Unidad 3 / Escenario 5

Lectura Fundamental

Variables aleatorias y distribuciones

de probabilidad

Contenido

1 Variable aleatoria

2 Distribuciones de probabilidad

Referencias

Palabras Claves: variable aleatoria, distribucción de probabilidad, esperanza de una variable, varianza de una
variable
1. Variable aleatoria

En la Unidad anterior se examinaron conceptos básicos de probabilidad. Todos estos se concebı́an gracias a los
experimentos, pues mediante estos, se definı́an los espacios muestrales con los cuales se tenı́an los eventos. Sin
embargo, es conveniente relacionar los resultados de un experimento con números reales, ya que de está manera
se puede estudiar el comportamiento de los resultados del espacio muestral. Este proceso se define c omo variable
aleatoria el cual proporciona un medio para relacionar cualquier resultado de un experimento con una medida
numérica.

Definición 1 (Variable a leatoria). Sea una función X :Ω→ R, el cual asocia a los resultados del espacio muestral
Ω a conjunto de los número reales R. Se dice entonces que X es una variable aleatoria.

Ejemplo 1. Sea el experimento ξ=Lanzamiento de una moneda, por lo tanto el espacio muestral esΩ = {C, S}.
Se define u na variable a leatoria d e l a s iguiente manera:

0 Si el resultado es C
(
X=
1 Si el resultado es S

Ejemplo 2. Sea el experimento ξ=Lanzamiento de dos dados. Sea X la variable aleatoria la cual suma los
resultados de las caras de ambos dados. La Tabla 1 se muestran los 36 resultados y los valores que tomarı́a la
variable aleatoria. También se describe el número de ocurrencias que puede tomar la variable y la probabilidad.

Tabla 1: Resultado del lanzamiento de dos datos y los valores de la variable aleatoria.
Resultados Valor de la variable aleatoria Número de ocurrencias Probabilidad
(1,1) 2 1 1/36
(1,2) (2,1) 3 2 2/36
(1,3) (2,2) (3,1) 4 3 3/36
(1,4) (2,3) (3,2) (4,1) 5 4 4/36
(1,5) (2,4) (3,3) (4,2) (5,1) 6 5 5/36
(1,6) (2,5) (3,4) (4,3) (5,2) (6,1) 7 6 6/36
(2,6) (3,5) (4,4) (5,3) (6,2) 8 5 5/36
(3,6) (4,5) (5,4) (6,3) 9 4 4/36
(4,6) (5,5) (6,4) 10 3 3/36
(5,6) (6,5) 11 2 2/36
(6,6) 12 1 1/36
Fuente: Canavos (1988)

Definición 2 (Variable aleatoria discreta). Se dice que una variable aleatoria X es discreta si el número de valores
que puede tomar es enumerable1 (ya sea finito o infinito).

Ejemplo 3. La Tabla 2 muestra ejemplos de variables aleatorias discretas y sus posibles valores.

1
Según Llinas y Rojas (2006) se dice que un conjunto es enumerable si los elementos que lo integran pueden establecer una
correspondencia biunı́voca uno a uno con el conjunto de los enteros positivos.

POLITÉCNICO GRANCOLOMBIANO 1
 Tabla 2: Ejemplos de variables aleatorias discretas
Experimento Variable aleatoria Posibles valores
Lanzamiento de tres dados Número de caras al lanzar tres monedas 0, 1, 2, 3
Llegada de un cliente Sexo del cliente 0 si es hombre, 1 si es mujer
Una caja de 50 radios Cantidad de radios defectuosos 0, 1, 2, · · · , 50
Fuente: Llinas y Rojas (2006)

Definición 3 (Variable aleatoria continua). Se dice que una variable aleatoria X es continua si sus valores consisten
en uno o más intervalos de la recta de los reales.
Ejemplo 4. La Tabla 3 muestra ejemplos de variables aleatorias discretas y sus posibles valores.

Tabla 3: Ejemplos de variables aleatorias discretas

Experimento Variable aleatoria Posibles valores
Llegada de un cliente Tiempo en que se demora realizando una transacción x≥0
Se agita una lata de gaseosa Cantidad onzas que quedaron (máx=12.1 onzas) 0 ≤ x ≤ 12.1
Calentamiento de un producto Temperatura en que se lleva a cabo una 150 ≤ x ≤ 212
reacción deseada (mı́n=150◦ F; máx=212◦ F)
Fuente: Llinas y Rojas (2006)

2. Distribuciones de probabilidad

En la sección anterior, en el ejemplo 2 se explicó los valores que puede tomar una variable aleatoria cuando se lanza
dos dados. Cada uno de estos valores notamos que tiene una probabilidad de ocurrencia. En esta sección estamos
interesados en estudiar estas probabilidades, pero para ello, se prefiere utilizar una función de probabilidad. A está
función se le conocen como distribución de probabilidad. A continuación se define una función de distribución de
probabilidad para variable aleatoria discreta y continua.

2.1. Distribución de probabilidad discreta

Definición 4 (Función de probabilidad discreta). Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω. Decimos que una función f : Ω → [0, 1] es una función de probabilidad de X si f (x) = P (X = x) y
cumple las siguientes propiedades:

• f (x) ≥ 0, para todo x ∈ R.

• x∈R f (x) =1
P

Ejemplo 5. Considere el ejemplo del lanzamiento de dos dados (Ejemplo 2). Si X es la variable aleatoria que
representa la función de probabilidad, la función de probabilidad de X es la siguiente:
( 6−|7−x|
x = 2, 3, . . . , 12.
f (x) = 36
0 en otro caso

POLITÉCNICO GRANCOLOMBIANO 2
Se puede reescribir la función de probabilidad anterior utilizando la tabla de distribución de probabilidad de la
siguiente manera: En algunas ocasiones se prefiere expresar la distribución de probabilidad en forma gráfica, para

Tabla 4: Distribución de probabilidad del ejemplo 2

x 2 3 4 5 6 7 8 9 10 11 12
P (X = x) 36 36 36 36 36 36 36 36 36
1 2 3 4 5 6 5 4 3 2
36
1
36
Fuente: Elaboración propia.

ello utilizaremos R utilizando el siguiente código

X <- 2:12
P<-c(1/36,2/36,3/36,4/36,5/36,6/36,5/36,4/36,3/36,2/36,1/36)
barplot(height = P,names.arg = X, xlab = "Suma de los dados",ylab = "Probabilidad")
0.15
0.10
Probabilidad

0.05
0.00

2 3 4 5 6 7 8 9 10 11 12

Suma de los dados

Figura 1: Distribución de la suma de las caras de dos dados. Fuente: Canavos (1988).

Definición 5 (Función de distribución). La función de distribución acumulada de una variable aleatoria discreta
X, denotada por F (x) es
F (x) = P (X ≤ x) = f (xi )
X

xi ≤x

Para una variable aleatoria discreta X, F (x) satisface las siguientes propiedades:

1. 0 ≤ F (x) ≤ 1.

2. Si x ≤ y, entonces F (x) ≤ F (y).

POLITÉCNICO GRANCOLOMBIANO 3
Ejemplo 6. Siguiendo el ejemplo 2, la función de distribución acumulada de X tiene la siguiente forma:
1
F (2) = P (X ≤ 2) = f (2) =
36
3
F (3) = P (X ≤ 3) = f (2) + f (3) =
36
6
F (4) = P (X ≤ 4) = f (2) + f (3) + f (4) =
36
10
F (5) = P (X ≤ 5) = f (2) + f (3) + f (4) + f (5) =
36
15
F (6) = P (X ≤ 6) = f (2) + f (3) + f (4) + f (5) + f (6) =
36
21
F (7) = P (X ≤ 7) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) =
36
26
F (8) = P (X ≤ 8) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) + f (8) =
36
30
F (9) = P (X ≤ 9) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) + f (8) + f (9) =
36
33
F (10) = P (X ≤ 10) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) + f (8) + f (9) + f (10) =
36
35
F (11) = P (X ≤ 11) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) + f (8) + f (9) + f (10) + f (11) =
36
F (12) = P (X ≤ 12) = f (2) + f (3) + f (4) + f (5) + f (6) + f (7) + f (8) + f (9) + f (10) + f (11) + f (12) = 1

Además, nótese que:

15
P (X > 7) = 1 − P (≤ 7) = 1 − F (7) =
36
6
P (X = 7) = f (7) = P (X ≤ 7) − P (X ≤ 6) = F (7) − F (6) =
36
24
P (5 ≤ X ≤ 9) = P (X ≤ 9) − P (X ≤ 4) = F (9) − F (4) =
36

La Figura 2, representa la gráfica de la función de distribución acumulada. En está gráfica es evidente que el
resultado es una gráfica de un función escalonada. Para poder realizar está Figura utilizamos el paquete Hmisc de
Harrell Jr, with contributions from Charles Dupont, y many others. (2018).

Algunas propiedades interesante de la función de distribución acumulada para variables aleatorias discretas
son las siguientes:

1. P (X > x) = 1 − F (x).

2. P (X = x) = F (x) − F (x − 1).

3. P (xi ≤ X ≤ xj ) = F (xj ) − F (xi − 1) para valores xi , xj enteros y además xi ≤ xj .

POLITÉCNICO GRANCOLOMBIANO 4
library(Hmisc)
X <- 2:12
P<-c(1/36,2/36,3/36,4/36,5/36,6/36,5/36,4/36,3/36,2/36,1/36)
Ecdf(X, weights=P,ylab = "F(X)")

1.0
0.8
0.6
F(X)

0.4
0.2
0.0

2 4 6 8 10 12

X
n:1 m:0

Figura 2: Función de distribución acumulada de la suma de la cara de los dados. Fuente: Canavos (1988).

Definición 6 (Valor esperado de una variable aleatoria discreta). Sea X una variable aleatoria discreta definida
sobre un espacio muestral Ω y supongamos que X toma valores x1 , x2 , . . . (finito o infinito). Sea f la función de
probabilidad de X. Entonces el valor esperado de X es el siguiente:

µ = E(X) = xk f (xk )
X

Ejemplo 7. Siguiendo el ejemplo 2, el valor esperado se define de la siguiente manera:

µ = 2 × f (2) + 3 × f (3) + 4 × f (4) + 5 × f (5) + 6 × f (6) + 7 × f (7) + 8 × f (8) + 9 × f (9)

+ 10 × f (10) + 11 × f (11) + 12 × f (12)
1 2 3 4 5 6 5 4
=2× +3× +4× +5× +6× +7× +8× +9×
36 36 36 36 36 36 36 36
3 2 1
+ 10 × + 11 × + 12 ×
36 36 36
=7

Realizando el calculo en R tenemos lo siguiente:

X <- 2:12
P<-c(1/36,2/36,3/36,4/36,5/36,6/36,5/36,4/36,3/36,2/36,1/36)
sum(X*P) # Valor esperado

## [1] 7

POLITÉCNICO GRANCOLOMBIANO 5
 Tabla 5: Tabla de distribución de probabilidad del ejemplo 8
X 10 11 12 13 14 15 16 17 18 19
f (X) 0.3 0.05 0.05 0.15 0.1 0.1 0 0.05 0.2 0
Fuente: Montgomery y Runger (1996)

Ejemplo 8. Considere la siguiente distribución de una variable aleatoria X.

Realizando el cálculo para el valor esperado en R tenemos lo siguiente:

X <- 10:19
P<-c(0.3,0.05,0.05,0.15,0.1,0.1,0,0.05,0.2,0)
sum(X*P) # Valor esperado

## [1] 13.45

Teorema 1. Sea X una variable aleatoria discreta definida sobre un espacio muestral Ω y suponga que X toma los
valores x1 , x2 , . . . (finito o infinito). Sea f la función de probabilidad de X. Entonces el valor esperado de cualquier
función g(X), simbolizada por E(g(X)), es igual a
E(g(X)) = g(xk ) · f (xk )
X

Ejemplo 9. Suponga que una librerı́a compra tres ejemplares de un libro a $10000 para venderlos a $20000,
entendiendo que al terminar el periodo de tres meses cualquier ejemplar no vendido se venderá a $3000. Si X es la
variable aleatoria “número de ejemplares vendidos”, entonces la utilidad neta es una variable aleatoria g(X) que
depende de X y que está dada por:
g(X) = 20000X + 3000(3 − X) − 30000
Ahora supongamos que la variable aleatoria X tiene la siguiente función de distribución de probabilidad Entonces

Tabla 6: Tabla de distribución de probabilidad del ejemplo 9

X 0 1 2 3
f (X) 0.1 0.2 0.3 0.4
Fuente: Llinas y Rojas (2006)

la utilidad esperada es:

E(g(X)) = g(0) × f (0) + g(1) × f (1) + g(2) × f (2) + g(3) × f (3)
= (−21000) × 0.1 + (−4000) × 0.2 + (13000) × 0.3 + (30000) × (0.4)
= 13000
Definición 7 (Varianza de una variable aleatoria discreta). Sea X una variable aleatoria discreta definida sobre
un espacio muestral Ω y suponga que X toma los valores x1 , x2 , . . . (finito o infinito). Sea f y µ la función de
probabilidad de probabilidad y el valor esperado de X respectivamente. Entonces la varianza de X, simbolizada
por σ 2 o V (X), se define como
 
σ 2 = V (X) = E (X − µ)2 = (xk − µ)2 f (xk )
X

La desviación estándar de X, denotada por σ, es la raı́z cuadrada de la varianza.

POLITÉCNICO GRANCOLOMBIANO 6
Teorema 2. Sea X una variable aleatoria discreta sobre un espacio muestral Ω y suponga que X toma valores
x1 , x2 , . . . (finito o infinito). Sean f y µ la función de probabilidad y el valor esperado de X respectivamente. La
varianza de X se puede calcular de la siguiente manera:
" #2
V (X) = E(X ) − µ = x2k f (xk ) xk f (xk )
X X
2 2
−
k k

Ejemplo 10. Siguiendo el ejemplo 2 y realizando los cálculos en R para obtener la desviación estándar tenemos
lo siguiente:

X <- 2:12
P<-c(1/36,2/36,3/36,4/36,5/36,6/36,5/36,4/36,3/36,2/36,1/36)
(mu<-sum(X*P)) # Valor esperado

## [1] 7

(sigma2 <- sum((X-mu)ˆ2*P)) # Varianza

## [1] 5.833333

sqrt(sigma2) # Desviación estándar

## [1] 2.415229

Ejercicio 1. A continuación se proponen algunos ejercicios de distribución de probabilidad discreta.

1. Un embarque de 8 procesadores para una tienda especializada contiene 3 que están defectuosas. Si una
universidad hace una compra al azar de dos de estas procesadores, encuentre la distribución de probabilidad
para el número de defectos y la función de distribución acumulada.

2. Determine el valor de k de modo que cada una de las siguientes funciones sea una función de probabilidad
de una variable aleatoria discreta X:

a) f (x) = k(x3 + 4), para x = 0, 1, 2, 3.

b) f (x) = k x 4−x ,
3
4

para x = 0, 1, 2.

3. Se seleccionan tres monedas, sin reemplazo, de una caja que contiene cuatro de 200 y dos de 500. Encuentre
la función de probabilidad para la variable aleatoria X que representa el total de dinero que hay en las tres
monedas. Represente gráfica mente esta función de distribución de probabilidad.

4. En un juego de azar a una mujer se le paga $3 si saca jota o reina, y $5 si saca un rey o un as de una baraja
ordinaria de 52 cartas. Si saca cualquier otra carta pierde, $1. ¿Cuánto deberı́a pagar si el juego es justo?
¿De cuando debe ser la desviación de lo que se le deberı́a pagar?

5. Una empresa municipal de autobuses ha comenzado a dar servicio en un nuevo barrio. Se ha llevado un
registro del número de usuarios de una de las rutas del autobús en el servicio de la primera hora de la
mañana. La tabla siguiente muestra la proporción de cada uno de los dı́as de la semana.

POLITÉCNICO GRANCOLOMBIANO 7
 Tabla 7: Tabla de distribución de probabilidad del ejercicio 5
X 20 21 22 23 24 25 26 27
f (X) 0.01 0.12 0.23 0.31 0.18 0.10 0.03 0.02
Fuente: Elaboración propia.

a) Realice un diagrama de barras que describa la distribución de probabilidad.

b) ¿Cuál es la probabilidad de que en un dı́a seleccionado aleatoriamente haya al menos 24 usuarios del
barrio en este servicio?
c) Determine el número promedio y la desviación estándar de usuarios de esté barrio en este servicio en
un dı́a de la semana.
d) Suponiendo que el coste de un viaje es de $1.5, determine el promedio y la desviación estándar de
ganancias en este servicio en un dı́a de la semana.
6. En el juego Albur del Siete se tira una vez un par de dados corrientes y la suma de los dos resultados
determina si el jugador gana o pierde la apuesta. El jugador puede apostar $1 a que la suma será menor que
siete, si esto ocurre el ganará $1 de lo contrario perderá $1. La otra forma es que el jugador apueste $1 a
que la suma de los dos dados será 7, si esto ocurre el jugador ganará $5 y en caso contrario perderá $1. ¿A
cuál de las dos alternativas se le deberı́a apostar? Explique.

2.2. Distribución de probabilidad continua

Definición 8 (Función de densidad). Una función f : R → [0, ∞) se dice que es una función de densidad de una
variable aleatoria continua X si cumple las siguientes propiedades:

• f (x) ≥ 0, para todo x ∈ R.

R∞
• ∞ f (x) dx = 1
Rb
• P (a ≤ X ≤ b) = a f (x) dx, ∀a, b ∈ R
Ejemplo 11. Suponga que la variable aleatoria X es el intervalo de tiempo entre la llegada de dos clientes a un
banco y su función de densidad de probabilidad viene dada por

x>0
(
ke−x/2
f (x) =
0 en otro caso.
Determine el valor de k, para el cual la función sea función de densidad y determine la probabilidad de 2 < X < 6.

Tengamos presente que la para que la función anterior sea función de densidad debe cumplir las propiedades de la
definición 8. Por lo tanto, tenemos que
Z ∞ Z ∞
f (x) dx = ke−x/2 dx = 1
−∞ 0

Por lo tanto realizando la integral tenemos lo siguiente:

Z ∞ Z ∞
−x/2
ke dx = k e−x/2 dx = −2ke−x/2 |∞
0
0 0
 
= −2k e−∞ − e0 = −2k(−1) = 2k

POLITÉCNICO GRANCOLOMBIANO 8
Por lo tanto, k = 1/2. Por lo tanto, la función queda definida como:
1
f (x) = e−x/2 I(x>0)
2
Para determinar si es función de densidad, utilizando la función integrate tenemos lo siguiente:

f <- function(x) 1/2*exp(-x/2)

integrate(f, lower = 0, upper = Inf)

## 1 with absolute error < 3.4e-05

La figura 3 representa su función de densidad.

f <- function(x) 1/2*exp(-x/2)

x <- seq(from = 0,to = 100,by = 0.01)
plot(x,f(x),type="l",)
0.5
0.4
0.3
f(x)

0.2
0.1
0.0

0 20 40 60 80 100

Figura 3: Función de densidad del ejemplo de los tiempo de llegada en el banco. Fuente: Canavos (1988).

Ahora para determinar la probabilidad de P (2 < X < 6), tenemos lo siguiente

1 −x/2 1
Z 6 Z 6
P (2 < X < 6) = f (x) dx = e dx = (−2)e−x/2 |62
2 2 2 2
−x/2 2 −1 −3
= e |6 = (e − e ) = 0.3180924

En R tenemos lo siguiente:

POLITÉCNICO GRANCOLOMBIANO 9
f <- function(x) 1/2*exp(-x/2)
(res <- integrate(f, lower = 2, upper = 6))

## 0.3180924 with absolute error < 3.5e-15

Por lo tanto, la probabilidad de que el tiempo de llegada de dos clientes a un banco esté entre 2 y 6 es de 0.318.

Definición 9 (Función de distribución). La función de distribución acumulada de una variable aleatoria continua
X, denotada por F (x) es Z x
F (x) = P (X ≤ x) = f (t) dt, para todo t ∈ R
−∞

Ejemplo 12. Retomando el ejercicio 11, queremos encontrar la probabilidad de que transcurran menos de 8
minutos entre dos llegadas de dos clientes, es decir,

1 −x/2
Z 8
P (X < 8) = F (8) = e dx = 1 − e−4 = 0.9817
0 2
Realizando el calculo en R tenemos lo siguiente:

f <- function(x) 1/2*exp(-x/2)

(res <- integrate(f, lower = 0, upper = 8))

## 0.9816844 with absolute error < 1.1e-14

Por lo tanto, la probabilidad de que el tiempo de llegada de dos clientes a un banco esté sea menor de 8 minutos
es de 0.982.

Algunas propiedades interesante de la función de distribución acumulada para variables aleatorias continuas
son las siguientes:

1. P (X > x) = 1 − F (x).

2. P (X = x) = ı́nf xx f (t) dt = 0.

3. F (−∞) = 0.

4. F (∞) = 1.

5. P (a ≤ X ≤ b) = F (b) − F (a).

6. dF (x)/dx = f (x).

Definición 10 (Valor esperado de una variable aleatoria continua). Sea X una variable aleatoria continua definida
sobre un espacio muestral Ω y sea f la función de densidad de X. Entonces el valor esperado de X es el siguiente:
Z ∞
µ = E(X) = x · f (x) dx
−∞

POLITÉCNICO GRANCOLOMBIANO 10
Ejemplo 13. Retomando el ejercicio 11, queremos encontrar el tiempo esperado en que ocurran el tiempo entre
la llegada de dos clientes, es decir,
1
Z ∞ Z ∞
µ= x · f (x) dx = x · e−x/2 dx
−∞ 0 2
 ∞
−x/2 −x/2
= −xe − 2e = (2 + 0) = 2
0

Realizando el calculo en R tenemos lo siguiente:

mu <- function(x) x*1/2*exp(-x/2)

(res <- integrate(mu, lower = 0, upper = Inf))

## 2 with absolute error < 7.7e-06

Por lo tanto, se espera que transcurra 2 entre la llegada de dos clientes a un banco.

Ejemplo 14. La demanda semanal de una bebida para una cadena local de tiendas de abarrotes, en miles de
litros, es una variable aleatoria continua X que tiene la siguiente densidad de probabilidad

2(x − 1), 1<x<2

(
f (x) =
0 enotrocaso.

Determine el valor de la media. Calculando el valor de media tenemos lo siguiente:

Z ∞ Z 2
µ= x · f (x) dx = x · 2(x − 1) dx
−∞ 1
2 3 4 1 5
 2
= x − x2 = + =
3 1 3 3 3
Realizando el calculo en R tenemos lo siguiente:

mu <- function(x) x*2*(x-1)

(res <- integrate(mu, lower = 1, upper = 2))

## 1.666667 with absolute error < 1.9e-14

Por lo tanto, se espera que se utilice 1667 de litros de agua durante una semana para la cadena de abarrotes.

Teorema 3. Sea X una variable aleatoria continua definida sobre un espacio muestral Ω. Sea f la función de
densidad de X. Entonces el valor esperado de cualquier función g(X), simbolizada por E(g(X)), es igual a
Z ∞
E(g(X)) = g(x) · f (x) dx
−∞

Ejemplo 15. Sea X una varaible aleatoria con función de densidad probabilidad es:
x2
−1 < x < 2
(
f (x) = 3
0 en otro caso

POLITÉCNICO GRANCOLOMBIANO 11
Calcule el valor esperado de g(X) = 4X + 3.

Utilizando el teorema 3 tenemos entonces que

x2
Z ∞ Z 2
E(g(X)) = g(x) · f (x) dx = (4x + 3) ·
−∞ −1 3
1 4 2 1 24
= x + x3 = [(16 + 8) − (1 − 1)] = =8
3 −1 3 3
Realizando el calculo en R tenemos lo siguiente:

fun <- function(x) (4*x+3)*(xˆ2/3)

integrate(fun, lower = -1, upper = 2)

## 8 with absolute error < 9e-14

Definición 11 (Varianza de una variable aleatoria continua). Sea X una variable aleatoria continua definida sobre
un espacio muestral Ω. Sea f y µ la función de densidad y el valor esperado de X respectivamente. Entonces la
varianza de X, simbolizada por σ 2 o V (X), se define como
Z ∞
σ 2 = V (X) = E((X − µ)2 ) = (x − µ)2 · f (x) dx
−∞

La desviación estándar de X, denotada por σ, es la raı́z cuadrada de la varianza.

Teorema 4. Sea X una variable aleatoria continua sobre un espacio muestral Ω. Sean f y µ la función de
probabilidad y el valor esperado de X respectivamente. La varianza de X se puede calcular de la siguiente manera:

V (X) = E((X − µ)2 ) = E(X 2 ) − µ2

donde Z ∞
E(X ) =2
x2 · f (x) dx
−∞

Ejemplo 16. Retomando 14 calculamos la varianza realizando el siguiente calculo

Z ∞ Z 2
E(X ) =
2
x · f (x) dx =
2
x2 · 2(x − 1) dx
−∞ 1
1 4 2 3 16 1 17
 2
= x − x = + =
2 3 1 6 6 6
Aplicando la definición del teorema anterior tenemos lo siguiente:

17 5 17 25 1
 2
V (X) = E(X 2 ) − µ2 = − = − = .
6 3 6 9 18
Realizando el calculo en R tenemos lo siguiente:

mu <- function(x) x*2*(x-1)

Ex2 <- function(x) xˆ2*2*(x-1)
(res1 <- integrate(mu, lower = 1, upper = 2))

POLITÉCNICO GRANCOLOMBIANO 12
## 1.666667 with absolute error < 1.9e-14

(res2 <- integrate(Ex2, lower = 1, upper = 2))

## 2.833333 with absolute error < 3.1e-14

res2[[1]]-res1[[1]]ˆ2

## [1] 0.05555556

Ejercicio 2. A continuación se proponen algunos ejercicios de distribución de probabilidad continua.

1. Suponga que el error en la temperatura de reacción, en ◦ C, para un experimento de laboratorio controlado,

es una v.a. continua X, que tiene la función de densidad de probabilidad
x2
−1 < x < 2,
(
f (x) = 3 ,
0, e.o.c.

a) Verifique que función anterior es función de densidad.

b) Encuentre P (0 < X < 1).
c) Encuentre la función de distribución acumulada, y utilı́cela para evaluar P (−0.5 < X < 1.5).

2. Considere la función de densidad ( √

k x, 0 < x < 1,
f (x) =
0, e.o.c.

a) Evalué k.
b) Encuentre F (x) y utilı́cela para evaluar P (0.3 < X < 0.6).

3. El tiempo de operación antes del fallo, en horas, de una pieza importante de equipo electrónico que se utiliza
para la fabricación de un reproductor de DVD tiene la función de densidad

exp −x/2000, x ≥ 0,
(
1
f (x) = 2000
0, x < 0.

a) Encuentre F (x).
b) Determine la probabilidad de que el componente (y, por lo tanto, el reproductor de DVD) funcione
durante más de 1000 horas antes de que necesite reemplazarse el componente.
c) Determine la probabilidad de que el componente falle antes de 2000 horas.

4. La función de densidad de las mediciones codificadas del diámetro de peso de los hilos de un encaje es

 4
π(1+x2 )
, 0 < x < 1,
f (x) =
0 e. o. c.

Calcule el valor esperado y la varianza de X.

POLITÉCNICO GRANCOLOMBIANO 13
Durante el documento se realizaron algunos cálculos en R, utilizando la función integrate que se utiliza para
realizar cálculos de integrales definidas. Si el lector desea profundizar más se recomienda la lectura de Kerns
(2013). Algunos libros más técnicos se sugiere la lectura de los libros Walpole, Myers, Myers, y Ye (2008),
Montgomery y Runger (1996) y Canavos (1988). Un libro teórico se sugiere la lectura de Blanco Castañeda
(2010).

POLITÉCNICO GRANCOLOMBIANO 14
Referencias

Blanco Castañeda, L. (2010). Probabilidad. Bogotá: Universidad Nacional de Colombia.

Canavos, G. C. (1988). Probabilidad y estadı́stica. Aplicaciones y métodos. México: McGraw-Hill.
Harrell Jr, F. E., with contributions from Charles Dupont, y many others. (2018). Hmisc: Harrell miscellaneo-
us [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=Hmisc (R
package version 4.1-1)
Kerns, G. J. (2013). Ipsur: Introduction to probability and statistics using r [Manual de software informático].
Descargado de https://CRAN.R-project.org/package=IPSUR (R package version 1.5)
Llinas, H., y Rojas, C. (2006). Estadı́stica descriptiva y distribuciones de probabilidad. Barranquilla: Ediciones
Uninorte.
Montgomery, D. C., y Runger, G. C. (1996). Probabilidad y estadı́stica aplicadas a la ingenierı́a. México: McGraw-
Hill.
Walpole, R. E., Myers, R. H., Myers, S. L., y Ye, K. (2008). Probabilidad y estadı́stica para ingenierı́a y ciencias.
México: Pearson.

POLITÉCNICO GRANCOLOMBIANO 15
 INFORMACIÓN TÉCNICA

Módulo: Probabilidad
Unidad 3: Variables aleatorias y distribuciones de probabi-
lidad
Escenario 5: Variables aleatorias

Autor: Alex Johann Zambrano Carbonell

Asesor Pedagógico: Diana Marcela Dı́az Salcedo

Diseñador Gráfico: Jully A manda Guzman
Corrector de estilo: Felipe Garán
Asistente: Ginna Paola Quiroga

Este material pertenece al Politécnico Grancolombiano.

Por ende, es de uso exclusivo de las Instituciones
adscritas a la Red Ilumno. Prohibida su reproducción
total o parcial.

POLITÉCNICO GRANCOLOMBIANO 16