Variables Aleatorias unidimensionales

Una variable aleatoria (v.a.) es un número real asociado al resultado de un

experimento aleatorio. Se trata, por tanto, de una función real con dominio
en el espacio muestral, X :Ω → .
Definición:
Si ε es un experimento aleatorio que tiene el espacio muestral Ω, y X es
una función que asigna un número real x(ω) para todo resultado ω  Ω,
entonces X se llama variable aleatoria
Ω RecX

ω  x(ω)

Ejemplos:
 El número de accidentes laborales en una empresa al año.
 El número de errores en un mensaje transmitido.
 El número de piezas defectuosas producidas a lo largo de un día en
una cadena de producción.
 Tiempo de duración de una batería
 Nivel diario de agua en el embalse
 Duración de una llamada a un servicio de atención al cliente
Ejemplo:
Se sabe que en una caja que contiene 50 chips 5 están defectuosos.
Experimento: Se extraen al azar y en forma sucesiva dos chips de la caja.

D = El chip extraído de la caja es defectuoso

Se define la v.a. “X = Número de chips defectuosos en la muestra”
Recorrido de X = {0 , 1 ,2}
Ω Rec X

x(DC,DC) = 0
(D,D) 0 x(D,DC) = 1
C
(D,D ) 1 x(DC,D) = 1
(DC,D) x(D,D) = 2
2
C C
(D ,D ) X

Cecilia Larraín R v.a. unidimensionales Página 1


Ω RecX
A B
X
ω
A y B son sucesos equivalentes
Definición:
Si A es un suceso en el
espacio muestral Ω y B es un
x(ω) suceso en el espacio de RecX
de la variable aleatoria X, la
probabilidad de B se define
como
PX(B) = P(A)
donde A = {ω  Ω: x(ω)  B }

Del ejemplo X = Número de chips defectuosos en la muestra

(N=50, 5 D, 45 DC, n = 2, sin reposición)

RecX Sucesos de Ω Probabilidad PX({0}) = P(DC DC)

0 (DC,DC) 198
198
245 =
245
1 (D,DC), (DC,D) 9
PX({1}) = P(D DC) + P(DC D)
49 9
2 (D,D) 2 =
49
245

Función de distribución FX(x) (distribución acumulada)

Sea X una variable aleatoria y x un valor particular de X.

Para cada variable aleatoria, se puede definir la función

FX(x) = P (X ≤ x), con x  

Propiedades de F(x):

 0 < F(x) < 1 para todo x ∊ 

 lim FX ( x ) = 0 (F (−∞) = 0) y lim FX( x) = 1 (F(+∞) = 1)
x  x 
 La función es no decreciente: si x1 < x2, entonces F(x1) < F(x2)
 La función es continua por la derecha. F(x+) = lim F( x  h) = F ( x )
h 0

 P(a < x < b) = F(b) – F(a)

FX(x) = F(−∞,x] = P (X ≤ x), es una función que va acumulando la
probabilidad de observar los distintos valores a medida que nos
desplazamos desde −∞ a +∞.

Cecilia Larraín R v.a. unidimensionales Página 2

Ejemplo:
Sea la v.a. X = número de caras en tres lanzamientos de una moneda
Rec X = {0 ,1 , 2, 3}
X = N° caras en tres lanzamientos de una moneda
 0 si x < 0
 1/8 si 0  x < 1

F(X)=  4 / 8 si 1  x < 2
7 / 8 si 2  x < 3

 1 si 3  x

P(X < 1) = F(1) = 4/8

Ω = {(C,C,C) , (C,C,S) , (C,S,C) , (S,C,C) , (C,S, S) , (S,C,S) , (S,S,C) , (S,S,S)}

Ejemplo:
Sea la v.a. X = tiempo de respuesta (en segundos) de un terminal conectado
en línea

F(X) = 1- e-0,2x , x > 0

P(X  x)

P(X < 5) = F(5) = 0,632

x
Variable aleatoria discretas
Función probabilidad:
Sea X una v.a.d. Por tanto el recorrido de X consta, a lo más de un número
de valores. x1 , x2 , x3 , … . A cada resultado posible xi, se le asocia un
número p(xi) = P(X = xi), llamado probabilidad de xi ( i = 1, 2, …,) que deben
de satisfacer las condiciones siguientes:

a) p(xi) > 0 b)  p(x ) =  p(x )
i=1
i
Rec X
i 1

Se observa que: P( X = xi) = F(Xi) – F(Xi-1)

FX(xi) =  p(x)
x  xi
(función de distribución)

∙ A la función “p(X)” se le denomina función de probabilidad o función de

cuantía de la v.a. X.
∙ A la colección de pares (xi, p(xi)), algunas veces se le llama distribución de
probabilidad. i = 1,2,3, …
∙ La función de probabilidad p(X) suele presentarse en forma de tabla, gráfica o
matemáticamente (si se encuentra una estructura que resuma todas las probabilidades del RecX).

Cecilia Larraín R v.a. unidimensionales Página 3

Ejemplo: En la fabricación de cierto artículo el 10% sale con algún tipo de
defecto.
 De la producción de cierto día, se extrae al azar una muestra de dos
artículos (se asume con reposición)
Sea la v.a. “X = N° de artículos defectuosos en la muestra (n = 2)”
Tabla
Distribución de probabilidad p(x)
X 0 1 2
p(x) 0,81 0,18 0,01

Observe que la función que asigna las probabilidades de la v.a. “X = n° de

artículos defectuosos en la muestra (con reposición)” es:
Función de cuantía p(X)
2
p(x) = P(X = x) = ·(0,1) x ·(0,9)2-x ; para x = 0,1,2
x

Esta distribución de probabilidad se conoce como Binomial

Observación: La distribución de probabilidad es una población teórica; se utiliza para

representar poblaciones empíricas.

Función de distribución F(x) de la variable aleatoria :

“X = N° de artículos defectuosos en la muestra (n = 2)”

 0 ,x < 0 Utilice F(x) para determinar P(X = 2)

 0,81 ,0  x<1 P( X = xi) = F(Xi) – F(Xi-1)

F(X)= 
0,99 ,1  x<2 P(X = 2) = F(2) – F(1)
 1 ,x  2 = 1 – 0,99
= 0,01

Cecilia Larraín R v.a. unidimensionales Página 4

Del ejemplo anterior:
 En la fabricación de cierto artículo el 10% sale con algún tipo de
defecto.
De la producción de cierto día, se extrae al azar y con reposición una
muestra 10 artículos, se define la variable aleatoria “W = número de
artículos defectuosos en la muestra” con la siguiente función de cuantía:
C
(n = 10, P(D) = 0,1, P(D ) = 1 – 0,10)

 10  w 10-w
  (0,1) (0, 9) , w = 0,1,2, ...,10
p(w) =  w 
= 
P(W = w)  0 , en otro caso

Determine la probabilidad de que la muestra contenga a lo más tres

artículos defectuosos.

Del ejemplo de la caja con 50 chips de los cuales el 5 están

defectuosos.
 Si se extraen en forma aleatoria y sucesiva (sin reposición) una muestra 10 chips
de la caja y se define la variable aleatoria “Y = número de chips defectuosos
es la muestra” con la siguiente función de cuantía:

  5   45  Esta distribución se
    conoce como distribución
  y  10 - y  , si y = 0, 1, 2, 3, 4, 5 hipergeométrica
p(y) =   50 
  
 10 
=
P(Y=y)

 0 , en otro caso
Determine la probabilidad de que la muestra contenga por lo menos dos
chips defectuosos.

Cecilia Larraín R v.a. unidimensionales Página 5

Variable aleatoria continua
Una variable aleatoria es continua cuando puede tomar cualquier valor en un
intervalo. Por ejemplo la estatura de una persona.
Supongamos que se mide la estatura de personas adultas y representamos las
medidas obtenidas en un histograma, se ha comprobado repetidamente en la
práctica que, tomando más y más observaciones y haciendo clases cada vez más
finas, el histograma tenderá a una curva suave que describirá el comportamiento
(la estructura) de la variable estudiada. Esta función límite se llama función de
densidad
Definición:
Se dice que una variable aleatoria X es continua si puede tomar un número
infinito de valores posibles asociados con intervalos reales, y hay una función
f X ( x ) , llamada función de densidad de probabilidad, tal que:
i) La función f X ( x ) > 0 ; - <x<

ii) f X ( x )dx f X ( x )dx 1

Re c X

iii) f X ( x ) = 0 si x  Rec de X.
b
Además: P(a < X < b) =
x=a
 f ( x )dx

P(a < X < b) = P(a < X < b) = P(a < X < b) = P(a < X < b)

d
Se observa que : f X ( x ) = FX ( x )
dx
x
y resulta que : FX ( x )  f
-
X (t )dt

por lo tanto: P(X > a) = 1 – P(X < a) = 1 – F(a)

P(a < X < b) = F(b) – F(a)

Cecilia Larraín R v.a. unidimensionales Página 6

 Ejercicios I
Ejercicio I.1: Sea la variable aleatoria “X = vida útil de un determinado tipo
de batería (en cientos de horas)" que tiene asociada la función de densidad
de probabilidad siguiente:

ke-0,5x , x > 0
f(x)= 
 o ,en o.c

a. Determine el valor de k. Resp. k = 0,5

b. Encuentre la probabilidad de que la vida util de una batería elegida al azar
sea menor que 200 horas o mayor que 400 horas. Resp.: 0,767
c. Encuentre la función de distribución F(x)
d. Determine la probabilidad de que una batería de este tipo dure más de 300
horas dado que ya ha estado en uso más de 200 horas. Resp.: 0,606

Ejercicio I.2: Suponga que el tiempo de respuesta en segundos X en un

terminal de computadora en línea (el tiempo transcurrido entre el final de la
consulta de un usuario y el inicio de la respuesta del sistema a dicha consulta) es una
v.a. con la siguiente función de distribución:

F(X) = 1- e-0,2x , x > 0

P(X  x)

x
F(x)

0,2e-0,2x , x > 0
f(x)= 
 o ,en o.c

a. ¿Cuál es la probabilidad de que el tiempo de respuesta sea mayor de 10

segundos?
Solución: Utilizando F(X) (distribución acumulada)
P(X > 10) = 1 – P(X < 10) = 1 – F(10) = 1 - 1-e0,210)   e2  0,135

Cecilia Larraín R v.a. unidimensionales Página 7

 Solución: Utilizando f(x) (f. de densidad)

P(X > 10) = 
x 10
0,2e 0,2 x dx  0,135

b. ¿Cuál es la probabilidad de que el tiempo de respuesta esté entre 5 y 10

segundos?
Solución: Utilizando F(X) (distribución acumulada)
P(5  X  10) = F(10) - F(5) = 1  e 0.210   1  e 0,25   0,233

Solución: Utilizando f(x) (f. de densidad)

10

 0,2e
0,2 x
P(5  X  10) = dx  0,233
x 5

c. Determine la probabilidad de que el tiempo de respuesta no supere 12 s

d. ¿Cuál es el intervalo de tiempo del 30% de las consultas con menor

tiempo de respuesta?

Medidas características de las variables aleatorias

Las distribuciones de probabilidad son representaciones simbólicas de
poblaciones y se puede determinar los parámetros como la media o
esperanza varianza, desviación estándar, percentiles. Los parámetros son
medidas numéricas que resumen aspectos importantes de la variable
aleatoria y nos va a facilitar a entender su comportamiento.
Las medidas de resumen de una v.a. se clasifican como:
Posición: Tendencia central: Esperanza, Mediana, Moda.
Percentiles
Dispersión: Varianza, Desviación estándar, Coeficiente de variación
Forma: Asimetría , curtosis

Cecilia Larraín R v.a. unidimensionales Página 8

 Medidas de POSICIÓN
X v. a. discreta con función de X v. a. continua con función de
cuantía p(x) densidad f(x)
ESPERANZA ESPERANZA


E(X) =
i
xi ·p(xi ) E(X) =  xf(x)dx  
- Rec X
xf(x)dx

Observación: media ≡ E(X) ≡ μ ≡ primer momento alrededor del origen

Ejemplo: Ejemplo:
Una empresa fabrica unidades ópticas La temperatura de encendido de un
para PC, ha detectado que el número interruptor con control termostático, en
de unidades defectuosas(X) por partida,un sistema de aire acondicionado, es
se puede considerar una v.a. con considerada una variable aleatoria con
función de distribución de probabilidadla siguiente función de densidad dada
X 0 1 2 3 4 por
p(x) 0,54 0,18 0,15 0,08 0,05 x 1
 , 59  x  61 (°F)
El número esperado de unidades ópticas f ( x )   118
defectuosas por partida es  0 , en otro caso
E(X) = xi·p(xi ) = 0,92 61
x 1
i E(X)= x dx 60,006 15,589 C
x 59
118

Propiedades de E(X)
i) E(k) = k k cte.
ii) E(X + a) = E(X) + a a cte.
iii) E(bX) = bE(X) , b cte.
iv) E( a + bX) = a+ bE(X) a, b ctes.

v) Si g(x) es cualquier función de X, entonces

  g(x)f(x), x v.a discreta

 Re cX
E(g(x))  
  g(x)f(x)dx, x v.a. contínua
Re cX

Mediana: xm es es valor central del v.a. tal que

P(X < xm) = P(X > xm) = 0,5

Moda: Es el valor de mayor cuantía p(x) si X es una v.a.d

Es el valor de mayor densidad f(x) si X es una v.a.c

Cecilia Larraín R v.a. unidimensionales Página 9

Percentil: Es el valor xp tal que P(X < xp) = p o P(X > xp) = 1 - p
La mediana es el percentil 50

Ejercicios II
Ejercicio II.1: La demanda diaria X de autos de un concesionario de la ciudad,
viene dada por la siguiente función de probabilidad:
 kx si x = 1, 2

p(x) = k(50 - x) si x = 3, 4, 5 La v.a. X tiene un
 recorrido discreto
 0 en o. c.
a. Determine el valor de la constante k
b. Determine la demanda esperada
c. Si la utilidad U de un concesionario en ($105) viene dada por: U = 3X + 2
determine la utilidad esperada.
d. ¿Cuál es valor de la Moda?
e. Sea g(x) = X2, determine E(g(x))
f. Determine la probabilidad de que en un determinado día se vendan por lo
menos dos autos
g. Determine la probabilidad de que en un determinado día se vendan a lo más
tres autos.
h. Determine e interprete el valor de P( X > 1 / X < 3)

Ejercicio II.1: El tiempo de activación X de los sensores fabricados por una

empresa es una variable aleatoria con función de densidad:

 2x ; 0 < x  0,5 Un sensor se dice rápido si su tiempo de

2 activación es inferior a 0,2 segundos y lento si
 su tiempo de activación es superior a 1
f(x) =  (2  x ) ; 0,5 < x < k
3 segundo. Se pide:
 0 en otro caso
La v.a. X tiene un recorrido continuo

a. Calcular el valor de k para que f(x) sea función de densidad Resp.: k = 2 seg
b. Determine el tempo de activación esperado Resp: E (X) = 5/6
c. ¿Entre que valores (s) se encuentran el 50% de los sensores con mayor tiempo de
activación.
d. Determine la probabilidad de que un sensor sea rápido.
e. De los sensores con tiempo de activación inferior a 1 seg., ¿Qué porcentaje supera a
su tiempo esperado? Resp. 18,056% (prob. condicional)
f. Sea h(x) = X2, determine E(h(x))
g. ¿Cuál es el tiempo máximo de activación del 20% de los sensores con menos tiempo
de activación? Solamente se pide el percentil 20
h. Se escogen al azar y en forma independiente dos sensores, ¿Cuál es la probabilidad
de que por lo menos uno sea lento?

Cecilia Larraín R v.a. unidimensionales Página 10

 MEDIDAS DE DISPERSIÓN

Varianza V(X) o σ 2
La varianza de una variable aleatoria X es la esperanza de las
desviaciones cuadráticas a la esperanza o media, es decir
V(X) = E (X - E(X))2  ; E(X) = μ

V(X) = E(X - μ)2

= E[X - E(X)]2
= E[X2 - 2XE(X)+E(X)2 ]
= E(X2 ) - 2E(X)E(X) + [E(X)]2
= E(X2 ) - [E(X)]2  es más facil de calcular

Propiedades de la varianza:
i) V(X) > 0
ii) V(k) = 0, k cte
iii) V(bX) = = b2V(X)
iv) V(a + bX) = b2V(X); a,b ctes.

Desviación estándar: σ = V(X)


Coeficiente de variación: CV =
| E( X ) |
Ejemplo: cálculo de varianza de una v.a. discreta
El número de errores cometidos cada hora por individuo que registra datos
en un terminal de un computador es una variable aleatoria representada
por X y tiene la siguiente distribución de probabilidad:
X 0 1 2 3
p(x)
P(X=x)
0,40 0,30 0,25 0,05

E(X) = µ = 0·0,40 + 1·0,30 + 2·0,25 +3·0,05 =0,95 error

E(X2) = 02·0,40 + 12·0,30 + 22·0,25 +32·0,05 = 1,75 (error)2
V(X) = 1,75 – (0,95)2 = 0,8475 (error)2
σ = 0,9206 error ← desviación estándar o desviación típica

Cecilia Larraín R v.a. unidimensionales Página 11

Ejemplo: cálculo de varianza de una v.a. continua
La corriente medida en un conductor de cobre (en miliamperios) es una variable
aleatoria X cuya función de densidad viene dada por:
3
 (2x - x ) ; si 0  x  2
2
f(x) =  4
 0 ; en otro caso
3 
2
E(X) = 
x 0
x  (2 x  x 2 )dx  1
4 
3 
2
E(X2) = 
x 0
x 2  (2 x  x 2 )dx  1,2
4 
V(X) = E(X2 ) - [E(X)]2
= 1,2 – 1
=0,2 (miliamperios)2 → des. estándar σ = 0,4472 miliamperios

Ejercicios III
Ejercicio III.1.
La demanda diaria de libros de Estadística en una Facultad de Ingeniería
es una v.a. que presenta la siguiente distribución de probabilidad:
  2x 
k   ; x= 0, 1, 2, 3, 4
p(x) =   x! 

 0 ; en otro caso
Determine:
a. El valor de k, para que p sea una verdadera función de probabilidad.
b. La demanda media (esperada) diaria de libros.
c. La probabilidad de que en un día cualquiera se soliciten al menos tres
libros.
d. La probabilidad de que en un día cualquiera la demanda sea inferior a
dos libros.

Cecilia Larraín R v.a. unidimensionales Página 12

Ejercicios III.2
La temperatura (X) a que tiene lugar cierta reacción química es una variable
aleatoria con la siguiente función de densidad.
 2(4  x )
 1  x  2
f(x)   21

 0 o. c.
a. ¿Cuál es la temperatura esperada a que tiene lugar la reacción química?
b. Determine la mediana de la temperatura, a la cual tiene lugar la reacción
química. P( X < k) = 0,5: k = mediana o percentil 50

Ejercicio III.3
El fabricante de cierto tipo de compresor ha encontrado que la vida útil de un
compresor, en años, se puede modelar con la siguiente función de densidad:

3  x
 8 si 0x2

f(x)  
 0 en o.c.


a. Si un cliente compró un compresor y ha estado funcionando por lo menos 6
meses ¿Cuál es la probabilidad que falle antes de 18 meses?
b. Cada compresor tiene un costo de 20 u.m. y se vende en 32 u.m. y el
fabricante da ciertas garantías. Si el compresor falla antes de 3 meses se
devuelve el importe de lo pagado. Si falla entre 3 meses y 6 meses, se
compromete a asumir el costo de mano de obra de la reparación que tiene un
valor de 5 u.m. ¿Cuál es la utilidad esperada por compresor?

Ejercicio III.4
Una empresa fabrica tornillos según el departamento de control de calidad de la
empresa, el numero de fallas superficiales en los tornillos (X) corresponde a una
variable aleatoria con E(X) = 0,88. Además se sabe que la función de cuantía está
dada por:

X 0 1 2 3 4
p(x) a 0,37 0,16 b 0,01
a. ¿Cuál es la probabilidad de que un tornillo presente al menos 2 fallas?
b. Calcule V(x), σX y C.V.

Cecilia Larraín R v.a. unidimensionales Página 13

Ejercicio III.5
El tiempo, en segundos, necesario para que un robot, dentro de una línea de
producción, ensamble una pieza mecánica, es una variable aleatoria con función
de distribución de probabilidad dada por:
 0 , x 0
 2
Si el robot lleva ya más de un segundo en el
 x
,0x3 proceso de ensamblaje. ¿Cuál es la
 18
F(x)   probabilidad de que termine de ensamblar
 x
-1 ,3x4 dicha pieza antes del tiempo esperado?
 2 (debe determinar f(x) para calcular Esperanza)

 1 ,4 x

Ejercicio III.6
Una máquina fabrica cierta pieza cuya longitud (cm) es una variables aleatoria
con la siguiente función de densidad:

k(x - 1)(3 - x) , 1< x<3

f(x) =
0 , o. c.

a. ¿Cuál debe ser el valor de k para que f(x) sea una función de densidad? K=3/4
b. Si la longitud de una pieza mide entre 1,7 y 2,4 m. no se desecha. Calcular la
proporción de ejes que serán rechazados.
c. Si se eligen al azar y en forma independiente 3 piezas fabricadas por la
máquina, ¿cuál es la probabilidad de que por lo menos una sea desechadas?

Ejercicio III.7
Se supone que el n° de bacterias por mm3 de agua es un estanque es una
variable aleatoria con la siguiente función de probabilidad:

 e 0,5 (0,5)x
 ; x = 0, 1, 2, 3,..., E(X) = 0,5
p( x ) =  x! V(X) = 0,5

 0 en otro caso

a. ¿Cuál es la probabilidad de que no haya bacterias en 1 mm3. Resp.: 0,6065

b. ¿Cuál es la probabilidad de que se encuentren por lo menos 5 bacterias por
mm3 de agua. Resp.: 0,00017

Cecilia Larraín R v.a. unidimensionales Página 14

 Ejercicio III.8
Un grupo de investigadores interesados en estudiar el Río Usumacinta
(Guatemala), encontró que la profundidad varía de un día a otro uniformemente
entre 12 y 15 metros.
a. Calcule la probabilidad de que en la siguiente medición se obtenga menos de
13 metros.
b. ¿Cuál es la profundidad promedio del Río?
c. Obtenga la desviación estándar para esta distribución

Distribución Uniforme
La v.a. X tiene distribución uniforme en el intervalo [a,b ], si su función de
densidad es
Notación X ~ U[a,b] )

Función de densidad función de distribución

 1  0 ; x<a
 ;axb
f(x)=  b - a x - a

 F(X) =  ;a x<b
 0 ; en o.c.
P(X  x) b - a
 1 ; x b
Esperanza y varianza de la v.a. X ~ U[a,b]
a+b (b - a)2
E(X) = V(X) =
2 12
Ejercicio III.9
El tiempo (horas) de respuesta de un pedido a cierto proveedor es una variable aleatoria
que presenta la siguiente función de distribrución (acumulada)
 1 2
 4x si 0  x  1 Un pedido se considera fallido si el
 tiempo de respuesta es superior a
1 1 2,05 horas.
F(x)   x - si 1  x  2,5
2 4
 1 si 2,5  x


a) ¿Qué porcentaje de los pedidos pueden ser considerados fallidos?
b) Si un pedido es exitoso, ¿Cuál es la probabilidad de que su tiempo de respuesta
sea superior al tiempo esperado?
c) Se eligen al azar y en forma independiente dos pedidos reliazados al proveedor,
¿Cuál es la probabilidad de que por lo menos uno sea fallido?
d) Se quiere cambiar el tiempo de respuesta de pedidos fallidos, de manera que
solamente consideren al 4% de los pedidos como fallidos. ¿a partir de de que
tiempo en horas se debería considar?

Cecilia Larraín R v.a. unidimensionales Página 15