VARIABLE ALEATORIA

Ejemplo.
Consideremos el experimento aleatorio de Lanzar una moneda tres veces. El
espacio muestral , es el conjunto formado por los siguientes puntos mustrales:
= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
Supongamos ahora que solo nos interesa l nmero de caras que salen, de
manera que los sucesos:
CCS, CSC, SCC pueden considerarse equivalentes, tambin los sucesos:
CSS, SCS, SSC se consideran equivalentes;
podemos introducir una funcin X definida sobre el espacio muestral de tal
manera que:
X(CCC) = 3

X(CCS) = X(CSC) = X(SCC) = 2

X(CSS) = X(SCS) = X(SSC) = 1

X(SSS) = 0

Es decir, la funcin X en definida por:

X(w): Numero de caras obtenidas al lanzar una moneda tres veces
es una funcin a valores reales, que tiene como dominio el espacio muestral y
como rango Rx el subconjunto de nmeros reales, Rx = {x/x=0, 1, 2, 3}.

En smbolos se tiene:
X:

{0, 1, 2, 3}

X(w)

Esquemticamente lo expresado anteriormente se tiene:

Tenemos as, un nuevo conjunto R={0, 1, 2, 3}, ahora formado por nmeros
reales, a c/u de los cuales le corresponde una probabilidad de la siguiente manera:
P[{3}] = P[CCC] = 1/8

P[{2}] = P[CCS] + P[CSC] + [SCC] = 3/8

P[{1}] = P[SSC] + P[SCS] +P[CSS] = 3/8

P[{0}] = P[SSS] = 1/8.

Vemos pues que la funcin X hace corresponder a cada elemento w de espacio

muestral un numero real x, y adems el conjunto de elementos de , cuya
imagen es uno de estos nmeros reales, es un elemento de P(), sea un evento,
y tiene por lo tanto, una determinada probabilidad.
La funcin X que cumplen esta condiciones se llama Variable aleatoria.

Definicin: Dado un experimento aleatorio y el espacio muestral

asociado a . Una funcin X que asigna a cada elemento w en , uno y
solamente un numero real x = X(w) , se llama Variable Aleatoria, es decir, X
es una Funcin Real.
X : R
w - -- X ( w ) x
En general se designa a las variables aleatorias con letras maysculas como: X,
Y, Z, etc. Grficamente se presenta as:
aqui se puede observar que :
El do min io de va X es .

y el Rango de la va X es un
subconjunto de valores reales R

denotado por

Rx

Una Variable Aleatoria (va) : cumple las condiciones siguientes:

a) Una va. Se define en el espacio muestral , asociado a un experimento aleatorio
y sus valores son nmeros reales.
b) Sea K, cualquier numero real y sea I cualquier intervalo entonces, el conjunto de
todos los resultados del experimento aleatorio en el espacio muestral , para el
valor de la variable igual a K, tiene probabilidad bien definida y lo mismo cumple
para el conjunto de todos los resultados del experimento en el espacio muestral ,
donde los valores de la variable estn en el intervalo I.

Toda ley de Probabilidad, la determinamos por la variable aleatoria correspondiente;

esto es por el recorrido de la variable y una funcin de probabilidad que no es otra
cosa que la probabilidad de los eventos para los cuales la variable aleatoria toma
ciertos valores reales.
Propiedades de la Variables Aleatorias
1) Si X es va. e Y es va.

X + Y es va.

2) Si X es va. y K es una constante

3) Si X es va. e Y es va.

KX es va.

XY es va.

4) Si X es va. e Y es va., con Y > 0

X/Y es va.

5) Si X es va. Para i = j,......n. y ai constantes para i=1, 2,.....n entonces:

a X .es.va.
i 1

CLASES DE VARIABLE ALEATORIA

VARIABLE ALEATORIA DISCRETA

Definicin: si el rango de la variable aleatoria X, es un conjunto finito o infinito

numerable, se llama Variable Aleatoria Discreta.
En este caso Rx = {x1, x2, x3, ..... } , es decir Rx = {0, 1, 2, 3, ..... }
Distribucin de Probabilidad de una Variable aleatoria Discreta X:
Si X es un va. Discreta, que puede asumir los valores x1, x2, x3, ..... xk, con
probabilidades asociadas f(x1), f(x2), f(x3), .... f(xk); entonces el conjunto de cuyos
elementos son pares ordenados de la forma [xi , f(xi)] para i=1, 2, ..... , k, se
llama Distribucin de Probabilidad de la va. X.
Luego podemos decir que la distribucin de la va. discreta X esta dado por:

X1 ,

X2 ,

X3

X f(X1 ) , f ( X 2 ) , f ( X 3 )

Xk

Recorrido de la variable.

f ( X k ) Funcin de Probabilid ad Cuanta

Ley de Probabilid ad.

Esta funcin de probabilidad cumple con las condiciones de probabilidad, es decir:

a) f(x) 0, xRx

b) f(x) = 1.

Resumen: Para construir una funcin de probabilidad se siguen los siguientes pasos:
1) Anote todos los puntos mustrales para su experimento.
2) Anote todos los posibles valores de la variable aleatoria discreta: x1, x2,
x3,.....xk con sus probabilidades asociadas: f(x1), f(x2), f(x3),.....f(xk).
k

3 )

Verificar si

f (x
i 1

P[ X
i 1

x i ] 1.

4) As el conjunto de pares ordenados [xi , f(xi)] es la distribucin de

probabilidades de la variable aleatoria discreta X que por lo general se presenta
en un cuadro en una expresin matemtica (Ecuacin).
Ejemplos:
1) Si una va. X, puede tomar los valores X = 0, 1, 2, 3, 4, 5.
siguientes funciones definen una funcin de probabilidad:
a ). f ( X )

x
15

Indicar si c/u de las

x2
b ). f ( x )
50

Solucin:

x
, entonces para los valores de X 0,1,2,3,4,5 se tiene que :
15
P(x = 0) = 0/15 = 0
P(x = 1) = 1/15
P(x = 2) = 2/15

a ) si f ( x )

P(x = 3) = 3/15

P(x = 4) = 4/15

P(x = 5) = 5/15

Podemos tambin representar a una funcin de probabilidad por un cuadro as:

Valores de X
Probabilidades P[X = x]

0
0

1
1/15

2
2/15

3
3/15

4
4/15

5
5/15

Luego verificaremos las condiciones de probabilidad:

a) f(x) 0 ; esto si es cierto para todo valor de X
f(x) = 1 , para todo valor de X; en efecto se tiene que:
f(0) + f(1) + f(2) + f(3) + f(4) + f(5) = 1
0 + 1/15 + 2/15 + 3/15 + 4/15 + 5/15 = 1
Luego f(X) si es una funcin de probabilidad donde f(x) = X/15.
x2
b) si f ( x )
entonces para los valores de X : 0,1,2,3,4,5 se tiene que :
50
P(x=0) =0/50 = 0 P(x=1) = 1/50

P(x=2) = 4/50

P(x=3) = 9/50P(x=4) = 16/50

P(x=5) = 25/50

Podemos tambin representar a una funcin de probabilidad por un cuadro as:

Valores de X

Probabilidades P[X = x]

1/50

2
4/50

9/50

16/50

25/50

Luego verificaremos las condiciones de probabilidad:

a) f(x) 0 ; esto si es cierto para todo valor de X
f(x) = 1 , para todo valor de X; en efecto se tiene que:
f(0) + f(1) + f(2) + f(3) + f(4) + f(5) = 1
reemplazando tenemos:
0 + 1/15 + 4 /15 + 9/15 + 16/15 + 25/15 = 55/50
>1
Luego
f(X) = X2/50

no es una funcin de probabilidad.

2) Dado el experimento de revisar 3 productos al azar de un almacn, donde hay 6

productos de los cuales se sabe que 2 estn defectuosos. Se desea estudiar el
numero de productos no defectuosos de la muestra; se pide:
a) hallar los valores que toma la variable aleatoria X.
b) Calcular sus probabilidades de los valores de la va. X.
c) Escribir la distribucin de probabilidad de X.
d) Hacer el grfico correspondiente.
Solucin:
Si X es va.
Entonces X: Numero de productos no defectuosos de la muestra.
Segn el enunciado del problema se tiene:
2

productos defectuosos
4
productos no defectuosos
T O TAL
6 productos, de los cuales se eligen para revisar 3 productos
(muestra n = 3 )

Mediante la funcin X, asignamos un valor real a c/elemento del espacio muestral

es decir:
= {(NNN), (DDN), (DND), (NDD), (DNN), (NDN), NND)}
entonces:
X(NNN) = 3 productos no defectuosos.
X(NND) = X(NDN) = X(NND) = 2 productos no defectuosos.
X(DDN) = X(DND) = X(NDD) = 1 producto no defectuoso.
Por lo tanto los valores X(w) son:

1, 2, 3

(recorrido de la variable),

a)

la variable aleatoria toma los valores siguientes

b)

las probabilidades de los valores de la va. X, son:

luego:

X: 1, 2, 3.

P(x=1) = 3/7 (probabilidad de elegir un producto no defectuoso de la muestra)

P(x=2) = 3/7 (probabilidad de elegir dos productos no defectuosos de la muestra)
P(x=3) = 1/7 (probabilidad de elegir tres productos no defectuosos de la
muestra).
c) La distribucin de probabilidad de la variable aleatoria X esta dado por :

X:

f(X) :

1
3
7

2
3

3
1
7

Otra forma de expresar esta distribucin de probabilidad es:

va. X:
f(X):

1
3/7

2
3/7

3
1/7

Esta misma distribucin puede expresarse tambin de la siguiente manera:

3
7

3
f ( x) 7
1

7
0

para

x 1

para

x2

para

x3

para otro valor de x.

d) El grfico correspondiente para la distribucin de probabilidades de la va X definida es:

3) Una caja contiene 6 focos buenos y 4 defectuosos, si se le extraen, 4 focos

aleatoriamente, sin remplazo y X es el numero de focos buenos extrados. Escriba la funcin
de probabilidad de la va. X y grafique esta funcin.
Solucin:
Se tiene segn el enunciado del problema: 6 focos buenos + 4 focos defectuosos = Total 10 focos.
De este total de focos se eligen 4 al azar y sin reemplazo, luego sea la va X definida como:
X: N de focos buenos extrados, entonces X puede| asumir los siguientes valores:
X: 0, 1, 2, 3, 4.

y las probabilidades para cada uno de estos posibles valores son:

C36C14 80
P( X 3) 10
0.38
C4
210

C44C06 C44
1
P( X 0) 10 10
0.05
C4
C4
210
P( X 1)

C16C34
24

0.11
10
C4
210

C46C04 C46
15
P( X 4) 10 10
0.07
C4
C4
210

C26C24 90
P( X 2) 10
0.43
C4
210

Lectura : P( X xi ) significa : probabilid ad de extraer xi fo cos buenos

y ( 4 xi ) fo cos defectuosos.

Entonces la distribucin de probabilidad de la variable aleatoria X esta dado por :

X: 0 ,

1 ,

2 ,

, 4

90
80
15
1
24
f ( x ) : 210 , 210 , 210 , 210 , 210
Y adems esta funcin f(x) tambien cumple con las condicione s de probabilidad.

Esta distribucin de probabilidad de la va. X tambin se puede expresar de la

siguiente manera:

1
210

24
210
90

f ( X ) 210
80

210
15
210

para

x0

para

x 1

para

x2

para

x3

para

x4

para otro valor de X

El grfico correspondiente para esta va. X es:

Funcin de Distribucin Funcin de Distribucin Acumulada de una Variable

Aleatoria Discreta X.
Definicin: Sea X una va. Discreta con rango, Rx = {x1, x2, x3,........} y funcin de probabilidad,
f(xi) = P(xi) = P[X = xi], sea x un numero real cualquiera, Funcin de Distribucin Funcin de
Distribucin Acumulada de una va.X se denota por F(X) y se define como la probabilidad de
que la va.X asuma valores menores o iguales que x; es decir:

F ( X ) p X xi f ( xi ) p( xi ) p X xi
Xi x

Xi x

Xi x

En general si x es cualquier numero mayor que, o igual a a y menor que b; es

decir a x b, entonces F(X) = F(a). Esto nos indica que la probabilidad
acumulativa entre dos nmeros a y b, donde a<b es la misma que la de un limite
inferior en una distribucin discreta.
Por ejemplo: Si 2 x 3
F(2) es su funcin de distribucin acumulada.
Si 1 x 2
F(1) es su funcin de distribucin acumulada.
Si 0 x 1
F(0) es su funcin de distribucin
acumulada.
Propiedades de la funcin de distribucin acumulada F(X):
a) La funcin de distribucin acumulada es una funcin acotada, es decir: 0 F(x) 1.
b) Lim F(x) = 0
Lim F(x) = 1
X-
X +
c) F(x) es una funcin no decreciente y tiene forma de escalera o escalonada.
d) Dados dos nmeros reales x1 < x2, entonces : P[x1 < x x2 ] = F(x2) - F(x1).
e) P[X > x] = 1 P[X x] = 1 F(x).

Ejemplo:
1) Sea la va. X: numero de tornillos no defectuosos que se obtiene al extraer 2 tornillos
aleatoriamente y sin remplazo de una caja que contiene 5 tornillos defectuosos y 5 no
defectuosos. Definir y graficar la funcin de distribucin acumulada.
Solucin:
La distribucin de la variable aleatoria X definida esta dado por:
X:
f(X) :

0
10/45

2
25/45

Escrito de otra forma tenemos:

10/45
5
5
C0 C2 10
C 10 45
2

para

x0

para

x 1

para

x2

5
5
C1 C1 25

45
f ( x ) C210
C 5C 5 10
2 10 0
45
C2

para otro valor de X .

La funcin de distribucin acumulado segn la definicin pertinente la obtenemos

de la siguiente forma:

Si

x 0,

entonces, F ( x ) p[ X x ] p( xi ) 0
Xi x

10
X x
45
Si 1 x 2, entonces, F ( x ) p[ X x ] p( xi ) p[ x 0 x 1] f (0) f (1)
Si 0 x 1, entonces, F ( x ) p[ X x ] p( xi ) p( x 0)
i

Xi x

10 25 35

45 45 45
Si x 2, entonces, F(x) p[X x] p[x 0 x 1 x 2] f (0) f (1) f (2)

reemplazan do tenemos

reemplazan do valores tenemos

10
45

25
45

10
45

Luego escribiendo la funcin de distribucin acumulada tenemos:

0
10

45
F ( x)
35
45
1

si

x0

si

0 x 1

si

1 x 2

si

x2

Y la grafica correspondiente para esta funcin de distribucin acumulada es:

2) Dado el experimento de lanzar 3 monedas al aire, se desea estudiar el nmero

de sellos que se observan al caer. Obtener la funcin de distribucin acumulada en
forma tabular y represntelo grficamente.
Solucin:
El espacio muestral correspondiente al experimento aleatorio es:
= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
Siendo la va. X: nmero de sellos; este puede tomar los valores,
X: 0, 1, 2, 3.
recorrido de la variable.
La funcin de probabilidad en este caso es.:

Esta funcin de
probabilidad lo
podemos
expresar de la
siguiente
manera:

1
8
3
8

f ( x) 3
8

1
8

p(x = 0) = f(0) = 1/8

p(x=1) = f(1) = 3/8

P(x = 2) = f(2) = 3/8

p(x=3) = f(3) = 1/8

para

x0

para

x 1

para

x2

para

x3

para otro valor de X .

Luego la funcin
de distribucin
acumulada de la
va. X es:

0
1
8

F ( x) 4
8

7
8
1

si

x0

si

0 x 1

si

1 x 2

si

2 x3

si

x3

Y su grfica respectiva quedara representada de la manera siguiente:

3) La variable aleatoria
X tiene la siguiente
funcin de distribucin
acumulada:
Solucin:

0
1

8
1
F ( x)
2
5
8

si

x0

si

0 x 1

si

1 x 2

si

2 x3

si

Hallar u Obtener la funcin

de probabilidad f(x).

x3

Si la funcin de distribucin acumulada F(x) esta definida de la forma dada, entonces

la funcin de probabilidad f(x) de la va. X, se obtendr restando las probabilidades
acumuladas en forma sucesiva, pues recordaremos que la probabilidades acumuladas
F(x) se obtiene por la suma acumulada de las probabilidades f(x).
Luego las probabilidades f(x), se obtendr de la siguiente manera:

Si

x=3

F(3) F(2) = 1 5/8 = 3/8

x=2

F(2) F(1) = 5/8 = 1/8

x=1

F(1) F(0) = - 1/8 = 3/8

x=0

F(0) = 1/8

Luego la funcin de probabilidad f(x) se puede escribir de la manera siguiente:

f ( x)

1
8

si

x 0

3
8

si

x 1

1
8

si

x 2

3
8

si

x 3

en otro lugar

VARIABLE ALEATORIA CONTINUA

Definicin:

Si el rango Rx de una variable aleatoria X es un intervalo sobre la

recta de los nmeros reales, se llama Variable Aleatoria Continua.

Distribucin de Probabilidad de una Variable Aleatoria Continua .

Definicin:

Una distribucin de probabilidad continua la determinamos por

el recorrido de la variable (que es un Intervalo) y la funcin de
probabilidad f(x) que es la funcin de densidad, esto es:
a X b Recorrido de la variable donde a, b R
f ( X ) funcin de densidad o funcin probablistica de densidad

Si X es una va. Contina que puede asumir valores entre - y + , entonces la

funcin de densidad f(x) cumple con las siguientes condiciones de probabilidad:
1 )
2 )

f ( x) 0

para todo a x b

f ( x )dx 1

La funcin de densidad est definida por:

f(x) dx = p[x < X < x + x] siempre definido
en un Intervalo, no pudiendo expresarse en un punto, porque corta la continuidad,
Esto significa que:

X0

p[ X x0 ] p[ x0 X x0 ] f ( x )dx 0
X0

Si X es una va. Continua que puede asumir valores entre - y + , entonces

la funcin de densidad, que muestra la probabilidad de que X est incluida en
el intervalo (a , b), donde a < b es:
b

f ( x ) p( a x b ) f ( x )dx.
a

En la grfica siguiente la P(a < x < b) = f(x) representa el rea bajo la

curva de la funcin de densidad entre
x = a y x = b.

Una consecuencia inmediata es el siguiente resultado. Si X es va. Continua, entonces:

b

p( a x b ) p( a x b ) p( a x b ) p( a x b ) f ( x )dx.
a

S A es un evento o
suceso, entonces:

p( A) A f ( x )dx.

Si

A = (a,b],
b

entonces :

P( A) f ( x )dx.
a

Ejemplos:
1) Sea f, una funcin real valorada en el campo de los reales R ; cuya regla de
correspondencia es:
x

f ( x) 1
0

si 0 x 21
si 21 x 118
en otro lugar

Se pide: a) Verificar que f(x) es una funcin de densidad y hacer su grfica respectiva.
b) Sean los eventos: A= {xR/x > }

B= (-10 , 1/4] [1/2 , 1] [10/8 , ]

Calcular: P(A) y P (B)

Solucin:
a) Para verificar que f(x) sea una funcin de probabilidad, debemos probar que
cumpla las dos condiciones de Probabilidad:
1)
2 )

f(x) 0 ,

para todo valor de xR, verificando si se cumple esta condicin.

1

11
8

x2
f ( x )dx odx 0 xdx 1 1dx 11 0dx 0 2

2
8

1
2

x 128 0
11

1
8

11
8

1
2

Luego, como : f ( x )dx 1 , entonces la funcin f ( x ) si es una funcin de densidad

Haciendo la representacin
grfica a esta funcin de
densidad f(x) tenemos:

b ) Utilizando p( A) f ( x )dx

para el suceso A a, b]

11
8

p( A) f ( x )dx f ( x )dx 1dx x 128

1
1
A

11

1
, ];
2

7
8

tenemos :

Luego

P( A)

Para el suceso o evento aleatorio B= ( -10 , ] [ 1/2 , 1 ] [ 10/8 , ],

1

7
8

se tiene:
11
8

p( B ) f ( x )dx f ( x )dx f ( x )dx fx xdx 1dx 1dx

1
10
1
10
B

10

x2

x 1 2 x 1088
1

11

21
32

luego

P( B )

21
32

Es importante Recordar que: en general si A es un evento que es unin disjunta

de Intervalos, esto es:

Si

A A1 A2 An

donde Ai Aj .

Adems

i j

p( A) P( A1 A2 An ) A f ( x )dx A f ( x )dx A f ( x )dx

1

entonces :

2) Sea X una va. Con

funcin de densidad:
2
a( 3 x x )
f ( x)
0

a) Hallar el coeficiente a.
b) Construir la grfica de la funcin de densidad de
probabilidad f(x).
c) Calcular la probabilidad de que X se encuentre
en el intervalo: 1) [ 1 , 2 ]
2) < -1 , 3/2 ]

si
0 x3
en otros casos

Solucin:
a) Como todos los valores de la va. X se hallan comprendidos en el Intervalo [ 0 , 3 ],
es decir el recorrido de la variable Rx = [ 0 , 3 ]. Entonces, por la segunda
condicin de la funcin de densidad de probabilidad se tiene:
3 2 1 3
2
0 a(3 x x )dx a 2 x 3 x

27 27

despejando a se tiene :
1
2
3

2
27
a
a
1 por tanto
9
6

a
0

81 - 54
a
1
6

b) Reemplazando a en la ecuacin se tiene que la grfica de la funcin de densidad

de probabilidades es una Parbola en el Intervalo [ 0 , 3 ]; y fuera de este intervalo,
el grfico es el propio eje de las abscisas. Es decir:
2
Si a entonces reemplazan do en la funcin se tiene f ( x ) 23 x - 92 x 2 y su grafico es :
9

c.) Si a

2
9

f ( x)

2
2
x x2
3
9

luego la probabilid ad de que la va. X se encuentre en :

2
3
x 2x
2
2
1 ) [ 1,2 ] p[1 x 2] f ( x )dx x x dx

1
1 3
3
27

13
Luego la probabilid ad de :
p[1 x 2]
27
2

4 16 1 2 13

3 27 3 7 27

3
3
2 2
x 2x 2
2
2 ) 1, ] p( 1 x ] f ( x )dx 0dx x x dx 0

1
0 3
2
2 1
9
3 27 0
3 3 1 1
3
p( 1 x ]
por tanto la probabilid ad de p( 1 x ] 1
2
2 4 4 2
2
2

FUNCIN DE DISTRIBUCIN O FUNCIN DE DISTRIBUCIN ACUMULADA DE

UNA VA. CONTINUA
La funcin de distribucin acumulada F(x) de una va. Continua X, al igual que en el
caso discreto, muestra las probabilidades de las variables de la variable aleatoria
asuma valores menores o iguales a un valor particular.
Definicin:

Si X es una va. Continua con funcin de densidad f(x), la funcin de

distribucin o funcin de distribucin acumulada de la va. Continua X,
denotado por F(X), se define como:
x

F ( X ) P[ X x] f (t )dt

para todo x R

Grficamente se observa as:

Ejemplos:
1) la va. X sigue una
1
distribucin dada por
f ( x) 2
la funcin de
0
probabilidad siguiente:
Solucin:

Obtener:
0 x2
la funcin de distribucin acumulada
x 0 x 2 y graficar las funciones de densidad
y de distribucin acumulada.

si
si

Utilizando la definicin de funcin de distribucin acumulada tenemos:

a)

si X 0

f(x) = 0,

entonces se tiene que :

X

F ( x ) f ( x )dx 0dx 0
b)

c)

si 0 <x < 2

si X 2
X

f(x) = ,

entonces se tiene que:

X
0
X
0
X
1
x
F ( x ) f ( x )dx f ( x )dx f ( x )dx 0dx dx 0

0 2
2
f(x) = 0, entonces se tiene que:
0

x
2

F ( x ) f ( x )dx f ( x )dx f ( x )dx f ( x )dx 0dx 1 dx 0dx

2

0
2

0
2
x
0
2

00
0

2
0 1
2

Luego la funcin de distribucin acumulada es:

0
x
F( X )
2
1

si

X 0

si

0 x2

si

X 2

Haciendo las grficas respectivas de f(x) y F(x)

se pueden observar as:

2) Dada la funcin de densidad de la va. Contina X siguiente:

f ( x ) Cos x

Solucin:

para
para
para

x0

0 x
2

x
2

Hallar la funcin de distribucin

acumulada F(X).

Solucin:

Por la definicin de funcin de distribucin acumulada: F ( X ) f ( x )dx

Se tiene que:
i) Si x 0, entonces f(x) = 0,
es:

Luego la funcin de distribucin acumulada

X

F ( x ) f ( X )dx 0 dx 0

ii) S 0 < x < /2, entonces f(x) = Cos x; luego la funcin de distribucin acumulada es:

F ( x ) f ( x )dx f ( x )dx f ( x )dx 0dx Cos.xdx 0 Sen.x 0 Sen.x

X

iii) S x > /2, entonces f(x) = 0;

luego la funcin de distribucin acumulada
es:F ( x ) f ( x )dx f ( x )dx f ( x )dx f ( x )dx 0dx Cos.xdx 0dx

0 Sen x 0 2 0 Sen x(

F ( x ) Sen x

para

x0
0 x

para

para

) Sen x( 0) 1 0 1

Por lo tanto la funcin de distribucin acumulada es:

PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN ACUMULADA DE

UNA VA. CONTINUA
La funcin de distribucin acumulada F(x) cumple con las siguientes propiedades:
1.- la funcin de distribucin acumulada es acotada:

0 F( x ) 1

2. Lim. F ( x ) 0 Lim f (t )dt 0

3.-

Lim.F ( x ) 1

Lim f (t )dt 1

P[a x b] = P[a < x < b] = P[a x < b] = P[a < x b] = F(b) F(a).

4.- F(x) es una funcin de distribucin acumulada absolutamente continua y tal que
su derivada existe y es continua; es decir : dF ( x )
dx

5.-

P[ X > xo ] = 1 F(xo)

f ( x)

Ejemplos:
1.-) La variable aleatoria continua X
tiene la siguiente funcin de
distribucin acumulada:

F ( x) 3x 2 2 x 3

Hallar la funcin de densidad f(x)

Solucin:

f ( x)

si

x0

.si
si

0 x 1
x 1

de la va. X

Utilizando la propiedad N 4 de la funcin de distribucin

acumulada se tiene que derivando F(x) se halla f(x), es decir:

dF ( x )
derivando F(x) tenemos : f ( x ) 6 x 6 x
dx

Esta funcin derivada

tambin se puede expresar
de la manera siguiente:

2
6x 6x
f ( x)
0

si

x0

si
si

0 x 1
x 1

si
0 x 1
en otro lugar

2) La magnitud aleatoria X, esta dada por la funcin de distribucin F(x); hallar la

probabilidad de que la va. X tome un valor comprendido en el intervalo < 0 , 1/3 ],
si F(x) tiene la siguiente correspondencia:

3
3
x
4
4

F ( x)

x 1

para
para

1 x 1
3

para

x 1
3

Solucin:
La probabilidad de que X tome un valor comprendido en el intervalo ( a , b ), es igual a:
P(a < x < b ) = F( b ) - F( a );
es decir por la propiedad N 3 de F(X),
Luego si:
a = 0
y b = 1/3,
tenemos:
P( 0 < x < 1/3 ) = F( 1/3 ) F ( 0 )

3
3
x
4
4

Luego se tiene que:

P( 0 < x < 1/3 ) =

X1
3

3
3
x
4
4

1
X 0

3 1

4
4

ESPERANZA MATEMATICA
Se le llama tambin Valor Esperado o Media poblacional, y es un parmetro que
describe la tendencia central de una variable aleatoria. Dicho de otra manera es un
valor de la variable que expresa la posicin promedio de los valores que posee, es
decir podemos pensar como la media aritmtica de la distribucin.
De manera general, la Esperanza Matemtica se denota por : E(X), o tambin
como: x y se obtiene de la manera siguiente:

xf ( x )

E( x) X

xf ( x )dx

Si X es va. Discreta y f ( x ) es funcin de probabilida d

Si X es va. Continua y f ( x ) es funcin de densidad

Nota: En esta definicin se supone que la serie es absolutamente convergente y

la integral existe. Si no fuera as, se dice que el valor esperado de X, no existe.
PROPIEDADES DE LA ESPERANZA MATEMATICA
1) El valor esperado de una constante, es la misma constante, sea si K es una
constante, entonces E(K)=K
2) El valor esperado del producto de una constante por una variable es igual al producto
de la constante por el valor esperado de la variable, o sea E (K X) = K E( X )
3) El valor esperado de una suma algebraica de los valores esperados es igual:
3.1) E( X K ) = E( X ) K donde K: constante
3,2) E( KX + C ) = K E( X ) + C

donde K, C: constantes

3.3) E( X Y )

= E( X ) E( Y )

4) E(X - x) = 0 , siendo

x = E(x)
VARIANZA MATEMATICA

La varianza matemtica es una medida de variabilidad que expresa el grado de

dispersin de los resultados de un experimento respecto a la esperanza matemtica
Si X es una va. Con E(X) = , la varianza de X, que se denota por V(X) o tambin 2 ,
viene a ser el valor esperado de una funcin dada por ( X - ) 2 ; esto es:
2
( x ) f ( x)

2 V ( x ) E ( x )2

Si X es va. Discreta y f(x) es funcin de cuanta.

2
( x ) f ( x )dx Si X es va. Continua y f(x) es funcin de densidad.

As la varianza de X es la desviacin cuadrtica media de X a partir de la media.

Nota: Para el calculo practico de la varianza usaremos la siguiente formula equivalente:
V( X ) = 2 = E( x2 ) [E( x ) ]2 = E( x2 ) - 2
V( X ) = x2 f (x) - 2

PROPIEDADES DE LA VARIANZA
1) La varianza siempre es positiva, cualquiera que sea la distribucin. Esto es : V(X) 0
2) La varianza de una constante es cero, esto es, si K es constante, entonces V(K) = 0.
3) La varianza de la suma algebraica de una constante y una variable es igual a la
varianza de la variable, esto es: V( X + K) = V(X) K: constante
4) La varianza del producto de una constante y una variable es igual al cuadrado de la
constante por la varianza de la variable. Esto es : V(K X) = K2 V(X)
5) En general:
5.1) Si X e Y son va. Independientes:
V(X + Y) = V(X) + V(Y) 2 E[ ( X - x ) ( Y - y ) ]
donde: E[ ( X - x ) ( Y - y ) ] recibe el nombre de covarianza de las variables
X e Y y se denota por Cov ( X , Y ); as podemos escribir la expresin de la
manera siguiente: V(X +Y) = V(X) + V(Y) 2 Cov ( X , Y )
5.2) Si X e Y son va. Independientes, la expresin se reduce a:
V( X + Y ) = V( X ) + V( Y )
6) Si x1, x2, x3,..........xn, son va. Independientes y
n
n
constantes entonces:

a1, a2, a3,............an,

son

V ( ai xi ) ai2V ( xi )
i 1

i 1

DESVIACIN ESTANDAR O TIPICA

Se define como la raz cuadrada positiva de la varianza.
Si X es va. Con V(X) = 2, la desviacin estndar de X que se denota por es:

V(X ) 2

Ejemplo:
1) Tomando el ejemplo del lanzamiento de tres monedas, se tienen los siguientes datos:
X

f(x) :

1/8 3/8 3/8 1/8

Donde la va. X: es el nmero de caras que aparece en el lanzamiento.

Se pide hallar la esperanza y varianza matemtica.
Solucin:
La va. X aqu definida es Discreta, entonces por definicin se tiene que:
E(x) = = x f(x) = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 12/8 = 3/2 = 1.5
V(x) = E(x2) [E(x)]2 = E(x2) - 2 = 3 - (3/2)2 =
Donde: E(x2) = x2 f(x) = 02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8) = 24/8 = 3
2) Sea X una va. Con funcin de densidad:
Obtener:

a) el valor esperado de X
b) el valor esperado de X2
c) la varianza de X

2(1 x )
f ( x)
0

si

0 x 1

en otro lugar

Solucin:
a) Encontrando el valor esperado de X, tenemos:

x3
2
2
E( x ) xf ( x )dx x[ 2(1 x )]dx ( 2 x 2 x )dx x 2
0
0
0
3
1

12
(1 2 ) (0) 1
3
3
2

Luego: E(X) = 1/3

b) Hallando el valor esperado de X2

x3
x4
2
2
2
2
3
E ( x ) x f ( x )dx x 2(1 x ) dx 2 x 2 x dx 2 2
0
0
0
3
4
1

13
14 1
2 2
6
3
4

Luego E(x2) =1/6

c) La varianza matemtica de la va. Aleatoria X es:
V ( x)

1/18

E ( x 2 ) E ( x )

Luego la V(x) =

1 1

6 3

1
1
1

6
9
18

2) Cierta enfermedad de los agricultores y campesinos tiene una tasa de mortalidad del 75%, se
seleccionan dos pacientes que padecen de esa enfermedad. Considere la va.
X: nmero de pacientes recuperados
Obtenga el valor esperado y la varianza del nmero de pacientes recuperados.
Solucin:
Si X: es variable aleatoria de pacientes recuperados,
Entonces los posibles valores que puede tomar X
es:

X:

-------- Recorrido de la variable

Entonces las probabilidades correspondientes de estos valores son expresados por

la siguiente expresin:
n
n x
x

f ( x) Cx p

Donde:

p: es la probabilidad de xito (pacientes no recuperados); tasa de mortalidad = 0.75

q: es la probabilidad de fracaso (pacientes recuperados); tasa de no mortalidad = 0.25
n: numero de pacientes seleccionados = 2
x: valores posibles que puede tomar la va.
X : 0, 1, 2.
(variable
aleatoria
discreta)
Luego
utilizando
esta funcin
de probabilidad se pueden calcular todas las probabilidades
para cada uno de los valores de la va X: as tenemos:

p( x 0) C02 ( 0.75)20 (0.25)0 ( 0.75)2 0.56250 f ( x1 )

p( x 1) C12 (0.75)21 (0.25)1 2(0.75)1 (0.25) 0.375 f ( x2 )

p( x 2) C22 ( 0.75)22 (0.25)2 (0.25)2 0.0625 f ( x3 )

Por definicin de esperanza y varianza para una va . X discreta se tienen los
siguientes clculos:
X:

2
f(x): 0.5625
0.375
x f(x):
0
0.375
x2 f(x):
0
0.375

0.0625
0.1250
x f(x) = 0.5
0.2500
x2 f(x) = 0.625

go se tiene que La esperanza matemtica es

E(X) = 0.5

y la varianza matemtica es:

V(x) = E(x2) - [E(x)]2 = x2 f(x) - [x f(x)]2 = 0.625 (0.5)2 = 0.625 0.25 = 0.375
4) Por experiencias realizadas se comprob que la funcin de densidad de un cierto fenmeno
aleatorio fue la siguiente:

3 1 x 2
f ( x) 2

si

0 x2

en otro lugar

Calcular:
a) La esperanza y varianza de la va. X
b) La probabilidad que un valor este comprendido
entre y 3/2

Solucin:
2
3
2
3
3
2
a ) E ( x ) xf ( x )dx x (1 x ) dx x 3 x 2 x 3 dx 34 x 2 33 x 3 83 x 4 0 1
0
0
0 2
2
2

Luego la esperanza de X

es:

E(X) = 1

La varianza de X es: V(X) = E[ ( x - ) 2 ] = E ( x2 ) - 2 = E ( x 2 ) 1

Donde:
2

E( x ) x
2

3
2

(1 x ) dx 32 x 2 3 x 3 32 x 4 dx 63 x 3 34 x 4 103 x 5 0 4 12 485
2

Reemplazando en la expresin se tiene:

8
5

V(X) = 8/5 1 = 3/5

b) Nos piden hallar la probabilidad de que la va. X este comprendido entre y 3/2,
entonces se tiene:
3

p( x ) f ( x )dx (1 x ) dx 3x x dx x x x
1
1
1
1
2

3
2

3
2

3
2

3
2

3
2

3
2

3
6

3
1

2
2

2 1

16 8

5) Hallar la esperanza y varianza matemtica de una variable aleatoria continua X,

cuya funcin de distribucin acumulada es:

F ( x) x
4

Solucin:

si

.x 0

si

0 x4

si

x4

Lo primero que debemos hallar es la funcin de densidad de la va. X. As obtendremos:

0
dF ( x ) 1
f ( x)

dx
4
0

si

x0

si

0 x4

si

x4

Luego esto puede expresarse tambin de la manera siguiente:

1

f ( x) 4
0

0 x4

si

en otro

lugar

Obteniendo la esperanza matemtica se tiene:

4

E( x ) xf ( x )dx x( )dx xdx ( )0 x

1
4

1
4

1
4

x2
2

1
8

2 4
0

Para calcular la varianza matemtica se debe calcular primero el valor esperado

de x2, es decir:
4

E ( x ) x f ( x )dx x 2 ( 14 )dx 14 ( x3 )04

2

1
12

4
x 3 0 64
12

Luego la varianza por el mtodo corto o practico es:

V ( x ) X2 E ( x 2 ) 2

64
12

22

64
12

48
12

16
4

4
3

6) Se espera que la produccin por hora de una nueva mquina sea cuatro veces la
de la maquina anterior. Si la varianza de la produccin por hora de la maquina vieja
en su periodo de n horas es 16. cual es la desviacin tpica de la produccin por
hora de la nueva mquina en n horas?
Solucin:
Definamos las variables aleatorias siguientes segn el enunciado del problema:
Y: Produccin por hora de la nueva maquina
X: Produccin por hora de la maquina vieja.
Entonces se tiene segn el enunciado del problema:
Y = 4x

esto expresa la relacin de la produccin de la nueva y vieja maquina

Luego debemos hallar:

V(Y) = V(4X)

por propiedad de varianza matemtica esto es igual a:

V(Y) = 42 V(X) Luego reemplazando valores segn el problema dado se tiene:

V(Y) = 16 (16)
V(Y) = 256
Por consiguiente:
La desviacin tpica (desviacin estndar) de la produccin por hora de la nueva
mquina en n horas ser:

Y 256 16
Es decir la desviacin tpica de la produccin por hora de la nueva mquina es
igual a 16.