Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias
Los eventos de un espacio muestral pueden ser del tipo cualitativo o cuantitativo. Por
ejemplo:
Cuantitativo: Suma de dos dados, cuańtos alumnos llegaron puntual, la altura de una
persona, el ingreso mensual, el tiempo de espera en cierto consultorio, el tiempo
entre una visita y otro a una página de internet.
2. Lanzar una moneda. Se le puede asignar a la variable aleatoria que sea 0 en caso
de águila y 1 en caso de sol.
39
40 CAPÍTULO 3. VARIABLES ALEATORIAS
3. El juego de cerillos, nos interesa el total de cerillos, no el número que puso cada
quien.
Ejemplo 3.0.3. Considera un partido de futbol. Los posibles resultados para el equipo de
casa son ganar, empate o perder. Sea X la variable aleatoria que representa los puntos
ganados según el resultado del partido. Entonces X = 0 si el equipo pierde, X = 1 si el
partido queda empatado y X = 3 si el equipo gana. Estiman que la probabilidad de que
equipo de casa gane es 0.4, que empate es de 0.2 y que pierda es de 0.4. Comprueba que
la variable aleatoria X cumpla los Axiomas de Probabilidad.
Solución:
Los datos del ejercicio nos asegura que
Ejemplo 3.0.4. Considera la variable aleatoria cuantitativa que mide el número de es-
tudiantes de un curso de primer trimestre con inasistencias i. Ver el cuadro 3.1. En la
columna “inasistencia i” aparecen el número de inasistencias que hubo durante el trimes-
tre, en la columna “frecuencia xi ” aparece el número de alumnos que tienen i faltas. Si
sumamos todos los alumnos tenemos un total de 40 alumnos. Los valores de la columna
“frecuencia relativa f (xi )” se obtienen dividiendo la frecuencia xi entre el total de alum-
nos, es decir,
xi
f (xi ) = .
40
3.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS 41
numerable es una variable aleatoria continua. En este material vamos a enfocarnos en las
variables aleatorias discretas.
Si la variable aleatoria es distreta, su función de probabilidad debe satisfacer las
siguientes propiedades:
1. 0 ≤ f (x) ≤ 1,
2. ∑x∈X f (x) = 1.
Ejemplo 3.1.1. Considera la variable aleatoria X , y su función de probabilidad f (x).
Grafica la función de probabilidad y determina P(X ≥ 1), P(X = 1) y P(X = 3) = 0.
⎧
⎪
⎪ 0.2 si x = 1;
⎨
0.4 si x = 2;
f (x) =
⎪
⎪ 0.4 si x = 3;
⎩
0 en otro caso.
Solución:
Primero graficamos la función de probabilidad f (x) en la figura 3.1.1
0.4
0.2
0
0 1 2 3
Figura 3.1: La gráfica de la función de probabilidad f (x) del ejemplo 3.1.1.
Solución:
Por las propiedades de una función de probabilidad 0 ≤ k ≤ 1 y como X es discreta,
3.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS 43
entonces ∑x=0,2,4 f (x) = 1 por lo que 0.25 +0.3 +k = 1. En este caso podemos determinar
el valor de k para que f (x) sea la función de probabilidad de la variable aleatoria X , ya
que f (x) debe satisfacer el inciso 2 de la definición de función de probabilidad, despejando
a k tenemos que k = 0.45. Graficamos la función de probabilidad f (x) en la figura 3.1.2.
0.4
0.2
0
0 1 2 3 4
Figura 3.2: La gráfica de la función de probabilidad f (x) del ejemplo 3.1.2.
0.20
0.15
0.10
0.05
0
0 1 2 3 4 5 6 7 8 9 10
Figura 3.3: La gráfica de inasistencia
1.0
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Figura 3.4: La gráfica de inasistencia acumulada
Cuadro 3.3: Tabla de frecuencia suma de puntos al lanzar un dado dos veces.
0.15
0.10
0.05
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Figura 3.5: La gráfica de suma de dos dados
1.0
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Figura 3.6: La gráfica acumulada de suma de dos dados
La esperanza surge de la inquietud en juegos de ¿Cuánto voy a ganar? pero puede ser
¿Cuánto tiempo voy a vivir? ¿Qué calificación voy a obtener? ¿A qué edad voy a tener mi
primer hijo? ¿Cuántos hijos voy a tener? etc.
3.2. MEDIDAS DE CENTRALIDAD 47
Ejemplo 3.2.1. Si apuestas 1 peso en una ruleta, entonces ganas 35 pesos o pierdes 1
peso. Una ruleta tiene 38 casillas: 00, 0, 1, 2, . . ., 36. Sea G la variable aleatoria que mide
la ganancia. Si juegas una sóla vez puedes esperar ganar
% & % &
1 37
E[G] = 35 −1 = −0.0526.
38 38
Es decir, si juegas una sóla vez puedes esperar perder 5.26 centavos. Una pregunta natural
serı́a ¿Qué puedo esperar si juego 100 rondas, 1 000 rondas o 100 000 rondas?
Ejemplo 3.2.2. Vas a lanzar una moneda a lo mas 3 veces o hasta que salga “sol”. Si
sale sol el la primera tirada ganas $2; si sale sol el la segunda tirada ganas $4; si sale sol
el la tercera tirada ganas $8; si no sale sol en ninguna de las tres tiradas, pierdes -$20.
¿Cuál es la ganancia esperanza del juego?
Solución:
Sea X la variable aleatoria discreta que mide la ganancia. X puede tomar valores del
siguiente conjunto
X = {2, 4, 8, −20}.
Es decir, X = 2 significa que salió sol en la primera tirada; X = 4 significa que la primera
tirada salió águila y en la segunda tirada salió sol; X = 8 significa que las primeras dos
tiradas salió águila y en la tercera tirada salió sol; si no salió sol en ninguna de las tres
tiras, entonces X = −20. Como los resultado al lanzar una moneda son independientes y
cada evento tiene probabilidad 1/2, entonces P(X = i) = (1/2)i.
E[X ] = 2P(X = 2) + 4P(X = 4) + 8P(X = 8) − 20P(X = −20)
= 2(1/2) + 4(1/2)(1/2) + 8(1/2)3 − 20(1/2)3
= 1 + 1 + 1 − 20/8 = 1/2.
La ganancia esperada es igual a $0.5.
Es importante observar que el valor esperado en los ejemplos 3.2.1 y 3.2.2 no es un
valor que puede tomar la variable aleatoria X .
Ejemplo 3.2.3. Considera la siguiente variable aleatoria X = {0, 1, 2, 3} que mide el
número de imperfecciones en cierto tipo de alambre. La función de probabilidad de X es
Solución:
La esperanza de X se calcula
Ejemplo 3.2.4. Considera el ejemplo de tirar dos dados con la variable aleatoria X que
representa la suma de los puntos de los dados. ¿Cuál es el valor esperado de X ?
Solución:
La variable aleatoria X puede tomar los valores 2, 3, . . ., 12 y |Ω| = 36. Usamos la tabla
3.3 del ejemplo 3.1.4 Usamos la ecuación (3.1) para calcular el valor esperado de la suma
de los dados
E[X ] = 2P(X = 2) + 3P(X = 3) + · · · + 7P(X = 7) + 8P(X = 8) + · · · + 12P(X = 12)
% & % & % & % & % & % &
1 2 3 6 5 1
= 2 +3 +4 +···+7 +8 + 12
36 36 36 36 36 36
1 252
= (2 + 6 + 12 + 20 + 30 + 42 + 40 + 39 + 30 + 22 + 12) = = 7.
36 36
Podemos esperar que (si tiramos dos dados muchas veces) el promedio de la suma de los
puntos es 7.
Ejemplo 3.2.5. Una compañı́a de seguros venden un seguro de vida. Ellos esperan tener
como ganancia 1 % de las sumas aseguradas pagadas. ¿Cuánto deben cobrar de prima
a una persona cuya suma asegurada es de 2 millones de pesos si su probabilidad de
sobrevivir el proximo año es 0.98?
Solución:
La compañı́a quiere ganar 1 % de la suma asegurada, 0.01 · 2, 000, 000 = 20, 000, es de-
cir quieren ganar 20, 000 pesos. Sea A la prima anual que va a cobrar la compañı́a de
seguros. Sea G la variable aleatoria que representa la ganancia de la compañı́a.
'
A si la persona vive;
G=
A − 2, 000, 000 si la persona muere.
2. E[cX ] = cE[X ].
3. E[c + X ] = c + E[X ].
Dı́a 1 2 3 4 5 6 7
Número de visitantes 12 15 21 24 38 26 7
Sea X la variable aleatoria que representa el número del dı́a y sea Y la variable aleato-
ria que representa el número de visitantes. Para cada variable aleatoria calcula el primer
y tercer cuartil. Compara los resultados y explica que significa los cuartiles para cada
variable aleatoria.
Solución:
Tanto la variable aleatoria X como la variable aleatoria Y son discretas, para el primer
cuartil tenemos que α = 0.25 y para el tercer cuartil tenemos que α = 0.75.
52 CAPÍTULO 3. VARIABLES ALEATORIAS
Como P(X < 2) = 1/7 ≤ 0.25 y P(X ≤ 2) = 2/7 ≥ 0.25, entonces x0.25 = 2. Lo cual
significa que el dı́a 2 representa el 25 % de los dı́as en los que el restaurante recibió gente.
Para ese dı́a habı́an llegado 27 visitantes.
Por la ecuación (3.3), el valor x0.75 debe cumplir que
Como P(X < 6) = 5/7 ≤ 0.75 y P(X ≤ 6) = 6/7 ≥ 0.75, entonces x0.75 = 6. Lo cual
significa que el dı́a 6 representa el 75 % de los dı́as en los que el restaurante recibió gente,
es decir para ese dı́a habı́an ingresado 110 visitantes.
Ahora consideramos la variable aleatoria Y . En total durante los 7 dı́as vinieron 143
visitantes. Por la ecuación (3.3), el valor y0.25 debe cumplir que
Como P(Y < 36) = 35/143 ≤ 0.25 y P(Y ≤ 36) = 36/143 ≥ 0.25, entonces y0.25 = 36.
Lo cual significa que 36 visitantes representan el 25 % del total de visitas que recibió el
restaurante, lo cual sucedió el dı́a 3.
Por la ecuación (3.3), el valor y0.75 debe cumplir que
Como P(Y < 108) = 107/143 ≤ 0.75 y P(Y ≤ 108) = 107/143 ≥ 0.75, entonces y0.75 =
108. Lo cual significa que 108 visitantes representan el 75 % del total de visitas que recibió
el restaurante, lo cual sucedió el dı́a 5.
Ejemplo 3.2.8. Considera el ejemplo 3.1.3 acerca del número de alumnos con inasis-
tencia i. Determina el primer y el tercer cuartı́l ası́ como recorrido intercuartı́l. Además
determina el primer y el noveno decı́il, recorrido interdecı́l.
Solución:
Usando los datos de la frecuencia relativa acumulada de la tabla 3.2 y la ecuación (3.3),
podemos observar que:
Como P(X ≤ 3) = 0.225 y P(X ≤ 4) = 0.425, entonces el primer cuartil es x0.25 = 4.
Como P(X ≤ 5) = 0.625 y P(X ≤ 6) = 0.75, entonces el tercer cuartil es x0.75 = 6.
Es decir, menos del 25 % de los alumnos tienen a lo más 3 inasistencias y el 25 % tiene
a lo mas 4 inasistencias, y menos del 75 % de los alumnos tienen a lo más 5 inasistencias y
3.2. MEDIDAS DE CENTRALIDAD 53
U = 0 con probabilidad 1
'
−10 con probabilidad 0.5;
V =
10 con probabilidad 0.5.
⎧
⎨ −100 con probabilidad 0.5;
W = 75 con probabilidad 0.4;
⎩
200 con probabilidad 0.1.
Las tres variables aleatorias tienen esperanza igual a cero. Pero la variable aleatoria
W tienen valores mas alejados de la esperanza, mientras que los valores de la variable
aleatoria U coinciden con la esperanza.
Necesitamos una medida que mida que tan alejados podemos esperar los valores de la
variable aleatoria X con respecto a su valor esperado, pero en lugar de considerar |X − µ |
resulta mas conveniente considerar (X − µ )2 , donde µX o simplemente µ es la esperanza
de X . Es decir µX = E[X ].
La varianza de una variable aleatoria X es una medida numérica de tendencia de
disperción, mide el error cuadrático de los valores de X con respecto a la media µX . La
varianza mide qué tan alejados podemos esperar los valores de la variable aleatoria X con
respecto a su valor esperado.
Sea X una variable aleatoria. La varianza de X se define como
Ejemplo 3.2.10. Calcula la varianza de las variables aleatorias del ejemplo 3.2.9
Ejemplo 3.2.11. Calcula la varianza del ejemplo 3.2.4
Ejemplo 3.2.12. Tu amigo Alejandro entra a un nuevo trabajo donde tiene que elegir
uno de los dos planes diferentes que determinan el número de semanas que tendrá de
vacaciones al año. Las dos variables aleatorias X y Y representan el número de semanas
de vacaciones de los dos planes diferentes.
⎧
⎨ 0 semanas con probabilidad 0.4;
X = 1 semanas con probabilidad 0.2;
⎩
2 semanas con probabilidad 0.4.
⎧
⎨ 0 semanas con probabilidad 0.3;
Y = 1 semanas con probabilidad 0.4;
⎩
2 semanas con probabilidad 0.3.
Alejandro te pide consejo acerca de que plan elegir. De primera impresión ¿qué opción te
parece mejor y por que? Calcula y compara la varianza de las variable aleatoria X y Y .
¿Qué opción te parece mejor en términos de la varianza?
Solución:
1. Var(cX ) = c2Var(X )
2. Var(c + X ) = Var(X ).
Demostración. Sea X una variable aleatoria discreta. Por la definición de varianza (ecua-
ción (3.4)):
Var(X ) = E[(X − µ )2 ].
Ejemplo 3.2.16. La ganancia anual de cierto cantante es una variable aleatoria con valor
esperado 4 milones de pesos y desviación estandar de 800 mil pesos. El representante gana
15 % de las ganancias del cantante. ¿Cuál es la esperanza y la desviación estandar de las
ganancias del representante?
Solución:
Sea X la variable aleatoria que mide las ganancias del cantante y sea Y la variable alea-
toria que mide las ganancias del representante. Entonces Y = 0.15X . Para calcular la
media, la varianza y la desviación estandar de Y usamos las proposiciones 3.2.1 y 3.2.3.
E[0.15X ] = 0.15E[X ] = 0.15(4 000 000) = 600 000;
Var(0.15X ) =((0.15)2Var(X ) =√(0.15)2(800 000) = 18 000;
σ (0.15X ) = Var(0.15X ) = 18 000 = 134.1641.
1. σcX = c2 σX
2. σc+X = σX .
56 CAPÍTULO 3. VARIABLES ALEATORIAS
La desviación media D.M. de una variable aleatoria X es una medida de variación que
mide el valor esperado de las distancias entre la media y los valores de la variable aleatoria
X
D.M : (X ) = E[|X − µ |] = ∑ |x − µ |p(x).
x∈X
Es importante observar que la varianza de una variable aleatoria mide el error cuadráti-
co de los valores de la variable aleatoria X con respecto a la media µX , por lo que no
corresponde al promedio (ponderado por la probabilidad) de las distancias entre la media
y los valores de la variable aleatoria X , y aunque la desviación media sı́ corresponde al
promedio (ponderado por la probabilidad) de las distancias entre la media y los valores
de la variable aleatoria X , esta medida se utiliza relativamente poco por que es poco sen-
sible a valores atı́picos muy alejados de la media. En este aspecto la desviación estandar
σ resulta mas adecuada ya que es mas sensible a los valores atı́picos y de alguna manera
hay una relación mas cercana al promedio de las distancias entre la media y los valores
de la variable aleatoria X , aunque no coinciden. Una ventaja de la desviación estandar con
respecto a la varianza es que la desviación estandar y la media µ tienen la misma unidad
y es menos sensible a los cambios de escala que la varianza.
Para una variable aleatoria X que tiene media µX distinto a cero, se define el coeficiente
de variación VX como una medida de disperción relativa que expresa la magnitud de la
disperción de la variable aleatoria X con respecto a su media.
V = σ /µ . (3.6)
El coeficiente de variación sirve para poder comparar la disperción de las distribuciones
de dos variables aleatorias diferentes.
Ejemplo 3.2.17. Considera dos distribuciones X y Y , donde X tiene media µX = 120 y
desviación estandar σX = 14 y Y tiene media µY = 300 y desviación estandar σY = 28.
¿Cuál de las dos distribuciones tiene mayor dispersión?
Solución:
Usando la ecuación (3.6), tenemos que
VX = σX /µX = 0.1166 VY = σY /µY = 0.0933
Por lo que la distribución X tiene mayor variación.
ciertas funciones de la variable aleatoria X que nos proporcionan información acerca del
comportamiento de algunas medidas de localización de la distribución de X . Distinguimos
principalmente entre los momentos alrededor del cero o alrededor de µ (la esperanza de
X ), pero se pueden definir momentos alrededor de cualquier punto. El estudio de los mo-
mentos tiene mucha utilidad cuando no se conoce la distribución de probabilidad de una
variable aleatoria. En el desarrollo de la teorı́a, los resultados están sujetos a la existencia
de las sumas (o integrales en el caso continuo) correspondientes.
Sea X una variable aleatoria discreta. El r-ésimo momento alrededor del cero se define
como:
µr′ = E[X r ] = ∑ xr P(x). (3.7)
x
Nótese que el primer momento alrededor del cero es justo la media, o el valor esperado,
es decir
µ1′ = E[X ] = µ .
La media es una medida (un número) que cumple que los valores de la variable aleatoria
tienden a agruparse alrededor de ella. Por eso es una medida e tendencia central.
Sea X una variable aleatoria discreta. El r-ésimo momento central es el r-ésimo mo-
mento alrededor de la media µ y se define como:
Notemos que el momento central cero de cualquier variable aleatoria es uno ya que
µ0 = E[(X − µ )0 ] = E[1] = 1,
Los momentos centrales de orden superior tienen menos utilidad que los primeros dos,
aunque el tercero y cuarto momento central proporcionan cierta información acerca de la
asimetrı́a y curtosis respectivamente.
Por el Teorema del Binomio sabemos que
r
r!
(X − µ )r = ∑ (−1)i µ i xr−i .
i=0 i!(ri )!
58 CAPÍTULO 3. VARIABLES ALEATORIAS
Nótese que para una distribución simétrica todos los momentos centrales de orden
impar son cero, ya que cada valor positivo de (X − µ )r se cancela con un valor negativo
de la misma magnitud y de igual probabilidad.
Para el cuarto momento central tenemos que
µ4 = µ4′ − 4µµ3′ + 6µ 2 µ2′ − 3µ 4 . (3.11)
Para las distribuciones de probabilidad que presentan un solo pico, el cuarto momento nos
proporciona información acerca de qué tan picuda es la distribución y recibe el nombre de
curtosis. Igual que para el tercer momento central se usa la medida del cuarto momento
central estandarizada, coeficiente de curtosis, el cual mide la curtosis con respecto a su
disperción.
α4 = µ4 /(µ2 )2 (3.12)
La distribución tiene un pico relativamente alto si α4 > 3, la distribución es relativa-
mente plana si α4 < 3 y si α4 = 3 su pico no es ni muy alto ni muy plano (mesocúrtica),
ver figura 3.7.
3.3. MOMENTOS DE UNA VARIABLE ALEATORIA 59
1 1 1
α4 < 3 α4 = 3 α4 > 3
−2 −1 0 1 −2 −1 0 1 −2 −1 0 1
Figura 3.7: Coeficiente de curtosis α4 y su efecto en la distribución.
Ejemplo 3.3.1. Dos vendedores de seguros de vida visitan de 0 a 8 clientes por semana
respectivamente. Sean X y Y las variables aleatorias respectivamente. En la tabla 3.5 se
encuentran los valores de las funciones de probabilidad para X y Y .
x 0 1 2 3 4 5 6 7 8
P(x) 0.02 0.09 0.21 0.28 0.23 0.12 0.04 0.01 0
y 0 1 2 3 4 5 6 7 8
P(y) 0.06 0.21 0.28 0.24 0.13 0.05 0.02 0.01 0
Cuadro 3.5: Las probabilidades de las variable aleatoria X y Y del ejemplo 3.3.1.
Usando los mismos procedimientos obtenemos los siguientes resultados para la varia-
ble aleatoria Y :
Revisamos dos ejemplos, el primero donde la variable aleatoria X tiene rango finito y
otro ejemplo en donde la variable aleatoria X tiene rango infinito.
x 0 1 2
P(x) 0.2 0.3 0.5
Solución:
, - 2
mX (t) = E etX = ∑ etX P(x) = e0t P(0) + e1t P(1) + e2t P(2) = 0.2 + 0.3e + 0.5e2t
0
Solución:
Primero determinamos la función generadora de momentos de X , para los cálculos recor-
damos que
∞ n
x
ex = ∑ . (3.13)
n=0 n!
∞ ∞ tX x
, - etX e−λ λ x −λ e λ −λ
. t/
mX (t) = E etX = ∑ x! = e ∑ x! = e eλ e (3.14)
x=0 x=0
La última igualdad es consecuencia de la ecuación (3.13).
Para encontrar el primer momento alrededor de cero (E[X ]) de X , derivamos la fun-
ción generadora de momentos (3.14) con respecto a t y evaluamos en t = 0.
) . /)
dmx (t) )) −λ t λ et )
= e λ e e ) = λ e−λ eλ = λ = E[X ].
dt )t=0 t=0
62 CAPÍTULO 3. VARIABLES ALEATORIAS
3.5. Ejercicios
Ejercicio 3.1. Sea a un número fijo. Construye una variable aleatoria X tal que E(X ) = a.
P(A ∩ B ∩C) = p3 .
Ejercicio 3.5. Llegas tarde a tu casa un viernes después de una reunión, tienes 4 llaves
en tu llavero, ¿Cuál es la probabilidad de elegir la llave correcta en el i-ésimo intento?
Ejercicio 3.6. En un juego de apuestas eliges un número entre 1 y 6. Se lanzan tres dados
y te regresan 3 veces tu apuesta si tu número sale en los tres dados, te regresan 2 veces tu
apuesta si tu número sale en los dos dados y te regresan tu apuesta si tu número sale en
los exactamente uno de los tres dados. Si apostaste $1000, ¿cuál es el valor esperado del
juego? Define primero tu variable aleatoria.
Ejercicio 3.7. Determina mediante un contraejemplo o una prueba cuales de los siguien-
tes incisos son falsos y cuales son verdaderos:
4. E(−X ) = −E(X ).
5. Var(−X ) = −Var(X ).
Ejercicio 3.9. Sea X discreta con función de probabilidad dada por la tabla que apa-
rece abajo. Gráfica f (x). Calcula la función de probabilidad de las siguientes variables
aleatorias Y = X 2, Z = |X | y W = 2X − 5. Grafica en cada caso.
x -2 -1 0 2 3 5
P(x) 0.1 0.15 0.4 0.1 0.15 0.1
x 0 1 2 3 4 5 6 7 8
P(x) 0.05 0.1 0.1 0.1 0.2 0.25 0.1 0.05 0.05
Ejercicio 3.12. Sea X una variable aleatoria discreta con la función de probabilidad que
aparece abajo. Demuestre que f (x) es efectivamente una función de probabilidad y que la
esperanza de X no es finita.
0
1
f (x) = x(x+1) , si x = 1, 2, 3, . . .
0 e.o.c.
64 CAPÍTULO 3. VARIABLES ALEATORIAS
0 = Var(0)
= Var(X + (−X ))
= Var(X ) +Var(−X )
= Var(X ) +Var(X )
= 2Var(X ).
Ejercicio 3.14. Determina mediante un contrejemplo o una prueba cuales de los siguien-
tes incisos son falsos y cuales son verdaderos:
4. E(E(X )) = E(X ).
5. Var(Var(X )) = 0.
Ejercicio 3.15. La calificaión promedio de una prueba de estadı́stica fue de 6.25 con una
desviación estandar de 1. El profesor sospecha que el examen fue difı́cil. De acuerdo a lo
anterior, desea ajustar las calificaciones de manera que el promedio sea 7 y la desviación
estandar de 0.8. ¿Qué ajuste del tipo aX + b, debe utilizar?
x -2 -1 0 1 2
f(x) 1/10 5/10 1/10 2/10 1/10