UNIVERSIDAD CATÓLICA DEL NORTE

FACULTAD DE CIENCIAS
DEPARTAMENTO DE MATEMÁTICA

Variables aleatorias y funciones de

probabilidad.
Profesora: Nathalie Castro M. ncastro@ucn.cl

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.

Ejemplo 1: Sea el experimento aleatorio “lanzar dos monedas no cargadas”.

a) Indique cuál es el espacio muestral asociado a este experimento aleatorio.
b) Considere la variable aleatoria X=”contar el número de caras obtenidas”. Indique cuál es el
espacio de la variable aleatoria X e indique si es discreta o 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 I: Si X es una variable aleatoria discreta y f ( x ) cumple las siguientes condiciones:

1. f ( x ) ≥0 ∀ x ∈ A
2. ∑ f ( x)=1
x∈ A

Se dice que f ( x ) es una función de densidad de probabilidad discreta (también llamada

función de cuantía o función de masa)

 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
−∞

Se dice que f ( x ) es una función de densidad de probabilidad continua.

 x−2
Ejemplo 2: Sea la funció n f (x)= , donde la variable aleatoria x toma los valores {1, 2, 3, 4, 5}.
5
¿Es ésta una funció n de densidad de probabilidad? Justifica tu respuesta.

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 )=¿

a) Calcula el valor de k para que sea una funció n de densidad.

b) Calcule la probabilidad de que la mezcla de concreto necesite má s de 60 Kg.

Si consideramos un conjunto A ⊂ A , entonces podemos expresar:

 P ( X ∈ A ) =∑ f ( x) si la variable aleatoria es discreta

A

 P ( X ∈ A ) =∫ f ( x ) dx si la variable aleatoria es continua

A

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 )

Claramente, si la variable aleatoria es discreta, entonces la función de distribución acumulada sería:

❑
F ( x )=P ( X ≤ x ) =∑ f (t)
t≤x

Pero si la variable aleatoria es continua, entonces la función de distribución acumulada es:

x
F ( x )=P ( X ≤ x ) =∫ f ( t ) dt
−∞

Propiedades de la función de distribución acumulada.

1. F(x) siempre está acotada entre 0 y 1.

2. F(x) es una función no decreciente en x.
3. P ( X ≤ a )=F ( a )
4. P ( X >a )=1−F ( a )
5. Si a< b entonces P ( a ≤ X ≤ b )=F ( b )−F ¿ si X va discreta
P ( a ≤ X ≤ b )=F ( b )−F( a) si X va continua
Ejemplo 4: Suponga que el costo C, medido en miles de dó lares, que significa invertir en seguridad en un
yacimiento, es una variable aleatoria continua que tiene la siguiente funció n de distribució n acumulada:

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

a) Calcule P(1< X < 3) y P ( X ≥2 ) .

b) Obtenga la funció n de cuantía.

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 ) si la variable aleatoria es discreta

x

∞
 E [ g(X ) ] = ∫ g( x ) f ( x ) dx si la variable aleatoria es continua
−∞

Propiedades de la esperanza matemática.

1. Si a es una constante, entonces E ( a ) =a .

2. Si g( X) y h( X ) son funciones de X, entonces E [ g ( X ) ±h ( X ) ] =E [ g(X ) ] ± E [ h( X) ]
3. Si a , b son constantes y g( X) , h( X ) son funciones de X, entonces
 E [ a g ( X ) ±b h( X ) ] =a E [ g( X) ] ± b E [ h (X ) ]

Casos especiales.

 Si g ( X )= X r , ∀ r ∈ Z +¿, ¿ entonces obtenemos E( X r ) y se denomina r-ésimo momento o

momento de orden r de X.

 Si g ( X )= X , entonces obtenemos E( X) y se denomina esperanza, valor esperado o primer

momento de X. También se le denota µ.

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:

Var ( X )=E ( X 2−2 Xμ+ μ 2)

¿ E ( X 2 )−2 μE (X )+ μ2
¿ E ( X 2 ) −2 μ2 + μ2
¿ E ( X 2) −μ2

 Si g ( X )=etX entonces obtenemos E ( e tX ) =M X (t) y se denomina función generadora de

momentos de X.

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

a) Calcule el tiempo medio de procesamiento.

b) Por cada pieza procesada, el operario gana $2 fijo, y si él procesa una pieza en menos de 6 minutos
gana $0.5 por cada minuto ahorrado, en forma adicional. Por ejemplo, si procesa una pieza en 4
minutos, recibe una cantidad adicional de $1. Encuentre la esperanza y la varianza de la variable
aleatoria G: “cantidad de dinero ganado por pieza”
Ejemplo 7: Considere la siguiente función de densidad de probabilidad:

−2 x
f ( x )= 2 e six> 0
{ 0 coc .

a) Demuestre que la esperanza y la varianza de la variable aleatoria X son respectivamente

E ( X ) =1/2 y Var ( X )=1 /4.
b) Calcule la función generadora de momentos para la variable aleatoria X.
c) Utilice la función de la parte anterior para verificar los valores de la esperanza y la varianza
dados previamente.