Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIAS
DEPARTAMENTO DE MATEMÁTICA
Definición 1 (Variable Aleatoria): Sea un experimento aleatorio con espacio muestral Ω. Una
funció n X, la cual asigna a cada elemento del espacio muestral ω ∈ Ω uno y só lo un nú mero real
X ( ω )=x , es llamada variable aleatoria. El espacio de X es el conjunto de nú meros reales
A={ x ; x= X ( ω ) , ω ∈Ω } .
Si el espacio A resulta ser un conjunto contable, entonces se dice que X es una variable aleatoria
discreta. Si por contrario A es un intervalo real entonces X es una variable aleatoria continua.
Definición 2 (Función de densidad de probabilidad): Sea X una variable aleatoria con espacio A
definido. Si consideramos una funció n real f ( x ) , entonces:
CASO II: Si X es una variable aleatoria continua y f ( x ) cumple las siguientes condiciones:
1. f ( x ) ≥0 ∀ x ∈ R
2. f (x)debe ser una función continua o a lo más discontinua en pocos puntos.
∞
3. ∫ f ( x ) dx=1
−∞
Ejemplo 3:La funció n de densidad de una variable aleatoria X que representa la cantidad de cemento que
necesita una mezcla de concreto dada en unidades de 100 Kg:
f ( x )=¿
Definición 3 (Función de distribución acumulada): Sea X una variable aleatoria y sea x un punto
real. Entonces la funció n de distribució n acumulada hasta el punto x se define como:
F (x)=P( X ≤ x )
0 c <0
{
F ( c )= c − c
4
1
2
0 ≤ c< 2
c≥2
a) Calcule la probabilidad de que se deban invertir entre US$1300 y US$1800 en seguridad para trabajar
en el yacimiento.
b) ¿Cuá l es el costo por el cual se encuentra el 75% de las inversiones en seguridad má s econó micas?
c) ¿Existe la funció n de densidad de probabilidad? De ser así calcú lela.
Ejemplo 5:Sea X una variable aleatoria discreta definida por la siguiente funció n de distribució n
acumulada:
0 x< 1
{
F ( x )= 0,25 1≤ x< 2
0,70 2≤ x< 3
1 x≥3
Definición 4 (Esperanza Matemática): Sea X una variable aleatoria y f (x) su funció n de densidad
de probabilidad. Si consideramos g( x ) una funció n de X entonces la esperanza matemá tica de g( X)
se denota E [ g( X ) ] y se obtiene:
∞
E [ g(X ) ] = ∫ g( x ) f ( x ) dx si la variable aleatoria es continua
−∞
Casos especiales.
2
Si g ( X )= ( X−μ )2 , donde µ es el valor esperado, entonces obtenemos E [ ( X −μ ) ] y se
denomina varianza de X y se denota Var(X) o σ².
Podemos ver que si Var ( X )=E [ ( X−μ )2 ] , entonces aplicando las propiedades:
Esta última función recibe este nombre pues a partir de ella, podemos generar todos los
momentos de una variable aleatoria X (si estos existen). Luego, si requerimos el r-ésimo
momento de X debemos derivar r veces la función M X (t ) y luego evaluar en t=0. Es decir:
r dr
E ( X )= r M X ( t ) ¿t =0
dt
Ejemplo 6: El tiempo T, en minutos, necesario para que un operador realice cierto proceso, es una variable
aleatoria con la siguiente funció n de probabilidad:
T 2 3 4 5 6 7
p 0.1 0.1 0.3 0.2 0.2 0.1
−2 x
f ( x )= 2 e six> 0
{ 0 coc .