UNIVERSIDAD DE CARABOBO

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL

TEORÍA DE PROBABILIDAD

MATERIAL COMPLEMENTARIO DE LA
ASIGNATURA PROBABILIDADES, DEPARTAMENTO DE
INVESTIGACIÓN DE OPERACIONES

Prof.: ILSE PÉREZ CASTILLO

C.I. 7.137.223

BÁRBULA, NOVIEMBRE 2.015

 UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL

TEORÍA DE PROBABILIDAD

Trabajo presentado ante la ilustre Universidad de Carabobo desarrollado

durante Año Sabático Período 2014-2015

Prof.: ILSE PEREZ CASTILLO

C.I. 7.137.223

BÁRBULA, NOVIEMBRE 2.015

2
 TABLA DE CONTENIDO

1.- VARIABLES ALEATORIAS UNIDEMENSIONALES 5

Variable Aleatoria Discreta 7
Distribución de Probabilidades 7
Función de Distribución Acumulada de una Variable Aleatoria Discreta 15
Variable Aleatoria Continua 21
Función de Densidad de Probabilidad 22
Función de Distribución Acumulada de una Variable Aleatoria Continua 24
Medidas de Tendencia Central o de Localización y Medidas de
Variabilidad o Dispersión de una Variable Aleatoria 39
Media, Valor Esperado o Esperanza Matemática 40
Moda, Mediana 44
Fractiles, Cuartiles, Deciles, Percentiles 46
Varianza y Desviación Estándar 48
EJERCICIOS PROPUESTOS 52
2.-FUNCIÓN DE VARIABLE ALEATORIA 55
CASO 1 56
CASO 2 58
CASO 3 59
EJERCICIOS PROPUESTOS 72
3. VARIABLES ALEATORIAS BIDIMENSIONALES 76
Función de Densidad Marginal 86
Función de Densidad Condicional y Valor Esperado Condicional 90
Independencia entre variables 94
Covarianza y Coeficiente de Correlación 97
EJERCICIOS PROPUESTOS 124
4. DISTRIBUCIONES DISCRETAS Y CONTINUAS 127
Distribución Binomial 127
Distribución Pascal o Binomial Negativa
y Geométrica 134
Distribución Geométrica 138
Distribución Hipergeométrica 140
Distribución de Poisson 144
Distribución Normal 150

3
Teorema Central del Límite 157
Distribución Exponencial 160
Distribución Uniforme 166
EJERCICIOS VARIOS 169
EJERCICIOS PROPUESTOS 202
BIBLIOGRAFÍA 206

4
1.-VARIABLES ALEATORIAS UNIDIMENSIONALES

Al observar las aplicaciones de la Teoría de Probabilidad, se verifica la

atención que se presta a los números de los resultados de los experimentos. Al
inspeccionar por ejemplo cinco piezas extraídas al azar de un lote es común que
nos preocupemos por el total de piezas conformes o dentro de especificación, y
no por el resultado particular de cada pieza en la inspección. Si entrevistamos al
azar a un ingeniero seguramente el interés se centraría en su ingreso mensual y no
en las empresas donde ha trabajado. La relación de un número con cada resultado
de un experimento aleatorio es realmente otra forma de definir una función
asociada a los puntos muestrales.
Se considera un experimento aleatorio, y se asocia a dicho experimento un
espacio muestral, S. Ahora a cada resultado o punto muestral de dicho
experimento de probabilidad se le asigna un valor numérico, entonces a medida
que se observan los resultados se observan valores de una función de interés X,
esos valores numéricos son los valores de la VARIABLE ALEATORIA.
Entonces una Variable Aleatoria queda definida como la función que asigna un
valor numérico a cada uno de los posibles resultados de un experimento aleatorio,
de modo que todo evento debe tener un valor numérico único asignado.
Muchos de los experimentos aleatorios estudiados en la definición de espacio
muestral vemos que son realmente variables aleatorias, si la descripción final
correspondía a un número real, así tenemos:
S   2,3,4,5,6,7,8,9,10,11,12 , para denotar el espacio muestral correspondiente

al experimento de lanzar dos dados y registrar la suma de los puntos que aparecen
en sus caras superiores. Vemos que si la función asociada al experimento de
lanzar dos dados es X, quien es el valor que resulta de sumar los puntos de ambas
caras superiores, resulta que el conjunto posible de valores de X o el recorrido de
dicha función es :
R X   2,3,4,5,6,7,8,9,10,11,12

5
En otros casos requerimos de la relación de los elementos del espacio muestral S,
denotados por s, con la función de valor real de interés X, es decir X  s  ,
tenemos:  s : X  s   x , para todo   x  .
Por ejemplo se seleccionan al azar y de forma sucesiva dos esferas de una caja que
contiene cinco rojas y tres blancas. Citamos los elementos de espacio muestral
correspondiente al registro de las esferas extraídas, así tenemos:
S   RR, RB, BR, BB ahora citamos los valores de la variable aleatoria X, donde

ésta asume todos los valores posibles al número de esferas rojas extraídas,
tendremos para el recorrido de X:
R X   0,1,2 , X  RR   2; X  RB   X  RRB   1; X  BB   0
Veamos ejemplos de variables aleatorias con el correspondiente recorrido:
 Número de caras obtenidas al lanzar una moneda tres veces
R X   0,1,2,3

 Diferencia obtenida entre los puntos del primer lanzamiento de un dado con
los del segundo lanzamiento.
R X    5,4,3,2,1,0,1,2,3,4,5

 Cantidad de piezas conformes obtenidas al seleccionar al azar 5 piezas de una

paleta de 20 piezas fundidas que contiene 3 defectuosas.
R X   2,3,4,5

 Tiempo en horas de un equipo electrónico sometido a una prueba de duración.

R X   X   / X  0

 Tiempo de espera de un cliente para pagar en un supermercado.

R X   X   / 0  X  a

 Número de llamadas recibidas en una hora.

R X   0,1,2,3,4,5,...

 Número de clientes que acuden a realizar un reclamo por garantía, de un total

de 12 clientes atendidos.
R X   0,1,2,3,4,5,6,7,8,9,10,11,12

6
 Número de personas encuestadas hasta encontrar la tercera persona con título
universitario.
R X   3,4,5,6...

 Cantidad de desecho en kilogramos obtenidos de una planta procesadora de

maíz.
R X   X   / 0  X  a

 Número de inspectores especializados distintos elegidos al concluir dos

auditorias si se dispone para cada auditoría de 6 especializados y 4 rasos, y en
cada auditoría se eligen dos al azar.
R X   0,1,2,3,4

Las variables aleatorias pueden ser discretas o continuas:

Variable Aleatoria Discreta: es la variable aleatoria cuantitativa que adopta una

cantidad numerable de valores, es decir el intervalo de valores es finito o infinito
numerable. Suelen estar asociadas a la realización de experimentos en que se mide
el número de veces que algún evento sucede. En la práctica se consideran
discretas aquellas variables para las cuales se tiene interés en asignar
probabilidades a todos los posibles sucesos elementales.

Variable Aleatoria Continua: es la variable aleatoria cuantitativa que adopta una

cantidad innumerable de valores. El valor de la variable consiste en el espacio de
muestra que le brinda cierto intervalo de puntos continuo en el eje real. No se
distingue entre la medición que se obtiene y el resultado del experimento o punto
correspondiente situado sobre el eje real.

Distribución de una variable aleatoria

Sea x una variable aleatoria discreta. Su distribución viene dada por los valores
que puede tomar, x1, x2, x3, …, xk, y las probabilidades de que aparezcan p1, p2, p3,

7
…, pk. Estas cantidades pi  P  X  xi  reciben el nombre de función de
probabilidad o función de masa.
Con base en los postulados de probabilidad:
Una función puede ser función de probabilidad de una variable aleatoria discreta
si y sólo si cumple con las siguientes condiciones:

 p i  P  X  xi   0

k k
  p i   P ( X  xi )  1
i i

Ejemplo 1.1 Halle la distribución de probabilidad para la variable aleatoria que

cuenta el número total de caras obtenidas al lanzar en cuatro ocasiones una
moneda normal.
Solución:
En primer lugar pensamos en el recorrido descrito por:
R X   0,1,2,3,4 ,
seguidamente notamos que espacio muestral generado por el conjunto de posibles
arreglos de caras y sellos es equiprobable, por lo que la probabilidad de cualquier
evento generado a partir de dicho espacio se calculará como casos favorables
entre totales.
Hallamos entonces la distribución de probabilidad de X:

 4
 0  x1x1x1x1
P X  0   
2 x2 x 2 x 2

 4
  x1x1x1x1
1
P  X  1   
2 x2 x2 x2

 4
  x1x1x1x1
2
P X  2   
2 x2 x 2 x2

8
  4
 3  x1x1x1x1
P  X  3   
2 x 2 x2 x2

 4
 4  x1x1x1x1 , en muy sencillo pensar en que la función de probabilidad
P X  4   
2 x2x2x2

de X es:

 4

 x
P X  x    
 x1x1x1x1 para X  0,1,2,3,4
16

Ejemplo 1.2 Halle la distribución de probabilidad de la variable aleatoria X ,

número de inspectores especializados distintos elegidos al concluir dos
auditorias si se dispone para cada auditoría de 6 especializados y 4 rasos, y en
cada auditoría se eligen dos al azar.

Solución:

Esta variable mencionada como ejemplo en la definición de variables aleatorias

tiene por recorrido: R X   0,1,2,3,4
Ahora, puesto que todos los posibles grupos de tamaño dos que pueden formarse a
partir de la selección al azar en cada auditoría son igualmente probables, se tiene
que:

  4  4  
   x  
 2 2 36
P  X  0          0,01778
 10  10   2.025
 
   x
  
  2   2 

  6   4   2   6   4   3   6   4   2   3 
   x  x     x  x     x  x  x   
 1  1   2  1  1   2  1  1  1  1  
 
  4  x 6  x 2    4  x 6  x 2  
  2  1  1   2  1  1  
P  X  1               
 10  10  
 
  2  x 2  
   
384
  0,18963
2.025

 6  2 6   4 6 4 2 

   x     x  x 2    x  x   
 2  2  2  2  2  1  1  
 
  6  x 4  x 5  x 2    6  x 4  x 5  x 3  
 1  1  1  1  1  1  1  1  
P  X  2                   
 10  10  
 
  2  x 2  
    
915
  0,45185
2.025

 6  4  4  6  2  4 6   4 5 
 
  2  x1  x1    2  x1  x1   1  x1  x 2  
P  X  3                     
 10  10  
 
  2  x 2  
    
600
  0, 29630
2.025

 6   4 
   x  
 2  2  90
P X  4          0,04444
 10   10   2.025
   x
  

 2   2 

9
Podemos graficar la función de probabilidad, como observamos en la figura 1.1:

0,5
0,45
0,4
0,35
0,3
P(X=x)

0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 X

Figura 1.1. Distribución de Probabilidad. Ejercicio 1.2

Ejemplo 1.3 La jornada de trabajo de cierta máquina es de 6 horas. La máquina

en cuestión produce cierto tipo de piezas de acuerdo al procedimiento siguiente:
la máquina produce una pieza por hora. Al terminar de producirse una pieza
cualquiera, la probabilidad de que la máquina esté ajustada es de 0,90. Ajustar la
máquina requiere de una hora y los desajustes ocurren en forma independiente. La
máquina siempre está ajustada al inicio de la jornada. Sea X, la v.a. número de
piezas producidas en una jornada de trabajo. Halle la distribución de
probabilidades de X.

Solución:
La observación del número de piezas se hace durante una jornada de trabajo de 6
horas, pensemos en el peor escenario, es decir cada vez que la máquina termina de
hacer una pieza, es decir después de una hora de trabajo, queda desajustada para
lo cual se requiere una hora a fin de repararla, en este caso tendríamos que el
menor número de piezas fabricadas es tres, así también podríamos pensar en lo
mejor que podría ocurrir, finalizada cada pieza la máquina queda ajustada, de esta

10
manera tendríamos el mayor número de piezas que se pueden fabricar en 6 horas,
veamos la figura 1.1:
HORA HORA HORA HORA HORA HORA
1 2 3 4 5 6

(1) (0,1) (1) (0,1) (1) (0,1)

PIEZA REPA PIEZA REPA PIEZA REPA
1 RAR 2 RAR 3 RAR

(1) (0,1) (1) (0,1) (1) (0,9)

PIEZA REPA PIEZA REPA PIEZA PIEZA
1 RAR 2 RAR 3 4

(1) (0,1) (1) (0,9) (0,10) (1)

PIEZA REPA PIEZA PIEZA REPA PIEZA
1 RAR 2 3 RAR 4

(1) (0,1) (1) (0,9) (0,90) (0,10)

PIEZA REPA PIEZA PIEZA PIEZA REPA
1 RAR 2 3 4 RAR

(1) (0,1) (1) (0,9) (0,90) (0,90)

PIEZA REPA PIEZA PIEZA PIEZA PIEZA
1 RAR 2 3 4 5

(1) (0,90) (0,10) (1) (0,10) (1)

PIEZA PIEZA REPA PIEZA REPA PIEZA
1 2 RAR 3 RAR 4

(1) (0,90) (0,10) (1) (0,90) (0,10)

PIEZA PIEZA REPA PIEZA PIEZA REPA
1 2 RAR 3 4 RAR

11
 (1) (0,90) (0,10) (1) (0,90) (0,90)
PIEZA PIEZA REPA PIEZA PIEZA PIEZA
1 2 RAR 3 4 5

(1) (0,90) (0,90) (0,10) (1) (0,10)

PIEZA PIEZA PIEZA REPA PIEZA REPA
1 2 3 RAR 4 RAR

(1) (0,90) (0,90) (0,10) (1) (0,90)

PIEZA PIEZA PIEZA REPA PIEZA PIEZA
1 2 3 RAR 4 5

(1) (0,90) (0,90) (0,90) (0,10) (1)

PIEZA PIEZA PIEZA PIEZA REPA PIEZA
1 2 3 4 RAR 5

(1) (0,90) (0,90) (0,90) (0,90) (0,10)

PIEZA PIEZA PIEZA PIEZA PIEZA REPA
1 2 3 4 5 RAR
(1) (0,9) (0,9) (0,9) (0,9) (0,9)
PIEZA PIEZA PIEZA PIEZA PIEZA PIEZA
1 1 1 1 1 1
Figura 1.2 Distribución de sucesos por horas. Ejemplo 1.3

Entonces el recorrido de X es:

R X   3,4,5,6 , está claro que la abundancia de detalle en la figura anterior tiene
fines didácticos, en ningún caso es indispensable, podemos trabajar con recursos
más simples como un diagrama de árbol, o el planteamiento directo de los eventos
asociados.

Ahora con la ayuda de los eventos siguientes hallaremos la distribución de

probabilidad de X.

12
Ai : la máquina produce una pieza en la hora i, recordando que el evento

complemento del evento antes definido es:

Ai : la máquina requiere reparación en la hora i.
De acuerdo a la condición de independencia en que ocurren los desajustes,
tenemos:
P  X  3   0,10   0,001
3

  
P X  4    0,10 x 0,90 x3   0,10 x 0,90  x3  0,0513
2 2 2

P  X  5    0,10  x 0,90 x 4     0,10  x 0,90    0,35721
3 4

P  X  6    0,90   0,5949
5

Ejemplo 1.4 La cantidad de defectos que tiene una pieza elaborada por la línea A
es 0, 1 o 2; con probabilidades 0.25, 0.45 y 0.30 respectivamente; en el caso de
una pieza de la línea B es 1 o 2 defectos, con probabilidades 0.70 y 0.30,
respectivamente. El 70% de la producción corresponde a la línea A y el resto a la
B. Obtenga la función de probabilidades de X: Número de piezas que se deben
observar hasta encontrar la tercera con algún defecto.
Solución:

Se define el evento siguiente:

Ci: la pieza i tiene al menos un defecto.
De la figura 1.2 obtenemos la probabilidad total del evento Ci,
P (C i )  P ( A  D1 ) + P ( A  D2 )  P ( B )

P (C i )  P ( A) * P ( D1 / A)  P ( A) * P ( D2 / A)  P ( B )
P (C i )  0,825

Una vía más rápida de obtener la probabilidad de Ci sería plantear su

complemento, así tenemos:
P(C i )  1  P (C i )  1  P ( A  D0 )  1  P ( A) * P ( D0 / A)  1  0,175  0,825

13
 P ( A  D0 )
P(DO/ A)=0,25 D0

P(D1/ A)=0,45 P ( A  D1 )
A D1

P ( A  D2 )
P(A)=0,70 P(D2/ A)=0,30 D2

P ( B  D1 )
P(B)=0,30
P(D1/ B)=0,70 D1

B
P( B  D2 )
P(D2/ B)=0,30 D2

Figura 1.3 Diagrama de árbol para el ejemplo1.4

De acuerdo a la definición de la variable aleatoria tendremos que la x-ésima pieza

observada debe ser la tercera con algún defecto, por lo que en las primeras
 x  1 observaciones deben haber dos piezas con algún defecto y el resto,
 x  1  2 piezas, con cero defectos. Luego la función de probabilidad de X será:
  x  1  x 3 
P X  x      0,825 .1  0,825 
3

 2  

En todos lo ejemplos presentados podemos verificar el cumplimiento de las dos

condiciones de la función de probabilidad:
 p i  P  X  xi   0
k k

  p i   P ( X  xi )  1
i i

Función de Distribución Acumulada de una Variable Aleatoria Discreta

14
La función de distribución o de probabilidad acumulada representa en cada punto
x0 la probabilidad de que la variable tome un valor menor o igual que dicho punto,
es decir,. P ( X  x 0 )  F ( x0 )
Volvamos al ejemplo 1.2

P ( X  0)  F (0)  P( X  0)  0,01778
P ( X  1)  P( X  0)  P ( X  1)  F (0)  P ( X  1)  F (1)  0,20741
P ( X  2)  P ( X  0)  P( X  1)  P( X  2)  F (1)  P( X  2)
 F (2)  0,65926

P ( X  3)  P ( X  0)  P ( X  1)  P ( X  2)  P ( X  3)  F ( 2)  P ( X  3)
 F (3)  0,95556

P ( X  4)  P ( X  0)  P ( X  1)  P ( X  2)  P ( X  3)  P ( X  4)
 F (3)  P ( X  4)  F (4)  1
0 ;

0,01778 ;
0, 207 41
 ;
F  x 0   
0,65926 ;
0,95556 ;


1;

x0
0  x 1
1 x  2
2 x3
3 x4
x4

Grafiquemos la función de distribución acumulada. Por acumular la probabilidad

a la izquierda de x 0 , dicha función tiene forma de una escalera, creciente a
medida que los valores de X se dirigen a su valor máximo ( ver figura 1.4)

Si X es una variable aleatoria discreta, la Función de Distribución acumulada

viene dada por:

F ( x)  P( X  x)   P( X
xi  x
 xi )

15
 1
0,9
0,8
0,7
0,6
F(x0)

0,5
0,4
0,3
0,2
0,1
0

0 1 2 3 4 x

Figura 1.4. Función de Distribución Acumulada. Ejemplo 1.2

Con base a los postulados de probabilidad y algunas de sus consecuencias

inmediatas, tenemos:
 F (  )  0;

 F ( )  1;

 Si a  b , entonces F ( a )  F (b) para dos números reales cualesquiera.

 Si el intervalo de una variable X consta de los valores x1  x 2  ....  x k ,
entonces P ( X  x1 )  F ( x1 ) y P ( X  xi )  F ( xi )  F ( xi 1 )

Ejemplo 1.5 Se dispone de 10 centros comerciales para ubicar 8 negocios, cada

centro comercial tiene capacidad suficiente para albergar incluso los 8 negocios.
Si la selección de la ubicación de cada negocio se realiza al azar eligiendo en cada
oportunidad entre los mencionados centros comerciales. Sea X el número total de
centros comerciales seleccionados.
a.- Halle la distribución de probabilidad de la variable aleatoria X.
b.- Halle la función de distribución acumulada y su gráfica.
c.- Calcule la P ( X  3)
d.- Calcule P (2  X  5)
e.- Calcule P(2  X  5)

16
Solución:
El recorrido de X será R X  1,2,3,4,5,6,7,8
Cada punto muestral que señale la ubicación de cada uno de los 8 negocios es
igualmente probable, pues la selección de dicha ubicación se realiza eligiendo
para cada negocio al azar entre los diez centros comerciales señalados. Así
tenemos que la distribución de probabilidad de X se calcula de acuerdo a la
definición clásica, casos favorables entre casos totales.
Un posible resultado sería (C1 , C 3 , C 3 , C 7 , C 5 , C 7 , C10 , C 4 ) , donde se indica que
el negocio uno será ubicado en el centro comercial uno, el negocio dos y tres en el
centro comercial tres, el negocio cuatro y seis en el centro comercial siete, el
negocio cinco en el centro comercial cinco, el negocio siete en el centro comercial
diez y finalmente el negocio ocho en el centro comercial cuatro. Como se
mencionó cualquier otra disposición de los negocios es igualmente probable. Cabe
destacar que dicho experimento es realizado con reemplazo admitiendo entonces
repetición de elementos en el arreglo.
Tenemos entonces la distribución de probabilidades de la variable aleatoria X:

10 
 
1
P ( X  1)   
108

P ( X  1)  10  0,0000001
108

10    8   8   8   8 
  *   P  * 2! P  * 2! P  * 2! P 
 2    1,7   2,6   3,5   4,4  
P ( X  2) 
108

P( X  2)  11 .420  0,0001142
108
 8   3   8   8  
 P 1,1,6 
*  P 1, 2 
  P 1, 2,5 
 * 3!  * 3! 
 P 1,3, 4 
10           
  *
 3   
   8   3   8   3  
P *P  P *P 
  2, 2, 4 
  1,2    2,3,3    1, 2 



P ( X  3) 
108

17
 P ( X  3)  695.520  0,0069552
108
 8   4   8   4   8   4  

 P 1,1,1,5 
 *
 P 1,3 
  P 1,1,2,4 
 *
 P 1,1,2 

 P 1,1,3,3 
*  
 P 2, 2 
10               
  *
 4   
   8   4   8  
 P  * P  P 

1, 2,2,3   1,1, 2   2, 2,2,2 



P ( X  4) 
108

P( X  4)  8.573.040  0,0857304
108
10    8   5  8   5   8   5 
  *   P  *  P    P  *  P    P  *  P  
5 1,1,1,14 1, 4 1,1,1 , 2,3 1,1,3 1,1, 2, 2, 2   2,3  
P ( X  5)             
108
P( X  5)  31.752.000  0,31752
108

10    8   6  8   6 
  *   P  *  P    P * P 
 6    1,1,1,1,1,3   1,5   1,1,1,1,2,2   2,4  
P ( X  6) 
108

P( X  6)  40.219.200  0,402192
108

10    8   7 
  *   P  * P 
 7    1,1,1,1,1,1,2   1,6  
P ( X  7) 
108

P( X  7)  16.934.400  0,169344
108 10 
  *  8!
8
P ( X  8)   
108

P( X  8)  1.814.400  0,018144
108

Hallemos ahora la Función de Distribución acumulada y su gráfica:

18
 Recordemos que:

F ( x)  P( X  x)   P( X
xi  x
 xi )

Entonces:

P( X  1)  F (1)  P( X  1)  0,0000001
P( X  2)  P( X  1)  P ( X  2)  F (1)  P( X  2)  F ( 2)  0,0001143
P( X  3)  P ( X  1)  P ( X  2)  P( X  3)  F ( 2)  P ( X  3)  F (3)
 0,0070695

P ( X  4)  P ( X  1)  P ( X  2)  P ( X  3)  P ( X  4)  F (3)  P ( X  4)
 F (4)  0,0927999

P( X  5)  P( X  1)  P( X  2)  P( X  3)  P( X  4)  P( X  5)  F (4)  P( X  5)
 F (5)  0,4103199

P ( X  6)  P ( X  1)  P ( X  2)  P ( X  3)  P ( X  4)  P ( X  5)  P ( X  6)
P ( X  6)  F (5)  P ( X  6)  F (6)  0,8125119

P ( X  7)  P( X  1)  P( X  2)  P( X  3)  P ( X  4)  P ( X  5)  P( X  6)
 P( X  7)  P ( X  7)  F (6)  P( X  7)  F (7)  0,9818559

P ( X  8)  P ( X  1)  P ( X  2)  P ( X  3)  P ( X  4)  P ( X  5)  P ( X  6)
 P ( X  7)  P ( X  8)  P ( X  8)  F (7)  P ( X  8)  F (8)  1

x 1
0 ;

0 ,0000001 ;
0 ,0001143 ;

0 ,0070695 ;

F ( x 0 )  0 ,0927999 ;
0 , 4103199 ;

0 ,81251 19 ;

0 ,981 8559 ;

1 x  2


1;

2 x3
3 x 4
4 x5
5 x6
6 x7
7 x8
x8

19
 1
0,9
0,8
0,7
0,6
F(X)

0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8
X

Figura 1.5. Función de Distribución Acumulada. Ejemplo 1.5

Luego en la parte c.- del ejercicio nos solicitan el cálculo de P ( X  3)

P ( X  3)  P ( X  2)  F ( 2)  0,0001143

Para hacer el cálculo de P( 2  X  5) solicitada en la parte d.- del presente

ejercicio, haremos uso de la función de distribución acumulada, de modo que:
5
P (2  X  5)   P ( X  xi)  P ( X  5)  P ( X  1)
xi  2

 F (5)  F (1)  0,41032

Ahora calculamos para la parte e.- P(2  X  5) de forma similar:

5
P(2  X  5)  P(3  X  5)   P( X  xi)
xi3

 F (5)  F (2)  0,41021

Variables Aleatorias Continuas

20
En el caso siguiente, donde las variables aleatorias pueden tomar valores en una
escala continua, es imposible limitar el conjunto de posibles valores de la variable
aleatoria a un conjunto finito o a uno infinito contable. La variable se mide de
manera continua y es concebible que tome cualquier valor en un intervalo. Por
añadidura si nos preguntamos cuál es la probabilidad de que la variable en
cuestión resulte en el valor real c, la respuesta será cero (0). Es casi imposible
que el experimento resulte en esa fracción específica c, no un poco más ni un
poco menos. Estas dos propiedades, valores posibles que ocurren a intervalos y
que la probabilidad a priori de asumir cualquier valor específico sea cero (0), son
las características que identifican como continua a una variable aleatoria. Por lo
que definiéndola, diríamos que una variable aleatoria es continua si puede asumir
cualquier valor en uno o más intervalos de números reales y la probabilidad de
que resulte un valor específico dado es cero (0). Por ello, en el caso continuo las
probabilidades se calculan de manera distinta que el caso discreto. Si queremos
conocer su distribución de probabilidad no nos servirá la función de probabilidad
empleada con las variables aleatorias discretas (cada valor con su probabilidad
asociada) puesto que ahora tratamos con un recorrido infinito. En realidad, la
definición de probabilidad en el caso continuo supone, para cada variable
aleatoria, la existencia de una función, llamada función de densidad de
probabilidad, de manera que las áreas situadas debajo de la curva proporcionen
las probabilidades relacionadas con los intervalos correspondientes situados en el
eje horizontal. Es decir, una función de densidad de probabilidad integrada de a a
b ( con a  b), proporciona la probabilidad de que la variable correspondiente
tome un valor en intervalo a a b.

Sea X una variable aleatoria continua, una función f (x ) tal que:

 f ( x )  0 , para todo x real



 

f ( x ) dx  1

21
 b

 P(a  X  b)   f ( x )dx donde a y b son números reales

a

Se llama función de densidad de X.

Al igual que en el caso discreto, se define f  x  en relación con todo el conjunto
de números reales y no es negativa. Recordemos, de los fundamentos de cálculo,
que la integración es la extensión natural de la suma, en el sentido que la integral
es el límite de una secuencia de sumas de Riemann. En el caso discreto, se
requiere que:

 P( X
xi
 xi )  1

La extensión natural de este requisito al caso continuo es que la integral de la

función de densidad sea 1. Así pues, las condiciones necesarias y suficientes para
que una función sea densidad de una variable aleatoria continua son las
siguientes:
 f ( x )  0 , para todo x real


 
 f ( x ) dx  1

En el caso discreto, se calcula la probabilidad de que X tome un valor en un

conjunto A al sumar pi  P X  xi  en relación con todos los valores de Xi en A,

es decir:

P( xi  A)   P X
xi A
 xi 

En el caso continuo, interesa calcular la probabilidad de que X tome valores en el

intervalo a a b, las sustituciones de A con a a b y de las sumas con la integración
en la expresión anterior se deduce la tercera propiedad de la función de densidad
de probabilidad:
b
P(a  X  b)   f ( x )dx
a

22
Las funciones de densidad de probabilidad reciben también el nombre de
densidades de probabilidad, funciones de densidad, densidades y funciones de
densidad de probabilidad, que se abrevia como (f.d.p.).

Importante recordar que el valor de la función de de densidad de probabilidad de

X en c no produce P ( X  c) como en el caso discreto. En relación con variables
aleatorias continuas las probabilidades siempre están dadas por integrales que se
evalúan con respecto a intervalos, mientras que P ( X  c )  0 para cualquier

constante real c.
Debido a esta propiedad, no importa si incluimos los extremos del intervalo de a a
b, el valor de la función de densidad de probabilidad se puede modificar para
algunos de los valores de la variable aleatoria sin cambiar ninguna de las
probabilidades:

P ( a  X  b)  P ( a  X  b)  P ( a  X  b )  P ( a  X  b )

Función de Distribución Acumulada de una Variable Aleatoria Continua

Tal como en el caso discreto, existen muchos casos en los que nos interesa
conocer la probabilidad de que el valor de una variable aleatoria continua sea
menor o igual a algún número real. Definimos la función de distribución
acumulada exactamente como en el caso discreto, si bien se calcula con la
integración, no con suma.
Sea X una variable aleatoria continua, la función dada por:
x
F ( x)  P ( X  x)  

f ( s ) ds para    X  

Donde f (s ) es el valor de la función de densidad de probabilidad de X en s , se

denomina función de distribución acumulada de X.
Las propiedades de la función de distribución acumulada planteadas en el caso
discreto se sostienen en el caso continuo:

23
  F (  )  0;

 F ( )  1;

 Si a  b , entonces F ( a )  F (b) para dos números reales cualesquiera.

Además se deduce que :
dF ( x)
 f ( x)  donde exista derivada.
dx
Además se deduce que:
P ( a  X  b)  P ( a  X  b)  P ( a  X  b)  P ( a  X  b)
 P a  X  b   F ( B )  F (a)

Para dos valores reales a y b a  b

Ejercicio 1.6 Sea X una v.a. con f.d.p. como la mostrada en la figura.

Figura 1.6. Función de Densidad de Probabilidad. Ejercicio 1.6

a.- Determine la F.D.A. de X y su gráfica.

b.- Determine 
P X 2
1 X  3

c.- Considere 6 observaciones de X, determine la probabilidad de que al menos 2
sean menores que 2 ó que la tercera y la cuarta sean mayores que 3.

Solución:

24
 a.- Determine la F.D.A. de X y su gráfica: Lo primero que haremos será encontrar
el valor de h, para posteriormente hallar la ecuación de la recta que describe la
función de densidad de X en el intervalo 0  X  2 .


De acuerdo a la propiedad  f ( x ) dx  1 , planteamos:



1  1  1 4x x2
2   h  2    dx  1
8  8  2 2 8 32
4
1 1 x2 x 3 
 h    1
4 8  16 96 
 2

1 1 2 1 1
 h  1    1
4 8 3 4 12
1 2 1
h  
8 3 12
17
h  0,7083
24

Hallamos ahora la ecuación de la recta:

x 0 20
 y
7 x 17

y 17 24 18  17 24 24 24

La f.d.p es entonces:

  7 x 17
 24  24 para 0  x  2

 x x2
f (x)    para 2x4
 8 32
 0 para otrocaso



Ahora encontraremos una función de distribución acumulada en cada intervalo

para el cual existe la v.a. X, de modo que podamos obtener la probabilidad de que

25
la variable aleatoria continua sea menor o igual a algún número real en dicho
intervalo.

F ( x)  0 para x0
F ( x)  ? para 0 x2
x
x 7s 17 7 s2 17 s  7 x2 17 x
F(x)     ds     
24 24 48 24  48 24
0 0

 7 x 2 17 x  5
F(2)      
48 24 6
 
x2

F ( x)  ? para 2x4
x
xs s2 5 s2 17 s 3  x3 x2 2
F(x)  F (2)    ds       
 
28 32 6

16 96
2
96 16 3

 x3 x2 2
F(4)       1
96 16 3
 x  4

F ( x)  1 para x4

Finalmente la función de distribución acumulada de X es:

 0 para x0
 2
  7 x  17 x para 0  x  2
 48 24
F(x)  
3 2
 x x 2
 96  16  3 para 2  x  4
 1 para x4


La gráfica de la función de distribución acumulada será:

26
 Figura 1.7. Función de Distribución Acumulada. Ejercicio 1.6

b.- Determine 
P X 2
1 X  3

P   X  2    1  X  3  P  1  X  2 
P( X  2 / 1  X  3)  
P(1  X  3) P  1  X  3
5 9
F(2)  F(1) 26
  6 16   0,7027
F(3)  F(1) 91  9 37
96 16

7(1) 2 17(1) 7 17 9
F(1)      
48 24 48 24 16

7(2) 2 17(2) 28 34 5
F(2)      
48 24 48 24 6

(3) 3 (3) 2 2 27 9 2 91
F(3)        
96 16 3 96 16 3 96

27
c.- Considere 6 observaciones de X, determine la probabilidad de que al menos 2
sean menores que 2 ó que la tercera y la cuarta sean mayores que 3.
A: al menos dos menores a 2
B: la tercera y la cuarta mayores a 3

P(A B)  P(A)  P(B)  P(A B)

6 5
1  5  1  46.625
P(A)  1  P( A)  1     6     0,9993
6  6  6  46.656

5
P(X  2)  F(2) 
6
2
 5  25
P(B)      0,0027
 96  9.216

91 5
P(X  3)  1  P(X  3)  1  F(3)  1  
96 96

 5 
2
 4  1  2  5  2  4  1  5  3  5  4 
P(A  B)                 
 96   2  6   6   3  6  6   6  
31.875
  0,002669
11 .943.936

46.625 25 31.875 11 .936.525

P(A B)      0,99938
46.656 9.216 11.943.936 11.943.936

Ejercicio 1.7 . La ganancia de una organización en millones de bolívares en un

mes es una variable aleatoria X con la función densidad de probabilidad que se
muestra en la figura.
a.- Halle la F(X) y grafíquela.
b.- Considere un semestre. Si se obtuvo ganancias superiores a los 3 millones en
solo dos meses, determine la probabilidad de que haya sido en meses sucesivos?

28
c.- Considere un semestre. Determine la probabilidad de que al menos dos meses
tengan ganancias de mas de 3,5 millones, o que en solo dos de los meses hayan
ganancias de menores a 1,5 millones.
d.- El gerente de la compañía recibe una bonificación de 2000 Bs. cuando la
ganancia mensual es superior a 1,5 millones de Bs., si la ganancia es mayor a 3,5
recibe un bono adicional de 5000 Bs. , en otro caso no hay bonificación. Halle la
distribución de probabilidad de la bonificación obtenida por el gerente al cabo de
dos meses independientes.

f(X)

2h
h
h

-5 -2 10 X
MILLONES

Figura 1.8. Función de Densidad de Probabilidad. Ejemplo 1.7

Solución:
a.- Halle la F(X) y grafíquela.
Al igual que en el ejercicio anterior lo primero que haremos será encontrar el
valor de h, para posteriormente hallar las ecuaciones de las rectas que describe la
función de densidad de X


De acuerdo a la propiedad  f ( x ) dx  1 , planteamos:



5 xh 10 x 2h 2
 1 por lo que h 
2 2 25

29
Hallamos ahora las ecuaciones de las rectas:
X    5   2    5 X 5 3
 5  X  2 :  
Y 0 2 0 : Y 2 :
25 25
2 X  10
Y 
75

X 0 20
2 X 0 : 
Y 0 2 0
25
X
Y 
25

X 0 10  0  4X
 0  X  10 :  :  10Y 
40
Y 4 0 4 25 25
25 25
 4 X  40
Y 
250

 2 x  10
;

 5  x  2
 75

  x
 ;
f ( x)   25
  4 x  40
 ;
 250
0;


2 x0

0  x  10

otrocaso

Hallamos ahora F (x) :

Ahora encontraremos una función de distribución acumulada en cada intervalo
para el cual existe la v.a. X, de modo que podamos obtener la probabilidad de que
la variable aleatoria continua sea menor o igual a algún número real en dicho
intervalo.

F ( x)  0 para x  5
F ( x)  ? para  5  x  2
x
x 2s 10 s2 10 s  x2 10 x 25 50 x 2  10 x  25
F(x)    ds        
 5 75 75 75 75 
 5
75 75 75 75 75

30
  x 2  10 x  25  4  20  25 9 3
F(2)      
 75  75 75 25
 x  2

F ( x)  ? para 2 x 0
x
3   s2 
x
3 s 3 x2 4  x 2  10
F ( x)   ds       
25  2 25 25  50   2 25 50 50 50

  x 2  10  10 5
F(0)     
 50  50 25
x0

F ( x)  ? para 0  x  10

x
5   2 s 2  40s 
x
5  4 s  40 5 2 x 2 40 x
F ( x)   ds       
25 0 250 25  250  0 25 250 250
 2 x 2  40 x  50
F  x 
250

  2 x 2  40 x  50   200  400  50
F (10)     1
 250  x 10 250

 0

x  5

 x
2
10 x  25
;
 75


F ( x)   x 2
 10
 ;

 5  x  2
 50
  2 x 2  40 x  50
 ;
 25 0

1;

2 x 0

0  x  10
x  10

La gráfica de la función de distribución acumulada será:

31
 Figura 1.9. Función de Distribución Acumulada. Ejemplo 1.7

b.- Considere un semestre. Si se obtuvo ganancias superiores a los 3 millones en

solo dos meses, determine la probabilidad de que haya sido en meses sucesivos?

A: en dos meses de un semestre se obtienen ganancias superiores a los 3 millones.

B: en dos meses sucesivos de un semestre se obtienen ganancias superiores a los 3
millones.
Ci= en el mes i se obtiene ganancias superiores a 3 millones.

PB  A  PPA(A)B 
Primero hallaremos la probabilidad de Ci:
P (Ci )  P( X  3)  1  P ( X  3)  1  F (3) 
  2 X 2  40 X  50  152 98
1     1   0,392
 250  x 3 250 250

6 4
P( A)    P(Ci ) 2 xP(C i )  0,315
 2

4
P ( A  B )  5 xP(C i ) 2 xP (C i )  0,105

32
PB  A  PPA(A)B   00,,105
315
 0,3333

c.- Considere un semestre. Determine la probabilidad de que al menos dos meses

tengan ganancias de mas de 3,5 millones, o que en solo dos de los meses hayan
ganancias de menores a 1,5 millones.

D: En al menos dos meses de un semestre se tienen ganancias de mas de 3,5

millones.
E: En solo dos meses de un semestre se tienen ganancias menores a 1,5 millones.
Fi: En el mes i se obtienen ganancias superiores a 3,5 millones.
Gi: En el mes i se obtienen ganancias menores a 1,5 millones.
  2 x 2  40 x  50 
P Fi   P X  3,5  1  P X  3,5  1  F  3,5  1   
 250  X  3, 5
P Fi   1  0,662  0,338

  2 x 2  40 x  50 
P Gi   P X  1,5  P X  1,5  F 1,5   
 250  X 1,5
P Gi   0,422
 5 
   6  6
 
P  D  E   P D   P E   P  D  E 
P D   1  P D  1   P Fi    xP Fi  xP Fi   1   0,08417  0,25785
 1  
P D   1  0,3420  0,658

6
 
P E     xP Gi  xP Gi  0,2981
2 4

 2

P D  E   P X  3,5 xP X  1,5 xP1,5  X  3,5 xP26; 2; 2 

2 2 2

P  X  3,5 xP X  1,5 xP1,5  X  3,5 xP26; 2;1  P X  3,5 xP X  1,5 xP46; 2
3 2 4 2

P1,5  X  3,5  P X  3,5  P X  1,5  F  3,5  F 1,5  0,24

P  D  E   0,1055  0,2971  0,03486  0,4375

Finalmente:
P D  E   0,658  0,2981  0,4375  0,5186

d.- El gerente de la compañía recibe una bonificación de 2000 Bs. cuando la

ganancia mensual es superior a 1,5 millones de Bs., si la ganancia es mayor a 3,5

33
recibe un bono adicional de 5000 Bs. , en otro caso no hay bonificación. Halle la
distribución de probabilidad de la bonificación obtenida por el gerente al cabo de
dos meses independientes.
Yi: v.a. bonificación recibida por el gerente en el mes i
RYi   0;2.000;7.000

Wi: v.a bonificación recibida por el gerente en dos meses

RW   0;2.000;4.000;7.000;9.000;14.000

Observamos que haremos uso de la Función de Distribución Acumulada de X,

v.a. continua, para hallar la distribución de probabilidad de las v.a. Yi, y W,
ambas v.a discretas.
P  Yi  0  P X  1,5  0,422

P Yi  2.000  P(1,5  X  3,5)  F  3,5  F 1,5  0,24

P Yi  7.000  P X  3,5  1  P X  3,5  1  F  3,5  0,338

Ahora hallamos la distribución de probabilidad de W, recordando que hay

independencia entre las bonificaciones mensuales.
PW  0   P Yi  0  0,1781
2

PW  2.000  P Yi  0  xP Yi  2.000 x 2  0,2026

PW  4.000   P Yi  2.000   0,0576

2

PW  7.000  P Yi  0  xP Yi  7.000 x 2  0,2853

P W  9.000   P  Yi  2.000  xP Yi  7.000 x 2  0,16224

PW  14.000  P Yi  7.000  0,11424

2

Ejercicio 1.8: Sea X una variable aleatoria con la siguiente función de densidad
de probabilidad.
f(X)

34
-5 5 10 X
 Figura 1.10. Función de Densidad de Probabilidad. Ejemplo 1.8

a. Halle la F(x) y su gráfica

b.- Halle 
P X  2
X 2

Solución: Lo primero que haremos será encontrar el valor de h, para
posteriormente hallar las ecuaciones de las rectas que describen la función de
densidad de X .


De acuerdo a la propiedad  f ( x ) dx  1 , planteamos:



5 xh 5 xh 1
 1 por lo que h 
2 2 5
Hallamos ahora las ecuaciones de las rectas:
X    5 0    5  X 5 5
5 x  0 :  : 
Y 0 1 0 Y 1 :
5 5
X 5
Y
25

X  5 10  5
5  x  10 :   25
Y1 0 1
5 5
 X  10
Y 
25
Hallamos ahora La F(X):
Ahora encontraremos una función de distribución acumulada en cada intervalo
para el cual existe la v.a. X, de modo que podamos obtener la probabilidad de que
la variable aleatoria continua sea menor o igual a algún número real en dicho
intervalo.

F ( x)  0 para x  5
F ( x)  ? para 5 x  0

35
 x
x s 5 s2 5s  x2 5x 1 x 2  10 x  25
F(x)   ds       1 
5 25 50 25  50 25 2 50
 5

 x 2  10 x  25  1
F  0     
 50  x 0 2

F ( x)  ? para 0 x5

 x 2  10 x  25  1
F  5  F  0     
 50  x0 2

F ( x)  ? para 5  x  10
x
1 x  s  10  s2 10 s  1  x2 10 x 1
F(x)    ds        2
2 5 25 50 25  2 50 25 2
5
 x 2  20 x  50  x 2  20 x  50
 
50 50
  x 2  20 x  50 
F 10    1
 50 
  x  10

Finalmente:

 0

x  5

 x
2
 10 x  25
;
 50
 1

F ( x)   ;
 2
 

x 2
5 x  0
 20 x
50
 50
;


1;

0 x5

5  x  10
x  10

La gráfica de la función de distribución acumulada será:

36
 F(X)

1/2

-5 5 10 X

Figura 1.11. Función de Distribución Acumulada. Ejemplo 1.8

b.- Halle 
P X  2
X 2

P  X  2   X  2  P  X  2   X  0 

P X  2
X 2
 
P X  2

P X  0 
P  2  X  0

P X  0
1    x  10 x  25 
2

F  0  F   2
 
2  50 
P X  2   x  2
X 2 F  0 1
2
1 9 16
 2 50  50
1 1
2 2

P X  2 
32 16
   0,64
X  2 50 25

37
MEDIDAS DE TENDENCIA CENTRAL O DE LOCALIZACIÓN Y
MEDIDAS DE VARIABILIDAD O DISPERSIÓN DE UNA VARIABLE
ALEATORIA.

Cuando tenemos una variable aleatoria su función de probabilidad o función de

densidad, según sea una variable discreta o continua, nos describen por completo
su comportamiento, no obstante, podríamos tener mayor información sobre las
características de la variable aleatoria en cuestión relacionándola con constantes y
parámetros descriptivos. Nos referimos aquí a los parámetros de tipo poblacional.
Conocer el valor de estos parámetros ofrece información inmediata sobre la
naturaleza de las variables. Las medidas de tendencia central son medidas que
pretenden resumir en un solo valor a un conjunto de valores. Representan un
centro en torno al cual se encuentra ubicado el conjunto de valores. Las medidas
de tendencia central más utilizadas son: media, mediana y moda. Las medidas de
dispersión en cambio, miden el grado de dispersión de los valores de la variable.
Los parámetros de dispersión pretenden evaluar en qué medida los posibles
valores de la variable difieren entre sí, en otras palabras cuán disgregados están.
Las medidas de dispersión más usadas son varianza, desviación estándar y
rango. De esta forma, ambos tipos de medidas usadas en conjunto pretenden
caracterizar en posición y dispersión a una variable aleatoria.
Al conocer la densidad exacta de la variable aleatoria, es posible calcular el valor
numérico de cada parámetro a partir de consideraciones matemáticos. Justamente
trateremos este cálculo en la presente sección. Si lo único con que se cuenta es un
conjunto de observaciones de la variable aleatoria, resulta imposible calcular con
exactitud los valores de estos parámetros, por lo cual deben aproximarse con
técnicas estadísticas, lo anterior es desarrollado dentro del contenido de la
asignatura Métodos Estadísticos I.
La media, valor esperado o esperanza matemática es la medida de posición
central más utilizada, la más conocida. Cuando se desea calcular el valor esperado
de X, lo que se requiere es el valor promedio teórico a largo plazo de X. Si se
realizan y registran observaciones una y otra vez de la variable aleatoria, se estaría

38
registrando el valor promedio teórico a medida de X, a medida que el número de
observaciones se acerca a infinito. Respecto al valor que podría tomar este
parámetro diremos que:
 Si X está delimitada por dos números reales, a y b, tal que: a  X  b ,
entonces también lo está su media: a  E  X   b

Si X es una variable aleatoria discreta y p x  P X  x  su función de

probabilidad, entonces el valor esperado de X será:

 E  X    x   x. p x
Rx

Cuando es evidente a cuál variable aleatoria X se refiere el valor esperado,  y

no  x es la que se usa con frecuencia.
Sea X una variable aleatoria discreta y p x  P X  x  su función de probabilidad,

entonces el valor esperado de cualquier función h x  , denotado por E  h X   , o

 h  x  , se calcula así:

E  h X     h x  . p  x 
 Rx

En forma correspondiente, si X es una variable aleatoria continua y f  x  es su

función de densidad de probabilidad, el valor esperado de esta variable es:


 E X   x   x. f  x dx


De manera análoga, en el caso continuo el valor esperado de función h x  ,

denotado por E  h X   , o  h  x  , se calcula así:



 E  h X     h  x    g  x . f  x dx


Con mucha frecuencia la función h x  de interés es una función lineal ( aX + b)

en este caso E  h X   , se calcula fácilmente a partir de E  X  , la siguiente
propiedad es denominada propiedad de linealidad.
 E  aX  b   a.E  X   b

 Puesto que para cualquier constante a , E  a   a y E  aX   a.E  X 

Luego comprobando para el caso discreto :

39
E  aX  b     ax  b . p  x   a  x. p x   b p  x   aE  X   b
Rx Rx Rx

 La linealidad del valor esperado se extiende a :

E X  Y   E X   EY 
E  aX  bY   aE  X   bE  Y 

Donde X e Y son variables aleatorias independientes y a y b son constantes.

Ejercicio 1.9: a.- Calcule el valor esperado para la variable aleatoria X definida
en el ejercicio 1.2. b.- Halle el valor esperado de h(x) siendo h( x)  Y  3 X  4
Solución:
a.- Cálculo del valor esperado de X:

E  X    x   x. p x  0 x 0,01778  1x 0,18963  2 x 0,45185  3 x 0,2963

Rx

 4 x 0,04444  2,1599
Inspectores especializados

Debe ser claro que el término esperado no se utiliza en su sentido coloquial, en

realidad se debe interpretar como un promedio que pertenece a selecciones
repetitivas de inspectores realizadas en las condiciones dadas del ejercicio 1.2.
b.- Halle el valor esperado de h(x) siendo h( x)  Y  3 X  4
Recordemos que:
X 4
E  h  X     h x  . p  x     3 X  4. p x   4.P X  0  1.P X  1 
Rx x 0

2.P X  2   5.P X  3  8.P X  4   2,4799

Otra forma de obtenerlo sería utilizando la propiedad de linealidad:

E  h X    E  3 X  4  3E  X   4  3. 2,1599  4  2,4797

Ejercicio 1.10 a.- Halle el valor esperado de la variable aleatoria X planteada

en el ejercicio 1.6. b.- Sea Z  12 X  25 determine E  Z 
72

Solución:

40
 
E X   x   x. f  x dx


2
2  7x 17  4 x x2   3 2 
E  X    x    dx   x    dx   7 x  17 x 
 
0  24 24  2 8 32
 

72 48 
0
4
x3 x4  119
     1,1019
 24 128  108
 2

b.- Sea Z  12 X  25 , determine E  Z  .

72
2  12 x  25   7 x 17  4  12 x  25   x x2 
E Z     .    dx    .   dx
 72   24 24   72  8 32 
0 2  
2  84 x 2  379 x  425  4  12 x 3  73 x 2  100 x 
  dx  

dx
 1728  2304 
0  2  
4
  3 x 4 73x 3 50 x 2  
        218

 2304 6912 2304   6912
  2

Aplicando la propiedad de linealidad , obtenemos:

12 X  25  12 X   25  12 25 53
E Z   E   E   E    E X     0,1636
 72   72   72  72 72 324

Ejercicio 1.11: Considere la información suministrada en la parte del ejercicio

1.7. Se requiere calcular el valor esperado del bono obtenido por el gerente al
cabo de un año. Solución: Recordemos :

Yi: v.a. bonificación recibida por el gerente en el mes i

RYi   0;2.000;7.000

P  Yi  0  P X  1,5  0,422

P Yi  2.000  P(1,5  X  3,5)  F  3,5  F 1,5  0,24

P Yi  7.000  P X  3,5  1  P X  3,5  1  F  3,5  0,338

Definimos ahora: M: v.a. bonificación obtenida por el gerente al cabo de un año.

Entonces tenemos M  Y1  Y2  ...  Y12
Aplicando las propiedades del valor esperado tenemos:
E  M   E  Y1  Y2  ...  Y12   E  Y1   E  Y2   ...  E  Y12   12 E  Yi 

41
E  Yi    YxP Y  y   0 x0,422  2.000 x0,24  7.000 x0,338  2.846Bs.
RYi

E  M   12 X 2.846  34.152Bs.

b.- Se desea ahora conocer cuál debe ser el valor del segundo bono (b) , de modo
que el valor esperado del bono total anual del gerente sea de 40.000 Bs.
De la parte anterior conocemos que
E  M   E  Y1  Y2  ...  Y12   E  Y1   E  Y2   ...  E  Y12   12 E  Yi  ,

ahora sabemos que :

E  M   12 E  Yi   40.000 Bs.
40.000
E  Yi    3.333,33Bs.
12
Ahora:
E  Yi   0 x0,422  2.000 x0,24   2.000  b  x0,338  3.333.33
b  6.441,82 Bs.

Moda: otra medida de localización es la moda, es el valor de la variable que más

veces se repite, y en consecuencia, en una distribución de frecuencias, es el valor
de la variable que viene afectada por la máxima frecuencia de la distribución. A
veces aparecen distribuciones de variables con más de una moda (bimodales,
trimodales, etc).
Para el ejemplo anterior la moda de la v.a. Yi es 0 (cero) , pués es el valor que
reporta la máxima probabilidad (0,422). Se escribe Ymoda=0.
En el ejerció 1.8, donde X es una variable aleatoria continua, se nos presenta una
distribución bimodal, la moda es 0, pero también lo es 5, pués en estos dos puntos
del recorrido de X la función de densidad es máxima. X mod a   0;5 .

Mediana: es el valor de la variable de posición central. Esta medida nos indica

que la mitad de la distribución se encuentra por debajo de este valor y la otra
mitad por encima del mismo. Se escribe Y0,5 Y 50%

42
En el ejemplo 1.7 parte d, la mediana de la variable aleatoria Y ( bonificación
mensual del gerente) , se determina una vez conocida la distribución acumulada
de la variable en cuestión :
x0
0 :
0, 42 2;

F  Y   
0,6 6 1;


0  x  2.000
1;

La mediana es el 2.000  x  7.000 valor tal que :

x  7.000
P  Y  Y0,5   0,5 por lo que si :

P Y  0   0,422 y P  Y  2.000  0,661

La mediana de Y debería estar entre 0 < Y <2.000, pero la variable en cuestión no

toma valores en este intervalo, por lo cual la mediana se determina por exceso,
concluyendo que dicho valor es Y0 ,5 Y 50% 2.000 Bs.

Veamos un ejemplo de cálculo de la mediana para una variable aleatoria continua

usando para ello el mismo ejercicio 1.7 con referencia a la variable aleatoria X.
El cálculo de la mediana para esta variable aleatoria continua también se realizará
haciendo referencia la distribución acumulada.

 0

 x
2

10 x  25
;

x  5
 75

  x 2
 10
F ( x)   ;
 50
  2 x 2  40 x  50

 5  x  2
 ;
 250

1;

2 x 0

0  x  10
x  10

3 5
F(2)   0,12 ; F(0)   0,20 ; F (10)  1
25 25
Vemos que en el primer intervalo tenemos acumulado el 12% de la distribución, y
para el segundo que termina en el punto 0 (cero) tenemos entonces el 20%, lo cual
indica que la mediana estará en el tercer intervalo. Para hallarla realizamos en
proceso inverso a la búsqueda de una probabilidad, donde conocido el valor de X,

43
es decir x, el mismo es ubicado en el intervalo para ser evaluado en la función
correspondiente, y obtener así la probabilidad asociada. Para efecto de la
búsqueda de la mediana, el porcentaje o distribución acumulada es conocido
(50%) , no así el valor donde se acumula tal porcentaje. Así tenemos en este
ejemplo:
2
P  X  X 0,5   0,5 ;
 2 X 0,5  40 X 0,5  50
 0,50
250
X 1  17,9063
La solución de esta ecuación es:
X 2  2,0938

Por lo que la mediana de X es : X 0,5  X 50%  2,0938 , ya que previamente se

determinó que dicho valor correspondería al tercer intervalo.

Fractiles: Los fractiles son medidas de localización, que corresponden al valor de

la variable aleatoria X  para el cual se tiene cierto porcentaje o distribución
acumulada  a la izquierda de tal valor, es decir: P X  X     , por lo que
concluimos que la mediana es un fractil, el fractil 0,5 o fractil 50%. Los fractiles
tienen nombres especiales, dependiendo del número de partes iguales en que se
dividen la distribución de probabilidad, siendo estos:

Cuartiles (Q): Los cuartiles dividen la función distribución de probabilidad en

cuatro partes iguales.

Deciles (D): Los deciles dividen la función distribución de probabilidad en diez

partes iguales.

Percentiles (P): Los percentiles dividen la función distribución de probabilidad

en 100 partes iguales.

La mediana es el segundo cuartil, 5º decil y 50º percentil.

Ejercicio 1.12. Considere la información suministrada en el ejercicio 1.7.¿ Cuánto

debe proyectar la compañía como ganancia mensual, si desea trabajar con una
probabilidad del 0,15 de no alcanzar tal proyección?

Solución:

44
P  X  a )  0,15
P  X  a   0,15
P  X  X 0,15   0,15

3 5
Puesto que : F(2)   0,12 ; F(0)   0,20 , se concluye que el fractal
25 25
15% se encuentra en el segundo tramo del recorrido de X.

Buscamos la ecuación correspondiente de la función de distribución acumulada:

2
 X 0,15  10
 0,15
50
X 1  1,5811
La solución de esta ecuación es:
X 2  1,5811

Por lo que: X 0,15  1,5811

Ejercicio1.13: Considere la información suministrada en el ejercicio 1.6. La V.A.

X denota el valor de la concentración de cierta solución en gramos por c.c., ¿Cuál
debe ser el máximo valor de la concentración que se debe ofrecer a los clientes
para tener un 85% de seguridad que la concentración real es mayor o igual a la
ofrecida?

Solución:

P  X  a   0, ,85
P  X  a )  0,15
P  X  X 0,15   0,15
 7 x 2 17 x  5
F(2)      
 48 24  6
x  2

Por lo que el fractil 0,15 se encuentra en el primer intervalo:

45
Figura 1.12. Función de Densidad de Probabilidad. Ejemplo 1.6. Fractil 15%, X15%

F  X 0 ,15   0,15

2 2
7 X 0,15 17 X 0,15 7 X 0,15 17 X 0,15 3
   0,15 ;    0
48 24 48 24 20

X 1  0,2219
La solución de esta ecuación es:
X 2  4,6352

Por lo que : X 0,15  0,2219

Como se mencionó, las Medidas de variabilidad o dispersión, junto a las

medidas de localización nos permiten obtener información sobre la distribución de
las variables aleatorias. Dada una variable aleatoria X, sabemos que el valor
medio de X será E  X    . Sin embargo, esto nos dice nada sobre el modo en que
X tiende a ser E  X    , para ello se establece la definición de varianza de una
variable aleatoria, el valor numérico de este parámetro proporciona una idea de la
dispersión de la variable aleatoria respecto de su esperanza. Decimos que es un
parámetro de dispersión.

La definición es la siguiente:


V  X    2  E  X  E X  
2


46
Es, por tanto, el promedio teórico de las desviaciones cuadráticas de los diferentes
valores que puede tomar la variable respecto de su valor medio teórico o
esperanza.

En el caso de las variables discretas, la expresión se convierte en:


V  X    2    x  E  X   P X  x 
2

Rx

mientras que para las variables continuas tenemos:


V X     x  E X   f  x  dx
2
2



El r-enésimo momento con respecto a la media de la variable aleatoria X,

denotado por  r es el valor esperado de  X  E  X   , simbólicamente se tiene:
r
 
  
 r  E  X       x  E  X   P X  x  , para el caso discreto,
r r

Rx

    x  E X  

r  E  X    r  r
f  x  dx , para el caso continuo


En ambos casos existe una expresión equivalente alternativa y generalmente de

cálculo más sencillo:

V  X    2  E  X 2    E  X   , que resulta de:

2

  
V  X    2  E  X  E  X    E X 2  2 XE  X    E  X    E  X 2  2 X   2 
2 2

V  X    2  E  X 2   2 E  X    2  E  X 2   2  2   2  E  X 2    2

Considerando el r-enésimo momento con respecto al origen de la variable

aleatoria X , denotado por E  X r  , simbólicamente se tiene:


E X
r
    x  r

P  X  x  , para el caso discreto,
Rx

     x

E X f  x  dx
r r
, para el caso continuo


Una de las características de la varianza es que viene expresada en unidades

cuadráticas respecto de las unidades originales de la variable. Un parámetro de
dispersión derivado de la varianza y que tiene las mismas unidades de la variable
aleatoria es la desviación típica, que se define como la raíz cuadrada de la
varianza:

47
 
  V  X   E  X  E X  
2

Propiedades de la varianza

 V(X) ≥ 0

 V(k X) = k2 · V (X) para todo numero real k.

 V(k) = 0 para todo numero real k.

 V(a X + b) = a2 · V(X) para todo par de números reales a y b.

 V(X + Y) = V(X) + V(Y) únicamente en el caso que X y Y sean

independientes.

Ejercicio 1.14. Considere la variable aleatoria X del ejercicio 1.6. Calcule la

desviación estándar.

Solución:

2 4
2  7 x 17  4  x x2   7 x 3 17 x 2   x3 x4 
E  X    x   
 dx   x    dx       

0  24 24  2  8 32   72 48 
 0 
24 128 
2
119
E X    1,1019
108

2 4  2  4 3 2
E 2   x 2   7 x  17  dx  x 2  x  x  dx    7 x  17 x 
 X     
   24 24  8 32   96 72 
0 2    0
4
x4 x5 
  E 2  686  15,2444
  X  
 32 160    45
 2

 
V  X    2  E X 2   E X  
2

2
 686   119  818251
  V X        14,0304  3,7457
 45   108  58320

Ejercicio 1.15. Considere la variable aleatoria W del ejercicio 1.7, parte d. Se

desea ahora conocer la varianza y desviación estándar del W.
Solución:

Del ejercicio 1.7 conocemos:

Wi: v.a bonificación recibida por el gerente en dos meses

48
RW   0;2.000;4.000;7.000;9.000;14.000

P  Yi  0  P X  1,5  0,422

P Yi  2.000  P(1,5  X  3,5)  F  3,5  F 1,5  0,24

P Yi  7.000  P X  3,5  1  P X  3,5  1  F  3,5  0,338

La distribución de probabilidad de W:
PW  0   P Yi  0  0,1781
2

PW  2.000  P Yi  0  xP Yi  2.000 x 2  0,2026

PW  4.000   P Yi  2.000   0,0576
2

PW  7.000  P Yi  0  xP Yi  7.000 x 2  0,2853

P W  9.000   P  Yi  2.000  xP Yi  7.000 x 2  0,16224
PW  14.000  P Yi  7.000  0,11424
2

V W    2  E W 2    E W  
2

E W    w   w. p w
Rx


E W 2     w PW  w 
2

Rw

E W    w   w. p w  0 x 0,1781  2.000 x0,2026  4.000 x 0,0576 

Rx

7.000 x0,2853  9.000 x 0,16224  14.000 x 0,11424  5.692,22 Bs.

E W 2    w 2 . p w  0 2 x0,1781   2.000 x0,2026   4.000  x 0,0576 

2 2

Rx

 7.000 x0,2853   9.000  x 0,16224  14.000  x 0,11424  51.244.180 Bs.

2 2 2 2

 
V W    2  E W 2   E W    51.244.180   5.692,22   18.842.811,47 Bs. 2
2 2

  VX   18.842.811,47  4.340,83Bs.

EJERCICIOS PROPUESTOS

1.1.- Un centro dermatológico dispone de dos paquetes, A y B, el paquete A tiene

un costo de 4000 Bs. , el B 7000 Bs. ,el 70% de los clientes que llegan al centro
dermatológico son mujeres, el resto hombres. El 30% de las mujeres adquieren el
paquete A, en el caso de los hombres esta probabilidad es del 60%. Considere un

49
mes de estudio donde llegaron 50 clientes, halle el valor esperado del ingreso
obtenido por el centro dermatológico en ese mes.

1.2.- Sea X una v.a. con la siguiente función de densidad de probabilidad:

a.- Determine F  X  y grafíquela.

b.- Determine media y desviación estándar.
c.- Usando F  X  determine P X  0   0,2  X  1,2  
 
d.- Sea h( x )  Y   3 X  2  determine E  Z  y V  Z 
8
e.- La V.A. X denota el valor de un indicador de gestión de logros donde el valor
2 es el logro total de lo planificado, ¿Cuál debe ser el mínimo valor del indicador
para trabajar con una probabilidad del 85% de logro de lo planificado?

1.3.- De cada una de las 5 mejores universidades del país se escoge la mejor tesis
del área social y la mejor tesis del área científica, tenemos así dos tesis de cada
universidad, una social y otra científica, es decir tenemos 10 tesis. Ahora se
seleccionan al azar 4 tesis. Sea X: v.a. número de universidades con presencia de
ambas tesis en la muestra. Halle la F.D.A y su gráfica.

1.4.- En una ciudad se hace un estudio respecto a las parejas de 3 estratos sociales,
A, B y C. En el estrato A el 80% de las mujeres son profesionales, el 90% de los
hombres son profesionales. En el estrato B estas probabilidades son 70% y 85% ,
respectivamente, en el estrato C estas probabilidades son 35% y 60% . La
proporción de la población de esta ciudad es : el estrato B es el doble de
habitantes del estrato A, y a su vez el estrato C, tiene el triple de habitantes del
estrato B. Sea X la variable aleatoria número de personas profesionales en una
pareja escogida al azar.
a.- Halle F  X 

1.5.- Considere 20 obras en proyecto ubicadas en la zona A, de éstas 17 son de

viales, 2 hidrológicas y 1 civil. En la zona B hay 25 obras en proyecto, de éstas 3

50
son viales, 10 hidrológicas y el resto civiles. Una gran contratista debe seleccionar
al azar 4 obras de cada una de las zonas. Sea X la variable aleatoria que registra el
número total de obras viales seleccionadas.
a.- Halle F  X  y grafíquela
b.- Halle la mediana de X
c.- Cada obra vial seleccionada genera un ingreso de 7000 Bs. y cada obra de otro
tipo un ingreso de 2500 Bs. Determine el valor esperado y la varianza del ingreso
percibido por el contratista.

1.6.- El tiempo que tarda una empresa en días para procesar un pedido es una v.a.
continua con f.d.p. como se muestra en la figura.

a.- Obtenga la función de distribución acumulada de probabilidades F  X  .

b.- Para cuando se debe ofrecer el pedido de forma tal de tener una probabilidad
de 0,12 de quedarle mal al cliente?
c.- Si el pedido esta listo a más tardar en 7 días le repercute a la empresa un
beneficio de 5.000Bs., si está listo entre 7 y 12 días el beneficio que genera es de
2.000Bs. y se esta listo luego de 12 días el beneficio será de 1.000Bs. Obtenga la
media del beneficio que proporcionará un pedido.

51