta probabilidad se denomina probabilidad asociada a la v.a. X, ley de probabilidad de la v. a. X o distribucin de la v.a. X. o En el ejemplo: p(1) = p(cara) = 0.9, p(0) = p(cruz) = 0.1 e igualmente: p(1) = p(buena) = 0.9, p(0) = p(def ectuosa) = 0.1
ww w.

at e

at

ic

a1

.c

om

u Es decir, las probabilidades denidas sobre SX = {0, 1} son iguales, an cuando los experimentos sean diferentes. Una vez que se conoce el soporte de una variable aleatoria y su distribucin, se puede o olvidar el experimento original. Cada variable aleatoria distinta (es decir, con soporte o distribucin o distinta) constituye un modelo probabil stico. En el resto del tema y en los siguientes nos centraremos en el estudio de estos modelos.

4.2 Variables aleatorias discretas.

Una variable aleatoria es discreta si su soporte es discreto, es decir, si consiste en un n mero nito o u numerable de resultados: SX = {x1 , x2 , . . . xn , . . .}. o Denicin 3 La ley de probabilidad o distribucin de una variable aleatoria discreta X queda determinada o por los valores p(xi ) = p(X = xi ), i = 1, 2, . . .. Se puede extender la denicin de p a cualquier nmero real, denindola como cero para todos los o u e o o x = xi , i = 1, 2, . . .. A esta funcin denida en IR se la denomina funcin de probabilidad o de masa de la variable aleatoria.

Ejemplo:
.c o

El ejemplo ms sencillo de variable discreta es la variable discreta uniforme, cuyo soporte es SX = a 1 {x1 , x2 , . . . , xn } con probabilidades: p(xi ) = n .

Propiedades 1
x

Propiedades de la funcin de distribucin. o o

x

(a) lim F (x) = 1 y lim F (x) = 0. La primera igualdad se debe a que {X } es todo el espacio muestral y la segunda a que {X } es su complementario. a (b) Si SX = {x1 , x2 , . . . xn , . . .} y los valores estn ordenados de menor a mayor, F (x) =
k i=1

p(xi ), si x [xk , xk+1 ).

(c) F es creciente: si x y, F (x) F (y). (d) F es continua a la derecha: lim F (x + h) = F (x).

h0+

(e) p(xi ) = F (xi ) F (xi1 ). (f ) Como consecuencia de todas las propiedades anteriores, la grca de F es discontinua con saltos a nitos en los puntos de probabilidad no nula, y creciente.

4.3 Variables aleatorias continuas.

De forma intuitiva, una variable aleatoria continua es aquella que toma valores en un intervalo de IR. Posteriormente daremos una denicin ms rigurosa. o a

ww

w.

M at

o o o Denicin 4 Llamaremos funcin de distribucin de la variable aleatoria X a la funcin: F : IR o [0, 1] denida por: F (x) = p(X x).

em

at

ic

Otra forma de denir la distribucin de una v.a. discreta es mediante la funcin de distribucin: o o o

a1

Vamos a introducir este concepto y el de distribucin de una variable continua de forma intuitiva, o partiendo de un ejemplo. Consideremos la medida del dimetro interior de un rodamiento de determinadas caracter a sticas. Esta medida puede considerarse una variable aleatoria pues las medidas de los distintos rodamientos tomarn valores aleatorios dentro de un intervalo de IR ms o menos amplio. Si tomamos 100 de estos a a rodamientos, anotamos sus medidas y construimos el histograma correspondiente, despus de haber e agrupado en clases, cada rectngulo del histograma tendr rea proporcional a la frecuencia relativa a aa de la clase correspondiente, y esta frecuencia se puede escribir como: fi = Fi+1 Fi , donde fi es la frecuencia relativa de la clase [xi , xi+1 ) y Fi+1 es la correspondiente frecuencia relativa acumulada. Vamos a suponer que la razn de proporcionalidad es 1 y por tanto, que: o (xi+1 xi )hi = Fi+1 Fi dnde hi es la altura del rectngulo. Podemos observar en ese histograma que el rea total es 1 y que o a a la probabilidad de que una de las 100 piezas escogida al azar tenga su medida en el intervalo [xi , xi+1 ) es el rea del histograma correspondiente a este intervalo a Si ahora medimos 1000 piezas y agrupamos en clases (igualmente espaciadas), obtendremos un nuevo histograma; si tomamos 100000 piezas y agrupamos en clases, ..., los sucesivos histogramas van a ir aproximndose a una curva (Ley de Regularidad Estad a stica). Cul va a ser la altura f(x) a correspondiente a cada x del soporte de esta variable, en esa curva?.

A esta curva l mite la vamos a llamar funcin de densidad. Su nombre proviene de la similitud entre el o concepto de probabilidad, las frecuencias relativas y la interpretacin de stas como masas. Cuando se o e consideran variables aleatorias continuas, el soporte de la variable se puede interpretar como una varilla delgada de masa unidad y densidad no constante, dada por la funcin de densidad de probabilidad o f(x). Igual que en el caso de la varilla (en el que cada punto de la misma tiene masa cero) la probabilidad de cada punto es cero, sin embargo, la probabilidad de un intervalo contenido en el soporte (equivalente a la masa de un trozo de varilla) puede ser no nula. o Denicin 5 Diremos que una variable aleatoria X es continua si existe una funcin o f : IR IR, integrable, tal que: (a) f (x) 0 para todo x IR. (b) (c) p(X x) =
f (x)dx

= 1.
x f (t)dt.

A dicha funcin se la denomina funcin de densidad de la variable aleatoria X. o o o Observacin 2 A partir de lo desarrollado en la introduccin de este punto, se deduce que f (x) o describe el comportamiento a largo plazo ( es decir, cuando el nmero de observaciones tiende a u innito) de la variable.

ww

w.

e igualmente en los sucesivos histogramas, de forma que f(x) ser el l a mite de estas alturas cuando el nmero de piezas observadas y el nmero de clases tiendan a innito (y por tanto la amplitud de las u u clases tienda a cero).

at em

at

hi =

ic a1

En el histograma inicial, la altura de un punto x que estuviese en el intervalo [xi , xi+1 ) era: Fi+1 Fi xi+1 xi
.c

om

Ejemplo:
De nuevo, el ejemplo ms sencillo de v. a. continua es la v.a. continua uniforme, que se dene como a aquella que tiene densidad constante en un intervalo acotado de IR. As la v.a. continua uniforme en , [a, b] ser la que tiene por soporte SX = [a, b] y densidad: a f (x) = (Por qu e
1 ba ?)

1 ba

axb en otro caso

Igual que ocurre con las v.a. discretas, la distribucin de una v.a. continua se puede denir tambin o e a partir de la funcin de distribucin de la variable, que se dene de igual forma: o o o o o Denicin 6 Llamaremos funcin de distribucin de la variable aleatoria X a la funcin: F : IR o [0, 1] denida por: F (x) = p(X x). Teniendo en cuenta la denicin de funcin de densidad, se cumplen las siguientes propiedades: o o Propiedades 2 (a) lim F (x) = 1 y lim F (x) = 0.
x x

(b) F es creciente: si x y, F (x) F (y).

em

(f ) La probabilidad de un punto es nula.

at

o (e) F(x) es derivable y F (x) = f (x), para cada x R en el que la funcin de densidad es continua.

ic a

(d) F(x) es continua en IR.

1.c
ww w.

(c) F (x) =

x f (t)dt.

om

Ejemplo:

La funcin de distribucin de la v.a. continua uniforme ser: o o a

0

at

(g) p([a, b]) = p((a, b]) = p([a, b)) = p((a, b)) = F (b) F (a) =

b a f (t)dt.

F (x) =

xa ba

si x a axb si x b

4.4 Medidas caracter sticas de una v.a.

Las medidas caracter sticas asociadas a una v.a. reciben el mismo nombre que en el caso de variables estad sticas y se interpretan de idntica forma. En este caso, para distinguir unas y otras, se representan e con letras griegas. Vamos a denir a continuacin las principales. Podr observarse que en el caso discreto, las deniciones o a son totalmente anlogas a las dadas para v. estad a sticas, si en stas se cambia frecuencia relativa por e probabilidad. Medida Media o Esperanza Varianza Desviacin t o pica v.a.discretas E(X) o xi p(xi ) 2
i i

v.a. continuas xf (x) dx

(x

(xi )2 p(xi )
i

)2 f (x) dx )2 f (x) dx

(xi )2 p(xi )

(x

Observacin 3 La media de una variable aleatoria se interpreta como el valor esperado a largo plazo, o de la variable, de ah su nombre de Esperanza. En cuanto a las restantes medidas, se denen: Mediana: - en el caso discreto se calcula de igual forma que para variables estad sticas. 1 - en el caso continuo, es el valor para el que F (x) = 2 . Moda: a a - en el caso discreto, es el valor xi para el cul p toma el valor ms alto. - en el caso continuo, coincide con los mximos absolutos de la funcin de densidad. a o Cuartiles: - en el caso discreto se calculan de igual forma que para variables estad sticas. 1 - en el caso continuo son: Q1 el valor para el que F (x) = 4 y Q3 el valor para el que F (x) = 3 . 4 Rango intercuart lico: en ambos casos se dene como la diferencia entre los cuartiles, Q3 Q1 . Coeciente de variacin: en ambos casos se dene como o
.

4.5 Independencia de variables aleatorias Denicin 7 Las v.a X1 , X2 , . . . Xn se dicen independientes si y slo si p(X1 x1 , X2 o o x2 , . . . Xn xn ) = p(X1 x1 )p(X2 x2 ) . . . p(Xn xn ) para cada (x1 , . . . , xn ) IRn Si las v.a son discretas, la condicin de independencia es equivalente a que p(X1 = x1 , X2 = o x2 , . . . Xn = xn ) = pX1 (x1 )pX2 (x2 ) . . . pXn (xn ) para cada (x1 , . . . , xn ) IRn . Ejemplo: En el experimento de tirar dos dados correctos, vamos a denir las variables X1 y X2 de la siguiente forma: X1 = 2 si al menos uno de los resultados es par y X1 = 1 si los dos resultados son impares u X2 = 3 si al menos un resultado es m ltiplo de 3 y X2 = 0 si ninguno de los dos resultados es m ltiplo de 3. u Puede comprobarse que la tabla de doble entrada de (X1 , X2 ) es : X1 \X2 1 2 0 4/36 12/36 16/36 3 5/36 9/36 15/36 27/36 20/36
ww

w.

Sea X una v.a. con media nita y desviacin tpica nita. Entonces, si k es un nmero real con o u 1 k 1: p( k X + k) > 1 2 k

at

em at

Teorema 1 Teorema de Chebychev

ic

a1

.c

Un resultado importante, que expresa la relacin existente entre la media de una variable aleatoria o y su desviacin t o pica, es el teorema de Chebychev, cuyo enunciado es similar al visto en Estad stica Descriptiva, y cuya demostracin, en el caso discreto es anloga y por tanto, no la repetiremos: o a
om

Las variables X1 y X2 son independientes, puesto que

9 20 36 36

5 36

9 16 36 36

4 36

27 20 36 36

15 36

27 16 36 36

12 36

4.6 Funciones de variables aleatorias En ocasiones, los sucesos a estudiar se expresan como una relacin funcional de variables o aleatorias (por ejemplo, el suceso X + Y 1, o XY 62.5). Por ello, vamos a introducir brevemente las funciones de variables aleatorias. o Proposicin 1 Si X e Y son dos variables aleatorias y h : IR2 IR es una funcin continua, o entonces h(X,Y) es una variable aleatoria. Algunas de las relaciones que ms com nmente aparecen al trabajar con variables aleatorias es a u la suma y el producto; las medidas de las nuevas variables, cumplen estas propiedades: u Propiedades 3 Si X e Y son variables aleatorias y a,b son nmeros reales: (a) E(aX + bY ) = aE(X) + bE(Y ). (b) Si X e Y son independientes: V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ). (c) Si X e Y son independientes: E(aXY ) = aE(X)E(Y ).
ww w.

M at

em

at

ic a

1.c

om