VARIABLE ALEATORIA UNIVARIADA

  w  x  X ( w)  
X

Es toda aplicación real definida en cada

elemento fundamental w del espacio posible Ω

Se lanza una moneda tres veces, y se anota el «número

de caras que se obtiene», hemos definido la variable
aleatoria X cuyo rango está formado por los valores “x”
 0, 1, 2, 3.

Cuando el rango es un conjunto discreto tenemos

una variable aleatoria discreta, en caso contrario
será continua
CCC  x  3  [X=3]=CCC

CCS, CSC, SCC  x2  [X=2]=CCS, CSC, SCC

CSS, SCS, SSC  x 1  [X=1]=CSS, SCS, SSC
SSS  x0  [X=0]=SSS


 P[X=3]=P CCC   1 / 8


 P[X=2]=P CCS , CSC , SCC   3 / 8

 P[X=1]=P CSS , SCS , SSC   3 / 8

 P[X=0]=P SSS   1 / 8
Notación: [ X  x]  {u  U / X (u )  x}

Es decir que tenemos un evento que define la v.a. X

Del cuadro anterior por ejemplo tenemos [X=2] el

evento de 3 elementos que son:

[ X  2]  {CCS , CSC , SCC}

 VARIABLE ALEATORIA DISCRETA

Función de Probabilidad (Función de Densidad)

f ( x )  P[ X  x ]
1 / 8 si x  0
3 / 8 si x  1

f (x)  
3 / 8 si x  2
 1 / 8 si x  3

(1  3x  x2 ) / 8 si x  0;1;2;3
f ( x)  
0 otro caso
 VARIABLE ALEATORIA DISCRETA

CONDICIONES PARA QUE f SEA CONSIDERADA

COMO UNA FUNCIÓN DE DENSIDAD DE CIERTA
VARIABLE ALEATORIA

1 : f (x)  0
2 : f ( x)  P[ X  x]
3 :  f (x)  1
x
 VARIABLE ALEATORIA DISCRETA

Función de Distribución de la v.a. X Llamada

también probabilidad acumulada, se define:

F ( x)  P[ X  x]   f (t )
tx

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
 VARIABLE ALEATORIA DISCRETA
Esperanza Matemática:
E(X)=µ Valor esperado,   E ( X )   x  f ( x)
x
media poblacional
V ( X )  E( X  E( X )) 2
Varianza: V(X)=σ2
varianza poblacional  E( X )  ( E( X ))
2 2

 2   x 2 f ( x)   2
x

En nuestro 1 3 3 1 3
  0  1  2   3 
ejemplo, se 8 8 8 8 2
tiene: 1 3 3 1
  0   1  4   9    
2 2 3
8 8 8 8 4
 VARIABLE ALEATORIA CONTINUA

CONDICIONES PARA QUE f SEA CONSIDERADA

COMO UNA FUNCIÓN DE DENSIDAD DECIERTA
VARIABLE ALEATORIA
1 : f ( x)  0
b
2 : P[ a  X  b ]   f ( x ) dx
a

3:  f ( x ) dx  1


[a  X  b]  {u  U / a  X (u )  b}
 VARIABLE ALEATORIA CONTINUA

x
 si 1  x  3
Sea la función definida por: f ( x)   4
0 otro caso

Se verifica que es una función de densidad de

cierta variable aleatoria.
 VARIABLE ALEATORIA CONTINUA

Función de distribución de la variable aleatoria X.

x
F ( x)  P[ X  x]  

f ( x)dx

0 si x  1
Para el  2
ejemplo se  x 1
F ( x)   si 1  x  3
tiene:  8
1 si 3  x
 VARIABLE ALEATORIA CONTINUA

Esperanza Matemática: 

E(X)=µ media E( X )   x  f ( x)dx |

poblacional 

Varianza:V(X)=σ2 V ( X )  E ( X  E ( X )) 2
varianza poblacional  E ( X 2 )  ( E ( X )) 2

 2   x 2 f ( x)dx   2


3
x 13
   x dx   2.167
1
4 6
En el ejemplo: 3 2
2 x  13  11
   x dx    5      0.3056
2 2

1
4  6  36
 Fenómeno de Bernoulli (v.a. Bernoulli)
En un experimento sólo tenemos Éxito valor 1, Fracaso
valor 0, con posibilidad “p” y “q=1-p”.
1 x
f ( x)  p (1  p)
x
x  0 ,1   p ,  2  pq
BINOMIAL B(n,p)
Repetimos n veces un experimento de Benoulli y
contamos el número de éxitos x.

n x
f ( x)    p (1  p) n  x x  0, 1, 2, ..., n
 x
  np ,  2
 npq
 “k” es el número más probable de apariciones
en una Binomial si tenemos :

np  q  k  np  p
La probabilidad de que una pieza sea estandar es 0.75,
de 10 piezas ¿cuál es el número más probable de piezas
consideradas estandares? (Rpta: 8)

La probabilidad de que una pieza sea buena es 0.7.

Hallar el número de piezas a verificar donde el número
más probable de piezas buenas sea 20. (Rpta 28≤n≤29)

Si en 39 piezas el número más probable de piezas buenas

es 25, en qué rango se encuentra p? (Rpta. 0.625<p≤0.65)
 POISSON P(λ)

En el modelo Binomial si “n” crece y “p” decrece pero

λ=np permanece constante, en el límite la distribución
anterior resulta la distribución llamada Poisson.


e
x
   ,  2
 
f ( x)  x  0, 1, 2, ...
x!

En un flujo elemental de sucesos llamamos

intensidad del flujo al valor λ, luego la
probabilidad de que ocurran k sucesos de un
flujo elemental en el tiempo t se calcula
mediante un P(λt)
Probabilidad de que  t
( t ) e
k
ocurra k sucesos en el Pt [ X  k ] 
intervalo de tiempo t k!

El promedio de llamadas a la central del servicio

de taxi “el veloz” es de 3 llamadas cada 2
minutos, determinar la probabilidad de que en 5
minutos hayan 7 llamadas.
Identificando λ=3 llamadas cada 2 minutos (2 es
la unidad de tiempo) luego el intervalo t respecto
la unidad de tiempo es t=5/2, k=7 y reemplazando
tenemos ~ 0.1465
 Observación sobre flujo de suceso

Llamamos flujo de suceso a la sucesión de eventos

que ocurren en instantes aleatorios de tiempo.
Diremos que un flujo de sucesos es simple o
elemental (de Poisson) cuando cumple las tres
propiedades siguientes:

1. Estacionario: La probabilidad que ocurra K

sucesos en cada intervalo de tiempo depende
solamente de K y la duración t del intervalo de
tiempo y no depende del comienzo de su cuenta.
 2. Ausencia de efecto posterior: La
probabilidad de que ocurran k sucesos en
cualquier intervalo de tiempo no depende de que
hayan ocurrido o no los sucesos en los
instantes de tiempo que preceden al comnienzo
del intervalo considerado.

3. Ordinario: La aparición de dos o más sucesos

en un intervalo de tiempo pequeño
prácticamente es imposible.
 HIPERGEOMÉTRICA

 m  n  mr
    donde N  m  n
 x  r  x  N
f ( x)  , x  0, 1, 2, ..., r
 m  n  N  r   m  m 
   
2
(r ) 1  
 r   N  1   N  N 

Se tiene un cofre que contiene 10 billetes de $50 y 6

billetes de $100, se extraen simultáneamente 3 billetes,
hallar la probabilidad de tener un total de $200.
Identificamos m=10, n=6, r=3, x=2 (Rpta. 9/56)
 GEOMÉTRICA

Se repite ensayos de Bernoulli hasta que salga

por 1ra vez un éxito en el ensayo x.

x 1 1 1  2
f ( x)  pq , x  1, 2, 3, ...  , 2  2
p
p p q

Se finaliza cierto juego cuando al lanzar un dado

tenemos por 1ra vez el 1 ó el 6, hallar la
probabilidad de finalizar en 3 lanzamientos.
p=1/3 ,q=2/3, x=3 luego la respuesta es 4/27
 Normal estandar N(0,1)
x2

2
e
f ( x)  x
2
N(0,1)
0.399 0.4

f ( x)
0.2

 4
1.338  10
0
4 2 0 2 4
4 x 4
Aproximación de la Binomial B(n,p) mediante una
Normal N(u,σ²)

Si np≥5 y n(1-p)≥5 la distribución normal

proporciona una aproximación a las probabilidades
binomiales haciendo u=np σ2=np(1-p).
Se debe tomar en cuenta el factor de corrección,
considerando en los eventos [a , b] extremos
enteros en la binomial por [a-0.5 , b+0.5] en la
normal.

Ejemplo: en B(100,0.1) calcular P[3 ≤B≤ 12] se

puede aproximar por P[2.5≤X≤12.5] teniendo X una
N(10,9)
 UNIFORME

ab
 1 
 si a  x  b 2
f ( x)   b  a
0 (b  a ) 2
otro caso  
2

12

1
ba

a b
 
Función
( )   x  1  x
e dx  0
Gamma 
0

V.A. GAMMA Γ(α,β)

1   
f ( x)   x 1e x /  , x  0
 ( )  2   2

EXPONENCIAL Γ(1,β)

1 x /  
f ( x)  e ,x0
 2  2
 Gamma - Exponencial

Gamma y Exponencial
0.5 0.6

0.4
f(x)

g(x)

0.2

0
0
0 2 4 6 8 10
0 x 10
Observación:
La variable aleatoria continua X que mide el
tiempo entre la aparición de dos eventos
sucesivos de un flujo elemental de
intensidad λ tiene distribución exponencial

 x
F(x) 1 e , x 0
1


 Función de Fiabilidad
Se denomina elemento un dispositivo cualquiera
independiente de que sea simple o complejo. Supongamos
que el elemento comienza a trabajar en el instante t0, y en
el instante t ocurre el fallo. Designemos por T la magnitud
aleatoria continua que mide la duración del tiempo de
trabajo sin fallo del elemento y por λ la intensidad de fallos
(promedio de fallos por unidad de tiempo).
Llamamos función de Fiabilidad R(t), aquella que
determina la probabilidad de trabajo sin fallo del elemento
en el tiempo t, y se define por:

 t
R (t )  e
 CHI CUADRADO

Caso especial de la distribución Gamma con α=n/2

siendo n un entero (grados de libertad), β=2

1 n/ 2 x / 2
n
f ( x)  x e x0
 ( n / 2) 2 n/2
  2n
2

CHI CUADRADO
0.184 0.2

0.15

f(x)
0.1

0.05

0
0
0 5 10 15
0 x 15
 T de STUDENT Tn
 n 1
  2  ( n 1) / 2
f ( x)   2  1  x  x 
n (n / 2)  n 

T(2)
0.25 0.3

0.2

f ( x)

0.1

3
9.259  10
0
4 2 0 2 4
4 x 4
 BETA B(a,b)
a
a1 
(a  b) x b 1
f (x)   ab
, 0 x ( a  b  1) a
(a)(b) (1 x)  
2

(b  1) 2 (b  2)

(m/n)B(n/2,m/2) F(n,m) FISHER

n/ 2 (n2) / 2
((m  n) / 2)  n  x
f (x)    (mn) / 2
, 0 x
(n / 2)(m / 2)  m   nx 
1 
 m