You are on page 1of 8

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T.

DISENO

Variables aleatorias
DEFINICION En temas anteriores, se han estudiado las variables estad sticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando para cada valor su frecuencia, esto es, el n umero de veces que sucede cada resultado. Sin embargo, antes de realizar un experimento aleatorio no se puede predecir con exactitud qu e resultados se van a observar, sino que, como mucho, se puede describir cu ales van a ser los resultados posibles y con qu e probabilidad puede ocurrir cada uno de ellos. En muchas ocasiones, nos interesa m as que el resultado completo del experimento, una funci on real de los resultados. Tales funciones cuyos valores dependen de los posibles resultados de un experimento aleatorio, se llaman variables aleatorias. En todo proceso de observaci on o experimento aleatorio podemos denir una variable aleatoria asignando a cada resultado del experimento un n umero: si el resultado del experimento es num erico porque contamos o medimos, los posibles valores de la variable coinciden con los resultados del experimento. si el resultado del experimento es cualitativo, hacemos corresponder a cada resultado un n umero siguiendo alg un criterio. Una variable aleatoria X es una funci on denida sobre el espacio muestral (conjunto de los resultados de un experimento aleatorio) que toma valores en el cuerpo de los n umeros reales IR, es decir X : IR Una variable aleatoria puede ser discreta o continua seg un sea el rango de esta aplicaci on. Una variable aleatoria es discreta si toma un n umero de valores nito o innito numerable. Estas variables corresponden a experimentos en los que se cuenta el n umero de veces que ha ocurrido un suceso. Una variable aleatoria es continua cuando puede tomar cualquier valor de un intervalo real de la forma (a, b), (a, ), (, b), (, +) o uniones de ellos. Por ejemplo, el peso de una persona, el tiempo de duraci on de un suceso, etc.

VARIABLES ALEATORIAS DISCRETAS Para la descripci on de una variable aleatoria discreta, se especican los posibles valores de la variable con sus respectivas probabilidades. Sea X una variable aleatoria que toma valores x1 , x2 , . . . , xn , . . .. Entenderemos por P (X = xi ) como la probabilidad del suceso X 1 (xi ) = {w : X (w) = xi } = A Q. Por ejemplo, en el experimento consistente en lanzar dos monedas, el espacio muestral es = {(c, c), (c, f ), (f, c), (f, f )}, donde c representa cara y f representa cruz. Sobre este espacio se puede denir la funci on X : IR dada por X (w) = n umero de caras que aparecen. Esta es una variable aleatoria discreta, ya que toma los valores X (f, f ) = 0; X (c, f ) = X (f, c) = 1; X (c, c) = 2 1

Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

y las probabilidades con que toma estos valores ser an 1 P (X = 0) = ; 4 2 P (X = 1) = ; 4 1 P (X = 2) = . 4

La tabla formada por los valores que toma la variable junto con sus probabilidades, recibe el nombre de distribuci on o funci on de probabilidad de la variable. Muchas veces interesa conocer con qu e probabilidad una variable aleatoria toma valores que no sobrepasan un determinado n umero real x, es decir, la probabilidad acumulada de que la variable tome valores inferiores a ese x. La funci on de distribuci on de una variable aleatoria discreta X se dene por F (x) = P (X x) =
xi x

P (X = xi )

Caracter sticas de la funci on de distribuci on: F (x) est a denida para todos los n umeros reales. 0 F (x) 1, puesto que est a denida a trav es de una probabilidad. lim F (x) = 0
x

lim F (x) = 1
x

Gr acamente, F (x) es una funci on escalonada(constante a trozos), cuyos saltos se producen en los valores que toma la variable. La funci on de distribuci on para la variable X =n umero de caras que aparecen al lanzar dos veces una moneda es: 0 si x < 0 1/4 si 0 x < 1 F (x) = 3/4 si 1 x < 2 1 si x 2 En ocasiones, resulta c omodo utilizar la funci on de distribuci on para el c alculo de probabilidades. Analizemos distintos casos: P (X x) = F (x), por denici on. P (X > x) = 1 P (X x) = 1 F (x) Si consideramos n, m IN, valores que toma la variable X , se verica P (n < X m) = P (X m) P (X n) = F (m) F (n) Como P (n X m) = P (n 1 < X m) = F (m) F (n 1). Para k IN cualquiera de los valores de la variable, se tiene P (X = k ) = P (k X k ) = P (k 1 < X k ) = F (k ) F (k 1)

La funci on de probabilidad de una variable aleatoria discreta es un modelo te orico de la distribuci on de frecuencia relativa de los resultados de un experimento aleatorio. Por tanto, se pueden describir los datos del experimento con medidas descriptivas num ericas similares a las que se trataron en Estad stica Descriptiva.
Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

Sea X una variable aleatoria discreta que toma valores x1 , x2 , . . . , xn , . . .. El valor esperado o esperanza matem atica es la medida de centralizaci on m as utilizada y se obtiene promediando cada posible valor por su probabilidad. = E (X ) =
i

xi P (X = xi )

donde el sumatorio va extendido a todos los posibles valores que tome la variable. Asimismo, se dene la varianza como
2 = X i

(xi )2 P (X = xi ) =
i

2 x2 i P (X = xi )

Igual que en el caso de Estad stica Descriptiva, se dene la desviaci on t pica como la ra z cuadrada positiva de la varianza. VARIABLES ALEATORIAS CONTINUAS En las variable continuas, hay que observar que la probabilidad de que la variable tome un valor particular se considera igual a cero. Se supone que no es posible conocer el valor exacto de una variable continua, ya que medir su valor consiste en clasicarlo dentro de un intervalo. Las variables aleatorias continuas se describen por medio de una funci on real de variable real, a la que se denomina funci on de densidad, que surge como la generalizaci on de las curvas de frecuencias asociadas a los histogramas, cuando la amplitud de los intervalos se considera innitamente peque na. Llamaremos funci on de densidad de una variable aleatoria X a una funci on real f (x) no negativa (f (x) 0) tal que
+

f (x) dx = 1

y de forma que es posible calcular la probabilidad de que X tome valores en un cierto intervalo [a, b], por integraci on
b

P (a < X < b) =
a

f (x) dx.

Conviene resaltar de nuevo que en variables aleatorias continuas se mide la probabilidad de intervalos y que la probabilidad de que la variable tome un valor concreto se considera cero. Por lo tanto,
b

f (x) dx = P (a < X < b) = P (a X < b) = P (a < X b) = P (a X b)


a

La funci on de distribuci on de X se dene igual que para variables discretas. Viene dada por F (x) = P (X x), ahora bien, la forma de acumular probabilidades est a ahora asociada a acumular areas de la funci on de densidad
x

F (x) =

f (t) dt.

Las caracter sticas de la funci on de distribuci on para variables continuas son similares a las del caso discreto, con la diferencia fundamental de que en el caso continuo, la funci on de distribuci on es una funci on continua en todo IR. Si pensamos en el teorema Fundamental del C alculo, obtenemos c omo recuperar la funci on de densidad, conociendo la de distribuci on f (x) = F (x).
Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

Lo que implica, si aplicamos la regla de Barrow,


b

P (a < X < b) =
a

f (x) dx = F (b) F (a).

En el caso continuo, la f ormula del valor esperado o esperanza matem atica queda
+

= E (X ) =

xf (x) dx

donde f (x) es la funci on de densidad de la variable aleatoria X . An alogamente, para la varianza


2 X = +

(x )2 f (x) dx =

x2 f (x) dx 2

MODELOS PROBABIL ISTICOS Con frecuencia, al considerar variables aleatorias distintas, asociadas incluso a experimentos aleatorios diferentes, se observa que las distribuciones de probabilidad son, en esencia, similares. Se pueden, por tanto, considerar modelos de distribuciones de probabilidad, aplicables a numerosas situaciones reales. Nuestra intenci on ahora es exponer las condiciones te oricas que caracterizan a la situaci on que se desea modelar, para, a partir de ellas, razonar la forma de la correspondiente funci on de probabilidad o de la funci on de densidad, seg un se est en considerando variables que, por sus caracter sticas, se pueden clasicar como discretas o continuas. Ahora bien, ante una situaci on real, es responsabilidad del observador, decidir qu e modelo te orico es el adecuado para describir el problema. Distribuciones discretas Distribuci on uniforme discreta Una variable aleatoria discreta X que toma n valores enteros equiprobables recibe el nombre de variable uniforme discreta. Si la variable toma valores 1, 2, . . . , n, sus probabilidades asociadas ser an 1 para todo k {1, 2, . . . , n} P (X = k ) = n Su media y varianza son n+1 n2 1 2 = = 2 12 Distribuci on de Bernoulli Consideremos un experimento aleatorio que admite s olo dos resultados posibles excluyentes: suceso A ( exito) con probabilidad P (A) = p y suceso Ac (fracaso) con probabilidad P (Ac ) = 1 p = q . La realizaci on de un experimento de este tipo recibe el nombre de prueba de Bernoulli. Asociada una prueba de Bernoulli, se puede denir una variable aleatoria discreta X =n umero de exitos al realizar una prueba de Bernoulli, que toma el valor 0, cuando ocurre el suceso Ac con probabilidad q y el valor 1, cuando ocurre el suceso A, con probabilidad p. La funci on de probabilidad de esta variable se puede escribir, por tanto: P (X = k ) = pk q 1k para k = 0, 1. 4

Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

Su media y varianza son =p 2 = p q

Distribuci on binomial Supongamos que se realizan n pruebas de Bernoulli independientes, es decir, la probabilidad de exito, p, es la misma en todas las pruebas. Por ejemplo, si se lanza un dado tres veces, la probabilidad de sacar un seis es igual a 1/6, en los tres lanzamientos. A la variable aleatoria discreta X = n umero de veces que ocurre el suceso A ( exito) en las n pruebas se la denomina variable aleatoria binomial de par ametros n y p. Los valores que toma la variable X son los exitos que se pueden producir cuando repito el mismo experimento n veces, luego ir an desde 0 exitos hasta n exitos. La variable tomar a el valor k arbitrario, cuando se produzcan k exitos y n k fracasos. La probabilidad de k exitos es pk y la de n k fracasos es (1 p)nk , luego la probabilidad de un resultado elemental con k exitos y n k fracasos ser a pk (1 p)nk . Ahora bien, los k exitos se pueden producir de varias formas distintas a lo largo de las n pruebas: pueden ocurrir en las k primeras pruebas o en las k u ltimas o un exito en la primera prueba y los k 1 fracasos, todos seguidos al nal o...Hay que contar el n umero de subconjuntos de k elementos n que se pueden formar con las n pruebas, esto es, k . Por lo tanto, si se denota por q a 1 p, la funci on de probabilidad de esta variable ser a
k nk P (X = k )= n k p q

para k = 0, 1, 2, . . . , n. Para indicar que una variable X es una binomial de par ametros n y p, se escribir a X B (n, p). Su media y varianza son = np 2 = np q. Los valores de P (X = k ) se encuentran tabulados para algunos valores de p entre 0 y 0.5. Si el valor de p es mayor que 0.5, entonces hay que tener en cuenta la denominada propiedad de simetr a: dado un experimento de Bernoulli repetido n veces, se consideran las variables aleatorias X = n umero de exitos en las n pruebas (X B (n, p)) e Y = n umero de fracasos en las n pruebas (Y B (n, q )). Entonces, P (X = k ) = P (Y = n k ).

Distribuci on de Poisson Este es un modelo probabil stico u til para describir el n umero de veces que ocurre un determinado suceso a lo largo de una unidad de tiempo, area, volumen, etc., establecido. Una situaci on caracter stica de este tipo se da cuando se observa la cola que se forma en determinados servicios. El n umero de clientes que llegan a una caja de un supermercado en un cuarto de hora, el n umero de pacientes que llegan a la sala de urgencias de un hospital en una hora, el n umero de trabajos que recibe una impresora en red de una empresa por minuto, son variables cuya distribuci on se puede describir con este modelo probabil stico. Todas ellas tienen ciertas caracter sticas comunes: el n umero de clientes, pacientes o trabajos por unidad de tiempo es independiente del n umero de los mismos que llegan en otra unidad de tiempo; la probabilidad de que un cliente, paciente o trabajo llegue en una unidad de tiempo es la misma para todas las unidades. Si se denota por la letra griega al n umero esperado de ocurrencias de un suceso por unidad de tiempo, area, volumen, etc., la variable aleatoria X =n umero de veces que ocurre un determinado

Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

suceso por unidad de tiempo, area, volumen, etc. se dice que sigue una distribuci on de probabilidad de Poisson de par ametro . Puede tomar todos los valores enteros 0, 1, 2, . . . con probabilidades P (X = k ) = Su media y varianza son = 2 = Esta distribuci on es una buena aproximaci on de la binomial cuando n es grande y p peque na, a saber, cuando p 0.1 y np < 5. Distribuciones continuas Distribuci on uniforme continua Una variable aleatoria continua X que toma valores en un intervalo acotado de los n umeros reales sigue una distribuci on uniforme cuando la probabilidad de que la variable tome valores en cualquier subintervalo del mismo, es proporcional a la longitud de dicho subintervalo, con lo que la probabilidad asociada a dos subintervalos de igual longitud es la misma. En tal caso, si [a, b] es el intervalo de la recta real en la que la variable toma valores, la funci on de densidad es f (x) = Por tanto, su funci on de distribuci on es F (x) =

1 ba

k e , k!

para k = 0, 1, 2, . . . .

si

x [a, b] en el resto

0
xa ba

si x < a si x [a, b] si x>b

Obs ervese que la probabilidad de cualquier subintervalo [x1 , x2 ] [a, b] viene dada por P (x1 X x2 ) =
x2 x1

x2 x1 1 dx = ba ba

Un c alculo simple muestra que la media y varianza de la variable uniforme continua son = a+b 2 2 = (b a)2 12

Distribuci on normal Sin duda, es la m as importante de todos los modelos probabil sticos, pues su aplicaci on se extiende a numerosos campos de la naturaleza, la industria, la Econom a, etc. Tiene su origen en la modelizaci on de la distribuci on de frecuencias relativas de errores cometidos al efectuar repetidas veces una medici on. Una variable continua X se dice que tiene una distribuci on normal de media y desviaci on t pica y se representa por X N(, ), si puede tomar cualquier valor de los n umeros reales y su funci on de densidad es 2 1 (x) 1 f (x) = e 2 2 2 La funci on de densidad f (x) presenta un m aximo en x = , dos puntos de inexi on en x = y x = + y tiene al eje OX como as ntota. Su gr aca es sim etrica respecto a la recta x = . Al tratarse de una variable continua, para calcular probabilidades asociadas a la normal, por ejemplo 2 x2 1 (x) 1 e 2 2 P (x1 X x2 ) = x1 2 Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada 6

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

habr a que calcular la integral anterior, pero esto no puede hacerse anal ticamente, sino que habr a que emplear m etodos de integraci on num erica. El recurso que queda es tabular las dististas probabilidades posibles, pero como depende de los valores de los par ametros y , en principio, ser a necesario construir una tabla distinta para cada par de valores. Sin embargo la tipicaci on de una variable normal de par ametros y , da lugar a otra variable normal, esta, de media 0 y desviaci on t pica 1. Si una variable X es N(, ), la nueva variable Z= X

sigue tambi en una distribuci on normal de media 0 y desviaci on t pica 1, es decir Z es N(0, 1). A la variable Z se le denomina variable tipicada de X y a la curva de su funci on de densidad curva normal est andar o tipicada. La distribuci on de la variable normal de media 0 y desviaci on t pica 1 se encuentra tabulada. En las tablas aparecen areas bajo la curva normal, a la derecha de un punto z . Por z se representa el valor de la abcisa que tiene a la derecha un area bajo la curva normal igual a , es decir P (Z z ) = . Habitualmente, s olo se encuentran tabulados valores de Z positivos o areas 0.5. Para valores de Z menores que cero, debido a la simetr a se tendr a en cuenta que si z 0, entonces P (Z z ) = P (Z z ). Para las areas a la izquierda, se tiene que P (Z z ) = 1 P (Z z ) = 1 . Por otra parte, para calcular probabilidades asociadas a intervalos, distinguimos los casos siguientes: a) si a, b 0, entonces P (a Z b) = P (Z a) P (Z b) b) si a, b 0, entonces P (a Z b) = P (a Z b) y se calcular a como el caso anterior c) si a 0 y b 0, entonces P (a Z b) = 1 [P (Z a) + P (Z b)] = 1 [P (Z a) + P (Z b)] La gran utilidad de la variable tipicada Z es que nos permite calcular areas (y por tanto probabilidades) de cualquier distribuci on normal. Si X es N(, ) entonces P (a X b) = P X b a =P a b Z .

Si X es una variable binomial de par ametros n y p, entonces si n es grande y ni p ni q son pr oximos a cero, podemos considerar que X sigue aproximadamente una distribuci on N(np, npq ). Por tanto, la variable tipicada correspondiente X np Z= npq es N(0, 1).

Se puede armar que la aproximaci on es sucientemente buena cuando np > 5, si p 0.5, o bien nq > 5, si p > 0.5. Hay que tener en cuenta que para utilizar correctamente esta transformaci on de una variable discreta X (con distribuci on binomial) en una variable continua Z (con distribuci on normal) es
Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

INDUSTRIAL. ESTAD ISTICA APLICADA Y MODELIZACION. I.T. DISENO

necesario hacer una correcci on de continuidad. T engase en cuenta que P (X = a), saldr a siempre igual a cero. Esto se evita identicando el suceso {X = a} con {a 0.5 X a + 0.5}, es decir P (X = a) = P (a 0.5 X a + 0.5) = P (a 0.5 N(np, npq ) a + 0.5) = P a 0.5 np a + 0.5 np Z npq npq

Esta correcci on puede extenderse a cualquier intervalo de forma que P (a X b) = P (a 0.5 N(np, npq ) b + 0.5)

Inmaculada de las Pe nas Cabrera. Dpto de Matem atica Aplicada

You might also like