Universidad Metropolitana

Departamento de Matemáticas

VARIABLES ALEATORIAS
En numerosas ocasiones el análisis estadístico de los datos se lleva a cabo para proponer un
modelo que permita estudiar la población de una forma simple e inclusive capaz de efectuar
predicciones sobre el comportamiento de la misma.

Los resultados de un experimento aleatorio pueden ser de naturaleza numérica como las
notas de un examen, o no numérica como el sexo de los estudiantes. Para analizar los
resultados de un experimento, usualmente se asocia un número con cada resultado del
espacio muestral. Es así como se llega a la definición de variable aleatoria.

Una variable aleatoria X es una función que asigna un número real a cada resultado en el
espacio muestral S de un experimento aleatorio.

Espacio muestral
S

Resultados Variable aleatoria

posibles X Subconjunto
de un de los
experimento números
aleatorio reales

Ejemplo
Considere el experimento aleatorio en el cual se lanza una moneda 3 veces, anotándose en
cada ocasión el resultado obtenido como c ó s. Por lo tanto el espacio muestral que resulta
es S = { ccc, ccs, csc, css, scc, scs, ssc, sss }.
Defina la variable aleatoria X como el número (#) de caras observadas al lanzar la moneda
3 veces. Observe que bajo esta definición se tiene X(ccc) = 3, X(scs) = 1, etc.
En cambio si define Y como el número de caras observadas en el segundo lanzamiento se
tiene Y(ccc) = 1, Y(scs) = 1, Y(csc) = 0, etc.

Observe que la incertidumbre de las variables aleatorias radica en la incertidumbre respecto

al resultado del experimento aleatorio. Sin embargo una vez que se ha observado el
resultado del mismo, y siempre que la variable aleatoria esté definida claramente, no queda
duda acerca del valor que esta adoptará.

El conjunto de los posibles valores de la variable aleatoria X se denomina rango. Según su

rango la variable aleatoria puede ser discreta o continua. Diremos que se trata de una
variable aleatoria discreta si su rango es finito o es infinito contable y que se trata de una
variable aleatoria continua si su rango es un intervalo (ya sea acotado o no) de números
reales.

Nota de teoría de conjuntos: un conjunto C es contable (ó numerable) si existe una relación

biyectiva entre los elementos de C y algún subconjunto de los enteros (Z = ( ..., -3, -2, -1, 0,
1, 2, 3, ...)).

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

La distribución de probabilidad de X es la descripción rango de X, junto con la

probabilidad asociada con cada uno de los valores del rango, ó con un subconjunto del
rango. La distribución de probabilidad de una variable aleatoria es a menudo el resumen
más útil de un experimento aleatorio.

Usualmente las variables aleatorias se denotan por letras mayúsculas T, W, X, Y o Z, si

bien letras como t (minúscula), Z y  (chi-cuadrado), entre otras, se reservan como
nombres propios de ciertas variables especiales. Los números reales alcanzados por las
variables aleatorias se denotan por sus respectivas letras minúsculas.

CASO DISCRETO
Distribución de probabilidades para variables aleatorias discretas.

Si X es una variable aleatoria discreta, la expresión “ X = x ” es una forma resumida para

denotar el evento consistente del conjunto de todos los resultados básicos para los cuales la
variable X ha asignado el valor x. En el ejemplo anterior la expresión “ X = 2 ” representa
al evento A = {ccs, csc, scc}.

La probabilidad de que una variable aleatoria X tome un valor particular x de su rango se

denota como P( X  x) . En el ejemplo anterior, P(A) se puede representar como P(X = 2).

Sea X una variable aleatoria discreta. La función de probabilidades de X se define como:

p( x)  P( X  x)

Propiedades
 0  p( x) para cualquier valor x.
  p( x)  1
x
(la suma se refiere sobre todos los valores del rango de X)

Nota: observar que ambas condiciones implican que 0  p( x)  1 para todo x.

La función de probabilidad acumulada de X se denota por F (x) y es la probabilidad de que

X sea menor o igual que el número x:
F ( x)  P( X  x)   p ( y )
yx

Propiedades
1. 0  F ( x)  1 para cualquier valor x.
2. F (x) es una función no decreciente.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

Ejemplo
Considere nuevamente el experimento aleatorio en el cual se lanza una moneda 3 veces,
anotándose en cada ocasión el resultado obtenido como c ó s. Ya sabemos que S = { ccc,
ccs, csc, css, scc, scs, ssc, sss }. Sea como antes X = # de caras observadas al lanzar la
moneda 3 veces. Utilizando las técnicas de conteo estudiadas se puede determinar que para
una moneda justa (igual probabilidad para c y para s) los resultados posibles y sus
probabilidades se resumen en:
x 0 1 2 3
p(x) 18 38 38 18

La distribución anterior es una distribución de probabilidades para la variable aleatoria X,

ya que en efecto 0  p( x)  1 para todo x (x = 0, 1, 2 y 3) y además  px   1 . Para
x
determinar la función de distribución acumulada observe que:
P(X  0) = P(X = 0) = 1 8
P(X  1) = P(X = 0) + P(X = 1) = 1 8 + 3 8 = 1 2
P(X  2) = P(X = 0) + P(X = 1) + P(X = 2) = 1 8 + 3 8 + 3 8 =78
P(X  3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 1 8 + 38 + 38 +18 =1
Se tiene entonces
x 0 1 2 3
F(x) 18 12 78 1

Momentos de variables aleatorias discretas

La extensión natural de las medidas de centralización y dispersión que se estudian en la

estadística descriptiva viene dada a través de la esperanza y la varianza de la variable
aleatoria. En otros contextos estas medidas se conocen como los momentos de la variable
aleatoria, existiendo en general definiciones para los momentos de orden k.

Esperanza
La esperanza o valor esperado de una variable aleatoria X se define como:
E ( X )   xp ( x)  xP ( X  x)
x x

La notación para representar E (X ) es  X y se le llama también media de X.

Ejemplo
Considere la variable aleatoria X con función de distribución de probabilidades:
x 0 1 2 3
p(x) 18 38 38 18
La esperanza de esta variable aleatoria se calcula como

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

EX  =  xpx  = 0 p0  1p1  2p2  3p3 = 0  8  1 8  2  8  3  8  8

1 3 3 1 12 3

x 2

El valor esperado de una función g(X) es

E ( g ( X ))   g ( x) p( x)  g ( x) P( X  x)
x x

Nota: observe que para calcular la esperanza de X se usa la función g(x) = x (es decir, g es
la función identidad).

Varianza
A veces, el interés es determinar la variabilidad de los valores de la variable aleatoria. La
varianza de X es una medida de dispersión denotada por V(X), cuyo cálculo viene dado por
la expresión:
 
V ( X )  E  X  E ( X )   x  E  X  p( x)
2 2

Otra notación comúnmente utilizada es  2 (se lee sigma cuadrado). Considerando que la
esperanza de la variable aleatoria no es otra que la media de la población, es fácil deducir
una expresión mas fácil para calcular la varianza:
 
V ( X )  E X 2  E  X    x 2 p( x)  X2
2

x
Ejemplo:
Para la variable X de los ejemplos anteriores tenemos
 
E X 2 = 02 p0  12 p1  22 p2  32 p3 = 0   1   4   9  
1
8
3
8
3
8
1 24
8 8
3

 3  12  9 3
2

Entonces, V  X  = 3     
2 4 4

Nota: vista como la esperanza de una función de una variable aleatoria, la varianza no es
otra que la esperanza de g(x) = x - X

La desviación estándar, también conocida como desviación típica de X es , es decir, la

raíz cuadrada de la varianza

Propiedades básicas de la esperanza y la varianza

Para variables aleatorias X y Y y constantes reales a, b y c se verifican las siguientes
propiedades:

Esperanza
1. E(X + Y) = E(X) + E(Y)
2. E(aX) = aE(X)
3. E(a) = a
Por lo tanto de 1, 2 y 3 se tiene que E(aX + bY + c) = aE(X) + bE(Y) + c, es decir, la
esperanza es lineal con respecto a las variables aleatorias.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

Varianza
1. V(aX) = a2V(X)
2. V(a) = 0

Por lo tanto de 1 y 2 se tiene que V(aX + b) = a2V(X). Como consecuencia se tiene que
para la desviación estándar la relación es V (aX )  a V ( X ) .

Otra propiedad de la varianza de la suma de variables aleatorias sólo puede ser

estudiada posteriormente a la sección siguiente.

Distribución Conjunta de Dos Variables Aleatorias Discretas

Sean X y Y dos variables aleatorias discretas. La función de probabilidad conjunta de X y

Y se define como
p( x, y)  P( X  x,Y  y)  P( X  x y Y  y)
Es decir, la probabilidad de que X adopte el valor x y Y adopte el valor y.

Propiedades:
 0  p( x, y) para cualquier par de valores x,y.
  p( x, y)   p( x, y)  1
x y y x

La función de probabilidad marginal se define, respectivamente para X y para Y, como

p( x)   p( x, y ) (es decir, la sumatoria sobre todos los valores de y)
y

p( y)   p( x, y )
x

La función de probabilidad condicional de X dado Y se define como

P( X  x, Y  y) p( x, y)
p ( x | y )  P( X  x | Y  y )   siempre que p( y)  0
P(Y  y ) p( y )
Similarmente la función de probabilidad condicional de Y dado X se define
p ( x, y )
p ( y | x)  siempre que p( x)  0
p ( x)

Un concepto de vital importancia en el análisis de datos es el de independencia estadística.

Las variables aleatorias X y Y son independientes si y sólo si
p( x, y)  p( x) p( y) para todo par de puntos (x,y)

Es decir que, si las variables son independientes entonces

p ( x | y )  p ( x) y p ( y | x)  p ( y )

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

La función de probabilidad conjunta acumulada se define como

F(x,y) = P(X  x , Y  y) =  p(u, v)
u  x v y

La esperanza o valor esperado de una función g(X,Y) se define como

E ( g ( X , Y ))   g ( x, y) p( x, y)
x y

La covarianza describe y mide la relación lineal entre dos variables aleatorias, se define
como
Cov(X,Y) = E(X - X)(Y - Y) =E(XY) - XY

Si las variables son independientes entonces su covarianza es 0.

Si la covarianza es 0 entonces no hay relación lineal entre las variables, pero no se puede
garantizar que sean independientes.

Propiedad de la varianza para suma de variables aleatorias

Para variables aleatorias X y Y se verifica la siguiente propiedad:
Var(X + Y) = Var(X) + Var(Y) – 2Cov(X,Y)
En particular si las variables X y Y son independientes entonces
Var(X + Y) = Var(X) + Var(Y)

Distribuciones Discretas Notables

Algunos de los modelos que más aparecen en la resolución de problemas cotidianos son los
relacionados a variables aleatorias Bernoulli, Binomial, Poisson, Geométrica,
Hipergeométrica y Binomial Negativa.

 Distribución Bernoulli

Una variable aleatoria X tiene distribución Bernoulli si su función de probabilidad es:

p(1)  p
p(0)  1  p  q
p es una valor entre 0 y 1 y se conoce como la probabilidad de éxito, en tanto que q es la
probabilidad de fracaso. Se dice que X ~ Bernoulli(p)
E(X) = p
V(X) = p(1-p)

Un ensayo Bernoulli es un experimento aleatorio que sólo admite dos posibles resultados,
denominados éxito y fracaso. El éxito se asocia al número 1, el fracaso se asocia al número
0, y la probabilidad de éxito se denota p.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

 Distribución Binomial

Una v.a. X tiene distribución binomial con parámetros n y p si su función de probabilidad

es
n
p( x)    p x (1  p) n  x para x = 0, 1, ..., n
 x
En este caso, n es un entero positivo, y p se conoce como “probabilidad de éxito” y es un
valor entre 0 y 1. Se dice que X ~ Bin(n,p).
E(X) = np
V(X) = np(1-p) = npq

Un experimento binomial es un proceso en el cual se verifican las siguientes condiciones:

 el experimento aleatorio se repite n veces en idénticas condiciones
 hay sólo dos posibles resultados en cada repetición del experimento, llamados
arbitrariamente éxito y fracaso
 la probabilidad de éxito, denotada p, es la misma para cada repetición (permanece
constante entre repeticiones)
 las n repeticiones del experimento aleatorio son independientes entre sí

En la práctica, en un experimento binomial se quiere determinar la probabilidad de observar

x éxitos en n intentos. El orden de ocurrencia de los éxitos es irrelevante; así, para contar de
cuántas formas pueden observarse x éxitos en n repeticiones empleamos las combinaciones
n
  . Por otro lado, como las n repeticiones del experimento son independientes entre sí, la
x
probabilidad de cualquiera de las combinaciones con x éxitos y n-x fracasos es px qn  x .
n n
n
Observe que 0    p x qn  x  1 y    p x qn  x  1.
x x  0 x

Nota: la suma de n variables Bernoulli(p) da como resultado una variable aleatoria

Binomial(n,p).

Distribución binomial en Excel

Para calcular las probabilidades de una variable aleatoria Binomial(n, p) se puede usar:
DISTR.BINOM.(Núm_éxito; Ensayos; Prob_éxito; Acumulado)
Coloque el valor de p en Prob_éxito, escriba verdadero o falso en Acumulado a fin de
obtener F(x) ó p(x) respectivamente, coloque el valor de x en Núm_éxito, y coloque n en
Ensayos.

 Distribución Poisson

Una v.a. X tiene distribución Poisson con parámetro  (lambda) si su función de

probabilidad es

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

e  x
p( x) 
x = 0, 1, 2, 3, ...
x!
donde  es un número positivo. Se dice que X ~ Poisson().
E(X) = 
V(X) = 

Observe que una variable aleatoria Poisson es un ejemplo de variable con rango infinito
contable.

La variable aleatoria Poisson se utiliza para modelar experimentos donde el aspecto de

interés es el número de veces que ocurre cierto evento A en un intervalo determinado de
tiempo o espacio.

 es el número promedio de resultados por unidad de tiempo o región. La unidad de tiempo

puede ser de cualquier longitud: un minuto, un día, una semana, etc.

 Distribución Geométrica

Una v.a. X tiene distribución geométrica con parámetro p si su función de probabilidad es

p( x)  p(1  p) x 1 para x = 1, 2, 3, ...
En este caso, x es un entero positivo, y p se conoce como probabilidad de éxito y es un
valor entre 0 y 1.
1
E(X) =
p
V(X) =
1  p 
p2
La variable aleatoria geométrica se utiliza para modelar experimentos donde el aspecto de
interés es el intento en el que ocurrió el primer éxito.

 Distribución Binomial Negativa

Una v.a. X tiene distribución binomial negativa con parámetros r y p si su función de

probabilidad es
 x  1 r
p( x)    p (1  p) x  r para x = r , r+1, r+2, ...
 r  1
En este caso, r es un entero positivo, x es un entero positivo mayor o igual a r, y p se
conoce como “probabilidad de éxito” y es un valor entre 0 y 1.
r
E(X) =
p
r 1  p 
V(X) =
p2
La variable aleatoria binomial negativa se utiliza para modelar experimentos donde el
aspecto de interés es el intento en el que ocurrió el r-ésimo éxito.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

 Distribución Hipergeométrica

Una v.a. X tiene distribución hipergeométrica con parámetros A y B si su función de

probabilidad es
 A  B 
  
 x  k  x 
p ( x)  siempre que 0  x  A y 0k–xB
 A  B
 
 k 
donde A, B y k son enteros no negativos y k  A + B

Para recordarla asóciela como el modelo para el cálculo de probabilidades del Kino.

CASO CONTINUO
Recordemos que una variable aleatoria X es una función que asigna un número real a cada
resultado en el espacio muestral S de un experimento aleatorio. El conjunto de los posibles
valores de la variable aleatoria X se denomina rango. Diremos que la variable aleatoria es
continua si su rango es un intervalo (ya sea acotado o no) de números reales.

Distribución de probabilidades para variables aleatorias continuas.

Sea X una variable aleatoria continua. La función de densidad de X se denota como f (x) .

Propiedades
 0  f ( x) para cualquier valor x.

  f ( x)dx  1


El cálculo de la probabilidad de que la variable aleatoria X adopte un valor entre los valores
a y b se reduce a calcular:
b
P( a  X  b ) =  f x  d x
a
Para una variable aleatoria continua cualquiera X se tiene que
P( a  X  b ) = P( a < X  b ) = P( a  X < b ) = P( a < X < b )

La función de probabilidad acumulada de X se denota por F (x) y es la probabilidad de que

X adopte un valor menor o igual que el número x:
x
F ( x)  P( X  x)   f (t )dt


B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

Propiedades
 0  F ( x)  1 para cualquier valor x.
 F (x) es una función no decreciente.

x
Fx   f t  d t  f x 
d d
d x 
Observación:
dx

Ejemplo
k x 0  x  20
Sea f x   
 0 otros valores
a. Determine el valor de k que hace de f(x) una función densidad de probabilidad

Como cualquier función de densidad debe satisfacer que  f x d x 1 , el valor k es tal

0 20 
k x 2 20


0d x   k x d x  0d x 
0 20 2 0
 200k  1 , lo cual implica que

1
k .
200

b. Determine la función distribución acumulada F(x)

Dado que la función densidad es una función a trozos, para determinar la función
densidad de probabilidad es necesario considerar los intervalos donde f(x) está definida,
lo que da como resultado:
 x

  0dt  0 x0
 
 x
t dt x2
F(x) = 0    0  x  20
 0 200 400
 x



1   0dt 1
20
x  20

F x  = f(x)
d
El lector debe verificar que
dx

Ejemplo
 0 x2
1 1
 x  2  x 1
4 2
Sea F(x) =  1 1 3
2 x  4 1 x 
2
 3
 1 x
 2

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

la función distribución acumulada para la variable aleatoria X.

a. Determine la función densidad de probabilidad

1  2  x 1
 4
Fx   f x  se tiene f(x) =  1
d
dado que 1 x  3
dx 2 2
 0 otros valores


 1 1
b. Determine P X  X  
 2 4

Aplicando la definición de probabilidad condicional se tiene que

 1  1   1  1
P  X     X    P X   1  P X  
 1  2  4 
P X  X   =  = 
1 2  2
=
 2 4  1  1  1
P X   P X   1  P X  
 4  4  4

1 1 1 3
1  F  1   
=   =
2  8 2  = 8 = 6
1  1 1 7 7
1  F  1    
4  16 2  16

Momentos de variables aleatorias continuas

El valor esperado y la varianza de una variable aleatoria continua se definen de manera

similar al caso de la variable aleatoria discreta; en las definiciones dadas para variable
discreta se reemplaza la sumatoria por la integral.

La esperanza o valor esperado de X se define como


E( X )   xf ( x)dx


La notación para representar E (X ) es  X y se le llama también media de X

El valor esperado de una función g(X) es


E ( g ( X ))   g ( x) f ( x)dx


Nota: para calcular la esperanza de X se usa la función g(x) = x (es decir, g = la función
identidad).

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

La varianza de X es V(X)

   x  EX 
 
  E  X  E ( X ) 
2 2 2
   E X    x
f ( x)dx  E X 2 2 2
f ( x)dx   X2
 

Nota: en el caso de la varianza g(x) = g ( x)  x   X 

2

La desviación típica de X es , es decir, la raíz cuadrada de la varianza.

Propiedades básicas de la esperanza y la varianza

Para variables aleatorias X y Y y constantes reales a, b y c se verifican las siguientes
propiedades:

Esperanza
1. E(X + Y) = E(X) + E(Y)
2. E(aX) = aE(X)
3. E(a) = a
Por lo tanto de 1, 2 y 3 se tiene que E(aX + bY + c) = aE(X) + bE(Y) + c, es decir, la
esperanza es lineal con respecto a las variables aleatorias.

Varianza
1. V(aX) = a2V(X)
2. V(a) = 0

Por lo tanto de 1 y 2 se tiene que V(aX + b) = a2V(X). Como consecuencia se tiene que
para la desviación estándar la relación es V (aX )  a V ( X ) .

Otra propiedad de la varianza de la suma de variables aleatorias sólo puede ser estudiada
posteriormente a la sección siguiente.

Distribución Conjunta de Dos Variables Aleatorias Continuas

Sean X y Y dos variables aleatorias continuas.

La función de densidad conjunta de X y Y se denota por f ( x, y)

Propiedades:
 0  f ( x, y) para cualquier par de valores x,y.
 
   f ( x, y)dxdy  1
 

La función de densidad marginal es, respectivamente para X y para Y,

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas


f ( x)   f ( x, y)dy

(es decir, la integral sobre todos los valores de Y)

f ( y)   f ( x, y)dx


La función de densidad condicional de X dado Y se define como

f ( x, y )
f ( x | y)  siempre que f ( y)  0
f ( y)
Similarmente la función de probabilidad condicional de Y dado X
f ( x, y )
f ( y | x)  siempre que f ( x)  0
f ( x)

Las variables aleatorias X y Y son independientes si y sólo si

f ( x, y)  f ( x) f ( y) para todo par de puntos (x,y)
Es decir que, si las variables son independientes entonces
f ( x | y )  f ( x) y f ( y | x)  f ( y )

La función de probabilidad acumulativa conjunta es

F(x,y) = P(X  x , Y  y)

Es decir que
y x
F ( x, y )    f (u, v)dudv
 

La esperanza o valor esperado de una función g(X,Y) es

 
E ( g ( X , Y ))    g ( x, y) f ( x, y)dxdy
 

La covarianza describe y mide la relación lineal entre dos variables aleatorias, se define
como:
Cov(X,Y) = E(X - X)(Y - Y) =E(XY) - XY

Si las variables son independientes entonces su covarianza es 0.

Si la covarianza es 0 entonces no hay relación lineal entre las variables, pero no se puede
garantizar que sean independientes.

Propiedad de la varianza para suma de variables aleatorias

Para variables aleatorias X y Y se verifica la siguiente propiedad:
Var(X + Y) = Var(X) + Var(Y) – 2Cov(X,Y)
En particular si las variables X y Y son independientes entonces
Var(X + Y) = Var(X) + Var(Y)

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

Distribuciones Continuas Notables

Algunos de los modelos que más aparecen en la resolución de problemas cotidianos son los
relacionados a variables aleatorias Uniforme, Normal, Exponencial, Chi cuadrado, t de
Student, F de Fisher.

 Distribución uniforme

La distribución uniforme de una v.a. X con parámetros a y b es la distribución de

probabilidad representada por la función de densidad:
 1
 a xb
f ( x)   b  a
 0 otro punto
Decimos entonces que “X se distribuye uniforme a b” y lo denotamos X ~ U (a, b) .

 Distribución normal

La distribución normal de una v.a. X con parámetros  y  es la distribución de

probabilidad representada por la función de densidad:
1  x 
2

1   
f ( x)  e 2  
2 
Decimos entonces que “X se distribuye normal miu sigma cuadrado” y lo denotamos
X ~ N (  , 2 ) .

Sin lugar a dudas, la distribución más utilizada para modelar experimentos aleatorios es la
distribución normal, también conocida como distribución Gaussiana.

      y   0 . El valor  determina el centro de la función mientras que 

determina la dispersión.. La apariencia gráfica de la distribución normal es una curva
simétrica, con respecto al valor , con forma de campana, que se extiende sin límite tanto
en la dirección positiva como en la negativa como se muestra en la figura dada a
continuación:


De la simetría de la función se concluye que P X     P X    
1
.
2

Como la distribución normal desempeña un papel básico en la estadística y su densidad de

probabilidad no puede integrarse de forma directa, se ha tabulado para el caso especial  =

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

0 y  = 1. La distribución normal con estos valores para  y  se conoce como

distribución normal estándar.

Para una distribución normal con valores  y  cualesquiera empleamos la siguiente

X μ
relación Z  , que transforma X en una variable aleatoria Z con distribución normal
σ
estándar; de modo que para determinar las probabilidades asociadas a una variable aleatoria
X cuya distribución es normal con parámetros  y  basta con tener la tabla para la
distribución normal estándar ( = 0 y  = 1). Esta transformación de la variable se
denomina estandarización.

Algunas veces, la distribución normal se presenta como una distribución continua que
ofrece una muy buena aproximación a la distribución binomial cuando n, el número de
intentos, es lo suficientemente grande y la probabilidad de lograr un éxito está cercana a
1 .
2

A continuación se muestra una sección de una tabla de la distribución normal estándar:

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5039 0.5079 0.5119 0.5159 0.5199 0.5239 0.5279 0.5318 0.5358
0.1 0.5398
0.2 0.5792
0.3 0.6179
0.4 0.6554
0.5 0.6914
0.6 0.7257 ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
0.7 0.7580 ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
... ...
1.0 0.8413
... ...
2.0 0.9772

Esta tabla proporciona los valores de área acumulada bajo la curva normal a la derecha de
la media. Hay tablas que proporcionan los valores de área acumulada bajo la curva normal
a la izquierda de la media, otras proporcionan los valores de área acumulada de cola
derecha, otras los de cola izquierda y otras proporcionan tanto los valores de área de cola
izquierda como de cola derecha.

La primera columna de esta tabla proporciona el valor z con un decimal; el segundo

decimal se ubica en el renglón superior. Así, el área acumulada bajo la curva hasta el valor
z = 0,7 (P(Z < 0,7)) es el valor que se encuentra en la intersección del renglón 9 y la
columna 2, que es 0,7580

Las probabilidades que no tengan la forma P(Z < z) se obtienen mediante el empleo de las
reglas básicas de probabilidad y de la simetría de la distribución normal, junto con la tabla.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

 Distribución exponencial

La distribución exponencial de una v.a. X con parámetro  es la distribución de

probabilidad representada por la función de densidad:
 1  x
 e para x  0
f ( x )  
 0
 para otro valor
Decimos entonces que “X se distribuye exponencial alfa” y lo denotamos X ~ exp( ) .
E(X) = 
V(X) =  2

PROBLEMAS
1. Construya una tabla de distribución de probabilidad basándose en la distribución de
frecuencia que se da a continuación:
Resultado 102 105 108 111 117
Frecuencia 10 20 45 15 20
a. Dibuje una gráfica de distribución hipotética de probabilidad.
b. Calcule el valor esperado del resultado.

2. ¿Cuáles de los siguientes enunciados referentes a las distribuciones de probabilidad son

correctos?
a. Una distribución de probabilidad suministra información acerca de la frecuencia a
largo plazo o esperada de los resultados de un experimento.
b. La gráfica de una distribución de probabilidad tiene marcados sobre el eje horizontal
los resultados posibles de un experimento.
c. Una distribución de probabilidad contiene todas las probabilidades de que cada
resultado sea aleatorio.
d. Una distribución de probabilidad siempre se construye con un conjunto de
frecuencias observadas como una distribución de frecuencia.
e. Una distribución de probabilidad puede basarse en estimaciones subjetivas de la
probabilidad de ciertos resultados.

3. Una distribuidora automotriz ofrece varias opciones en sus automóviles de lujo. Debido
a los plazos de espera, se almacenan las unidades con diversas opciones:
 Motor V-8 Cubierta solar eléctrica Faroles delantero de halógeno
 Interior de piel Cierre automático de puertas Equipo de estéreo
 Faroles delanteros de halógeno Motor V-8 Interior de piel
 Equipo de estéreo Motor V-8 Cierre automático de puertas
La distribuidora piensa que las combinaciones 2, 3 y 4 tienen iguales probabilidades de
ser ordenadas, pero que la combinación 1 tiene el doble de posibilidades que éstas.
a. ¿Cuál es la probabilidad de que un cliente que ordena un automóvil de lujo pida una
unidad con un motor V-8?

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

b. Suponga que dos clientes ordenan automóviles de lujo. Construya una tabla que
muestre la distribución de probabilidad del número de motores V-8 pedidos.

4. Construya una tabla y una gráfica de la distribución de probabilidad que presente los
resultados en términos de los números totales de puntos que aparecen al lanzar dos
dados.

5. Una empresa de entrega de correspondencia analiza el número de paquetes de primera

clase extraviadas. Los paquetes extraviados durante el último año se clasificaron según
el vehículo que lo transportó. Se investigará a la división que tenga el mayor número
esperado de cartas extraviadas por mes. Indique que división debe ser investigada.
mes e f m a m j J a s o n d
Camión 5 4 1 0 4 2 7 6 3 1 2 0
Avión 6 7 2 1 0 0 0 4 5 4 1 2

6. Determine si las siguientes funciones representan distribuciones de probabilidad.

Considere que la supuesta variable aleatoria sólo puede adoptar los valores 1, 2, 3 y 4:
a. p(1) = 0.15, p(2) = 0.28, p(3) = 0.29 y p(4) = 0.28
b. p(1) = 0.00, p(2) = 0.15, p(3) = 0.90 y p(4) = -0.05
c. F(1) = 0.33, F(2) = 0.70, F(3) = 0.67 y F(4) = 1
d. F(1) = 0.30, F(2) = 0.70, F(3) = 1 y F(4) = 1
e. Para los casos en que se trate de una distribución, use Excel para graficar la función
de densidad de probabilidades y la función de distribución acumulativa.

7. Compruebe si las siguientes funciones pueden definir distribuciones de probabilidad y

explique sus respuestas:
a. p( x)  x 15 para x = 0, 1, ..., 5
5  x2
b. p( x)  para x = 0, 1, 2, 3
6

k
8. Concediendo que p(x)  es una función de distribución de probabilidad para una
2x
variable aleatoria que puede adoptar los valores x = 0, 1, 2, 3, 4,
a. Determine el valor de k.
b. Determine F(x) para la variable aleatoria.
c. Calcule la probabilidad de que X sea no mayor a 2.

9. Uso importante de probabilidades para la toma de decisiones: Un fabricante de aparatos

de fax sostiene que a lo sumo 10% de sus aparatos requieren reparación dentro del
periodo de garantía de 12 meses. Si 5 de 20 de sus aparatos requirieron de reparación en
el primer año, ¿esto apoya o refuta la afirmación del fabricante? Sugerencia: proponga
una variable aleatoria adecuada para modelar la situación y calcule la probabilidad de
observar cierto número de aparatos en reparación.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

10. Halle la esperanza y la varianza de las variables aleatorias definidas en los problemas 1,
2, 3, 8, 9, 10.

X
11. Halle la esperanza y la varianza de g(X )   4 , para cada variable aleatoria X que
2
definió en los problemas 1, 3, 8, 9.

12. Siendo X la variable aleatoria del problema 3, Y la variable aleatoria del problema 6 y
Z la variable aleatoria del problema 9, halle la esperanza de 2X-3Y-Z.

13. Un estudio demuestra que una empresa de computadoras responde alrededor del 70%
de las consultas que se le hacen en un término de 6 días. Determine las probabilidades
de que las empresa responda 0, 1, ..., ó 10 de 10 consultas en 6 días y dibuje en Excel
un diagrama de puntos que represente esta distribución de probabilidad.

14. El reporte anual es una de los documentos más importantes de una empresa y su
producción representa un gasto considerable. Sin embargo un estudio revela que 40%
de los accionistas dedican 5 minutos o menos a la lectura del reporte anual de su
compañía. Suponga que se eligen al azar 100 accionistas de empresas.
a. Encuentre el número esperado de accionistas que dedican 5 o más minutos a la
lectura del reporte anual de su compañía.
b. Determine la desviación estándar de la variable aleatoria.
c. Si se observa que 25 de los 100 accionistas seleccionados dedican no más de 5
minutos a la lectura del reporte anual, ¿seria razonable pensar que la proporción de
accionistas que dedican 5 minutos o menos a la lectura del reporte anual es 40%?
Justifique.

15. Los registros de mantenimiento revelan que solamente 3 de cada 100 computadoras HP
requiere una reparación mayor durante el primer año de uso. Los clones en cambio se
dañan a una tasa de 8 cada 75 computadoras. El gerente de una oficina ordenó la
compra de 10 máquinas de esa marca, y durante este año se dañaron 2. Encuentre la
probabilidad de que dos máquinas requieran una reparación mayor durante el primer
año de uso. ¿Considera que al gerente le vendieron clones?

16. Resolver el siguiente problema utilizando la distribución Hipergeométrica: ¿Cuál es la

probabilidad de que un auditor de impuestos del Seniat encuentre sólo dos
declaraciones de impuestos sobre ingresos con deducciones improcedentes si seleccionó
aleatoriamente 6 declaraciones entre 18, 8 de las cuales contienen deducciones
improcedentes. Si usted fuera jefe de este auditor, ¿desconfiaría de su trabajo?

17. Un tren, con capacidad de 200 pasajeros sale todos los días del Terminal. El número de
pasajeros que asisten por día al Terminal es Poisson con valor esperado 100. Cada
boleto tiene un costo de Bs. 3.000,oo. Obtenga una fórmula para la ganancia esperada
por día en boletería.

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

18. El número de componentes que fallan antes de cumplir 100 horas de operaciones es una
variable aleatoria Poisson. Si el número promedio de éstos es ocho:
a. ¿Cuál es la probabilidad de que falle un componente en 25 horas?
b. ¿Cuál es la probabilidad de que fallen no más de dos componentes en 50 horas?
c. ¿Cuál es la probabilidad de que fallen por lo menos 10 es 125 horas?

19. Supóngase que en un cruce transitado ocurren de manera aleatoria e independiente dos
accidentes por semana. Determinar la probabilidad de que ocurra un accidente en una
semana y de que ocurran tres en la semana siguiente.

20. Un equipo electrónico contiene 6 transistores dos de los cuales son defectuosos. Se
seleccionan tres transistores al azar, se sacan del equipo y se inspeccionan. Sea X el
número de defectuosos observados. Encuentre la distribución de probabilidad de X y su
función acumulativa.

21. La vida de un virus en determinadas condiciones biológicas es una variable aleatoria X

con la siguiente función de densidad:
k
 si x  1 (horas)
f ( x)   x 3
 0 fuera
a. Determinar el valor de la constante k
b. Hallar la expresión de la función de distribución acumulada de la variable X
c. ¿Cuál es la probabilidad de que uno de tales virus en las condiciones establecidas
viva más de 50 horas?
d. ¿Cuál es la vida media de los virus?

22. Con el objeto de verificar la exactitud de su contabilidad la compañía utilizan auditores

regularmente para verificar las anotaciones en sus cuentas. Supongamos que los
empleados de la compañía hacen anotaciones erróneas el 5% de las veces. Si un auditor
revisa al azar tres anotaciones.
a. Encuentre la distribución de probabilidad del número de errores detectados por el
auditor
b. Encuentre la probabilidad de que el auditor detecte más de un error.

23. Un almacén distribuye un producto en exclusiva en una gran ciudad y lo recibe

semanalmente de una fábrica. El número de millones de artículos vendidos cada mes,
X, es una variable aleatoria cuya función de densidad viene dada por:
 k (1  x)3 si 0 < x < 1
f ( x)  
0 si x  0 ó x  1
a. Determine el valor de k.
b. Calcular el promedio de unidades vendidas al mes.
c. Si el distribuidor quiere tener una garantía del 95% de que no se agote el producto
en un mes determinado ¿qué cantidad del mismo debe pedir al fabricante?

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

24. Un llavero contiene cuatro llaves de una oficina, que son idénticas en apariencia. Sólo
una abre la puerta de la oficina. Supongamos que se selecciona una al azar y se prueba.
Si no es la llave adecuada se selecciona al azar una de las tres llaves restantes. Si esta
última no es la llave que corresponda, se selecciona la azar una de las dos restantes. Sea
X igual al número de llaves que se tienen que probar hasta encontrar la llave que abre la
puerta. Encuentre la distribución de probabilidad de X, ¿cuál es la media?

25. La duración en el almacén (en horas) de cierto alimento empacado perecedero es una
variable aleatoria su función de densidad esta dada por:
 20.000
 si x > 0
f ( x)   (x+100)3
 0
 fuera
a. Determine las probabilidades de que uno de estos paquetes de alimentos durará en el
almacén:
b. Cuando menos 200 horas.
c. Cuando mucho 100 horas.
d. Entre 80 y 120 horas.

26. Una caja contiene 10 bombillas, tres de las cuales están fundidas. Se extraen bombillas
sucesivamente y se prueban, sin devolución, hasta que aparezca la última defectuosa.
Sea X el número de bombillas probadas hasta que aparece la tercera defectuosa.
a. Hallar la función de probabilidad de esta variable aleatoria discreta
b. Hallar P(x=6)
c. Hallar P(x5)

27. La vida ó número de horas de funcionamiento de cierto tubo electrónico es una variable
aleatoria X definida:
ke kx si x > 0
f ( x)  
0 fuera
Si k = 0,02
a. Halle la probabilidad de que la vida de uno de estos tubos sea a lo sumo de 30 horas
b. Halle la probabilidad de que la vida de un tubo sea superior a 100 horas
c. Hallar la función acumulativa de X.

28. La función distribución acumulada F(x) para una variable aleatoria está dada por

 0 x  2
x 1
F x     2  x  2
4 2
 1 x2
a. Grafique F(x)
b. Obtenga y grafique f(x)

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

c. Determine P(X < 9 )

5
d. Determine P(X > 1 X > -1)
4
e. Determine E(X) y V(X)

29. En cierta ciudad, el número de interrupciones del suministro eléctrico por mes se
considera una variable aleatoria normal para la cual la media es 11.6 y la desviación es
3.3.
a. Determine la probabilidad de que en un mes cualquiera haya al menos ocho
interrupciones.
b. Determine la probabilidad de que en un mes cualquiera haya entre tres y siete
interrupciones.
c. Determine la probabilidad de que en un mes cualquiera haya a lo más cinco
interrupciones

30. En un proceso fotográfico, el tiempo de revelado de las impresiones puede considerarse

una variable aleatoria normal para la cual  = 12.9 minutos y  = 2 minutos.
a. Determine la probabilidad de que el tiempo de revelado tarde entre 16 y 16.5
minutos
b. Determine la probabilidad de que el tiempo de revelado se lleve al menos 16.2
minutos
c. Determine la probabilidad de que el tiempo de revelado se lleve a lo más 16.35
minutos

31. El volumen de líquido que una máquina deposita en latas de una cierta bebida gaseosa
es una variable aleatoria normal para la cual  = 12.4 onzas y  = 0.1 onzas
a. Determine la probabilidad de que el volumen depositado sea menor a 12 onzas
b. Si se desechan todas las latas que tienen menos de 12.1 o más de 12.6 onzas, ¿cuál
es la proporción de latas desechadas?
c. ¿cómo debe ser ajustado el promedio en este proceso si se quiere que el 99.9 % de
todas las latas contenga más de 12 onzas?
d. Si la desviación estándar puede reducirse a 0.05 onzas, ¿cómo debe ser ajustado el
promedio en este proceso si se quiere que el 99.45 % de todas las latas contenga
más de 12 onzas?

32. La cantidad de café instantáneo que una máquina dispensadora deposita en vasos de 4
onzas puede considerarse una variable aleatoria con distribución normal para la cual 
= 0.04 onzas. Si sólo 2 % de los vasos contienen menos de 4 onzas, ¿cuál sería el
contenido promedio de estos vasos?

33. Los alambres que se utilizan en cierta computadora deben tener una resistencia entre
0.12 y 0.14 ohms. Las resistencias reales de los alambres producidos por la compañía A
siguen una distribución normal con  = 0.13 ohms y  = 0.005 ohms
a. ¿cuál es la probabilidad de que un alambre seleccionado al azar de la producción de
la compañía A satisfaga las especificaciones?

B1-jct,tl,lr
 Universidad Metropolitana
Departamento de Matemáticas

b. Si se utilizan cinco de estos alambres en el sistema y se seleccionan de la compañía

A, ¿cuál es la probabilidad de que sólo cuatro satisfagan las especificaciones?

34. Se procede a detener el funcionamiento de una máquina para repararla si en una

muestra aleatoria de 100 artículos de la producción diaria se encuentran por lo menos
15 % de artículos defectuosos. Si se sabe que la máquina realmente produce 10 % de
artículos defectuosos, encuentre la probabilidad de detener la máquina un día
cualquiera.

35. Una línea aérea vende boletos sobre la base que el 5 % de las personas que hacen
reservación para un vuelo no se presentan. Se sabe que la aerolínea vendió 160 boletos
para un vuelo con sólo 155 asientos, ¿cuál es la probabilidad de que haya un asiento
disponible para cada persona con reservación que se presenta al vuelo?

36. La eficiencia de cierto tipo de reflectores es una variable aleatoria normal para la cual 
= 9.5 y  = 0.5, según las especificaciones del productor. Los requerimientos de un
estacionamiento en el que deben instalarse nueve de estos reflectores exigen que la
eficiencia media de los mismos sea mayor a 10, ¿cuál es la probabilidad de que se
cumplan los requerimientos del estacionamiento?

B1-jct,tl,lr