Estadística matemática I - Clase 3

Mauricio Alejandro Mazo Lopera

Universidad Nacional de Colombia
Facultad de Ciencias
Escuela de Estadística
Medellín

1 / 33
Variable aleatorias y distribuciones

Dado un experimento aleatorio con espacio muestral S, se define

una variable aleatoria (v.a.), X , como una función que asigna a
cada elemento del espacio muestral a ∈ S un y solo un número
real x ∈ R. Es decir, una v.a. es una función de S a R, tal que

X : S −→ R
a 7−→ X (a) = x

2 / 33
Variable aleatorias y distribuciones

Dado un experimento aleatorio con espacio muestral S, se define

una variable aleatoria (v.a.), X , como una función que asigna a
cada elemento del espacio muestral a ∈ S un y solo un número
real x ∈ R. Es decir, una v.a. es una función de S a R, tal que

X : S −→ R
a 7−→ X (a) = x

2 / 33
Variable aleatorias (v.a.) - Observaciones:
Otra forma de ver una v.a. es que es una función

X : S −→ R

tal que para todo C ∈ B0 : σ-álgebra de Borel,

X −1 (C ) : {a ∈ S : X (a) ∈ C } ∈ B

donde B es la σ-álgebra de subconjuntos de S.

3 / 33
Variable aleatorias (v.a.) - Observaciones:
Otra forma de ver una v.a. es que es una función

X : S −→ R

tal que para todo C ∈ B0 : σ-álgebra de Borel,

X −1 (C ) : {a ∈ S : X (a) ∈ C } ∈ B

donde B es la σ-álgebra de subconjuntos de S.

3 / 33
Variable aleatorias (v.a.) - Observaciones:

Las variables aleatorias siempre se denotarán con letras ma-

yúsculas (preferiblemente las últimas letras del alfabeto),
X , Y , Z y los valores que estas pueden tomar con letras
minúsculas, es decir, x , y , z.

4 / 33
Variable aleatorias (v.a.) - Observaciones:

Las variables aleatorias siempre se denotarán con letras ma-

yúsculas (preferiblemente las últimas letras del alfabeto),
X , Y , Z y los valores que estas pueden tomar con letras
minúsculas, es decir, x , y , z.

Al conjunto de valores que puede tomar X , lo llamaremos

rango de X y lo denotaremos por

Dx = X (S) = {x : X (a) = x , para algún a ∈ S}

4 / 33
Variable aleatorias y distribuciones - Ejemplos:

Ejemplo 1: Tres monedas no cargadas son lanzadas al tiempo.

Hallar el espacio muestral S y analice la variable aleatoria X : el
número de caras observadas.

5 / 33
Variable aleatorias y distribuciones - Ejemplos:

Ejemplo 1: Tres monedas no cargadas son lanzadas al tiempo.

Hallar el espacio muestral S y analice la variable aleatoria X : el
número de caras observadas.
Solución: Si consideramos que H: head (cara) y T : tail (sello),
el espacio muestral estaría dado por:

S = {HHH , HHT , HTH , THH , HTT , THT , TTH , TTT } .

La variable aleatoria de interés es

X : número caras en el lanzamiento de las tres monedas.
En este caso los valores que se pueden observar en cuanto al
número de caras son {0, 1, 2, 3}. Si se denota por DX el conjunto
de todos los posibles valores que toma la v.a X , se tiene que
DX = {0, 1, 2, 3}.

5 / 33
Variable aleatorias y distribuciones - Ejemplos:

La función X asigna acada resultado del espacio muestral un

vaor real que pertenece a DX , tal como se muestra a continua-
ción:
HHH HHT HTH THH HTT THT TTH TTT
X: ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓
3 2 2 2 1 1 1 0

Es decir,
S → R
X:
a → X (a)
Por ejemplo,

X (HHH) = 3 , X (THH) = 2 , X (TTT ) = 0 , X (TTH) = 1 .

6 / 33
Variable aleatorias y distribuciones - Ejemplos:
Ejemplo 2: Se lanzan un par de dados cúbicos no cargados. Halle
el espacio muestral y analice las variables aleatorias
X : suma de los 2 resultados.

7 / 33
Variable aleatorias y distribuciones - Ejemplos:
Ejemplo 2: Se lanzan un par de dados cúbicos no cargados. Halle
el espacio muestral y analice las variables aleatorias
X : suma de los 2 resultados.
Solución: El espacio muestral para este experimento es:
S = {(1 , 1) , (1 , 2) , . . . , (5 , 6) , (6 , 6)} .
Para la variable aleatoria X , que corresponde a la suma de los dos
resultados, la asignación para los diferentes pares de resultados se
muestra así:
(1, 1) → 2 , (3, 2) → 5 , (4, 3) → 7
(1, 2) → 3 , (3, 5) → 8 , (6, 2) → 8 etc.
(5, 6) → 11 , (6, 6) → 12 , (2, 5) → 7

En este caso X el rango de la variable aleatoria X , está dado por

DX = {2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12} .
7 / 33
Variable aleatorias y distribuciones - Ejemplos:

Ejemplo 3: El desgaste de una llanta en un período de un

año es una variable aleatoria. Si X es la variable aleatoria que
representa el desgaste en décimas de milímetros, DX = (0 , a),
donde a representa la profundidad mínima de la llanta estando
nueva.
NOTA: Según el rango, Dx , de la variable aleatoria, podemos
afirmar que es Discreta o Continua. A continuación se expone
es caso de v.a. discretas.

8 / 33
Variables aleatorias discretas

Decimos que una v.a., X , es discreta si su rango, Dx es finito

o numerable (contable). Esta definición de una v.a. también se
puede relacionar con una función que veremos más adelante y
que se conoce como función de distribución acumulada.

9 / 33
Variables aleatorias discretas

Decimos que una v.a., X , es discreta si su rango, Dx es finito

o numerable (contable). Esta definición de una v.a. también se
puede relacionar con una función que veremos más adelante y
que se conoce como función de distribución acumulada.
Ejemplo 1: Considere como experimento, lazar una moneda
hasta que caiga cara. En este caso, si consideramos que H: head
(cara) y T : tail (sello) entonces, el espacio muestral asociado
sería:
S = {H, TH, TTH, TTTH, TTTTH, . . .}.

9 / 33
Variables aleatorias discretas

Si definimos la variable aleatoria

X : número de lanzamientos hasta obtener cara,
entonces el rango de X estaría dado por:

Dx = {1, 2, 3, 4, 5, . . .},

donde claramente se asocia, por ejemplo,

X (H) = 1, X (TH) = 2, X (TTH) = 3, X (TTTH) = 4, . . .

Como Dx es contable, entonces decimos que X es una v.a.

discreta.

10 / 33
Variables aleatorias discretas

Si definimos la variable aleatoria

X : número de lanzamientos hasta obtener cara,
entonces el rango de X estaría dado por:

Dx = {1, 2, 3, 4, 5, . . .},

donde claramente se asocia, por ejemplo,

X (H) = 1, X (TH) = 2, X (TTH) = 3, X (TTTH) = 4, . . .

Como Dx es contable, entonces decimos que X es una v.a.

discreta.
NOTA: Surge entonces la duda, acerca de cómo se puede aso-
ciar a cada uno de los valores que toma la v.a. discreta X , una
probabilidad. Para ello definimos el siguiente concepto.
10 / 33
Función masa de probabilidad (f.m.p.):

Sea X una v.a. discreta con rango Dx . La función masa de

probabilidad (f.m.p.) de X está dada por:

px (x ) = P(X = x ), para x ∈ Dx ,

donde se cumple que:

i. 0 ≤ px (x ) ≤ 1, ∀x ∈ Dx ,
X
ii. px (x ) = 1.
x ∈Dx

11 / 33
Función masa de probabilidad (f.m.p.) - NOTAS:
Si estamos interesados en calcular la probabilidad de un
conjunto B ⊆ Dx , entonces se puede hablar de la función
de probabilidad inducida por la v.a. discreta (luego vere-
mos que se puede extender a otros tipos de v.a. como por
ejemplo las continuas) X , como:
Px (B) = P(X ∈ B)
= P(X −1 (B))
= P({a ∈ S : X (a) ∈ B})
X
= P({a ∈ S : X (a) = x })
x ∈B

12 / 33
Función masa de probabilidad (f.m.p.) - NOTAS:
Si estamos interesados en calcular la probabilidad de un
conjunto B ⊆ Dx , entonces se puede hablar de la función
de probabilidad inducida por la v.a. discreta (luego vere-
mos que se puede extender a otros tipos de v.a. como por
ejemplo las continuas) X , como:
Px (B) = P(X ∈ B)
= P(X −1 (B))
= P({a ∈ S : X (a) ∈ B})
X
= P({a ∈ S : X (a) = x })
x ∈B

El soporte de una v.a. discreta, X , es el conjunto de puntos

en Dx tal que la f.m.p. es positiva, es decir, si denotamos
a este soporte por X , entonces
X = {x ∈ Dx : px (x ) > 0}.
12 / 33
Función masa de probabilidad (f.m.p.) - Ejemplos:

Ejemplo 1: Considerando el experimento del ejemplo anterior

de lanzar una moneda hasta que salga cara, y asumiendo que
P({H}) = p y P({T }) = (1 − p), para 0 ≤ p ≤ 1(en el caso
de una moneda justa p = 1/2), tenemos que para:
X : número de lanzamientos hasta obtener cara
se tiene que:
 

px (x ) = P(X = x ) = P T . . . T} H
| T {z
 

(x −1)−veces

= (1 − p) × (1 − p) × . . . × (1 − p) ×p = (1 − p)x −1 p
| {z }
(x −1)−veces

13 / 33
Función masa de probabilidad (f.m.p.) - Ejemplos:

Así,
px (x ) = (1 − p)x −1 p, para x = 1, 2, 3, . . . .
Es claro que:
i. 0 ≤ px (x ) ≤ 1, ∀x ∈ Dx , ya que como 0 ≤ p ≤ 1, se tiene
que 0 ≤ 1 − p ≤ 1 (¿por qué?).
De aquí,
0 ≤ (1 − p)x −1 ≤ 1
y así
0 ≤ px (x ) = (1 − p)x −1 p ≤ 1

14 / 33
Función masa de probabilidad (f.m.p.) - Ejemplos:
X
ii. px (x ) = 1, ya que
x ∈Dx

∞ ∞
(1 − p)x −1 p
X X
px (x ) =
x =1 x =1
∞
(1 − p)y (¿por qué?)
X
= p
y =0
1
= p∗ (serie geométrica)
1 − (1 − p)
= 1

NOTA Ahora, ¿será posible definir probabilidades, como

por ejemplo, P(X ≤ x )?. La respuesta es sí, y se define
entonces la siguiente función.

15 / 33
Función de distribución acumulada (f.d.a.) de una v.a.
discreta
Sea X una v.a discreta con f.m.p., px (x ). La función de dis-
tribución acumulada (f.d.a.) de X , denotada Fx (x ) se define
como:
X  0
Fx (x ) = P (X ≤ x ) = px x , ∀x ∈ R .
x0 ≤ x

16 / 33
Función de distribución acumulada (f.d.a.) de una v.a.
discreta
Sea X una v.a discreta con f.m.p., px (x ). La función de dis-
tribución acumulada (f.d.a.) de X , denotada Fx (x ) se define
como:
X  0
Fx (x ) = P (X ≤ x ) = px x , ∀x ∈ R .
x0 ≤ x

NOTAS:
La f.d.a., Fx (x ), puede verse también como:
Fx (x ) = Px ((−∞, x ])
= P(X ≤ x )
= P ({a ∈ S : X (a) ≤ x })
Otra forma de definir una v.a. X como discreta, es cuando
su f.d.a. es una función paso o salto sobre x .
16 / 33
Propiedades de la f.d.a. de una v.a. discreta

1 0 ≤ Fx (x ) ≤ 1.

17 / 33
Propiedades de la f.d.a. de una v.a. discreta

1 0 ≤ Fx (x ) ≤ 1.
2 P (X > x ) = 1 − Fx (x ).

17 / 33
Propiedades de la f.d.a. de una v.a. discreta

1 0 ≤ Fx (x ) ≤ 1.
2 P (X > x ) = 1 − Fx (x ).
3 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).

17 / 33
Propiedades de la f.d.a. de una v.a. discreta

1 0 ≤ Fx (x ) ≤ 1.
2 P (X > x ) = 1 − Fx (x ).
3 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
4 P (a ≤ X ≤ b) = Fx (b) − Fx (a− ), donde
Fx (a− ) = lı́m− Fx (z) = P(X < a).
z→a

17 / 33
Propiedades de la f.d.a. de una v.a. discreta

1 0 ≤ Fx (x ) ≤ 1.
2 P (X > x ) = 1 − Fx (x ).
3 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
4 P (a ≤ X ≤ b) = Fx (b) − Fx (a− ), donde
Fx (a− ) = lı́m− Fx (z) = P(X < a).
z→a

5 P (a < X ≤ b) = Fx (b) − Fx (a).

17 / 33
Propiedades de la f.d.a. de una v.a. discreta

6 px (x ) representa el salto en el gráfico de Fx (x )

el punto x , es decir,

px (x ) = P(X = x ) = P(X ≤ x ) − lı́m− F (z)

z→x
−
= Fx (x ) − Fx (x ), ∀x ∈ R

18 / 33
Propiedades de la f.d.a. de una v.a. discreta

6 px (x ) representa el salto en el gráfico de Fx (x )

el punto x , es decir,

px (x ) = P(X = x ) = P(X ≤ x ) − lı́m− F (z)

z→x
−
= Fx (x ) − Fx (x ), ∀x ∈ R

7 lı́m Fx (x ) = 1.
x →∞

18 / 33
Propiedades de la f.d.a. de una v.a. discreta

6 px (x ) representa el salto en el gráfico de Fx (x )

el punto x , es decir,

px (x ) = P(X = x ) = P(X ≤ x ) − lı́m− F (z)

z→x
−
= Fx (x ) − Fx (x ), ∀x ∈ R

7 lı́m Fx (x ) = 1.
x →∞

8 lı́m Fx (x ) = 0.
x →−∞

18 / 33
Propiedades de la f.d.a. de una v.a. discreta

6 px (x ) representa el salto en el gráfico de Fx (x )

el punto x , es decir,

px (x ) = P(X = x ) = P(X ≤ x ) − lı́m− F (z)

z→x
−
= Fx (x ) − Fx (x ), ∀x ∈ R

7 lı́m Fx (x ) = 1.
x →∞

8 lı́m Fx (x ) = 0.
x →−∞

9 Fx (x ) es una función continua a derecha, es

decir, Fx (x + ) = lı́m+ Fx (z) = Fx (x ), ∀x ∈ R.
z→x

18 / 33
Propiedades de la f.d.a. - Ejemplos:

Ejemplo 1: Se lanza un dado cúbico no cargado. Sea X : resul-

tado del lanzamiento del dado, halle la f.d.a. de X .
Solución
El gráfico de la f.m.p. de X está dado por.

0.30

0.25

0.20 1/6 1/6 1/6 1/6 1/6 1/6

p(x)

0.15

0.10

0.05

0.00
1 2 3 4 5 6

19 / 33
Propiedades de la f.d.a. - Ejemplos:
Usando el gráfico anterior se tiene que:
1
p (x ) = , x = 1 , 2 , 3 , 4 , 5 , 6 .
6
Ahora:
Si x < 1 ⇒ F (x ) = 0
1
Si 1 ≤ x < 2 ⇒ F (x ) =
6
2
Si 2 ≤ x < 3 ⇒ F (x ) =
6
3
Si 3 ≤ x < 4 ⇒ F (x ) =
6
4
Si 4 ≤ x < 5 ⇒ F (x ) =
6
5
Si 5 ≤ x < 6 ⇒ F (x ) =
6
Si x ≥ 6 ⇒ F (x ) = 1
20 / 33
Propiedades de la f.d.a. - Ejemplos:

La distribución acumulada para X , puede escribirse como:




0 ; x <1
[[x ]]

F (x ) = ; x ∈ [1, 6)
 6

 1 ; x ≥6


Donde [[x ]] denota la parte entera de x .

21 / 33
Propiedades de la f.d.a. - Ejemplos:

El gráfico para la f.d.a. de X se muestra en la siguiente figura:

1 ●

5/6 ● ●

4/6 ● ●
F(x)

3/6 ● ●

2/6 ● ●

1/6 ● ●

0 1 2 3 4 5 6 7

22 / 33
Variables aleatorias continuas:

Decimos que una v.a. X es continua si la función

Fx (x ) = P(X ≤ x )

conocida como la función de distribución acumulada (f.d.a.) es

continua para todo x ∈ R.

23 / 33
Variables aleatorias continuas:

Decimos que una v.a. X es continua si la función

Fx (x ) = P(X ≤ x )

conocida como la función de distribución acumulada (f.d.a.) es

continua para todo x ∈ R.
Nota: La notación de la f.d.a. de una v.a. continua es igual a
la notación de una v.a. discreta. En ambos casos será

Fx (x ) = P(X ≤ x )

23 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).
4 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).
4 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
5 P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) =
P (a < X < b) = F (b) − F (a)

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).
4 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
5 P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) =
P (a < X < b) = F (b) − F (a)
6 lı́m Fx (x ) = 1.
x →∞

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).
4 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
5 P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) =
P (a < X < b) = F (b) − F (a)
6 lı́m Fx (x ) = 1.
x →∞

7 lı́m Fx (x ) = 0.
x →−∞

24 / 33
Propiedades de la f.d.a. para el caso continuo
1 0 ≤ Fx (x ) ≤ 1.
2 P(X = x ) = 0, ∀x ∈ Dx
3 P (X > x ) = 1 − Fx (x ).
4 Si x1 < x2 ⇒ Fx (x1 ) ≤ Fx (x2 ) (Fx (x ) es no
decreciente).
5 P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) =
P (a < X < b) = F (b) − F (a)
6 lı́m Fx (x ) = 1.
x →∞

7 lı́m Fx (x ) = 0.
x →−∞

NOTA: La prueba de estas propiedades es similar a las propie-

dades para el caso discreto.
24 / 33
Función densidad de probabilidad de una v.a. continua:

Ahora, si existe la derivada de Fx (x ) definimos la función den-

sidad de probabilidad (f.d.p.) como
dFx (x )
fx (x ) =
dx
de donde
dFx (x ) = fx (x )dx
y así, Z x Z x
dFx (t) = fx (t)dt
−∞ −∞

25 / 33
Función densidad de probabilidad de una v.a. continua:

lo cual implica que

Z x Z x
dFx (t) = fx (t)dt
−∞ −∞

luego Z x
Fx (x ) − lı́m Fx (t) = fx (t)dt
t→−∞ −∞
| {z }
0
por tanto, Z x
Fx (x ) = fx (t)dt.
−∞

26 / 33
Observaciones

i. Como F (x ) es no decreciente y continua, entonces su

derivada (si existe) fx (x ) ≥ 0.

27 / 33
Observaciones

i. Como F (x ) es no decreciente y continua, entonces su

derivada (si existe) fx (x ) ≥ 0.
Z ∞
ii. fx (x )dx = 1.
−∞

27 / 33
Observaciones

i. Como F (x ) es no decreciente y continua, entonces su

derivada (si existe) fx (x ) ≥ 0.
Z ∞
ii. fx (x )dx = 1.
−∞

Z b
iii. fx (x )dx = F (b) − F (a).
a

27 / 33
Observaciones

i. Como F (x ) es no decreciente y continua, entonces su

derivada (si existe) fx (x ) ≥ 0.
Z ∞
ii. fx (x )dx = 1.
−∞

Z b
iii. fx (x )dx = F (b) − F (a).
a

iv. El soporte de una v.a. continua, X , es el conjunto de todos

los puntos x tales que fx (x ) > 0 y denotaremos a dicho
conjunto como X = {x ∈ Dx : fx (x ) > 0}.

27 / 33
Ejemplos sobre v.a. continuas:

Ejemplo 1: Suponga que la variable aleatoria X tiene f.d.p.

dada por
(
ce −x /4 , 0 < x < ∞
fx (x ) =
0, e.o.c.

a. Encuentre el valor de c.
b. Calcule P(X > 4).

28 / 33
Ejemplos sobre v.a. continuas - Solución:
a. Para hallar el valor de c, debemos tener en cuenta que
Z ∞
fx (x )dx = 1
−∞

Así,
Z ∞
1 = fx (x )dx
−∞
Z 0 Z ∞ ∞

= 0dx + ce −x /4 dx = −4ce −x /4 

−∞ 0 0
| {z }
0
= 4c =⇒ 1 = 4c =⇒ c = 1/4.

29 / 33
Ejemplos sobre v.a. continuas - Solución:
a. Para hallar el valor de c, debemos tener en cuenta que
Z ∞
fx (x )dx = 1
−∞

Así,
Z ∞
1 = fx (x )dx
−∞
Z 0 Z ∞ ∞

= 0dx + ce −x /4 dx = −4ce −x /4 

−∞ 0 0
| {z }
0
= 4c =⇒ 1 = 4c =⇒ c = 1/4.
R 4 1 −x /4
b. P(X> 4) = 1 − P(X ≤ 4) = 1 − 0 4 e dx =
4

−x
1 − −e /4
= 1 − [−e −1 + 1] = 0.3679
 


0
29 / 33
Ejemplos sobre v.a. continuas:

Ejemplo 2: Sea X la duración en horas de cierto tipo de bom-

billa eléctrica. La f.d.p. para X esta dada por:
(
a
x3
1500 ≤ x ≤ 2500
f (x ) =
0, e.o.c.

Calcule:
a. P (X ≤ 2000)
b. P (X ≤ 2000 | X ≥ 1800)

30 / 33
Ejemplos sobre v.a. continuas - Solución:

Primero es necesario hallar el valor de a. Como

Z∞
+

f (x ) dx = 1
−∞

entonces
1500
Z 2500
Z Z∞
+

f (x ) dx + f (x ) dx + f (x ) dx = 1
−∞ 1500 2500
↓ ↓
0 0

2500
a a 2500
Z 
⇔ dx = 1 ⇔ − =1 ⇒ a = 7031250
x3 2 x 2 1500
1500

31 / 33
Ejemplos sobre v.a. continuas - Solución:

a.

2000
a a 1 1
Z  
P (X ≤ 2000) = dx = − ∼
= 0.68359 .
x3 2 1500 2 2000 2
1500

32 / 33
Ejemplos sobre v.a. continuas - Solución:

a.

2000
a a 1 1
Z  
P (X ≤ 2000) = dx = − ∼
= 0.68359 .
x3 2 1500 2 2000 2
1500

b.

P (1800 ≤ X ≤ 2000)
P (X ≤ 2000 | X ≥ 1800) =
P (X ≥ 1800)
2000
R a
x3
dx
1800
= 2500
≈ 0.39452
R a
x3
dx
1800

32 / 33
Ejercicios clase 3:

1 Una tienda de electrodomésticos recibe un total

de 30 hornos de microondas, 5 de los cuales son
(desconocido al gerente) defectuosos. El gerente
de la tienda selecciona 4 hornos aleatoriamente,
sin reemplazo y los prueba para ver si están de-
fectuosos. Sea X : número de elementos defec-
tuosos hallados. Encuentre la f.m.p. y la f.d.a. de
X y grafique esta última.
2 Lea y realice la tarea de la lectura complementaria
LECTURA_2.
3 Realice los ejercicios 1.52, 1.54 y 1.55 del texto
guía de Casella & Berger.
33 / 33