diz

Universidad de Ca
Departamento de Matematicas

MATEMATICAS
para estudiantes de primer curso
de facultades y escuelas tecnicas

Tema 12
Distribucion de una variable aleatoria

Elaborado por la Profesora Doctora Mara Teresa Gonzalez Montesinos

Indice
1. Breve introducci
on a la combinatoria
1.1. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1
1
2
3

2. Definiciones previas
2.1. Sucesos. Frecuencia absoluta y relativa . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Sucesos equiprobables. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4
4
5

3. Noci
on de variable aleatoria

4. Variable aleatoria discreta. Probabilidad

4.1. Funci
on de probabilidad de una variable aleatoria discreta . . . . . . . . . . . . . . . .
4.2. Funci
on de distribuci
on de una variable aleatoria discreta . . . . . . . . . . . . . . . .
4.3. Media y desviaci
on tpica de una variable aleatoria discreta . . . . . . . . . . . . . . .

9
9
11
12

5. Variable aleatoria continua y distribuci

on continua

13

6. Ejercicios propuestos

15

Tema 12

1. Breve introduccion a la combinatoria

Creemos oportuno para el desarrollo de este tema realizar un repaso de las nociones b
asicas de la
Combinatoria, la cual se ocupa del estudio y propiedades de los grupos distintos que pueden formarse
con los elementos de un conjunto dado, diferenci
andose entre s por:
el n
umero de elementos que forman cada grupo;
la clase de elementos;
el orden de colocaci
on.
El n
umero de elementos de que disponemos para las distintas agrupaciones se llama base. Las agrupaciones de elementos, seg
un el n
umero de ellos: 1, 2, 3, 4, 5, ..., se llaman: monarias, binarias, ternarias,
cuaternarias, quinarias, etc. A este n
umero se le llama orden de la agrupaci
on.
Se estudian tres tipos distintos de agrupaciones: las variaciones, las permutaciones y las combinaciones.

1.1. Variaciones
Definici
on 1.1 Llamaremos variaciones sin repetici
on de m elementos tomados de n en n, a los
diferentes grupos que con ellos se pueden formar, de tal modo que cada grupo este formado n elementos
distintos y que un grupo se diferencie de los dem
as, bien en alguno de los elementos, bien en el orden
de colocaci
on de los mismos.
Ejemplo 1.1 Cu
antos n
umeros de tres cifras se pueden formar con 1, 2, 3, 4, sin que se repita ninguna?
Los n
umeros que se obtienen son los siguientes:
123
213
312
412

124
214
314
413

132
231
321
421

134
234
324
423

142
241
341
431

143
243
342
432

Observese que los 24 n

umeros obtenidos difieren en alguna cifra o en el orden de colocaci
on de las
mismas.
Las variaciones monarias con m elementos se representa por el smbolo Vm1 o Vm,1 ; el de las binarias,
por Vm2 o Vm,2 ; en general, las de orden n por Vmn o Vm,n .
El n
umero de variaciones de m elementos, tomados de n en n, viene dado por
Vmn = Vm,n =
As, en el ejemplo anterior, tenemos V43 =
las cifras 1, 2, 3 y 4.

m!
(m n)!

4!
= 24 n
umeros distintos que se pueden formar con
(4 3)!

Definici
on 1.2 Llamamos variaciones con repetici
on de m elementos, tomados de n en n, a los
diferentes grupos que con ellos se pueden formar, de tal modo que cada grupo este formado por n
elementos, pudiendo repetirse alguno de ellos una o varias veces, y considerando que dos grupos son
distintos si se diferencian en alg
un elemento, o en el orden en que est
an colocados.

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

Al n
umero de todas las posibles variaciones con repetici
on de orden n que se pueden formar con m
n o bien por V R
elementos se denotar
a por V Rm
.
m,n
N
otese que en las variaciones sin repetici
on debe cumplirse que m n; sin embargo, en este caso
esta condici
on no es necesaria.
Ejemplo 1.2 Al rellenar una quiniela, utilizamos variaciones con repetici
on. En cada columna debemos
colocar 14 signos, repitiendo los tres u
nicos signos posibles: 1, X, 2. Una columna difiere de la otra en
alg
un signo o por el orden en que est
an colocados.
El n
umero de variaciones con repetici
on de m elementos, tomados de n en n, viene dado por
n
V Rm
= V Rm,n = mn .

Ejemplo 1.3
1. Cu
antos n
umeros de 5 cifras se pueden formar con las cifras 1, 2, 3?
V R35 = 35 = 243.
2. Cu
antos caracteres del alfabeto Morse se podr
an escribir utilizando 6 signos (puntos o rayas)?
V R26 = 26 = 64.
3. Cu
antas columnas rellena un quinielista que juega un boleto m
ultiple de 2 triples y 4 dobles?
V R32 V R24 = 32 24 = 144 columnas.

1.2. Permutaciones
Definici
on 1.3 Dados m elementos, llamaremos permutaciones sin repetici
on de m elementos a
las variaciones de esos m tomados de m en m, es decir, a los diversos grupos que con ellos se pueden
formar, de modo que, entrando todos ellos en cada grupo, se diferencie un grupo de otro solamente en
el orden de colocaci
on de los elementos.
De la definici
on anterior se deduce que las permutaciones sin repetici
on no son sino variaciones en
umero de
las que cada grupo est
a formado por todos los elementos. As, si designamos por Pm al n
permutaciones que se pueden formar con m elementos, tenemos que
Pm = Vmm =

m!
= Pm = m!.
(m m)!

Definici
on 1.4 Dado un conjunto de m elementos de k clases distintas, cada una de las cuales est
a formada por ni elementos, 1 i k (n1 + n2 + + nk = m), llamaremos permutaciones con repetici
on a las distintas formas en que se pueden ordenar esos m elementos. Una ordenaci
on se distingue
de otra por el lugar que ocupan dos elementos distintos.
Ejemplo 1.4
1. Formar todos los n
umeros que se pueden escribir permutando las cifras 3, 3, 4.
334, 343, 433.
2. Cu
antas permutaciones distintas se pueden formar con las letras de casa?

Tema 12

casa,
acsa,

saca,
asca,

acas,
aacs,

asac,
aasc,

caas,
csaa,

saac,
scaa.

Si entre los m elementos que figuran en una permutaci

on, vemos que un elemento aparece repetido n1
veces, otro n2 veces, ..., y el u
ltimo nk veces, el n
umero de permutaciones con repetici
on vendr
a dado
por
Pm
m!
n1 ,n2 ,...,nk
Pm
=
=
.
Pn1 Pn2 Pnk
n1 !n2 ! nk !

Como no interesa la naturaleza de los elementos repetidos, si un elemento no aparece m

as que una
vez, no se colocar
a en el exponente.
Ejemplo 1.5
1. Cu
antos n
umeros distintos se pueden escribir con las cifras 1, 1, 1, 1, 2, 2, 2, 3, 3, 4?
4,3,2
P10
=

10!
= 12600.
4!3!2!

2. De cuantas formas distintas se puede organizar un tren con tres coches de segunda clase, tres
de primera, dos coches cama y un vag
on de correos?
P93,3,2 =

9!
= 5040.
3!3!2!

1.3. Combinaciones
A veces interesa ver los distintos grupos que se pueden formar con varios elementos, atendiendo
s
olo a la naturaleza de los mismos y no al orden. As, por ejemplo, si nos preguntan cu
antas sumas
distintas podemos obtener con los n
umeros 1, 3, 5, 7, es lo mismo considerar 1 + 3 que 3 + 1, o 3 + 5
que 5+ 3. De este modo, en las combinaciones no influye el orden en que esten colocados los elementos.
De aqu la siguiente
Definici
on 1.5 Se llaman combinaciones sin repetici
on de m elementos, tomados de n en n, a
los distintos grupos que se pueden formar con los m elementos, de modo que cada grupo este formado
por n de ellos, diferenci
andose un grupo de otro en uno de sus elementos.
Ejemplo 1.6 Cu
antas rectas determinan cuatro puntos, A, B, C y D, con tal de que no haya m
as
de dos que esten alineados?
Como AB y BA son la misma recta, todas las posibles rectas ser
an AB, AC, AD, BC, BD, CD.
Otra definicion de combinaciones sin repetici
on sera la siguiente:
Definici
on 1.6 Dado un conjunto A de m elementos, se llaman combinaciones de orden n a todos
los subconjuntos posibles de n elementos que pueden obtener con los m elementos de A.
Como dos conjuntos son iguales si tienen los mismos elementos, se comprende que el orden no influya
en la formacion de combinaciones sin repetici
on. Se consideran iguales los subconjuntos formados por
los mismos elementos, aunque esten dados en distinto orden.
La notacion empleada para representar el n
umero de combinaciones de m elementos, tomados de
n o C
n en n, es Cm
m,n , y viene dado por
 
m
n
Cm = Cm,n =
.
n

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

Tambien se tiene que

n
Cm
=

Vmn
Pn

Ejemplo 1.7 Cu
antos grupos de cinco se podr
an formar con los 30 alumnos de una clase en el supuesto
de que un grupo se diferencie de otro por lo menos en un alumno?
 
30
30!
5
C30 =
=
= 120 grupos.
5
25!5!

2. Definiciones previas
En esta secci
on estudiaremos brevemente los conceptos que deben conocerse para abordar el presente tema. As, llamaremos experimento aleatorio a todo aquel cuyos resultados no son predecibles,
aunque lo repitamos en las condiciones m
as uniformes posibles, como puede ser el lanzamiento de un
dado efectuado por una m
aquina. Aparece siempre una variable intrnseca que se podr
a suprimir,
variando, por ello, los resultados en las sucesivas pruebas o repeticiones del mismo. Es decir, si nos ha
salido en el ejemplo del dado un 4 en una prueba, no sabemos el n
umero que saldr
a en la siguiente.
Se entender
a por variable estadstica al conjunto de resultados o serie de valores obtenidos al
repetir un experimento aleatorio.
Considerense los experimentos siguientes:
1) Lanzar un dado anotando los resultados.
2) Anotar el sexo de un determinado n
umero de recien nacidos.
Supongamos que hemos obtenido las dos series estadsticas siguientes:
{1, 3, 4, 4, 2, 5, 4, 2, 1, 4},

{ni
no, ni
na, ni
na, ni
na, ni
no}.

La primera serie la podemos representar por la variable xi : 1, 3, 4, 4, 2, 5, 4, 2, 1, 4, que representa

los diez resultados obtenidos (repetidos o no) en las diez pruebas del experimento aleatorio lanzar un
dado. Esta variable se denomina variable estadstica cuantitativa, ya que sus resultados son numericos.
no y b denota ni
na.
La segunda variable la representaremos por xi : a, b, b, b, a, donde a denota ni
Esta variable se llama cualitativa o atributiva pues los resultados del experimento son cualidades o
atributos.

2.1. Sucesos. Frecuencia absoluta y relativa

Por resultado de un experimento se entiende la obtenci
on de uno de los sucesos elementales.
Al lanzar un dado, los resultados posibles son los seis conocidos: 1, 2, 3, 4, 5, 6. Cada uno de estos
resultados es un suceso elemental y el conjunto de todos ellos constituye el espacio muestral, el cual
se denotar
a por E.
Un suceso es cualquier subconjunto de un espacio muestral E, A E; el suceso contrario de
es el subconjunto complementario, esto es, A = E A. El suceso A obtener
A, que se denota por A,
un n
umero impar al lanzar un dado, est
a formado por tres resultados, esto es, A = {1, 3, 5}, el cual
es un subconjunto del espacio muestral E = {1, 2, 3, 4, 5, 6}. Entonces A = {2, 4, 6}.
Decimos que dos sucesos son compatibles cuando pueden darse los dos a la vez, mientras que si
la realizaci
on de un suceso A excluye al suceso B, diremos que A y B son incompatibles.
Cuando un suceso se da siempre, se llama suceso seguro. Un suceso seguro est
a formado por
todos los resultados posibles de una prueba. As, por ejemplo, al tirar una moneda al aire, es suceso
seguro que salga cara o cruz.

Tema 12

Si se trata de extraer dos bolas, una tras otra, de una bolsa que contiene cinco blancas y tres
negras, podemos realizar las extracciones de dos formas distintas:
a) Con reemplazamiento, es decir, hecha la extracci
on y anotado el resultado, se vuelve a introducir
la bola extrada en la bolsa.
b) Sin reemplazamiento, esto es, extrada la primera bola, se hace la segunda extracci
on sin introducir
la primera en la bolsa.
En el primer caso, el hecho de haber realizado la primera extracci
on no influye en la segunda, ya
que no se alteran las condiciones: los dos sucesos son independientes. En el segundo caso, la primera extracci
on modifica las condiciones en las que se va a realizar la segunda: los dos sucesos son
dependientes.
Los posibles sucesos de un espacio muestral E coincidir
an con todas las partes de E: P(E). Si el
espacio muestral E est
a formado por n resultados de un experimento, el n
umero de sucesos de E es
n
2 .
La frecuencia absoluta de un suceso A, fa (A), es el n
umero de veces que se repite dicho suceso
en un determinado n
umero de pruebas. La frecuencia relativa de un suceso A, fr (A), es el cociente
entre la frecuencia absoluta y el n
umero de pruebas. Si el n
umero de pruebas realizadas es N y n el
n
umero de veces que se ha repetido un suceso A, tendremos
fa (A) = n,

fr (A) =

n
.
N

Las frecuencias absoluta y relativa tienen las siguientes propiedades:

1) La frecuencia absoluta es siempre un n
umero entero n, y si el n
umero de pruebas es N , se tiene
que 0 n N .
2) Siempre es 0 fr 1.
3) Cuando dos sucesos A y B son contrarios, en cada prueba se verificar
a el suceso A o el B, y las
suma de sus frecuencias absolutas ser
a igual a N , mientras que la suma de sus frecuencias relativas
ser
a igual a 1.
4) Si n1 y n2 son las frecuencias de dos sucesos incompatibles A1 y A2 , y n es la frecuencia absoluta
del suceso A1 A2 , entonces
fa (A1 A2 ) = fa (A1 ) + fa (A2 )
.
n
=
n1
+
n2
Si N es el n
umero total de pruebas realizadas, tendremos que
n
n1
n2
=
+
N
N
N
.
fr (A1 A2 ) = fr (A1 ) + fr (A2 )

2.2. Sucesos equiprobables. Probabilidad

La importancia que posee la frecuencia relativa se deduce de la siguiente ley del azar:
Al aumentar el n
umero de experiencias, la frecuencia relativa de un determinado suceso
tiende a estabilizarse alrededor de un n
umero al que llamaremos probabilidad de dicho
suceso.

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

Al arrojar una moneda al aire, {salir cara} o {salir cruz} son igualmente posibles y, seg
un la ley del
azar, los dos sucesos tienen la misma probabilidad: diremos que son equiprobables.
Cuando un espacio E est
a compuesto por n sucesos elementales, todos equiprobables, diremos que
1
el espacio es uniforme y la probabilidad de cada suceso elemental es igual a .
n
Ejemplo 2.1 Cu
al ser
a la probabilidad de que al lanzar dos monedas al aire salgan A ={dos caras},
B ={una cara y una cruz}?
El espacio E = {cc, cx, xc, xx} est
a formado por cuatro sucesos elementales y es uniforme. Cada
1
suceso tiene la misma probabilidad, .
4
1
P (A) = ,
4

P (B) = P (cx, xc) =

1 1
1
+ = .
4 4
2

En un espacio uniforme, al n
umero de todos sus elementos se le llama casos posibles, y al n
umero
de elementos que integran un suceso parcial se le llama casos favorables. Con esta nomenclatura,
podemos dar la definici
on de Laplace:
Definici
on 2.1 La probabilidad de un suceso A viene dada por
P (A) =

casos favorables
.
casos posibles

Ejemplo 2.2
1. Cu
al es la probabilidad del suceso A ={n
umero par} en el lanzamiento de un dado?
El espacio es uniforme y est
a compuesto por seis elementos: E = {1, 2, 3, 4, 5, 6}; el suceso A
3
1
tiene tres elementos: A = {2, 4, 6}. La probabilidad es entonces P (A) = = .
6
2
2. Cu
al es la probabilidad de que en un lanzamiento de dos dados la suma sea 8?
El espacio tiene V R62 = 36 elementos equiprobales:
E = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), . . . , (6, 5), (6, 6)}.
Los casos posibles son cinco:
A = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)},
5
.
36
Las propiedades fundamentales de las probabilidades son las siguientes:
con lo que P (A) =

Valores de la probabilidad. Si A es un suceso, siempre se tendr

a que 0 P (A) 1. La probabilidad
del suceso imposible es nula mientras que la del suceso seguro es igual a 1: P () = 0, P (E) = 1.
Probabilidad de la uni
on de sucesos incompatibles: probabilidad total. Si A y B son dos sucesos
incompatibles entonces P (A B) = P (A) + P (B). Esta probabilidad recibe el nombre de probabilidad total.
Ejemplo 2.3 La probabilidad de que al lanzar un dado salga A ={m
ultiplo de 2} o B ={m
ultiplo
de 5} es
1 1
2
P (A B) = P (A) + P (B) = + = .
2 6
3

Tema 12

= 1 P (A), ya que E = A A y P (E) = P (A) + P (A)

=
Probabilidad de sucesos contrarios. P (A)
1.
Probabilidad compuesta de sucesos independientes. Cuando dos sucesos A y B son independientes, se llama probabilidad compuesta al producto de las probabilidades de los dos sucesos. Dicha
probabilidad se corresponde con la de que se produzcan los sucesos A y B a la vez.
Ejemplo 2.4 Veamos cu
al es la probabilidad de sacar cara y 3 en lanzamiento simultaneo de
una moneda y un dado.
1
1
La probabilidad de sacar cara es P (c) = mientras que la de sacar un 3 es P (3) = , con lo que
2
6
11
1
P (c, 3) =
= . Efectivamente; el espacio E es el producto cartesiano {c, x}{1, 2, 3, 4, 5, 6},
26
12
1
que tiene doce elementos, todos ellos equiprobables, luego P (c, 3) = .
12

3. Nocion de variable aleatoria

Recuerdese que en el caso del dado de la secci
on anterior, los resultados son numericos, mientras
que en el ejemplo del sexo, no lo son. Nos interesa pues expresar los resultados de un experimento
aleatorio de forma numerica para que as puedan aplicarse las propiedades de operaciones del algebra;
es decir, queremos asociar a cada resultado de un experimento un n
umero real.
Para ello tendremos que definir una funci
on cuyo dominio sea el conjunto de resultados posibles
de un experimento aleatorio y cuyo recorrido sea el conjunto de los n
umeros reales, R. A tal funci
on
la denominaremos variable aleatoria1 y la designaremos con la letra X. Antes de dar una definici
on
precisa de variable aleatoria, veamos algunos ejemplos:
Ejemplo 3.1
1. En el caso del sexo de los recien nacidos, el espacio muestral de resultados posibles est
a constituido por E ={ni
no, ni
na}= {a, b}. Una variable aleatoria asociada a E sera una funci
on X que
asigna el valor 1 al resultado ser ni
no y el valor 0 al resultado ser ni
na: X(a) = 1, X(b) = 0.
2. En el caso del dado, el espacio muestral es E = {1, 2, 3, 4, 5, 6}. Al ser numericos estos resultados,
parece natural que la variable aleatoria sea la funci
on identidad: X(k) = k, 1 k 6. No
obstante, podramos asociar otra variable aleatoria Y al experimento anterior, consistente en
hacer corresponder a cada n
umero obtenido su cuadrado: Y (k) = k2 , 1 k 6, aunque lo
habitual en este caso ser
a considerar la primera variable aleatoria. Podemos enunciar, pues, un
importante resultado:
Se pueden asociar distintas variables aleatorias a un mismo experimento.
3. Supongamos que lanzamos tres monedas y anotamos los resultados. Sea C el suceso obtener
cara y F obtener cruz. El espacio muestral est
a formado por los siguientes resultados o sucesos
elementales:
E = {(C, C, C), (C, C, F ), (C, F, C), (F, C, C), (C, F, F ), (F, C, F ), (F, F, C), (F, F, F )}.
M
as que estos 8 resultados nos interesa una cantidad numerica que exprese dichos resultados.
Bastara, por ejemplo, asignar los n
umeros 3, 2, 1, 0, a cada uno de los resultados en que aparezcan
1

Aqu se est
a realizando un abuso del lenguaje, pues sera m
as conveniente hablar de funci
on aleatoria que de variable
aleatoria.

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

3, 2, 1, 0 caras, respectivamente. Hemos establecido de esta forma una aplicaci

on o funci
on de
E en R, que denominamos variable aleatoria X y que expresamos por X : E R de manera
que
X(CCC) = 3,
X(CCF ) = X(CF C) = X(F CC) = 2,
X(CF F ) = X(F CF ) = X(F F C) = 1, X(F F F )

= 0.

4. Considerese el experimento aleatorio lanzar dos dados. Si los resultados de los dados son m y
n, definimos la variable aleatoria X como X(m, n) = m + n. El dominio de la variable aleatoria
X o espacio muestral es el siguiente:
E = {(1, 1), (1, 2), (1, 3), . . . , (6, 5), (6, 6)},
que esta formado por 36 elementos. El recorrido de la variable aleatoria X est
a constituido por
{2, 3, 4, 5, . . . , 12}.
Definici
on 3.1 Una variable aleatoria X, asociada a un espacio muestral E, es una funci
on de E
nico n
umero real
en R. Si E = {e1 , e2 , . . . , en }, entonces a cada resultado ek E le corresponde un u
xk :
ek 7 X(ek ) = xk , ek E;
es decir, transforma sucesos elementales en puntos de la recta real.
En el ejemplo anterior de lanzar tres monedas y definir la variable aleatoria X asignar a cada resultado el n
umero de caras obtenidas, podemos representar los resultados posibles, ek , la medida de
probabilidad, P (ek ) y la variable aleatoria, X(ek ) mediante la siguiente tabla:
ek
P (ek )
X(ek )

CCC CCF
1/8
1/8
3
2

CF C F CC CF F
1/8
1/8
1/8
2
2
1

F CF
1/8
1

FFC FFF
1/8
1/8
1
0

Si decimos que X toma el valor 3, esta expresi

on describe el suceso {CCC}. La expresi
on X toma
el valor 1 (por brevedad escribiremos X = 1) corresponde al suceso {CF F, F CF, F F C}. El suceso
2 X 3 es {CCF, CF C, F CC, CCC}. Observese que X = 4 representa al suceso imposible: {}.
En general, la expresi
on X toma el valor x (X = x) representa un suceso compuesto por todos
los resultados ek tales que X(ek ) = x.
De cuanto hemos dicho se deduce inmediatamente que la probabilidad de que X tome un valor x,
que designaremos por P (X) = x, es igual a la suma de las probabilidades de todos los resultados ek
tales que X(ek ) = x.
En nuestro ejemplo,
P (X = 2) = P ({CCF }) + P ({CF C}) + P ({F CC}) =

1 1 1
3
+ + = .
8 8 8
8

Definici
on 3.2 La distribuci
on de una variable aleatoria X es una tabla formada por sus valores con
sus correspondientes probabilidades.
En el ejemplo anterior:
X
P (X = x)

0
1
2
3
1/8 3/8 3/8 1/8

Tema 12

4. Variable aleatoria discreta. Probabilidad

Hasta ahora hemos tratado espacios muestrales que constaban de un n
umero finito de resultados
o puntos. Vamos a suponer en lo que sigue que el conjunto de puntos de un espacio muestral E es
infinito numerable2 .
Supongamos una urna con dos bolas negras y una blanca. Realicemos el experimento consistente en
extraer una bola devolviendola a la urna hasta que salga blanca. El espacio muestral E estar
a formado
por todos los resultados posibles:
E = {B, N B, N N B, N N N B, . . .},
que constituyen un conjunto infinito numerable de resultados o puntos: B es el resultado que indica
que la bola blanca aparece en la primera extracci
on; N B es el resultado que indica que la bola blanca
aparece en la segunda; etc.
Como P (B) = 1/3 y P (N ) = 2/3 son las probabilidades de obtener en una extraccion bola
blanca o negra, respectivamente, y los sucesos son independientes (por realizarse las extracciones con
reemplazamiento), es f
acil obtener una tabla an
aloga a la primera de la p
agina 12:
ek
P (ek )
X(ek )

B
NB
NNB

1/3 2/3 1/3 (2/3)2 1/3

1
2
3

(i1)

NN NB
(2/3)(i1) 1/3
i

Definici
on 4.1 Cualquier espacio muestral E que consta de n
umero finito o infinito numerable de
puntos es un espacio muestral discreto.
Cualquier variable aleatoria definida en un espacio muestral discreto es una variable aleatoria
discreta X que puede tener, por tanto, un n
umero finito o infinito numerable de valores distintos.

4.1. Funcion de probabilidad de una variable aleatoria discreta

Lanzando 48 veces un dado, hemos obtenido los resultados que se observan en la siguientes tablas:
Tabla de frecuencias
Var. estad.
Fr. abs.
xk
nk
1
6
2
9
3
10
4
2
5
9
6
12

Fr. rel.
fk
6/48
9/48
10/48
2/48
9/48
12/48

Tabla de probabilidades
Var. aleat.
Fr. abs.
Probabilidad
X
te
orica
Pk
1
8
8/48=1/6
2
8
1/6
3
8
1/6
4
8
1/6
5
8
1/6
6
8
1/6

La tabla de la izquierda responde a un experimento real. En la tabla de la derecha hemos representado

lo que sucedera (es un caso te
orico) al lanzar el dado infinitas veces. El dado lo suponemos perfecto,
es decir, no sesgado. Se
nalemos la correspondencia entre ambas tablas:
Experimento
Muestra
2

teora
universo

Frecuencia fk
Var. estadstica xk

probabilidad Pk
var. aleatoria X

Un conjunto se dice que es infinito numerable si puede establecerse una biyecci

on entre dicho conjunto y el de los
n
umeros naturales, N. Por ejemplo, el conjunto de los m
ultiplos de 3 es infinito numerable pues puede establecerse una
aplicaci
on biyectiva con los n
umeros naturales de la manera siguiente: 1 7 1 3 = 3, 2 7 2 3 = 6, ..., n 7 n 3 = 3n.

10

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

En las figuras 1 y 2 hacemos una representaci

on gr
afica del diagrama de barras de las distribuciones
de frecuencias y probabilidades, llam
andose esta u
ltima gr
afica de la funci
on de probabilidad.
fk
f (xk )
10
48

1
6

xk

Figura 1

xk

Figura 2

on
Definici
on 4.2 Una funci
on de probabilidad f (xk ) de una variable aleatoria discreta X es una funci
real de variable real definida por
f (xk ) = P (X = xk ) = P {ek : X(ek ) = xk }.
f (xk ) indica la probabilidad de que la variable aleatoria X tome el valor xk , verific
andose las condiciones:
a) 0 f (xk ) 1;
b)

n
X

f (xk ) = 1.

k=1

El conjunto de valores
{[xk , f (xk ) = P (X = xk )] = [xk , P (xk )]} :

(x1 , P (x1 )) , (x2 , P (x2 )) , . . . , (xn , P (xn )) , . . .

se denomina distribuci
on de probabilidad de la variable aleatoria X, y es una sucesi
on de probabilidades correspondientes a los sucesos de un espacio muestral. Se acostumbra a representar esta
distribuci
on mediante la siguiente tabla:
X
x1
x2

f (xk ) f (x1 ) = P (X = x1 ) f (x2 ) = P (X = x2 )

xn
f (xn ) = P (X = xn )

Ejemplo 4.1 Consideremos de nuevo el lanzamiento de tres monedas. Sea la variable aleatoria X la
funci
on que hace corresponder a cada resultado del experimento el n
umero de caras obtenidas. Se
tiene, seg
un sabemos:
Espacio muestral:
E = {(CCC), (CCF ), (CF C), (F CC), (CF F ), (F CF ), (F F C), (F F F )}.
Recorrido de X: X = {3, 2, 1, 0}.

11

Tema 12

La funci
on de probabilidad viene definida por f : X R de modo que f (3) = P (X = 3) = 1/8;
f (2) = P (X = 2) = 3/8; f (1) = P (X = 1) = 3/8; f (0) = P (X = 0) = 1/8; todo ello suponiendo
que los sucesos elementales sean equiprobables.
Fijemonos en un valor cualquiera de la funci
on de probabilidad; por ejemplo, f (2) = P (X = 2)
expresa la probabilidad de que el n
umero de caras sea 2. Al escribir P (X = 2), probabilidad de
que la variable aleatoria X tome el valor 2, nos estamos refiriendo a la probabilidad del suceso
P {(CCF ), (CF C), (F CC)} que, por brevedad, escribiremos P (X = 2).
El ejemplo anterior es una funci
on de probabilidad de una variable aleatoria discreta (o bien de una
funci
on de probabilidad discreta), porque E es un espacio muestral discreto. Se verifican:
a) 0 f (xk ) 1;
P
b)
f (xk ) = 1/8 + 3/8 + 3/8 + 1/8 = 1.

afica o el diagrama de probabilidad:

A continuacion exponemos la tabla de probabilidad de f (xk ) y su gr
X
f (x) = P (X = xk )

0
1/8

1
3/8

2
3/8

3
1/8

fk
3
8

1
8
x
0

4.2. Funcion de distribucion de una variable aleatoria discreta

Siguiendo con el ejemplo del dado, representamos en lo que sigue las tablas de frecuencias acumulativas y de probabilidades acumulativas:
Tabla de frecuencias acumulativas
xk nk
fk
Nk
Fk
1
6
6/48
6
6/48
2
9
9/48
15
15/48
3 10 10/48 25
25/48
4
2
2/48
27
27/48
5
9
9/48
36
36/48
6 12 12/48 48 48/48=1

Tabla de probabilidades acumulativas

X Pk F (xk )
1 1/6
1/6
2 1/6
2/6
3 1/6
3/6
4 1/6
4/6
5 1/6
5/6
6 1/6 6/6=1

12

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

En las tablas anteriores tenemos que:

Nk representa las frecuencias absolutas acumulativas:
N1 = n1 , N2 = n1 + n2 , N3 = n1 + n2 + n3 , . . .
Fk representa las frecuencias relativas acumulativas:
F1 = f1 , F2 = f1 + f2 , F3 = f1 + f2 + f3 , . . .
F (xk ) representa las probabilidades acumulativas:
F (x1 ) = f (x1 ), F (x2 ) = f (x1 ) + f (x2 ), F (x3 ) = f (x1 ) + f (x2 ) + f (x3 ), . . .
Definici
on 4.3 Llamamos funci
on de distribuci
on de una variable aleatoria discreta X a la siguiente expresi
on:
F (xk ) = P (X xk ) =f (x1 ) + f (x2 ) + + f (xk )

=P (X = x1 ) + P (X = x2 ) + + P (X = xk ).

F (xk ) es la probabilidad de que la variable aleatoria X tome un valor menor o igual que xk .
As, en el caso del dado, tenemos por ejemplo que F (2) = 2/6 = 1/3 y F (4) = 4/6 = 2/3.

4.3. Media y desviacion tpica de una variable aleatoria discreta

Si una variable o serie estadstica est
a formada por los valores x1 , x2 , . . . , xn (no repetidos), nk es
nk
el n
umero de repeticiones o frecuencia absoluta de cada valor xk y fk =
es la frecuencia relativa
N
de cada valor xk , se definen la
media aritm
etica: x
=

n
X

xk fk =

k=1

varianza: 2 =

n
X
k=1

n
X
xk nk
k=1

(xk x
)2 fk ,

v
uX
u n
desviaci
on tpica: = t (xk x
)2 fk .
k=1

Ahora bien, dada una variable aleatoria X con funci

on de probabilidad f (x) = P (X = x), se definen
la
media o esperanza matem
atica:
= E(X) =
=X

xk f (xk ) =

xk pk ,

es decir, la suma de los productos de los valores xk que toma la variable aleatoria X por sus
probabilidades respectivas.
varianza:
2=
2 = E(X X)

X
X
(xk )2 f (xk ) =
(xk )2 pk ,

esto es, la suma de los productos de las desviaciones al cuadrado de los valores xk que toma X
respecto a la media por las probabilidades respectivas.

13

Tema 12

desviaci
on tpica: =

pP

(xk )2 pk .

La media y la desviaci
on tpica se denominan par
ametros de una funci
on de distribuci
on F (x).
Ejemplo 4.2
1. Calc
ulense los par
ametros de la distribuci
on de la variable aleatoria X dada por la tabla
X
f (xk ) = pk

0
02

1
01

2
0

3
04

4
01

5
0

6
02

7
0

Aplicando las f
ormulas anteriores tenemos que
X
=
xk pk = 0 0 2 + 1 0 1 + 2 0 + 3 0 4 + 4 0 1 + 5 0 + 6 0 2 + 7 0 = 2 9,
qX

=
(xk )2 pk = 8 41 0 2 + 3 61 0 1 + + 9 61 0 2 = 2 02.
2. Hallar la esperanza matem
atica y la desviaci
on tpica en el experimento de lanzar tres monedas
y anotar las caras obtenidas.
Recuerdese que
1
3
3
1
P (X = 0) = , P (X = 1) = , P (X = 2) = , P (X = 3) = ,
8
8
8
8
por lo tanto,
1
3
3
1
xk pk = 0 + 1 + 2 + 3 = 1 5,
8
8
8
8
r
qX
1
3
3
1
=
(xk )2 pk = 2 25 + 0 25 + 0 25 + 2 25 = 0 86.
8
8
8
8
=

5. Variable aleatoria continua y distribucion continua

Si una variable aleatoria X puede tomar cualquier valor x de un cierto intervalo (a, b), X se
denomina continua.
Ejemplo 5.1
1. La estatura de una persona durante su vida.
2. El peso y la edad de una persona durante el transcurso de su existencia.
Supongamos que al medir la estatura de cien personas, obtenemos la distribuci
on de frecuencias,
agrupadas en intervalos de clase, seg
un muestra la tabla adjunta:
Intervalo en cm
130140
140150
150160
160170
170180
180190
190200

Marcas de clase xk
135
145
155
165
175
185
195

Repeticiones nk
3
10
26
34
17
8
2

Repet. acum. Nk
3
13
39
73
90
98
100

14

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

En este caso, la representaci

on gr
afica se hace mediante el histograma de frecuencias simple (figura 3)
o acumulativo (figura 4):

Nk

nk

10

135

145

155

165

175

185

cm

195

135

Figura 3

145

155

165

185

175

195

cm

Figura 4

Uniendo los puntos medios de las bases superiores de los rect

angulos se obtienen los polgonos correspondientes de frecuencia simple y acumulativa. Si aumentamos indefinidamente el n
umero de medidas
y hacemos tender a cero las amplitudes de los intervalos, el polgono de la figura 3 tiende a una lnea
denominada curva de probabilidad, que es la representaci
on de la funci
on f (x) llamada funci
on
de densidad de probabilidad o, simplemente, funci
on de densidad. El polgono acumulativo
(figura 4) tiende a la curva de probabilidad acumulativa, que es la representaci
on de la funci
on
de distribuci
on F (x) (son los modelos te
oricos de la distribuci
on anterior: figuras 5 y 6).

f (x)
y = f (x)

P (b < X c) =

f (t)dt = P (X x) = F (x)

b
Figura 5

f (x)dx
b

15

Tema 12

F (x)

f (t)dt = P (X x) = F (x)

x
Figura 6

Si en la figura 4 la base de cada rect

angulo (amplitud de cada intervalo) es la unidad y su altura
es la frecuencia relativa, el area de cada rect
aP
ngulo coincide con la frecuencia de su respectiva clase:
area=fk 1 = fk . El area del histograma ser
a
fk 1 = 1. En el caso te
orico (figura 5) tambien ocurre
que el a
rea limitada por la curva de probabilidad (correspondiente a la funci
on de densidad f (x)) y el
eje de abscisas es 1:
Z
+

f (x)dx = 1.

De este modo podemos decir que:

La probabilidad de que la variable aleatoria continua X tome un valor menor o igual
que x ser
a
Z x
P (X x) =
f (t)dt = F (x),

funci
on de distribuci
on que coincide con el area de la regi
on rayada de la figura 5.
De forma an
aloga se define
Z c
P (b < X c) =
f (x)dx,
b

el area bajo la curva de probabilidad en el intervalo (b, c) coincide con la probabilidad del
suceso b < X c. Si F es derivable, se tiene F (x) = f (x) y, por tanto,
Z c
f (x)dx = F (x)|cb = F (c) F (b).
b

Observe el alumno que el valor del area rayada de la figura 5 coincide con la ordenada correspondiente
a X = x en la figura 6.

6. Ejercicios propuestos
(1) Cu
antos n
umeros naturales se pueden obtener con las cifras 1, 2, 3, 4, 5, sin repetir ninguna?
(2) Cu
antos n
umeros de tres cifras se pueden formar con las cifras pares 2, 4, 6, 8, sin que se repita
ninguna? Cu
antos de esos n
umeros comienzan por 2? Cu
antos terminar
an en 64? Cu
antos
habr
a que sean mayores que 500?

16

Matematicas para estudiantes de primer curso de facultades y escuelas tecnicas

(3) Resuelve el ejercicio anterior, suponiendo que es posible repetir las cifras.
(4) En una rifa colegial se han hecho 1000 papeletas, numeradas del 000 al 999. Cu
antos capic
uas
habr
a?
(5) De cu
antas formas podr
an colocarse en fila 10 alumnos, si suponemos que dos ocupan siempre el
mismo puesto, uno el primero y otro el u
ltimo?
(6) Una lnea de ferrocarril tiene 25 estaciones. Cu
antos billetes diferentes habr
a que imprimir, si
cada billete lleva impresas las estaciones de origen y destino?
(7) Cu
antos n
umeros hay entre 5000 y 6000 que tengan todas sus cifras diferentes?
(8) En un banco hay sentadas 6 personas. Variando el orden de los puestos, de cu
antas maneras
pueden colocarse?
(9) Cu
antos grupos de letras se formar
an con las de la palabra Isabel, con tal que no vayan ni dos
vocales ni dos consonantes juntas? Cu
antos de esos grupos comenzar
an por vocal?
(10) Con las cifras 5, 6, 7, 8, 9, cu
antos n
umeros de cinco cifras puedes formar, con la condici
on de
que no haya dos cifras impares juntas?
(11) Con las cifras 1, 1, 2, 2, 3, cu
antos n
umeros de cinco cifras se pueden formar? Si se ordenan en
orden creciente, que lugar ocupar
a el n
umero capic
ua 21312?
(12) Cu
antas letras de 5 signos se pueden formar en el alfabeto Morse con 3 rayas y 2 puntos?
(13) De cu
antos modos distintos podr
an presentarse 10 cartas de una baraja, sabiendo que son 4 ases,
3 reyes, 2 caballos y una sota?
(14) Cu
antos grupos de dos, de tres, de cuatro, es posible formar con 90 personas?
(15) De cu
antas formas pueden combinarse los sietes colores del arco iris, tomados de cinco en cinco?
(16) Se dispone de ocho objetos. Que es mayor, el n
umero de combinaciones tom
andolos de tres en tres,
o el n
umero de combinaciones de los mismos elementos de cinco en cinco? Razona la respuesta.
(17) En una urna se tienen tres bolas blancas, dos bolas negras y una bola roja. Sea la variable X que
asigna 2 al resultado de extraer una bola blanca, 25 si es negra y 4 si es roja. Se pide:
a) el dominio y el recorrido de X;
b) tablas de las funciones de probabilidad y de distribuci
on de X y su representaci
on gr
afica.
(18) Sea un dado con tres caras negras y tres blancas. Consideremos un segundo dado con cuatro caras
negras y dos blancas. Se lanzan los dos dados. Sea X la variable aleatoria que asigna el n
umero
de caras blancas obtenidas en cada lanzamiento. Se pide la distribuci
on de probabilidades X y su
funci
on de distribuci
on.
(19) Halla la media o esperanza matem
atica y la desviaci
on tpica de los dos ejercicios anteriores.
(20) Se tienen las siguientes distribuciones:
a)

xk
f (xk )

-1
1/2

2
1/4

b)

xk
f (xk )

1
02

3
03

35
1/4
4
01

5
02

7
02

Tema 12

Se pide:
hallar las tablas correspondientes a la funci
on de distribuci
on;
gr
aficas de las mismas;
hallar y en los dos casos.

17