Materia Estadística Matemática

USFXCH
Docente: Marco A. Sánchez L

VARIABLES ALEATORIAS
TEMA #2
VARIABLES ALEATORIAS.
Para conceptualizar lo que son las variables aleatorias
consideremos el experimento :”Lanzar una monedad tres
veces”
={ccc, ccs, csc, css, scc, scs, ssc, sss}
Establezcamos un interés común que lo que nos interesa
en este espacio muestral es clasificarlo en función al
numero de caras que se obtuvieron en los tres tiros y
tendríamos:

Elementos clasificados de  Número de caras por juego de

lanzamientos
sss 0
css, scs, ssc 1
ccs, csc, scc 2
ccc 3
VARIABLES ALEATORIAS

Es decir, la función X en , definida por

X(w)=“numero de caras obtenidas al lanzar una
moneda tres veces”, es una función de valores
reales que tiene como dominio el espacio
muestral  y el subconjunto de números reales:
Rx={x/x=0,1,2,3} como rango. En símbolos:
X:  {0,1,2,3}
w X(w)
La figura siguiente da una idea intuitiva de lo
expresado en el párrafo anterior
VARIABLES ALEATORIAS
R

X
CCC
SCC 3
CSC
CCS 2
CSS
SCS 1
SSC
SSS 0

De esta manera se establece un nuevo conjunto {0,1,2,3} que

pertenece al conjunto de los números Reales, a cada uno de los
cuales le corresponde una probabilidad de la manera siguiente:
VARIABLES ALEATORIAS
1
P[3]=P[CCC]=
8
3
P[2]=P[CCS]+P[CSC]+P[SCC]=
8
3
P[1]=P[CSS]+P[SSC]+P[SCS]=
8
1
P[0]=P[SSS]=
8
Vemos pues que la función X hace corresponder a cada
elemento w de  un número real x, y además, el conjunto
de elementos de , cuya imagen es uno de estos números
reales es un elemento de P(), o sea un evento, y tiene
por lo tanto, una determinada probabilidad. La función X
que cumple estas condiciones se llama variable aleatoria
VARIABLES ALEATORIAS
DEFINICION: Dado un experimento aleatorio  y  el
espacio muestral asociado al mismo. Una función X que
asigna a cada elemento w de  uno y solamente un
número real x=X(w), se llama variable aleatoria. Es decir X
es una función real X: R
 X R

x3

x2
RX

x1
VARIABLES ALEATORIAS
El dominio de la variable aleatoria X es  y el rango es un
subconjunto de R que lo denotaremos por “RX”.
Rigurosamente al hablar de la función asociamos a ella el
conjunto de partida y el conjunto de llegada, mas en nuestro
caso vamos a trabajar siempre con  como dominio que a
su vez lo vamos a tomar como conjunto de partida.
El rango RX de la variable aleatoria X, esta dado por el
siguiente conjunto de números reales:
RX={xR/ X(w)=x, w}=X()
Cuando hubiera cierta duda sobre el rango de una variable
aleatoria vamos a tomar como R, o un conjunto que
razonablemente contenga a RX
VARIABLES ALEATORIAS
El caso mencionado se puede presentar si consideramos
como espacio muestral las estaturas de los alumnos de
economía y los registramos en función a lo que midan,
entonces existe una duda sobre el rango que seria un
subconjunto de los números R y que estimativamente
puede ser de {50cm a 3 metros} que son topes normales
para la raza humana.
Ejemplo: Sea X una variable aleatoria que se considera
como el beneficio de un jugador , en un juego en el que se
tira un dado y el jugador gana Bs.100, si salen los
números 1 o 3, no gana ni pierde si salen los números 2 o
5 y pierde Bs 100 si salen los números 4 o 6.
VARIABLES ALEATORIAS
El dominio de X es ={1,2,3,4,5,6}
Las imágenes de X son:
X(1)=X(3)=100; X(2)=X(5)=0; X(4)=X(6)=-100
Luego el rango de X será: RX={-100,0,100}

EVENTOS EQUIVALENTES
Sea  el espacio muestral asociado a un experimento aleatorio
, y X una variable aleatoria con rango RX definida sobre . Un
evento A en  y un evento EX en RX se dice que son eventos
equivalentes si:
A={w / X(w)EX}
La figura siguiente ilustra el concepto.
VARIABLES ALEATORIAS
 RX

A EX
X
w X(w)

Nótese que A y EX son eventos asociados a diferentes

espacios.
Si A es un evento en  tal que A={w/X(w)=a} su evento
equivalente en RX es EX={a}, lo cual se denota por [X=a]
O sea el evento [X=a] es el conjunto de puntos en el
espacio  que son aplicados en el número real a por la
función X.
VARIABLES ALEATORIAS
Ejemplo: en el experimento aleatorio  =“lanzar una moneda
tres veces” y X(w)=número de caras obtenidas.
Sea A={w/X(w)=2}={ccs, scc, csc} es equivalente [X=2].
Por otro lado si EX={1,0} tenemos que:
A={css, scs, ssc, sss} ya que X(css)=X(scs)=X(ssc)=1y X(sss)=0.
Luego: A={w/X(w)=1,0}={css, scs, ssc, sss} lo denotaremos
por [X=1ó 0]
En general si:
A={w/X(w)=a ó b} se denotara por [X=a,b], similarmente si
A={w / a<X(w)<b} se denotara por [a<X<b]
VARIABLES ALEATORIAS
Ahora si queremos hallar la probabilidad de los eventos
asociados a RX tales como: [X=a],[X=a,b],[a<X<b], etc.
Usaremos las probabilidades de estos eventos en el espacio
original , es decir , pondremos:
P[X=a]=P[{w/X(w)=a}]=P[A]
Que se lee: “la probabilidad que la variable aleatoria tome el
valor de a”
P[X=a,b]=P[{w/X(w)=a ó b}]=P[A]
La probabilidad que la variable aleatoria tome el valor de a ó b.
P[a<X<b]=P[{w/a<X(w)<b}]=P[A]
La probabilidad que la variable aleatoria tome el valor entre a
y b.
VARIABLES ALEATORIAS

También se pueden considerar eventos de la

forma:[a≤X≤b] ; [a<X≤b]; etc.
DEFINICION:
Si A es un evento en el espacio muestral  y EX
un evento en el rango RX de la variable aleatoria
X, entonces definimos la probabilidad EX como:

P[EX]=P[A], donde A={w / X(w)  EX}

VARIABLES ALEATORIAS DISCRETAS Y
CONTÍNUAS.
DEFINICION VARIABLE ALEATORIA DISCRETA
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,..}
Ejemplo: Suponga que el número de días de trabajo en un
año particular es 280 y los records de los empleados se
marcan cada día que ellos están ausentes del trabajo. Se
selecciona aleatoriamente un record y se observa los días
marcados. La variable aleatoria X se define como el
número de días ausentes del trabajo, entonces
RX={0,1,2,..,280}. Luego X es una variable aleatoria
discreta con un número finito de posibles valores.
DISTRIBUCIONES DISCRETAS.
La Función o Ley de Probabilidad
Sea X una variable aleatoria discreta con un
rango RX. Una función definida por:
p(x)=P[X=x]= {𝑤∈Ω \𝑋(𝑤)=𝑥} 𝑃[{𝑤}]
Donde la suma es sobre los sucesos w∈ Ω tal
que X(w)=x y satisface las siguientes condiciones:
1) p(x)>0, y x∈RX ;
2) x ∈ RX 𝑝 𝑥 = x ∈ RX 𝑃[𝑋 = 𝑥] = 1
DISTRIBUCIONES DISCRETAS
Se llama función de probabilidad o ley de probabilidad
(también llamada función de cuantía) de la variable
aleatoria X.
La colección de pares [(x, p(x)), xRX] se llama distribución
de probabilidad de X.
Si xRX, [X=x], es un evento imposible por lo tanto la
p(x)=P[X=x]=0. Por esta razón cuando definimos una
función de probabilidad p(x), para xRX, no diremos nada
sobre la probabilidad en las xRX, pues entenderemos
tácitamente que la función p(x), esta bien definida para
todo xRX, y se asume para los eventos imposibles p(x)=0
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
El dominio de la función p, puede considerarse
como el conjunto de números, reales y su rango el
conjunto [0,1] u {0}, es decir:
p: R [0,1]
La distribución de probabilidad se la representa
usualmente en una tabla como también
gráficamente como se presenta a continuación:

x x1 x2 x3 . .
p(x)=P[X=x] p(x1) p(x2) p(x3) … …
FUNCIONES DE PROBABILIDAD Y DE DISTRIBUCIÓN.
GRÁFICAS.

Se ha denotado a los eventos en RX por EX, pero no habrá

confusión alguna si se conviene en representar a estos
eventos por: A, B, C, etc.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

Considerando lo antes mencionado la probabilidad

de un evento A con RX, se define de la siguiente
manera:
P[A]= 𝑥∈𝐴 𝑝 𝑥 = 𝑥∈𝐴 𝑃[𝑋 = 𝑥]
Ejemplo: Consideremos el lanzamiento de una
moneda tres veces y definimos X(w)=nc-ns.Hallar la
distribución de probabilidad de forma tabular y
grafica.
Para encontrar el resultado realizamos los
siguientes pasos:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

PRIMER PASO :Se establece el espacio muestral

del experimento.
={ccc,ccs,csc,css,scs,scc,ssc,sss}
SEGUNDO PASO: Se establece la función de la
variable aleatoria X(w)= nc-ns donde
nc= numero de caras y ns= numero de sellos con
lo que establecemos la siguiente
correspondencia entre  y R o entre: w y x.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

X(ccc)=3
X(ccs)=X(csc)=X(scc)=1
X(css)=X(scs)=X(ssc)=-1
X(sss)=-3
De donde sabemos que el rango de X(w) o sea
RX={-3,-1,1,3}
TERCER PASO: Se calcula la distribución de
probabilidad calculando p(x) para cada x RX
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

P(3)=P[X=3]=P[ccc]= 1/8
P(1)=P[X=1]=P[ccs]+P[csc]+P[scc]= 3/8
P(-1)=P[X=-1]=P[css]+P[ssc]+P[scs]= 3/8
P(-3)=P[X=-3]=P[sss]= 1/8
CUARTO PASO Elaborando la tabla tendríamos

x 3 1 -1 -3
p(x) 1/8 3/8 3/8 1/8
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
p(x)
0,38 0,38
0,40
0,35
Valor asignado por la

0,30
probabilidad

0,25
0,20
0,13 0,13
0,15
0,10
0,05
0,00
-4 -3 -2 -1 0 1 2 3 4
Valores en R

Los puntos rojos que se ven nos muestran el valor

de la probabilidad asignada a cada “x” de los
números reales, de acuerdo a la variable aleatoria
X(w) y su probabilidad considerando .
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
En el ejemplo es claro también que:
1. p(x)>0 siendo que xRX
2. 𝑥∈𝑅𝑋 𝑝 𝑥 = 1
Si consideramos x=-2, tenemos que la p(-2)=0,
pues es imposible que la diferencia nc-ns sea -2
en tres lanzamientos de la moneda.
Similarmente por ejemplo la p(1/2)=P[X=1/2]=0
En general:
si xRX={-3, -1, 1, 3} es p(x)=P[X=x]=0
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
Ejemplo 2:En un lote de 10 artículos hay 3 artículos
defectuosos. Del lote se toma al azar una muestra
de cuatro artículos sin reposición. Sea X la variable
aleatoria que representa el numero de artículos
defectuosos en la muestra
a)Describir el dominio de X
b)Evaluar X(w) para cada w
c)Evaluar la función de probabilidad, la presentación
tabular y grafica de la distribución de probabilidad.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

La variable aleatoria X esta definida por X(w)= número de

artículos defectuosos en la muestra de tamaño 4.
a) El dominio es:
={nnnn, nnnd, nndn, ndnn, dnnn, nndd, ndnd, nddn,
dndn, ddnn, dnnd, nddd, dndd, ddnd, dddn,…}
b)
X(nnnn)..=0
X(nnnd)=X(nndn)= X(ndnn)=X(dnnn)….=1
X(nndd)=X(ndnd)= X(nddn)=X(dndn)=X(ddnn)=X(dnnd)…=2
X(nddd)=X(dndd)= X(ddnd)=X(dddn)…=3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

La función de probabilidad se obtiene calculando p(x) para

cada xRX.
3 7
0 4−0 1
p(0)=P[X=0]= 10 =
6
4
3 7
1 4−1 1
p(1)=P[X=1]= 10 =
2
4
3 7
2 4−2 3
p(2)=P[X=2]= 10 =
10
4
3 7
3 4−3 1
p(3)=P[X=3]= 10 =
30
4
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.

X 0 1 2 3 Total
p(x) 0,17 0,50 0,30 0,03 1,00
p(x)
0,60
0,50
0,50
0,40
0,30
0,30
p(x)
0,20 0,17
0,10 0,03
-
0 1 2 3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
En general la función de probabilidad de X es:
3 1
×
𝑥 4−𝑥
𝑝 𝑥 =𝑃 𝑋=𝑥 = 10 , x=0,1,2,3,
4
Es claro que
1. p(x)>0 , y xRX
5 15 9 1
2. 𝑥∈𝑅𝑋 𝑝 𝑥 = + + + =1
30 30 30 30

Este ejemplo se lo puede generalizar de la siguiente manera:

Supongamos que se tienen n artículos (n finito), de los cuales r
son defectuosos. Se extrae una muestra aleatoria de tamaño
m sin reemplazamiento. Sea X el numero de artículos
defectuosos en la muestra. Hallar la función de probabilidad de
la variable aleatoria X.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
La variable aleatoria esta definida por:
X(w)= número de artículos defectuosos en la
muestra de tamaño m.
RX= {0,1,2,3,.., min(m,r)}
𝑟 𝑛−𝑟
×
𝑥 𝑚−𝑥
p(x)=P[X=x]= 𝑛 , para x=0,1,2,3,..,min(m,r)
𝑚
Que es la función de probabilidad de X. Esta
distribución se conoce como la distribución se
conoce como la distribución hipergeométrica
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
FUNCION DE DISTRIBUCION DE UNA VARIABLE ALEATORIA
DISCRETA
Otro concepto importante es el de función de distribución o
función de distribución acumulativa, como se conoce
algunas veces debido a que se consideran eventos de la
forma:
[X ≤ x] y su probabilidad inducida P [X ≤ x].
DEFINICION
Sea X una variable aleatoria discreta con rango
RX={x1,x2,x3….} y función de probabilidad p(xi)=P[X=xi], sea x
un número real cualquiera, la función de distribución de X se
denota por “F(x)” y se define como:
F(x)= P [X ≤ x] = 𝑥𝑖≤𝑥 𝑝 𝑥𝑖 = 𝑥𝑖≤𝑥 𝑃[𝑋 = 𝑥𝑖]
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
Ejemplo: Del ejemplo lanzamiento de una moneda 3
veces y X(w)=nc-ns. Hemos calculado la distribución de
probabilidad.
p(-3)=1/8, p(-1)=3/8,p(1)=3/8 y p(3)=1/8
Calculamos ahora la función de distribución para esta
variable aleatoria. En efecto desde F(x) esta definida
para todo xR, consideramos los siguientes casos:
1. Si x<-3, es claro que: F(x)=P[X≤x]= 𝑥𝑖≤𝑥 𝑝(𝑥𝑖)=0
2. Si x=-3, es claro que: F(-3)=P[X≤ -3]=
= 𝑥𝑖≤−3 𝑝(𝑥𝑖)=p(-3)=1/8
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
3. Si x[-3,-1 F(x)=P[X≤ x]= 𝑥𝑖≤𝑥 𝑝(𝑥𝑖)=
p(-3)=1/8
4. Si x=-1 F(-1)=P[X≤ -1]= 𝑥𝑖≤−1 𝑝(𝑥𝑖)=
p(-3)+ p(-1)=1/8+3/8=4/8
5. Si x[-1,1 F(x)=P[X≤ x]= 𝑥𝑖≤𝑥 𝑝(𝑥𝑖)=
p(-3)+p(-1)=4/8
6. Si x=1 F(1)=P[X≤ 1]= 𝑥𝑖≤1 𝑝(𝑥𝑖)=
p(-3)+ p(-1)+p(1)=1/8+3/8+3/8=7/8
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
7. Si x[1,3 F(x)=P[X≤ x]= 𝑥𝑖≤𝑥 𝑝(𝑥𝑖)=
p(-3)+p(-1)+p(1)=7/8
8. Si x=3 F(3)=P[X≤ 3]= 𝑥𝑖≤3 𝑝(𝑥𝑖)=
p(-3)+ p(-1)+p(1)+p(3)=1/8+3/8+3/8+1/8=1
9. Si x>3 F(x)=P[X≤ x]= 𝑥𝑖≤𝑥 𝑝(𝑥𝑖)=
p(-3)+ p(-1)+p(1)+p(3)=1/8+3/8+3/8+1/8=1
Nota1:Se puede observar que si x[-3,-1entonces
F(x)=F(-3); si x  [-1,1entonces F(x)=F(-1), etc.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
En general si:x  [xk,xk+1 se verifica que
F(x)=F(xk), donde xk y xk+1 son elementos del
rango de X.
Luego la función de distribución podemos
escribirla así:
0 , Si x<-3
1/8 , Si -3≤x<-1
F(x)= 4/8 , Si -1≤x<1
7/8 , Si 1≤x<3
1 , Si x≥3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
Grafica de la función de distribución del experimento
lanzar una moneda tres veces X=nc-ns

La función de distribución se representa también en una tabla

como la siguiente
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS.
Representación tabular
x -3 -1 1 3

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

F(x) 1/8 4/8 7/8 1

PROPIEDADES DE LA FUNCION DE DISTRIBUCION

Notación : Usaremos las siguientes notaciones:

F(∞) en vez de lim 𝐹(𝑥) y

𝑥→∞
F(-∞) en vez de lim 𝐹 𝑥
𝑥→−∞
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
Propiedad 1
0≤F(x)≤1, siendo x ℝ , pues F x es una
probabilidad para cualquier “x” real y las
probabilidades están limitadas por 0 y 1.
Propiedad 2
F(x), es una función no decreciente. En efecto
sean x1,x2 ℝtales que x1 ≤ x2 , entonces se
tiene: {x/X≤x1} : {x/X≤x2} y aplicando la
probabilidad a ambos eventos, por el teorema 3
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
F(x1)=P[X≤x1] ≤ P[X≤x2]=F(x2) de donde
obtenemos que F(x1) ≤ F(x2).
Propiedad 3
(a) F(∞)=P[{x/X<∞}]=P[X<∞]=1, pues el evento:
{x/X<∞} es el conjunto de todos los números
reales.
(b) F(-∞)=P[{x/X<-∞}]=P[X<-∞]=0, pues el evento:
{x/X<-∞} es el conjunto nulo.
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
Propiedad 4
Sean xk ,xk+1 RX si x es tal que xk≤x<xk+1,
entonces F(x)=F(xk)
Es decir la función F(x),es constante e igual a
F(xk) para todo x[xk,xk+1>. Esto implica que si X
es una variable discreta, F(x) es una función
escalonada (escalera)y la altura en un escalón
xk(xk RX) es igual a la P[X=xk]como se muestra
en la figura siguiente:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS

Gráfica: Función de distribución

FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
Nota2
(a)La función de distribución da directamente:
P[X≤a]=F(a)
(b) P[X≥a]=1-P[X<a]=1-F(a-1), si a es entero y
=1-F([a]), si no es entero
(c) La función de distribución F(x)se puede usar para
determinar probabilidades de cualquier clase con
relación a X, en particular consideremos el evento:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
(a<x≤b), a,bR y a<b
Consideremos los siguientes eventos:
A={w/X(w) ≤a}=(X ≤a) (1)
B ={w/a<X(w) ≤b}=(a<X ≤b)
Desde que a y b son números reales cualesquiera tales que
a<b, entonces es claro A⋂B=
Luego la P[A⋃B]=P[A]+P[B] (2)
Pero A⋃B=(X ≤a o a<X ≤b)=(X ≤b)
Por lo tanto (2) se escribe:
P[X ≤b]=P[X ≤a]+P[a<X ≤b] por (1)
F(b)=F(a)+ P[a<X ≤b] de donde:
P[a<X ≤b]= F(b)-F(a)
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
También podemos calcular la P[a≤X≤b] y
desarrollando los artificios matemáticos
concluimos que:
P[a≤X≤b]=F(b)-F(a)+P[X=a]
Para el caso P[a<X<b]=F(b)-F(a)+P[X=b]
Y también p(xi)=P[X=xi]=F(xi)-F(xi-1)
Ejemplo: La variable aleatoria X tiene la siguiente
función de distribución acumulativa:
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
0 x<0
1/8 0≤x<1
F(x)= ½ 1≤x<2
5/8 2≤x<3
1 x≥3

Calcular (a) P[X(w)<0,5]+P[X(w)≥2]

(b) La distribución de probabilidades de X
FUNCIONES DE PROBABILIDAD Y DE
DISTRIBUCIÓN. GRÁFICAS
(a) P[X(w)<0,5]+P[X(w)≥2]=F(0,5)+1-PP[X(w)<2]
1 1
= + 1 − 𝑃[𝑋(𝑤) ≤ 1] = + 1 − 𝐹(1)
8 8
1 1 1 1 5
= + 1− = + =
8 2 8 2 8
(b) Teniendo en cuenta la propiedad 4 de la función
de distribución se tiene que el rango de la variable
aleatoria X es el conjunto {0,1,2,3} y la distribución
de probabilidad es:
X 0 1 2 3
. P(x) 1/8 3/8 1/8 3/8
DISTRIBUCIONES CONTÍNUAS.
DEFINICION VARIABLE ALEATORIA CONTINUA
Si el rango RX, de una variable aleatoria X es un
intervalo sobre la recta de los números reales se
llama variable aleatoria continua.
Ejemplo: Sea X la variable aleatoria que representa
el numero de kilogramos que pierde una persona al
seguir una dieta especifica durante cierto periodo.
Es una variable aleatoria continua, pues su rango
(los valores que puede tomar), son todos los puntos
de un intervalo por ejemplo: [1,3] kilos.
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
Definición Función de Densidad: Sea una variable
aleatoria continua con RX. La función de densidad de
probabilidad asociada a la variable aleatoria es una
f(x) integrable que satisface las siguientes
condiciones:
1. f(x)≥0 , para todo xR (o f(x)>0, x RX)
+∞
2. 𝑅 𝑓 𝑥 𝑑𝑥 = 1 (o −∞
𝑓 𝑥 𝑑𝑥 = 1)
𝑋
Esta definición implica la existencia de una función
real (definida sobre RX. La condición uno establece
que la grafica de la función de densidad esta por
arriba del eje de las x.
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
La condición (2) indica que el área acotada por la
curva f(x), el eje x y las rectas verticales que
pasan por los puntos extremos de RX es 1 como
se indica en la figura siguiente:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
Si estamos interesados en calcular la
probabilidad de un evento A={x/a≤X≤b} se define
como sigue:
𝒃
P[A]=P[x/a≤X≤b]= 𝒂
𝒇 𝒙 𝒅𝒙
Y el concepto se lo ilustra en la siguiente gráfica:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

Observaciones
1.Es importante darse cuenta que f(x) no representa
la probabilidad de algo y que solamente cuando la
función se integra entre 2 puntos produce una
probabilidad.
2.Una consecuencia de la definición de probabilidad
de un evento (ecuación), es que para cualquier
valor especifico de X, digamos x0, P[X=x0]= 0,
puesto que:
𝑥𝑜
P[X=x0]=P[x0<X≤x0]= `𝑥0
𝑓 𝑥 𝑑𝑥 = 0
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

3. Una consecuencia inmediata de (2) es el

siguiente resultado:
P[a ≤ X≤ b]=P[a < X≤ b]=P[a < X< b]=P[a ≤ X< b]
Para cuando X es una variable aleatoria continua.
EJEMPLO: Sea X una variable aleatoria con
función de densidad :
a(3x-x2) , si 0 ≤ x ≤ 3
f(x)
0 , en otros casos
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

a) Hallar el coeficiente a
b) Construir la grafica de la función de densidad
de probabilidad
c) Calcular la probabilidad que x se encuentre en
el intervalo [1,2]
d) Hallar la probabilidad que X se encuentre en
el intervalo <-1,3/2>
 FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

a) Como los valores de la variable aleatoria X se

encuentran en el intervalo [0,3]. Es decir el RX=[0,3].
Entonces por la condición 2 de la función de densidad
tenemos:
3 2 3 2 1 3 3 27
0
𝑎 3𝑥 − 𝑥 𝑑𝑥 = 𝑎 𝑥 − 𝑥 = 𝑎( − 9) =1
2 3 0 2
1 1 2
𝑎= = =
27 18 9 9
−
2 2 2
b) La grafica de la función f(x) en el intervalo [0,3] y
responde a la ecuación:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

2 2 6 2 2 2 2 2
y= 3𝑥 − 𝑥 = 𝑥 − 𝑥 = 𝑥− 𝑥
9 9 9 3 9
2 2 2
y= 𝑥 − 𝑥
3 9
0,60

0,50
Función de x f(x)

0,40

0,30

0,20

0,10

-
- 1 2 3 4
Valores del RX
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN

c) La probabilidad que la variable X se encuentre en el

intervalo [1,2] se determina por la ecuación:
2 2 2 2 𝑥2 2𝑥 3 2
P[1≤X ≤ 2] = 1 𝑥 − 𝑥 dx= −
3 9 3 27 1
4 16 1 2 20 7 13
= − − ( − ) = − =
3 27 3 27 27 27 27
=0,4814=48,14%
d) Por la ecuación principal de probabilidad de un
evento se tiene:
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
3
0 2 2 2
P[-1<X<3/2]= `−1
0 𝑑𝑥 + 2
0
𝑥 − 𝑥 dx
3 9
3 (3)2 3 3 9 54
𝑥2 2𝑥 3 2( ) 9 54
=0 - − 2=
2
− 2
= 4
− 8
= −
3 27 3 27 3 27 12 216
0
3 1 2 1
= − = = = 0,5 = 50%
4 4 4 2
FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
FUNCION DE DISTRIBUCION DE UNA VARIABLE
ALEATORIA CONTINUA
Sea X una variable aleatoria continua con función de
densidad f(x). La función de distribución acumulativa de
la variable aleatoria X denotada por F(x) se define por:
𝑥
F(x)=P[X≤x]= −∞
𝑓 𝑡 𝑑𝑥, ∀ 𝑥 ∈ ℝ
FUNCION DE DISTRIBUCIÓN CONTINUA
EJEMPLO: Sea X una variable aleatoria con función de
densidad definida por:
3𝑥
𝑓 𝑥 = 4 2 − 𝑥 , 0 ≤ 𝑥 ≤ 2
0 , 𝐸𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
a) Hallar la función de distribución de X y su grafica
b) F(1)

La F(x) esta definida para toda x, entonces se

consideran los siguientes casos:
FUNCION DE DISTRIBUCIÓN CONTINUA
𝑥
1. Si x<0, F(x)=P[X≤x]= −∞ 0 𝑑𝑡 = 0
𝑥
2. Si 0 ≤ x ≤2, F(x)=P[X≤x]= −∞ 𝑓(𝑡)𝑑𝑥 =
𝑥 𝑥3 3 2 𝑡3 𝑥
0 𝑑𝑡 + 0 𝑡 2 − 𝑡 𝑑𝑡 = 0 + (𝑡 − )] =
−∞ 4 4 3 0
3 2 𝑥
𝑥 (1 − )
4 3
𝑥 23
3. Si x>2, F(x)=P[X≤x]= ∞ 𝑓 𝑡 𝑑𝑡 = 0 + 0 𝑡(2 −
4
FUNCION DE DISTRIBUCIÓN CONTINUA
4. De 1),2)y3) la función de distribución de la
variable aleatoria X es
0 , 𝑥<0
3 2 𝑥
F 𝑥 = 4
𝑥 (1 − ),
3
0≤𝑥≤2
1 , 𝑥≥2
La grafica de la distribución es la siguiente:
3 2 1 1
b) F(1)= P[X≤1]= 1 1− =
4 3 2
FUNCION DE DISTRIBUCIÓN CONTINUA
1,2

0,8

0,6

0,4

0,2

0
-2 -1 0 1 2 3 4
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION

Las tres primeras propiedades son las mismas

que el caso discreto.
1) 0≤F(x)≤1, y x
0
2) F(-∞)= lim 𝐹(𝑥)= lim −∞ 𝑓 𝑥 𝑑𝑥 =0
𝑥→−∞ 𝑥→−∞
𝑥
F(∞)= lim 𝐹(𝑥)= lim −∞ 𝑓 𝑥 𝑑𝑥 = 1
𝑥→∞ 𝑥→∞
3)La función de distribución es no decreciente
esto es si a≤b entonces F(a)≤ F(b)
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION

4).lim 𝐹 𝑥 + ℎ = 𝐹(𝑥)siempre que x,con

ℎ→0
h>0, es decir F es continua por la derecha en
todos los puntos
5)Del segundo teorema fundamental de cálculo
se tiene que si F(x) es una función derivable
entonces:
𝑑
f(x)= 𝐹(𝑥)
𝑑𝑥
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION

EJEMPLO: Una estación de servicio es

provisionada de gasolina una vez a la semana. El
volumen X de la posible venta semanal en miles
de galones tiene la siguiente función de
distribución acumulada:
F(x)=1-(1-x)4, 0<x<1
a) ¿Cuál debe ser la capacidad de su tanque
para que la probabilidad que su provisión se
agote en una semana sea del 0,01?
PROPIEDADES DE UNA FUNCION DE DISTRIBUCION

b) ¿Cuál es la probabilidad de que la venta semanal

esté entre los 800 y 900 galones?
Solución
a)Sea C la capacidad del tanque por lo tanto se
quiere determinar el valor de C, tal que:
0,01=P[X≥C]=1-P[X≤C]=1-[1-(1-C)4]=(1-C)4,de donde
C=1- 0,1
b)P[0,8<X<0,9]=F(0,9)-F(0,8)
=(1-(1-0,9)4 )-[1-(1-0,8)4]=(0,2)4-(0,1)4=0,0015
MEDIA, VARIANZA Y SESGO DE UNA DISTRIBUCIÓN

FUNCION DE UNA VARIABLE ALEAORIA

En muchos problemas frecuentemente se está
interesado en el comportamiento de una función,
digamos H de una variable aleatoria X, Y=H(X); y
cada valor de Y(esto es y=H(X), se determina
conociendo los valores de X. Desde que X es una
variable aleatoria , Y también es una variable
aleatoria y la distribución de y=H(X) se determina
conociendo la distribución de probabilidades de
X.
FUNCIÓN DE UNA VARIABLE ALEATORIA
EJEMPLO: Sea X una variable aleatoria discreta con
función de probabilidad p(x) como se indica en la siguiente
tabla:
x -1 0 1 2
p(x)=P[X=x] 1/8 3/8 3/8 1/8

Determinar:
a)El rango de la variable aleatoria Y=X2
b)La función de probabilidad de la variable aleatoria Y=X2
c)Lo mismo que a) y b) para la variable aleatoria Y=3X-1
FUNCIÓN DE UNA VARIABLE ALEATORIA

a)Remplazando los valores de X en la función

H(X) (y=H(X)) entonces:
Si X=-1,Y=x2 toma el valor y=H(-1)=(-1)2=1
Si X=0,Y=x2 toma el valor y=H(0)=(0)2=0
Si X=1,Y=x2 toma el valor y=H(1)=(1)2=1
Si X=2,Y=x2 toma el valor y=H(2)=(2)2=4
Por lo tanto el rango de la variable aleatoria Y es
RY={1,0,1,4}
FUNCIÓN DE UNA VARIABLE ALEATORIA

b)La función de probabilidad se calcula como

sigue:
Py(0)=P[Y=0]=P[X=0]=p(0)=3/8
Py(1)=P[Y=1]=P[X=-1]+P[X=1]=
=p(-1)+p(1)=1/8+3/8=4/8=1/2
Py(4)=P[Y=4]=P[X=2]=p(2)=1/8
Asi la distribución de probabilidad de Y=X2
representado en una tabla es:
FUNCIÓN DE UNA VARIABLE ALEATORIA
y 0 1 4
Py(y) 3/8 4/8 1/8

En este caso Y=H(X)=3X-1 los valores de Y serian los

siguientes:
Si x=-1→ y=H(-1)=((3x(-1))-1)=-3-1=-4
Si x=0→ y=H(0)=((3x(0))-1)=0-1=-1
Si x=1→ y=H(1)=((3x(1))-1)=3-1=2
Si x=2→ y=H(2)=((3x(2))-1)=6-1=5
Por lo tanto RY={-4,-1,2,5}
La función de probabilidad se calcula de la siguiente
manera:
FUNCIÓN DE UNA VARIABLE ALEATORIA

py(-4)=P[Y=-4]=P[X=-1]=p(-1)=1/8
py(-1)=P[Y=-1]=P[X=0]=p(0)=3/8
py(2)=P[Y=2]=P[X=1]=p(1)=3/8
py(5)=P[Y=5]=P[X=2]=p(2)=1/8
Luego la distribución de probabilidad esta dada
en la tabla:
y -4 -1 2 5
Py(y) 1/8 3/8 3/8 1/8
FUNCIÓN DE UNA VARIABLE ALEATORIA

Definición Eventos Equivalentes: Sea EX un

evento en RX (EXRX) y FY un evento RY (FYRY), EX
y FY son eventos equivalentes si:
EX={xRX/H(X)  FY}
La relación se presenta en la grafica siguiente:
 X RX H RY

w. x=X(w) y=H(x)
FUNCIÓN DE UNA VARIABLE ALEATORIA
FUNCIONES CONTINUAS DE UNA VARIABLE
ALEATORIA CONTINUA
Teorema: Sea X una variable aleatoria continua con
función de densidad f que satisface f(x)>0, para
a<X<b e Y=H(X), es una función continua de x,
estrictamente creciente o decreciente, entonces la
variable aleatoria Y=H(X) tiene una función de
densidad “g” dada por:
𝑑𝑥
g(y)=f(x)
𝑑𝑦
FUNCIÓN DE UNA VARIABLE ALEATORIA
EJEMPLO: Suponiendo que X es una variable
aleatoria con función de densidad:
𝑥
,0 ≤ 𝑥 ≤ 2 5
f(x)= 10
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Si Y=H(X)=2X+6 calcular la función de densidad de g
de Y.
El procedimiento de solución seria:
𝑦−6
1) G(y)=P[Y≤y]=P[2X+6 ≤y]=P[X≤ ]
2
FUNCIÓN DE UNA VARIABLE ALEATORIA
𝑦−6 𝑦−6
𝑥 𝑥2 1
= 0
2 𝑑𝑥 = 2 = 𝑦 2 − 12𝑦 + 36
10 20 80
0
𝑦−6
Donde los eventos Y≤y) en RY y [X≤( )]en RX son
2
equivalentes.
𝑑 𝑦 3
2) g(y)= 𝐺 𝑦 = −
𝑑𝑦 40 20
3) 0≤x≤2 5entonces 6≤2x+6≤4 5 + 6
o 6 ≤ y ≤4 5 + 6por lo tanto la función de densidad
de y es:
FUNCIÓN DE UNA VARIABLE ALEATORIA
𝑦 3
− ,6 ≤ 𝑦 ≤ 4 5 + 6
g(y)= 40 20
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠

VALOR ESPERADO DE UNA VARIABLE ALEATORIA

Sea X una variable aleatoria con RX y función de
probabilidad p(x) si es discreta o función de
densidad f(x) si es continua, el valor esperado o
esperanza matemática de X se denota por E(X) y se
define:
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

E(X)= 𝑥∈𝑅𝑋 𝑥𝑝(𝑥)si X es una variable aleatoria discreta (*)

∞
E(X)= 𝑅𝑋
𝑥𝑓 𝑥 𝑑𝑥 = −∞
𝑥𝑓 𝑥 𝑑𝑥si X es una variable aleatoria
continua (**)
Siempre que 𝑥∈𝑅𝑋 𝑥𝑝(𝑥) , sea absolutamente convergente, es
∞
decir la 𝑥∈𝑅𝑋 𝑥 𝑝(𝑥)es finita y −∞ 𝑥 𝑓 𝑥 𝑑𝑥 es finita
respectivamente.
La Esperanza matemática de X, se llama también: media de la
variable aleatoria y se denota por , o sea
=E(X)
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

EJEMPLO: Hallar la esperanza matemática de la

variable aleatoria X con distribución de probabilidad:
x 0 1 2 3 4
p(x) 0,2 0,4 0,3 0,08 0,02

Aplicando la formula para variables aleatorias

discretas y generando una columna mas en la tabla
obtenemos:
x 0 1 2 3 4 E(X)
p(x) 0,2 0,4 0,3 0,08 0,02 Sumatoria
xp(x) 0 0,4 0,6 0,24 0,08 1,32
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

EJEMPLO 2:Sea X una variable aleatoria continua cuya

función de densidad esta definida por:
3 2
𝑓 𝑥 = 4𝑥 2 − 𝑥 , 0<𝑥<2
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular la esperanza de X.
Aplicando la formula encontramos la esperanza
matemática
∞ 3 2 23 2
E(X)= −∞ 4
𝑥 2 − 𝑥 𝑑𝑥 = 0 4
𝑥 2 − 𝑥 𝑑𝑥
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

3 2𝑥 3 2𝑥4
= − = 0,99
4 3 04
Entonces la E(X)=0,9999=1
VALOR ESPERADO DE UNA VARIABLE ALEATORIA

PROPIEDADES DE LA ESPERANZA MATEMATICA

El siguiente teorema generaliza la definición de
esperanza matemática a la de una función de la
variable aleatoria Y=H(X)
TEOREMA 1
Sea X una variable aleatoria e Y=H(X) una función
de X. El valor esperado de la función H(X)
denotado por E[H(X)] se define por:
PROPIEDADES DE LA ESPERANZA MATEMATICA

i) E[H(X)]= 𝑋∈𝑅𝑋 𝐻 𝑋 𝑝(𝑥) , 𝑠𝑖 𝑥 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

Siempre que esta serie sea absolutamente
convergente
ii) E[H(X)]= 𝑅𝑋
𝐻 𝑋 𝑓 𝑥 𝑑𝑥 , si x es continua

Siempre que 𝑅𝑋
𝐻 𝑥 𝑓(𝑥) < ∞
Es posible que si X es continua, H(X) puede ser
discreta o continua, en este caso restringiremos H a
que Y=H(X) sea una variable aleatoria continua.
PROPIEDADES DE LA ESPERANZA MATEMATICA

TEOREMA 2
Si X es una variable aleatoria , a y b constantes.
Entonces:
(i) E(a)= a,
(ii) E[aH(X)]=aE[H(X)]
(iii) E[aH(X)+bG(X)]=aE[H(X)]+bE[G(X)]

TEOREMA 3
Sea X una variable aleatoria y si a y b son
constantes entonces:
E[aX±b]=aE(X)±b
PROPIEDADES DE LA ESPERANZA MATEMATICA

TEOREMA 4
Sea X1,X2,..Xn, n variables aleatorias y ai(i=1,2,3,..n)
constantes, entonces:
E[a0+ 𝑛𝑖=1 𝑎𝑖 𝑋𝑖 ] = a0+ 𝑛𝑖=1 𝑎𝑖 𝐸(𝑋𝑖 )
Consecuencia del teorema 4:
E[aX+bY]=aE(X)+bE(Y)
EJEMPLO 1: Sea X una variable aleatoria cuya
distribución de probabilidad esta dada por:
PROPIEDADES DE LA ESPERANZA MATEMATICA
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8

Calcular: a) E(2X+1); b) E(4X-2)

c)E(2X2+3); d)E(4X2+X+3)
1 3 3 1 12 3
a)E(X)=0× + 1 × + 2 × + 3 × = =
8 8 8 8 8 2
3
E(2X+1)=2E(X)+1=2× +1=3+1=4
2
PROPIEDADES DE LA ESPERANZA MATEMATICA

3
b) E(4X-2)=4E(X)-2=4× − 2 = 6 − 2 = 4
2
c)Primero calculemos E(X2) por la formula del
teorema 1 se obtiene:
1 2 3 2 3 2 1 24
E(X )=0 ×
2 2 +1 × +2 × + 3 × = =3
8 8 8 8 8
E(2X2+3)=2E(X2)+3=2x3+3=9
3
d) E(4X +X+3)=4E(X )+E(X)+3=4x3+ +3=16,5
2 2
2
PROPIEDADES DE LA ESPERANZA MATEMATICA

EJEMPLO 2 En un juego de lotería se venden

1000 boletos a 25 ctvs. Hay 5 premios en
efectivo de: Bs.25,Bs. 20,Bs. 10,Bs. 5 y de Bs.1.
primero, segundo, tercero, cuarto y quinto premio
respectivamente. Calcular la ganancia esperada
de un comprador de 2 boletos.
PASO 1 Definimos la variable aleatoria:
X(w)=Beneficio neto al comprar un boleto
X(w)=Valor Premio - costo del Boleto
PROPIEDADES DE LA ESPERANZA MATEMATICA

PASO2 Establezco una segunda variable

aleatoria relacionada con X que seria Y=2X que
es el beneficio al comprar 2 boletos.
PASO 3 La Esperanza de Y con relación a la de X
será: E(Y)=E(2X)= 2E(X)
PASO 4 Establezco el rango de la variable X y su
correspondiente probabilidad en función al
espacio muestral considerado
PROPIEDADES DE LA ESPERANZA MATEMATICA

El rango de X es el beneficio neto que obtiene el

comprador de un boleto si pierde o gana uno de
los diferentes premios en Bs., entonces:
RX={-0,25;0,75;4,75;9,75;19,75;24,75}
La probabilidad la establecemos el numero total
de elemento de  que se constituyen en 1000
boletos y lo expresamos en la siguiente tabla:
PROPIEDADES DE LA ESPERANZA MATEMATICA
X -0,25 0,75 4,75 9,75 19,75 24,75
p(x) 995/1000 1/1000 1/1000 1/1000 1/1000 1/1000 E(X)

xp(x) -0,24875 0,00075 0,00475 0,00975 0,01975 0,02475 -0,18825

Por lo tanto el beneficio esperado al comprar un boleto

es -0,18825, luego el beneficio de comprar dos boletos
será:
E(2X)=2x(-0,18825)=-0,3765 que es el beneficio
esperado al comprar dos boletos.
MOMENTOS DE UNA DISTRIBUCIÓN
Los momentos de la distribución de
probabilidades son: la esperanza matemática
como primer momento central y la Varianza como
segundo momento central. Y dentro de la
Varianza se tiene el concepto de la desviación
estándar.
A continuación se desarrollaran las definiciones
de estos nuevos conceptos y su correspondiente
aplicación e interpretación.
MOMENTOS DE UNA DISTRIBUCIÓN

VARIANZA DE UNA VARIABLE ALEATORIA

La varianza de una variable aleatoria X se denota
2
por Var(X) o por la letra griega 𝑥 ( o
simplemente 2 ), y se define como:
Var(X)=2 =E[(X-)2]
Por lo tanto:
2 =E[(X-)2]= 𝑥∈𝑅𝑋 𝑥 − 𝜇 2 p(x), si X es discreta
MOMENTOS DE UNA DISTRIBUCIÓN
∞
2
=E[(X-) ]=
2
−∞
𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥,si X es continua
La varianza es una medida de dispersión o
concentración de la información alrededor de la
media E(X).
La varianza es pequeña si la información se
encuentra concentrada alrededor de E(X), y si la
varianza crece, la información se aleja de la
media E(X).
MOMENTOS DE UNA DISTRIBUCIÓN
La varianza de una variable aleatoria X es un caso
especial del teorema 1 pues H(X)=(X-)2.
Observe que la unidad de la variable aleatoria es ,
entonces la unidad de la media es la misma, en
cambio la unidad de la varianza sería 2.
DESVIACION TIPICA
Otra medida de dispersión llamada desviación típica
de la variable aleatoria se define como la relación
cuadrada de la varianza y se denomina por sigma
“”, es decir:
MOMENTOS DE UNA DISTRIBUCIÓN

 = + 2
Note que la unidad de  es la misma que de la
variable aleatoria y un valor pequeño de la
desviación típica poca dispersión mientras que
un valor grande indica gran dispersión.
EJEMPLO 1
La variable aleatoria X tiene la siguiente función
de distribución:
MOMENTOS DE UNA DISTRIBUCIÓN

0 , 𝑥<0
1
, 0≤𝑥<1
8
1
F 𝑥 = 2
, 1≤𝑥<2
5
, 2≤𝑥<3
8
1 , 𝑥>3
Calcular la varianza y desviación típica de la
variable aleatoria.
MOMENTOS DE UNA DISTRIBUCIÓN

Paso 1 .-Definición del RX={0,1,2,3}

Paso 2 Elaboración tabla de calculo
x 0 1 2 3 Total
F(x) 1/8 1/2 5/8 1 E(X)
p(x) 1/8 3/8 1/8 3/8
xp(x) 0 3/8 2/8 9/8 14/8

Paso 3.-Para el calculo de la Varianza requiero:

𝑥 − 𝜇 2 que podemos incluirlos en la anterior
tabla y tendríamos:
MOMENTOS DE UNA DISTRIBUCIÓN
x 0 1 2 3 Total
F(x) 1/8 1/2 5/8 1 E(X)

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

xp(x) 0 3/8 2/8 9/8 14/8
𝑥−𝜇 2 (0-14/8)2 (1-14/8)2 (2-14/8)2 (3-14/8)2 (𝒙 −
𝑥−𝜇 2 196/64 36/64 4/64 100/64
𝑥−𝜇 2 p(x) 196/512 108/512 4/512 300/512 608/512

El valor de la Varianza o 𝜎 2 = 1,1875

Y la desviación típica es 𝜎= 𝜎 2
= 1,1875= 1,089
MOMENTOS DE UNA DISTRIBUCIÓN

Ejemplo 2: Usando la función de densidad del

ejemplo 2 de diapositiva 80 calcular la Varianza y
desviación típica.
=E(X)=1
2 2 23 1
𝜎 =E[(X-1) ]=
2
0
𝑥− 1 𝑥 2 − 𝑥 𝑑𝑥 =
4 5
2
𝜎 =0,2
= 0,2=0,45