CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2 Variables Aleatorias

DEFINICIÓN: Una variable aleatoria X en un espacio de probabilidad

(Ω, ,P) es una función real definida en el espacio muestral Ω tal que [X  x]
es evento aleatorio para todo x  ; es decir, X: Ω es variable aleatoria
si [X  x]  ,  x  .
EJEMPLO 2.1:
ε: Lanzar una moneda 2 veces.
Ω: Según el lado que muestra en cada lanzamiento.
Ω=
X: Número de caras.
RX = Graficamente:

Ω X: Nº de caras RX

EJEMPLO 2.2:
ε: Lanzar un dado 2 veces.
Ω: Valor de la cara superior.
Ω=
33
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

X1: Suma de puntos. RX =

1

0 , para lados iguales

X2   RX =
1 , para lados diferentes 2

EJEMPLO 2.3:
El sistema de comunicación por voz de una empresa tiene 48 líneas externas. En un
determinado momento, se observa el sistema y algunas líneas están ocupadas. Sea
X la variable aleatoria que denota el número de líneas en uso. Entonces, RX =

DEFINICIÓN: Sea Ω un espacio muestral asociado al experimento ε, y X una

variable aleatoria con rango RX definida sobre Ω. Un evento A en Ω y un evento B
en RX son eventos equivalentes, si
A = {w  Ω/ X(w)  B}
Ω RX

A B

A y B son eventos equivalentes siempre que ocurran juntos. Es decir, siempre que
A ocurre, ocurre B y viceversa.

EJEMPLO 2.4:
ε: Lanzar una moneda 3 veces.
X: Número de caras obtenidas.
Ω = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
RX =
A = {CCC} ≡

34
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

A = {CCS, CSC, SCC} ≡ B =

A = {CSS, SCS, SSC} ≡ B =
A = {CCC, SSS} ≡ B =
DEFINICIÓN: Si A es un evento en el espacio muestral Ω y B un evento en el
rango RX de la variable aleatoria X, entonces definimos la probabilidad de B como
P(B) = P(A), donde A = {w  Ω/ X(w)  B}
EJEMPLO 2.5:
ε: Lanzar una moneda 3 veces.
Ω: Lado que muestra.
X: Número de caras obtenidas.
Ω = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
RX = {0, 1, 2, 3}
Si B = {3}, el evento A en Ω equivalente a B es A =
A = {w  Ω/ X(w) = 3} = {CCC} ≡ {X = 3}
Luego P(B) = P[X = 3] = P(CCC) = 18

Si B = {1}  A=
P(B) = P[X = ] = P(A) =

Si B = {2}  A=
P(B) = P[X = 2] =

Si B = {0}  A=
P(B) = P[X = 0] =

Si B = {0, 3}  A=
P(B) = P[X = 0,3] = P(A) =
Una vez que se han determinado las probabilidades asociadas con varios resultados
(o eventos) en el recorrido RX ignoraremos a menudo el espacio muestral original Ω
que dio lugar a esas probabilidades. Así, en el ejemplo anterior, estamos
35
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

simplemente interesados en RX = {0, 1, 2, 3} y las probabilidades asociadas { 18 ,

3 , 3 , 1 }. El hecho de que estas probabilidades estén determinadas por una
8 8 8
función de probabilidad definida en el espacio muestral original Ω no nos preocupa
si estamos interesados sólo en estudiar los valores de la variable aleatoria X.

2.1 VARIABLES ALEATORIAS DISCRETAS

DEFINICIÓN: Sea X una variable aleatoria. Si el número de valores posibles de X

(es decir RX) es finito o infinito numerable, entonces X es una variable aleatoria
discreta. En este caso
RX = {x1, x2, x3,…}
En el caso finito la lista termina y en el caso infinito numerable la lista continúa
indefinidamente.
2.2 FUNCIÓN DE PROBABILIDAD

DEFINICIÓN: Sea X una variable aleatoria discreta con rango RX. Una función
definida por
p(x) = P[X = x] =  p({w})
{wΩ/X(w)x }

se denomina función de probabilidad de la variable aleatoria X si satisface las

siguientes condiciones:
a) p(x) > 0,  x  RX (o p(x) ≥ 0,  x)

b)  p(x )  xR PX  x  = 1

xR X
(o 
x
p(x )  1 )
X

La colección de pares [(x,p(x)),  x  RX] es llamada distribución de probabilidad

de X.
La probabilidad de un evento A en RX, se define de la siguiente manera:
P(A) =  p(x )  x PX  x 
xA A

36
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 2.6:
En el ejemplo 2.5 se ha considerado el lanzamiento de una moneda tres veces y se
define X: número de caras. Hallar la distribución de probabilidad en forma tabular y
gráfica.
Solución:

EJEMPLO 2.7:
En un lote de 10 artículos, hay 3 artículos defectuosos. Del lote se toma al azar una
muestra de 4 artículos sin reposición. Sea X la v. a. que representa el número de
artículos defectuosos en la muestra.
a) Describir el dominio de X.
b) Describir el rango de X.

37
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

c) Evaluar la función de probabilidad, la representación tabular y gráfica de la

distribución de probabilidad.
Solución:

38
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 2.8:
Supongamos que se tiene n artículos (n finito) de los cuales r son defectuosos. Se
extrae una muestra aleatoria de tamaño m sin reemplazamiento. Sea X el número de
artículos defectuosos en la muestra. Hallar la función de probabilidad de la variable
aleatoria X.
Solución:

EJEMPLO 2.9:
Se pone un ratoncito en un laberinto. Hay cinco caminos posibles, de los cuales sólo
uno lleva fuera del laberinto. Supongamos que el ratoncito escoge un camino
aleatoriamente hasta escoger el camino correcto; supongamos además que un
camino incorrecto no se escoge dos veces. Sea X definido como el nº de caminos
incorrectos. Hallar:
a) El dominio de X.
b) El rango de la v. a. X.
c) La función de probabilidad asociada a X y su gráfica.
Solución:

39
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 2.10:
Supongamos que se pone un tubo de radio en un soporte y se prueba. Supongamos
que la probabilidad de que el control sea positivo es igual a ¾; por tanto la
probabilidad de que el control sea negativo es ¼. Supóngase además, que probamos
una gran cantidad de tales tubos. La prueba continúa hasta que aparece el primer
tubo positivo. Definamos la v. a. X como el nº de pruebas necesarias para finalizar
el experimento. Determinar:
a) El dominio.
b) El rango.
c) La función de probabilidad.
d) Comprobar que es función de probabilidad.
Solución:

40
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

NOTAS:
a) Como se prueba una gran cantidad de tubos, puede asumirse que los eventos son
independientes (se puede asumir como extracción con reemplazo).
b) La serie geométrica 1 + r + r2 + r3 + … converge a 1
1  r siempre que | r | < 1.

41
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2.3 FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE

ALEATORIA DISCRETA

DEFINICIÓN: Sea X una v. a. discreta con rango RX = {x1, x2,…} y función de

probabilidad p(xi) = P[X = xi]; sea x un número real cualquiera; la función de
distribución de x se denota por “F(x)” y se define como

F(x) = P[X ≤ x] =  p(x

x i x
i )  PX  x 
x i x
i

EJEMPLO 2.11:

En el ejemplo 2.6, hallar la función de distribución.

Solución:
x 0 1 2 3
P(x) 1/8 3/8 3/8 1/8
F(x)

F(x)
REPRESENTACIÓN
GRÁFICA: 1–
7/8 –

1/2 –

1/8 –
| | |
0 1 2 3 x

42
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2.4 PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN

1. 0 ≤ F(x) ≤ 1,  x  R
2. a) P[X  xi] = F(xi)
b) P[X ≥ xi] = 1 – P[X < xi] = 1 – F(xi-1)
c) P[xi < X ≤ xj] = F(xj) – F(xi)
d) P[xi ≤ X ≤ xj] = F(xj) – F(xi) + P[X = xi]
e) P[xi < X < xj] = F(xj) – F(xi) – P[X = xj]
f) P[xi ≤ X < xj] = F(xj) – F(xi) + P[X = xi] – P[X = xj]
g) p(xi) = P[X = xi] = F(xi) – F(xi-1)
DEMOSTRACIÓN
c) P[xi < X ≤ xj] = F(xj) – F(xi)

EJEMPLO 2.12:
La v. a. X tiene la siguiente función de distribución:

43
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

Calcular:
a) P[X ≤ 0,5] + P[X ≥ 2]
b) La distribución de probabilidad de X.
Solución:

b) RX = {0, 1, 2, 3}
x 0 1 2 3
P(x)

EJEMPLO 2.13:
El espesor de un entablado de madera (en pulgadas) que algún cliente ordena, es
una variable aleatoria que tiene la siguiente función de distribución acumulada:
0 , x  18
 1 x  1
0,2 ,
F(x )   8 4
1 x  3
0,9 , 4 8
1 , 83  x

a) Calcular la distribución de probabilidad.
b) Determinar las probabilidades siguientes:

i) P[X ≤ 18 ] ii) P[X ≤ 14 ] 5 ]

iii) P[X ≤ 16

iv) P[X > 14 ] v) P[X ≤ 12 ]

Solución:
a) RX =

44
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2.5 VARIABLES ALEATORIAS CONTINUAS

DEFINICIÓN: Si el rango RX, de una variable aleatoria X, es un intervalo sobre la

recta de los números reales, entonces X es una variable aleatoria continua.

EJEMPLO 2.14:
- Peso de un recién nacido.
- Diámetro de los pernos.
- Estatura de un becerro de 2 meses de edad.

2.6 FUNCIÓN DE DENSIDAD (DE PROBABILIDAD)

DEFINICIÓN: Sea X una variable aleatoria continua con rango RX. La función de
densidad asociada a la variable aleatoria, es una función f(x) integrable que
satisface las siguientes condiciones:
a) f(x) ≥ 0, xR (o f(x) > 0,  x  RX)

45
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya


b)  f(x )dx  1

(o
R
 f(x )dx  1 )
X

Supongamos que estamos interesados en calcular la probabilidad de que la v. a.

tome los valores entre a y b, donde el intervalo [a, b] RX. Es decir, queremos
calcular la P[a ≤ X ≤ b]. Entonces, la probabilidad del evento
A = {x / a ≤ X ≤ b}

se define como sigue

b
P(A) = P[a ≤ X ≤ b] = a f(x )dx f(x)

P[a ≤ X ≤ b]

x=a x=b X

NOTAS:
a. P[X = x0] =
b. P[a≤ X ≤ b] = P[a < X ≤ b] = P[a < X < b] = P[a ≤ X < b]

EJEMPLO 2.15:
Sea X una v. a. con función de densidad

a(3x  x2 ) , si 0  x  3
f(x)  
 0 , en otros casos
a) Hallar el coeficiente a.
b) Calcular la probabilidad que X se encuentre en el intervalo [1, 2]
c) Hallar la probabilidad que X se encuentre en el intervalo (-1, 3/2)
Solución:

46
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 2.16:
La longitud de vida de una especie de plantas en cierto medio ambiente es una
variable aleatoria continua. Supongamos que la función de densidad de X es:
x
1  120
f(x )  e , x 0
120
a) ¿Qué proporción de plantas de esta especie mueren antes de los 100 días?
b) Si una planta individual vive durante 100 días, ¿Cuál es la probabilidad que viva
otros 100 días más?
Solución:

47
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 2.17:
Un agricultor encuentra que el peso en Kg. de una papaya es una v. a. X con
función de densidad

 3 (4x  x 2 ) , 0  x  4
f(x )   32

 0 , en otros casos
a) ¿Cuál es la probabilidad que una papaya pese menos de un Kg?
b) Si el agricultor cosecha 20 000 papayas, ¿Cuántas de ellas pesan menos de un
Kg?
c) El agricultor escoge al azar cuatro papayas para regalar a un amigo; ¿Cuál es la
probabilidad de que cada una de las 4 pesen menos de un Kg?
Solución:

48
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2.7 FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE

ALEATORIA CONTINUA

DEFINICIÓN: Sea X una variable aleatoria continua con función de densidad f(x).
La función de distribución de la variable aleatoria X, denotada por “F(x)”, se
define por
x
F(x) = P[X ≤ x] =  f(t)dt ,

xR

F(x) = P[X ≤ x]

x X

TEOREMA: Sea F(x) la función de distribución de una variable aleatoria

continua con función de densidad f(x). Luego
d
f(x) = F(x)
dx
para toda x en la cual F(x) es diferenciable.
DEMOSTRACIÓN

EJEMPLO 2.18:
Sea X una v. a. con función de densidad definida por

 3 x (2  x ) , 0  x  2
f(x )   4
 0 , en otros casos

a) Hallar la función de distribución de X.

b) Hallar F(1).
49
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

Solución:

NOTAS:
a. Por definición, la función de distribución F(x), da la probabilidad de eventos de
la forma X ≤ , X < , X > , etc.

Es decir, P[X ≤ ] = P[X < ] = F() =  f(x)dx y


P[X > ] = 1 – P[X ≤ ] = 1 – F()

50
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

b. La función de distribución también se puede utilizar, para determinar probabili-

dades de eventos de la forma: ≤ X ≤ ,  < X ≤ ,  < X < , etc.
Sean ,   R /  < , entonces:
P[ ≤ X ≤ ] = P[ < X ≤ ] = P[ ≤ X < ] = P[ < X < ] = P[X ≤ ] – P[ X ≤ ]
= F() – F()
EJEMPLO 2.19:
Si
 0 , x 0
 1 x2 , 0  x 1
4

F(x )   12 x  14 , 1 x  2
3 x2 5
2 x  4  4 , 2x 3
 1 , x 3
3 5
Determinar P[ 4  X  2 ]

Solución:

EJEMPLO 2.20:
Una estación de servicio es provisionada de gasolina una vez semanal. El volumen
X de la posible venta semanal en miles de galones tiene la siguiente función de
distribución acumulada
F(x) = 1 – (1 – x)4 , 0<x<1
a) ¿Cuál debe ser la capacidad de su tanque para que la probabilidad que su
provisión se agote en una semana sea sólo de 0,01?
b) ¿Cuál es la probabilidad de que la venta semanal esté entre 800 y 900 galones?
Solución:

51
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2.8 VALOR ESPERADO DE UNA VARIABLE ALEATORIA

DEFINICIÓN: Sea X una variable aleatoria con rango RX y función de probabilidad

(función de cuantía) p(x) si es discreta o función de densidad f(x) si es continua.
El valor esperado o esperanza matemática de X, se denota por E[X] y se define
E[X] =  x p(x )
xRX
, si X es variable aleatoria discreta.


E[X] =
R
 x f(x )dx  -x f(x )dx , si X es variable aleatoria continua.
X

NOTA: La esperanza matemática de X es llamada también media de la v. a., y se

denota por μ; es decir, μ = E[X].
EJEMPLO 2.21:
Hallar la esperanza matemática de la v. a. X con distribución de probabilidad dado
por,
x 0 1 2 3 4
P(x) 0,2 0,4 0,3 0,08 0,02
Solución:

EJEMPLO 2.22:
Sea X una v. a. cuya función de densidad está definida por
 3 x (2  x ) , 0  x  2
f(x )   4
 0 , en otros casos
Calcular la esperanza de X.
Solución:
52
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

TEOREMA: Sea X una v. a.; si  y  son constantes, entonces

E[X ± ] = E[X] ± 

EJEMPLO 2.23:
Sea X una v. a. cuya distribución de probabilidad está dado por
x 0 1 2 3
P(x) 1/8 3/8 3/8 1/8
Calcular:
a) E[2X + 1]
b) E[4X2 + X + 3]
Solución:

2.9 VARIANZA DE UNA VARIABLE ALEATORIA

DEFINICIÓN: La varianza de una v. a. X, se denota por V(X) o por la letra griega

σ 2X (o simplemente σ ) y se define como
2

V(X) = σ = E[(X – μ)2] = E[(X – E[X])2]

2

Por lo tanto

53
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

 (x  μ)2 p(x ) , si X es v.a.discreta

 xR X

 σ = E[(X – μ)2] =  
2


 (x  μ)2 f(x )dx , si X es v.a.continua


DEFINICIÓN: La desviación típica (o estándar) de una v. a. está dada por σ  σ 2

EJEMPLO 2.24:
La v. a. X tiene la siguiente distribución
x 0 1 2 3
P(x) 1/8 3/8 1/8 3/8
Calcular la varianza de la v. a.
Solución:

EJEMPLO 2.25:
Calcular la varianza de la v. a. X definida en el ejemplo 2.22.
Solución:

54
 CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

PROPIEDADES DE LA VARIANZA

TEOREMA: Si X es una v. a. con media μ, la varianza de X está dada por

V(X) = σ = E[(X – μ)2] = E[X2] – (E[X])2 = E[X2] – μ2

2

TEOREMA: Si X es una v. a., a y b constantes, entonces

V(aX ± b) = a2 V(X)
EJEMPLO 2.26:
En el ejemplo 2.21, calcular:
a) V(X)
b) V(–2X + 3)
Solución:
x 0 1 2 3 4
P(x) 0,2 0,4 0,3 0,08 0,02

2.10 EJERCICIOS PROPUESTOS

1. Hallar el valor esperado y la varianza de la v. a. X cuya distribución de

probabilidad está definida por,
x –2 –1 1 2
P(x) 1/3 1/6 1/6 1/3
2. Sea X una v. a., cuya función de densidad es,


2x , 0x 3
f(x )   9

 0 , en otro caso
Calcular E[X] y V(X).
55