Variable Aleatoria PDF

RELACIONES LABORALES PRIMER0.
CURSO 2022-23
ESTADISTICA
VARIABLE ALEATORIA
La idea de variable aleatoria es simplemente transformar los elementos del

espacio muestral en números reales para que así la operativa pueda ser mayor.
Una variable aleatoria 𝑋 será una aplicación del espacio muestral en el

conjunto de los números reales:
𝑋: Ω ⟶ ℝ
De forma que la probabilidad original se transforme en una nueva probabilidad

sobre los subconjuntos de números reales de forma que respete a la probabilidad
original:
𝑃𝑋 : 𝒫(ℝ) ⟶ ℝ
𝐴 ⟼ 𝑃𝑋 (𝐴) = 𝑃(𝑋 −1 (𝐴))
A esta probabilidad 𝑃𝑋 se le llama probabilidad inducida por la variable aleatoria 𝑋.
FUNCION DE DISTRIBUCION.-
No obstante, el trabajo con la probabilidad inducida no es lo suficientemente

cómodo porque estamos trabajando con una función de conjunto.
Se define una función real de variable real que de alguna forma viene a sustituir
a la aplicación probabilidad. Esta es la que denominaremos como función de
distribución.
𝐹: ℝ ⟶ ℝ
𝑥 ⟼ 𝐹𝑋 (𝑥) = 𝑃𝑋 ( ]−∞, 𝑥] ) = 𝑃(𝑋 ≤ 𝑥)
Obsérvese que esta función juega un papel similar al que cumplía la columna de
las frecuencias relativas acumulativas en la Estadística Descriptiva Unidimensional. Nos
da la probabilidad de que la variable aleatoria tome valores por debajo de un número
real dado.
La función de distribución verifica las siguientes propiedades:
1) 𝐹(𝑥) ≥ 0 ∀𝑥. Es obvio por estar definida la función de distribución como una
probabilidad.
2) 𝑥 < 𝑦 ⟹ 𝐹(𝑥) ≤ 𝐹(𝑦).
𝐹(𝑦) = 𝑃𝑋 (]−∞, 𝑦]) = 𝑃𝑋 (]−∞, 𝑥] ∪ ]𝑥, 𝑦]) = 𝑃𝑋 (]−∞, 𝑥]) + 𝑃𝑋 (]𝑥, 𝑦]) ≥
𝑃𝑋 ( ]−∞, 𝑥]) = 𝐹(𝑥)
1
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
VARIABLE ALEATORIA
Además, de este desarrollo se deduce un importante resultado:
𝑃𝑋 ( ]𝑥, 𝑦] ) = 𝐹(𝑦) − 𝐹(𝑥)
3) La función de distribución es continua por la derecha. 𝐹(𝑎) = lim+ 𝐹(𝑥)

𝑥→𝑎
4) 𝐹(−∞) = 0; 𝐹(+∞) = 1.
La gráfica de la función de distribución asociada a una variable aleatoria sería del

siguiente tipo:
Cuando la función de distribución es discontinua en un punto es porque la

probabilidad inducida en ese punto es estrictamente positiva.
𝑃(𝑋 = 𝑎) = 𝑃(𝑋 ≤ 𝑎) − 𝑃(𝑋 < 𝑎) = 𝐹(𝑎) − 𝐹(𝑎− )
Donde obviamente
𝐹(𝑎− ) = lim− 𝐹(𝑥)

𝑥→𝑎
Asía pues, si 𝐹(𝑎) ≠ 𝐹(𝑎− ) entonces 𝑃(𝑋 = 𝑎) ≠ 0 por lo que se cumple lo

indicado. Como hemos indicado que siempre es continua por la derecha, cuando sea
discontinua es porque lo es por la izquierda.
Cuando un punto es un punto de discontinuidad de la función de distribución, se le

llama punto de salto.
Al conjunto de los puntos de salto de una función de distribución se llama Soporte de

la variable aleatoria.
𝑆 = {𝑥 ∈ ℝ/ 𝑃(𝑋 = 𝑥) ≠ 0}
2
ESTADISTICA
VARIABLE ALEATORIA
Se dice que una variable aleatoria 𝑋 es una variable aleatoria discreta cuando el
soporte absorbe toda la probabilidad.
Se dice que una variable aleatoria 𝑋 es una variable aleatoria continua cuando el
soporte es vacio. 𝑆 = ∅.
VARIABLE DISCRETA.-
En este caso la gráfica de la función de distribución será escalonada (todo el

crecimiento se concentra en los puntos de salto)
Se define en este caso una nueva función real de variable real denominada función de
cuantía, que mide la probabilidad en cada punto:
𝑓: ℝ ⟶ ℝ
𝑥 ⟼ 𝑓𝑋 (𝑥) = 𝑃𝑋 ( {𝑥} ) = 𝑃(𝑋 = 𝑥)
Es inmediato que esta función se anula para todos los puntos que no pertenecen al
soporte de la variable aleatoria.
Asimismo, también verifica las siguientes propiedades:
1) 𝑓(𝑥) ≥ 0 ∀𝑥. Es obvio por estar definida la función de distribución como una
probabilidad.
2) ∑𝑥∈𝑆 𝑓(𝑥) = 1.
3
ESTADISTICA
VARIABLE ALEATORIA
1 = 𝑃(𝑆) = ∑ 𝑃𝑋 ( {𝑥} ) = ∑ 𝑓(𝑥)

𝑥∈𝑆 𝑥∈𝑆
Además, existe una relación entre la función de distribución y la función de cuantía de

una variable discreta:
𝐹(𝑥) = 𝑃𝑋 ( ]−∞, 𝑥] ) = 𝑃𝑋 ( ]−∞, 𝑥] ∩ 𝑆 ) = ∑ 𝑃𝑋 ( {𝑡} ) =

𝑡∈]−∞,𝑥]∩𝑆
∑ 𝑃𝑋 ( {𝑡} ) = ∑ 𝑓(𝑡)
𝑡∈𝑆 𝑡∈𝑆
𝑡≤𝑥 𝑡≤𝑥
Es decir
𝐹(𝑥) = ∑ 𝑓(𝑡)
𝑡∈𝑆
𝑡≤𝑥
Por otra parte, ya hemos visto que
𝑃𝑋 ( {𝑥} ) = 𝐹(𝑥) − 𝐹(𝑥 − ) ⟹ 𝑓(𝑥) = 𝐹(𝑥) − 𝐹(𝑥 − )
Como ya hemos dicho una variable aleatoria lo único que hace es convertir los
posibles resultados de un experimento aleatorio en número reales. Consideremos un
ejemplo y hagamos todo el desarrollo.
En un piso formado por 5 estudiantes quieren sortear a quien le corresponde

efectuar la limpieza este fin de semana. Para ello usan el procedimiento de los palillos,
es decir uno de ellos coge 5 palillos, rompiendo uno de ellos para que quede más
corto, a continuación uno los coge todos y muestra solo el extremo de todos ellos y los
demás van cogiendo palillos, hasta que alguien coja el palillo más corto que será el
encargado de realizar la limpieza.
Basándonos en esto definimos la variable aleatoria 𝑋 como la que nos da el

número de extracción en que se determina el limpiador.
Así pues es claro que los valores que puede tomar la variable están en el
conjunto {1, 2, 3, 4, 5} y podemos proceder a obtener la probabilidad inducida sobre
cada uno de estos valores. Partimos que la elección del palillo en cada momento se
4
ESTADISTICA
VARIABLE ALEATORIA
hace al azar, y en consecuencia es igualmente probable elegir cada uno de los palillos
que en cada ocasión se ofrecen.
Para que el primero que extrae palillos extraiga el corto será
1
𝑃(𝑋 = 1) =
5
sin embargo, a partir de aquí para que entre en juego uno nuevo es porque no lo ha
elegido el anterior. Luego la probabilidad de que sea el segundo el que se lleve el
palillo corto será la probabilidad de que el primero elija uno cualquiera de los largos
por la probabilidad de que el segundo elija el corto de entre los cuatro que le ofrecen
4 1 1
𝑃(𝑋 = 2) = . =
5 4 5
la mecánica es la misma en los demás casos, obteniéndose
4 3 1 1 4 3 2 1 1 4 3 2 1
𝑃(𝑋 = 3) = . . = ; 𝑃(𝑋 = 4) = . . . = ; 𝑃(𝑋 = 5) = . . . .1
5 4 3 5 5 4 3 2 5 5 4 3 2
1
=
5
Por lo tanto su función de distribución será
0 𝑥<1
1
1≤𝑥<2
5
2
2≤𝑥<3
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 5
3
3≤𝑥<4
5
4
4≤𝑥<5
5
{1 𝑥≥5
Cuya gráfica sería
5
ESTADISTICA
VARIABLE ALEATORIA
donde claramente vemos que es una función escalonada, puesto que en cada tramo se
define como una constante, es decir son diferentes peldaños de un escalera. Esto nos
dice que estamos ante una variable aleatoria de tipo discreto y por lo tanto tiene
sentido definir la función de cuantía 𝑓(𝑥) = 𝑃(𝑋 = 𝑥) que se anulará en casi todo
punto, salvo en los saltos de la escalera donde 𝑓(𝑥) = 𝐹(𝑥) − 𝐹(𝑥 − ) en definitiva
1 1
𝑓(1) = 𝐹(1) − 𝐹(1− ) = −0=
5 5
2 1 1
𝑓(2) = 𝐹(2) − 𝐹(2− ) = − =
5 5 5
3 2 1
𝑓(3) = 𝐹(3) − 𝐹(3− ) = − =
5 5 5
4 3 1
𝑓(4) = 𝐹(4) − 𝐹(4− ) = − =
5 5 5
4 1
𝑓(5) = 𝐹(5) − 𝐹(5− ) = 1 − =
5 5
y como ya sabemos la función de cuantía nos sirve para hallar probabilidades
fácilmente, por ejemplo hállese la probabilidad de que limpie el 3º o el 4º en elegir:
1 1 2
𝑃(𝑋 ∈ {3,4}) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) = 𝑓(3) + 𝑓(4) = + =
5 5 5
Otro ejemplo podría ser el siguiente:
6
ESTADISTICA
VARIABLE ALEATORIA
Si consideramos como experimento aleatorio lanzar dos dados distintos y nos fijamos
en el número de puntos que tiene la cara superior de cada uno, entonces el espacio
muestral será
Ω = {(1,1), (1,2), … , (1,6), (2,1), … , (2,6), … , (6,1), … , (6,6)}
que tiene 36 sucesos elementales que consideraremos equiprobables, por lo que la

1
probabilidad de cada uno de ellos será de .
36
Así pues, si consideramos la variable aleatoria 𝑋 que nos da la suma de los

puntos de las caras superiores de los dos dados, tendremos que los valores posibles
para esta variable están en el conjunto {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} y la
probabilidad para esta variable será:
1
𝑃(𝑋 = 2) = 𝑃({(1,1)}) =
36
2 1
𝑃(𝑋 = 3) = 𝑃({(1,2), (2,1)}) = =
36 18
3 1
𝑃(𝑋 = 4) = 𝑃({(1,3), (2,2), (3,1)}) = =
36 12
4 1
𝑃(𝑋 = 5) = 𝑃({(1,4), (2,3), (3,2), (4,1)}) = =
36 9
5
𝑃(𝑋 = 6) = 𝑃({(1,5), (2,4), (3,3), (4,2), (5,1)}) =
36
6 1
𝑃(𝑋 = 7) = 𝑃({(1,6), (2,5), (3,4), (4,3), (5,2)}) = =
36 6
5
𝑃(𝑋 = 8) = 𝑃({(2,6), (3,5), (4,4), (5,3), (6,2)}) =
36
4 1
𝑃(𝑋 = 9) = 𝑃({(3,6), (4,5), (5,4), (6,3)}) = =
36 9
3 1
𝑃(𝑋 = 10) = 𝑃({(4,6), (5,5), (6,4)}) = =
36 12
2 1
𝑃(𝑋 = 11) = 𝑃({(5,6), (6,5)}) = =
36 18
1
𝑃(𝑋 = 12) = 𝑃({(6,6)}) =
36
7
ESTADISTICA
VARIABLE ALEATORIA
Por lo que la correspondiente función de distribución será
0 𝑥<2
1
2≤𝑥<3
36
3
3≤𝑥<4
36
6
4≤𝑥<5
36
10
5≤𝑥<6
36
15
6≤𝑥<7
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 36
21
7≤𝑥<8
36
26
8≤𝑥<9
36
30
9 ≤ 𝑥 < 10
36
33
10 ≤ 𝑥 < 11
36
35
11 ≤ 𝑥 < 12
36
{1 𝑥 ≥ 12
cuya gráfica será
8
ESTADISTICA
VARIABLE ALEATORIA
donde de nuevo vemos que es una función escalonada. Esto nos dice que estamos
ante una variable aleatoria de tipo discreto y por lo tanto tiene sentido definir la
función de cuantía 𝑓(𝑥) = 𝑃(𝑋 = 𝑥) que se anulará en casi todo punto, salvo en los
saltos de la escalera donde 𝑓(𝑥) = 𝐹(𝑥) − 𝐹(𝑥 − ) en definitiva
1 1
𝑓(2) = 𝐹(2) − 𝐹(2− ) = −0=
36 36
3 1 2
𝑓(3) = 𝐹(3) − 𝐹(3− ) = − =
36 36 36
6 3 3
𝑓(4) = 𝐹(4) − 𝐹(4− ) = − =
36 36 36
10 6 4
𝑓(5) = 𝐹(5) − 𝐹(5− ) = − =
36 36 36
15 10 5
𝑓(6) = 𝐹(6) − 𝐹(6− ) = − =
36 36 36
21 15 6
𝑓(7) = 𝐹(7) − 𝐹(7− ) = − =
36 36 36
26 21 5
𝑓(8) = 𝐹(8) − 𝐹(8− ) = − =
36 36 36
30 26 4
𝑓(9) = 𝐹(9) − 𝐹(9− ) = − =
36 36 36
33 30 3
𝑓(10) = 𝐹(10) − 𝐹(10− ) = − =
36 36 36
35 33 2
𝑓(11) = 𝐹(11) − 𝐹(11− ) = − =
36 36 36
35 1
𝑓(12) = 𝐹(12) − 𝐹(12− ) = 1 − =
36 36
Por lo que estaríamos en condiciones de hallar probabilidades del tipo ¿Cuál es la
probabilidad de que la suma de los dados sea par?
𝑃(𝑋 ∈ {2,4,6,8,10,12}) =
= 𝑃(𝑋 = 2) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 8) + 𝑃(𝑋 = 10) + 𝑃(𝑋 = 12) =
1 3 5 5 3 1
𝑓(2) + 𝑓(4) + 𝑓(6) + 𝑓(8) + 𝑓(10) + 𝑓(12) = + + + + + =
36 36 36 36 36 36
9
ESTADISTICA
VARIABLE ALEATORIA
18 1
= =
36 2
VARIABLE CONTINUA.-
En este caso la gráfica de la función de distribución será continua (no hay ningún punto
de salto) y lógicamente la probabilidad sobre cualquier punto es cero.
Se define en este caso una nueva función real de variable real denominada función de
densidad, que mide la probabilidad en intervalos:
𝑓: ℝ ⟶ ℝ
𝑥 ⟼ 𝑓𝑋 (𝑥)
de forma que
𝑏
𝐹(𝑏) − 𝐹(𝑎) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Asimismo, también verifica las siguientes propiedades:
1) 𝑓(𝑥) ≥ 0 ∀𝑥.
+∞
2) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1.
10
ESTADISTICA
VARIABLE ALEATORIA
+∞
1 = 𝐹(+∞) − 𝐹(−∞) = ∫ 𝑓(𝑥)𝑑𝑥
−∞
Además, existe una relación entre la función de distribución y la función de cuantía de

una variable discreta:
𝑥
𝐹(𝑥) = 𝐹(𝑥) − 𝐹(−∞) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
Es decir
𝑥
𝐹(𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
Por otra parte, si derivamos
𝐹′(𝑥) = 𝑓(𝑥)
CONOCIMIENTOS MATEMÁTICOS PREVIOS.-
Es necesario repasar algunos conceptos matemáticos básicos para poder

abordar los temas de variable aleatoria y modelos de distribuciones de probabilidad.
Solo indicaremos lo imprescindible con objeto de no agobiar.
Para el tema anterior necesitamos el uso de derivadas e integrales.

Recordemos lo imprescindible. Sin entrar en el concepto vamos directamente a sus
reglas de uso:
Los tipos de funciones con los que trabajaremos se basaran en:
𝑓(𝑥) = 𝑘; 𝑓′(𝑥) = 0
𝑓(𝑥) = 𝑥 𝑛 ; 𝑓′(𝑥) = 𝑛𝑥 𝑛−1
𝑓(𝑥) = 𝑒 𝑥 ; 𝑓′(𝑥) = 𝑒 𝑥
1
𝑓(𝑥) = ln 𝑥 ; 𝑓′(𝑥) =
𝑥
En cuanto a las reglas de derivación para operaciones con funciones:
ℎ(𝑥) = 𝑘 ∙ 𝑓(𝑥); ℎ′ (𝑥) = 𝑘 ∙ 𝑓′(𝑥)
ℎ(𝑥) = 𝑓(𝑥) + 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) + 𝑔′(𝑥)

11
ESTADISTICA
VARIABLE ALEATORIA
ℎ(𝑥) = 𝑓(𝑥) − 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) − 𝑔′(𝑥)
ℎ(𝑥) = 𝑓(𝑥) ∙ 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) ∙ 𝑔(𝑥) + 𝑓(𝑥) ∙ 𝑔′(𝑥)
𝑓(𝑥) 𝑓′(𝑥) ∙ 𝑔(𝑥) − 𝑓(𝑥) ∙ 𝑔′(𝑥)

ℎ(𝑥) = ; ℎ′ (𝑥) =
𝑔(𝑥) 𝑔(𝑥)2
finalmente tendríamos la conocida como regla de la cadena, que es la que se utiliza

cuando hay una composición de funciones:
ℎ(𝑥) = 𝑔(𝑓(𝑥)); ℎ′ (𝑥) = 𝑔′(𝑓(𝑥)) ∙ 𝑓′(𝑥)
así pues aplicando las reglas anteriores tendremos los siguientes ejemplos:
𝑓(𝑥) = 7; 𝑓′(𝑥) = 0
𝑓(𝑥) = 𝑥 3 ; 𝑓′(𝑥) = 3𝑥 2
𝑓(𝑥) = 4𝑥 2 ; 𝑓′(𝑥) = 8𝑥
𝑓(𝑥) = 2𝑥 3 − 5𝑥 5 ; 𝑓′(𝑥) = 6𝑥 2 − 25𝑥 4
𝑓(𝑥) = 8 + 3𝑥 2 + 2𝑥 4 − 𝑥 5 ; 𝑓′(𝑥) = 6𝑥 + 8𝑥 3 − 5𝑥 4
1
𝑓(𝑥) = 𝑥 2 + 𝑒 𝑥 − ln 𝑥 ; 𝑓′(𝑥) = 2𝑥 + 𝑒 𝑥 −
𝑥
𝑓(𝑥) = 𝑥 2 ∙ 𝑒 𝑥 ; 𝑓′(𝑥) = 2𝑥 ∙ 𝑒 𝑥 + 𝑥 2 ∙ 𝑒 𝑥 = 𝑥 ∙ 𝑒 𝑥 (𝑥 + 2)
𝑒𝑥 𝑒 𝑥 ∙ 𝑥 2 − 2𝑥 ∙ 𝑒 𝑥 𝑒 𝑥 (𝑥 − 2)
𝑓(𝑥) = 2 ; 𝑓′(𝑥) = =
𝑥 𝑥4 𝑥3
1 2𝑥
𝑓(𝑥) = ln(𝑥 2 + 1) ; 𝑓′(𝑥) = ∙ 2𝑥 = 2
𝑥2 +1 𝑥 +1
𝑓(𝑥) = (𝑥 2 + 1)3 ; 𝑓′(𝑥) = 3(𝑥 2 + 1)2 ∙ 2𝑥 = 6𝑥(𝑥 2 + 1)2

2 −𝑥+1) 2 −𝑥+1)
𝑓(𝑥) = 𝑒 (3𝑥 ; 𝑓′(𝑥) = (6𝑥 − 1) 𝑒 (3𝑥
En cuanto a la integración, simplemente decir que para el cálculo de la primitiva

de una función el proceso es el inverso del de la derivada de una función.
Por otra parte, la integral indefinida de una función es el conjunto de todas sus
primitivas, y como todas las primitivas de una función son iguales salvo una constante,
entonces expresamos dicha integral indefinida como:
12
ESTADISTICA
VARIABLE ALEATORIA
∫ 𝑔(𝑥)𝑑𝑥 = 𝐺(𝑥) + 𝑘
donde 𝐺(𝑥) es una primitiva de 𝑔(𝑥), es decir 𝐺 ′ (𝑥) = 𝑔(𝑥) y 𝑘 es una constante
denominada constante de integración.
Así tendremos:
𝑥 𝑛+1
∫ 𝑥 𝑛 𝑑𝑥 = +𝑘
𝑛+1
∫ 𝑒 𝑥 𝑑𝑥 = 𝑒 𝑥 + 𝑘
1
∫ 𝑑𝑥 = ln 𝑥 + 𝑘
𝑥
Con respecto a las operaciones:
∫ 𝑎𝑑𝑥 = 𝑎𝑥 + 𝑘
∫ 𝑔(𝑥)𝑑𝑥 = 𝐺(𝑥) + 𝑘; ∫ 𝑎 ∙ 𝑔(𝑥)𝑑𝑥 = 𝑎 ∙ 𝐺(𝑥) + 𝑘
∫ 𝑔(𝑥)𝑑𝑥 = 𝐺(𝑥) + 𝑘; ∫ ℎ(𝑥)𝑑𝑥 = 𝐻(𝑥) + 𝑘;
∫(𝑔(𝑥) + ℎ(𝑥))𝑑𝑥 = 𝐺(𝑥) + 𝐻(𝑥) + 𝑘
No hay ninguna regla que nos de la integral del producto o del cociente.
Basándonos en la integral indefinida, definiremos la integral definida como la

diferencia de una primitiva entre dos valores dados:
𝑏
∫ 𝑔(𝑥) 𝑑𝑥 = 𝐺(𝑥)|𝑏𝑎 = 𝐺(𝑏) − 𝐺(𝑎)
𝑎
Un resultado especialmente útil para la integral definida es que
𝑏 𝑐 𝑏
∫ 𝑔(𝑥) 𝑑𝑥 = ∫ 𝑔(𝑥) 𝑑𝑥 + ∫ 𝑔(𝑥) 𝑑𝑥
𝑎 𝑎 𝑐
13
ESTADISTICA
VARIABLE ALEATORIA
Es decir la integral en un intervalo se podrá obtener a trozos, primero hasta un

cierto punto y después el resto.
Algunos ejemplos podrían ser:
∫ 3𝑑𝑥 = 3𝑥 + 𝑘
𝑥3
∫ 𝑥 2 𝑑𝑥 = +𝑘
3
2
3𝑥 2 2𝑥 3
∫ 5 + 3𝑥 − 2𝑥 𝑑𝑥 = 5𝑥 + − +𝑘
2 3
5 4𝑥 3
∫ + 3𝑒 𝑥 − 4𝑥 2 𝑑𝑥 = 5 ln 𝑥 + 3𝑒 𝑥 − +𝑘
𝑥 3
Para la integral definida tenemos:
2 2
2
𝑥3 23 13 7
∫ 𝑥 𝑑𝑥 = | = − =
1 3 1 3 3 3
1 1
𝑥
𝑥2 3 1
∫ 3𝑥 + 𝑒 𝑑𝑥 = + 𝑒 𝑥 | = − 𝑒 − (0 + 1) = − 𝑒
0 2 0
2 2
Pongamos algunos ejemplos con variables continuas.
Ejercicio 1.- Sea 𝑋 una variable aleatoria continua cuya función de densidad es
2
𝑓(𝑥) = {𝑘𝑥 0<𝑥<1
0 𝑟𝑒𝑠𝑡𝑜
a) Hallar el valor de 𝑘 para que sea una verdadera función de densidad.
b) Hacer la gráfica de la función de densidad.
c) Hallar la función de distribución y su gráfica.
d) Hallar 𝑃(𝑋 ≤ 0.5)
e) Hallar 𝑃(𝑋 > 0.5⁄𝑋 < 0.8)
Resolución:
a) Para que sea una verdadera función de densidad tiene que verificar que
∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1 y por tanto se tiene
14
ESTADISTICA
VARIABLE ALEATORIA
0 1 1
∞
2
𝑥3 ∞
1 𝑘
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 0𝑑𝑥 + ∫ 𝑘𝑥 𝑑𝑥 + ∫ 0𝑑𝑥 = 0 + 𝑘 | + 0 = 𝑘 ( − 0) = = 1
−∞ −∞ 0 1 3 0 3 3
por lo que 𝑘 = 3 y la función de densidad realmente será

2
𝑓(𝑥) = {3𝑥 0<𝑥<1
b) La representación gráfica será la parábola 3𝑥 2 restringida al intervalo unidad.
c) Para hallar la función de distribución, habrá que hacerlo en tres intervalos,

antes del intervalo unidad, en él y después.
𝑥
∫ 0𝑑𝑡 𝑥≤0
−∞
0 𝑥 0 𝑥≤0
𝐹(𝑥) = ∫ 0𝑑𝑡 + ∫ 3𝑡 2 𝑑𝑡 0 < 𝑥 < 1 = {𝑥 3 0<𝑥<1
−∞ 0 1 𝑥≥1
0 1 ∞
2
∫ 0𝑑𝑡 + ∫ 3𝑡 𝑑𝑡 + ∫ 0𝑑𝑡 𝑥≥1
{ −∞ 0 1
Su gráfica será
15
ESTADISTICA
VARIABLE ALEATORIA
Que como podemos observar no tiene saltos.
1 3 1
d) 𝑃(𝑋 ≤ 0.5) = 𝐹(0.5) = (2) = 8
e) En este caso nos piden una probabilidad condicionada, por lo que habrá que
aplicar su fórmula:
𝑃(𝑋 > 0.5; 𝑋 < 0.8)

𝑃(𝑋 > 0.5⁄𝑋 < 0.8) =
𝑃(𝑋 < 0.8)
Obtengamos cada cosa por separado.
4 3 64
𝑃(𝑋 < 0.8) = 𝑃(𝑋 ≤ 0.8) = 𝐹(0.8) = ( ) =
5 125
Que las desigualdades sean estrictas o no, no importa, porque la variable es continua
𝑃(𝑋 > 0.5; 𝑋 < 0.8) = 𝑃(0.5 < 𝑋 < 0.8) = 𝑃(0.5 < 𝑋 ≤ 0.8) =
4 3 1 3 64 1 512 − 125 387

𝐹(0.8) − 𝐹(0.5) = ( ) − ( ) = − = =
5 2 125 8 1000 1000
Por lo tanto
387
1000 387
𝑃(𝑋 > 0.5⁄𝑋 < 0.8) = =
64 512
125
16
ESTADISTICA
VARIABLE ALEATORIA
Ejercicio 2.- Se considera el conjunto de familias con ingresos entre 1000 € y 3000 €
mensuales. Supóngase que los ingresos familiares 𝑋 (en miles de euros) es una
variable aleatoria con la siguiente función de densidad
𝑥−1 1<𝑥<2
𝑓(𝑥) = {3 − 𝑥 2≤𝑥<3
Hallar
a) La función de distribución de los ingresos familiares.

b) El porcentaje de familias con ingresos inferiores a 2500 €.
c) Si una familia ingresa menos de 2200 € mensuales, hallar la probabilidad de
que ingrese mas de 1500 €.
Resolución:
a) En este caso tendremos cuatro franjas:
0 𝑥≤1
𝑥
∫ (𝑡 − 1)𝑑𝑡 1<𝑥<2
1
𝐹(𝑥) = 2 𝑥
∫ (𝑡 − 1)𝑑𝑡 + ∫ (3 − 𝑡)𝑑𝑡 2≤𝑥<3
1 2
{ 1 𝑥≥3
0 𝑥≤1
𝑥
𝑡2
− 𝑡| 1<𝑥<2
2 1
= 2 𝑥 =
𝑡2 𝑡2
− 𝑡| + 3𝑡 − | 2≤𝑥<3
2 1
2 2
{ 1 𝑥≥3
0 𝑥≤1 0 𝑥≤1
2 2
𝑥 1 𝑥 − 2𝑥 + 1
−𝑥+ 1<𝑥<2 1<𝑥<2
= 2 2 = 2
1 𝑥2 −𝑥 2 + 6𝑥 − 7
+ 3𝑥 − − 4 2 ≤ 𝑥 < 3 2≤𝑥<3
2 2 2
{ 1 𝑥≥3 { 1 𝑥≥3
podemos hacer su representación gráfica para comprobar que es creciente
17
ESTADISTICA
VARIABLE ALEATORIA
b) Nos piden el porcentaje, es decir la probabilidad de que los ingresos sean

inferiores a 2.5 miles de euros.
5 2 5 25
− ( ) + 6. − 7 − +8 7
𝑃(𝑋 ≤ 2.5) = 𝐹(2.5) = 2 2 = 4 =
2 2 8
Si se quiere expresar como porcentaje, estamos hablando del 87.5%.
c) Es una probabilidad condicionada
𝑃(𝑋 > 1.5; 𝑋 < 2.2 ) 𝑃(1.5 < 𝑋 < 2.2 )

𝑃(𝑋 > 1.5⁄𝑋 < 2.2) = = =
𝑃(𝑋 < 2.2 ) 𝑃(𝑋 < 2.2 )
11 2 11 3 2 3
− ( ) + 6. − 7 (2) − 2. 2 + 1
5 5 −
𝐹(2.2) − 𝐹(1.5) 2 2
= = =
𝐹(2.2) 11 2 11
− ( ) + 6. − 7
5 5
2
121 66 9 34 1 166 − 25
− + −7−4+2 −4 141
= 25 5 = 25 = 100 =
121 66 34 34 166
− + −7
25 5 25 25
18
ESTADISTICA
VARIABLE ALEATORIA
CAMBIO DE VARIABLE.-
Si se realiza la composición de una función real de variable real con una variable
aleatoria dada 𝑋, obtendremos otra nueva variable aleatoria 𝑌.
𝑋 𝑔
Ω → ℝ → ℝ; 𝑌 =𝑔∘𝑋
Para la que la nueva probabilidad inducida verifica que:
𝑃𝑌 (𝐵) = 𝑃(𝑌 −1 (𝐵)) = 𝑃((𝑔 ∘ 𝑋)−1 (𝐵)) = 𝑃((𝑋 −1 ∘ 𝑔−1 )(𝐵)) =
= 𝑃 (𝑋 −1 (𝑔−1 (𝐵))) = 𝑃𝑋 (𝑔−1 (𝐵))
Como vemos coincide con la probabilidad inducida por la variable original 𝑋 sobre la
imagen inversa mediante la función de cambio del conjunto en cuestión.
𝑃𝑌 (𝐵) = 𝑃𝑋 (𝑔−1 (𝐵))
Esto hace que para la función de distribución nos encontremos con la siguiente
situación:
𝐹𝑌 (𝑦) = 𝑃𝑌 ( ]−∞, 𝑦] ) = 𝑃𝑋 (𝑔−1 ( ]−∞, 𝑦] ))
Que no podemos expresar en función de la función de distribución original.
Sin embargo, cuando la función 𝑔 es creciente entonces
𝑃𝑋 (𝑔−1 ( ]−∞, 𝑦] )) = 𝑃𝑋 ( ]−∞, 𝑔−1 (𝑦)] ) = 𝐹𝑋 (𝑔−1 (𝑦))
Es decir
𝐹𝑌 (𝑦) = 𝐹𝑋 (𝑔−1 (𝑦))
Y en el caso de que la función de cambio 𝑔 sea decreciente entonces
𝑃𝑋 (𝑔−1 ( ]−∞, 𝑦] )) = 𝑃𝑋 ( ] 𝑔−1 (𝑦), +∞] ) =
= 1 − 𝑃𝑋 ( ]−∞, 𝑔−1 (𝑦)[ ) = 1 − 𝐹𝑋 (𝑔−1 (𝑦)− )
Es decir
𝐹𝑌 (𝑦) = 1 − 𝐹𝑋 (𝑔−1 (𝑦)− )
Para continuar necesitaremos fijarnos en un tipo de variable.
19
ESTADISTICA
VARIABLE ALEATORIA
Así, si trabajamos con variable discreta, entonces la nueva variable aleatoria también
es discreta. Veamos cual es la probabilidad del soporte de la nueva variable
aleatoria.
𝑃𝑌 (𝑆𝑌 ) = 𝑃𝑋 (𝑔−1 (𝑆𝑌 )) = 𝑃𝑋 (𝑆𝑋 ) = 1
Y su función de cuantía será:
𝑓𝑌 (𝑦) = 𝑃𝑌 ({𝑦}) = 𝑃𝑋 (𝑔−1 (𝑦)) = ∑ 𝑃𝑋 ({𝑥}) = ∑ 𝑓𝑋 (𝑥)

𝑔(𝑥)=𝑦 𝑔(𝑥)=𝑦
Si trabajamos con una variable continua, entonces, bajo condiciones de monotonía

podemos asegurar que la nueva variable también será continua y para la obtención de
su función de densidad nos basaremos en los resultados obtenidos para las funciones
de distribución. Estos cuando la variable es continua son:
𝑔↗ ⟹ 𝐹𝑌 (𝑦) = 𝐹𝑋 (𝑔−1 (𝑦))
𝑔↘ ⟹ 𝐹𝑌 (𝑦) = 1 − 𝐹𝑋 (𝑔−1 (𝑦))
Luego derivando, obtenemos
−1 (𝑦)) −1 (𝑦))′
𝑓𝑋 (𝑔−1 (𝑦))
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔 ∙ (𝑔 =
𝑔′(𝑔−1 (𝑦))
Es decir
𝑓𝑋 (𝑔−1 (𝑦))
𝑔↗ ⟹ 𝑓𝑌 (𝑦) =
𝑔′(𝑔−1 (𝑦))
′ 𝑓𝑋 (𝑔−1 (𝑦))
𝑓𝑌 (𝑦) = −𝑓𝑋 (𝑔−1 (𝑦)) ∙ (𝑔−1 (𝑦)) =
−𝑔′(𝑔−1 (𝑦))
O sea
𝑓𝑋 (𝑔−1 (𝑦))
𝑔↘ ⟹ 𝑓𝑌 (𝑦) =
−𝑔′(𝑔−1 (𝑦))
20
ESTADISTICA
VARIABLE ALEATORIA
En definitiva, si la función de cambio 𝑔 es monótona, entonces se verifica que
𝑓𝑋 (𝑔−1 (𝑦))
𝑓𝑌 (𝑦) =
|𝑔′(𝑔−1 (𝑦))|
Algunos ejemplos serian:
Ejercicio 3.- Se considera 𝑋 la variable aleatoria discreta que mide el número de días
de lluvia al año en Almería. Supongamos que esta viene definida mediante la siguiente
función de cuantía:
𝑥 5 6 7 8 9 10 11 12 13 14 15 16
𝑓(𝑥) 0.05 0.07 0.08 0.1 0.12 0.15 0.11 0.09 0.08 0.07 0.05 0.03
Si se considera que el número ideal de días de lluvia anuales es de 10 y tomamos la

variable 𝑌 que mide la distancia entre el número real de días de lluvia y la cifra ideal.
Hallar la función de cuantía de 𝑌 y hallar la probabilidad de que esta sea menor que
2.
Resolución:
Nos están diciendo que la nueva variable aleatoria se obtiene como 𝑌 =

|𝑋 − 10| y por tanto la función de cambio será 𝑔(𝑥) = |𝑥 − 10|.
Así pues la nueva función de cuantía, sumando las correspondientes

probabilidades, vendrá dada por
𝑦 0 1 2 3 4 5 6
𝑓(𝑦) 0.15 0.23 0.19 0.16 0.14 0.1 0.03
finalmente,
𝑃(𝑌 < 2) = 𝑃(𝑌 = 0) + 𝑃(𝑌 = 1) = 𝑓𝑌 (0) + 𝑓𝑌 (1) = 0.15 + 0.23
Obsérvese que como la variable es discreta, no es lo mismo 𝑃(𝑌 < 2) que 𝑃(𝑌 ≤ 2)
en el que también habría que considerar el caso 𝑃(𝑌 = 2).
Ejercicio 4.- Se considera 𝑋 la variable aleatoria continua que mide los cientos litros
de lluvia por metro cuadrado que caen anualmente en Almería. De esta variable
sabemos que su función de distribución viene dada por
21
ESTADISTICA
VARIABLE ALEATORIA
0 𝑥<0
𝐹(𝑥) = {𝑙𝑛(1 + (𝑒 − 1)𝑥) 0≤𝑥<1
1 𝑥≥1
Sabemos que para la agricultura solo se aprovecha el 10% de la lluvia caída.

Suponiendo que la superficie de Almería sea de 5000 𝑘𝑚2 , hállese la función de
densidad de la variable aleatoria 𝑌 que mide el número de 𝐻𝑚3 de agua de lluvia
aprovechada para la agricultura en Almería en un año. Hallar la probabilidad de que
esta cantidad este comprendida entre diez y veinte 𝐻𝑚3.
Resolución:
La nueva variable aleatoria se obtiene calculando el número total de litros de agua

caídos en la provincia, hallándole el 10% y pasándolo a 𝐻𝑚3. Si 𝑥 son lo cientos de
litros por metro cuadrado, entonces 100𝑥 son los litros por metro cuadrado. Cada
𝑘𝑚2 son 106 𝑚2 por lo que la lluvia total será de 5000 . 106 .100𝑥 = 5. 1011 𝑥 litros
pero como solo se aprovecha el 10%, entonces serán 5. 1010 𝑥 los litros de agua
aprovechados. Por otra parte, cada 𝐻𝑚3 son 106 𝑚3 y cada 𝑚3 son 1000 litros,
por lo que el volumen de agua aprovecha da para agricultura será de 50𝑥 𝐻𝑚3
En definitiva podremos decir que 𝑌 = 50𝑋 y la función de cambio será 𝑔(𝑥) = 50𝑥.
Para poder hacer el cambio de variable utilizamos la fórmula
𝑓𝑋 (𝑔−1 (𝑦))
𝑓𝑌 (𝑦) =
|𝑔′(𝑔−1 (𝑦))|
Por lo que necesitamos conocer
𝑒−1
𝑓𝑋 (𝑥) = 𝐹𝑋′ (𝑥) = {1 + (𝑒 − 1)𝑥 0<𝑥<1
𝑔′ (𝑥) = 50
𝑦 𝑦
𝑔(𝑥) = 50𝑥; ⇒ 𝑦 = 50𝑥; ⇒ 𝑥= ; 𝑔−1 (𝑦) =
50 50
luego
𝑒−1
𝑦
𝑓𝑋 (𝑔−1 (𝑦)) 1 + (𝑒 − 1) 𝑒−1
𝑓𝑌 (𝑦) = = 50 = ; 0 < 𝑦 < 50
|𝑔′(𝑔−1 (𝑦))| 50 50 + (𝑒 − 1)𝑦
y por último
22
ESTADISTICA
VARIABLE ALEATORIA
20
𝑒−1 20
𝑃(10 < 𝑌 < 20) = ∫ 𝑑𝑦 = 𝑙𝑛(50 + (𝑒 − 1)𝑦)|10 =
10 (𝑒
50 + − 1)𝑦
30 + 20𝑒 3 + 2𝑒
= 𝑙𝑛(30 + 20𝑒) − 𝑙𝑛(40 + 10𝑒) = 𝑙𝑛 ( ) = 𝑙𝑛 ( )
40 + 10𝑒 4+𝑒
23
ESTADISTICA
VARIABLE ALEATORIA
CARACTERISTICAS DE UNA VARIABLE ALEATORIA.-
Lo más importante es el concepto de Esperanza Matemática de una variable

aleatoria. Este concepto es muy similar al que ya vimos en Estadística Descriptiva de
media aritmética.
Se da una definición diferente según que estemos con una variable aleatoria
discreta o continua.
Si 𝑋 es una variable aleatoria discreta entonces su esperanza matemática se

define como:
𝐸[𝑋] = ∑ 𝑥 ∙ 𝑓(𝑥)
𝑥∈𝑆
Donde obviamente 𝑓(𝑥) es la función de cuantía para esta variable aleatoria.
Obsérvese que si construimos una tabla estadística unidimensional
𝒙𝒊 𝒏𝒊 𝒇𝒊 𝒇𝒊 𝒙𝒊
Su media aritmética se puede obtener como 𝑥̅ = ∑ 𝒇𝒊 𝒙𝒊 y si definimos una variable

aleatoria basada en esta tabla, donde 𝑆 = {𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 } y su correspondiente
función de cuantía como 𝑓(𝑥𝑖 ) = 𝑓𝑖 entonces se verifica que 𝐸[𝑋] = 𝑥̅ . Es decir, la
esperanza matemática de una variable aleatoria juega el mismo papel que la media
aritmética de una distribución estadística unidimensional.
Si 𝑋 es una variable aleatoria continua entonces su esperanza matemática se

define como:
+∞
𝐸[𝑋] = ∫ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥
−∞
Donde obviamente 𝑓(𝑥) es la función de densidad para esta variable aleatoria.
24
ESTADISTICA
VARIABLE ALEATORIA
De la misma forma que hemos definido la esperanza matemática de una variable

aleatoria, podemos definir la esperanza matemática de una función de dicha variable
aleatoria.
Caso discreto:
𝐸[𝑔] = ∑ 𝑔(𝑥) ∙ 𝑓(𝑥)

𝑥∈𝑆
Caso continuo:
+∞
𝐸[𝑔] = ∫ 𝑔(𝑥) ∙ 𝑓(𝑥) 𝑑𝑥
−∞
Es inmediato que las constantes quedan invariantes frente al operador esperanza:
𝐸[𝑘] = ∑ 𝑘 ∙ 𝑓(𝑥) = 𝑘 ∙ ∑ 𝑓(𝑥) = 𝑘

𝑥∈𝑆 𝑥∈𝑆
Análogamente para el caso continuo.
Además, el operador esperanza es lineal

+∞
𝐸[𝑎 ∙ 𝑔 + 𝑏 ∙ ℎ] = ∫ (𝑎 ∙ 𝑔(𝑥) + 𝑏 ∙ ℎ(𝑥)) ∙ 𝑓(𝑥) 𝑑𝑥 =
−∞
+∞ +∞
=∫ 𝑎 ∙ 𝑔(𝑥) ∙ 𝑓(𝑥) 𝑑𝑥 + ∫ 𝑏 ∙ ℎ(𝑥) ∙ 𝑓(𝑥) 𝑑𝑥 =
−∞ −∞
+∞ +∞
=𝑎∙∫ 𝑔(𝑥) ∙ 𝑓(𝑥) 𝑑𝑥 + 𝑏 ∙ ∫ ℎ(𝑥) ∙ 𝑓(𝑥) 𝑑𝑥 = 𝑎 ∙ 𝐸[𝑔] + 𝑏 ∙ 𝐸[ℎ]
−∞ −∞
Análogamente para el caso discreto.
De forma similar a como ocurría en el caso de Estadística Descriptiva, definiremos la

varianza de una variable aleatoria como una medida de dispersión de la misma,
siguiendo el mismo criterio. Así:
𝑉𝑎𝑟(𝑋) = 𝜎𝑋2 = 𝐸[ (𝑋 − 𝐸[𝑋])2 ]
Pero
𝜎𝑋2 = 𝐸[ (𝑋 − 𝐸[𝑋])2 ] = 𝐸[𝑋 2 − 2𝑋 ∙ 𝐸[𝑋] + 𝐸[𝑋]2 ] = 𝐸[𝑋 2 ] − 𝐸[𝑋]2
25
ESTADISTICA
VARIABLE ALEATORIA
Fórmula abreviada similar a la que ya conocíamos para la varianza en descriptiva.
Asimismo, la desviación típica será la raíz cuadrada de la varianza.
𝜎𝑋 = √𝜎𝑋2
Finalmente mencionemos que los conceptos de Moda, Mediana , Cuantiles, etc. son
igualmente aplicables a una variable aleatoria.
Así, la Moda para una variable aleatoria, será aquel valor de la variable que maximiza
la función de cuantía (si es discreta) o la función de densidad (si es continua).
En cuanto a la mediana, y por generalización a los cuantiles, habrá que resolver la

1
ecuación 𝐹(𝑥) = 2.
Pasemos entonces a la realización de algunos ejercicios
Ejercicio 1.- Sea 𝑋 una variable aleatoria continua cuya función de distribución es
0 𝑥≤0
3𝑥 − 𝑥 3
2
𝐹(𝑥) = { 0<𝑥<2
4
1 𝑥≥2
a) Hallar la moda.
b) Hallar la esperanza matemática.
c) Hallar la varianza y la desviación típica.
Resolución:
a) Para poder hallar la moda necesitamos la función de densidad
3𝑥 3𝑥 2
𝑓(𝑥) = 𝐹 ′(𝑥)
={2 − 4 0<𝑥<2
por lo que habrá que hallar máximos en la densidad. Para ello derivamos e igualamos
a 0 para hallar los posibles extremos, y mediante la derivada segunda decidimos si
son o no máximos.
3 − 3𝑥
𝑓′(𝑥) = { 0<𝑥<2
2
26
ESTADISTICA
VARIABLE ALEATORIA
3
Y esto se anula para 𝑥 = 1. Si hacemos la segunda derivada 𝑓 ′′(𝑥) = − 2 < 0 luego se
trata de un máximo. Así pues la moda será 𝑀𝑜 = 1.
b) Hallemos la esperanza
2 2
∞
3𝑥 3𝑥 2 3𝑥 2 3𝑥 3
𝐸[𝑋] = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥. ( − ) 𝑑𝑥 = ∫ ( − ) 𝑑𝑥 =
−∞ 0 2 4 0 2 4
2
𝑥 3 3𝑥 4 8 48
− | = − = 4−3 =1
2 16 0 2 16
Que es un valor que pertenece al intervalo de definición de la variable. Por lo tanto es

creible.
c) Para hallar la varianza lo haremos a través de 𝜎 2 = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 . Por lo

tanto necesitamos hallar 𝐸[𝑋 2 ]
2 2
2]
∞
2
3𝑥 3𝑥 2
2
3𝑥 3 3𝑥 4
𝐸[𝑋 = ∫ 𝑥 . 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 . ( − ) 𝑑𝑥 = ∫ ( − ) 𝑑𝑥 =
−∞ 0 2 4 0 2 4
2
3𝑥 4 3𝑥 5 48 96 24 6
− | = − = 6− =
8 20 0 8 20 5 5
en definitiva
6 1 1
𝜎 2 = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 = − 12 = ; 𝜎=√
5 5 5
Varianza positiva, por lo que al menos no hay un error grave.
Ejercicio 2.- Se considera 𝑋 la variable aleatoria discreta que mide el número de días
de lluvia al año en Almería. Supongamos que esta viene definida mediante la siguiente
función de cuantía:
𝑥 5 6 7 8 9 10 11 12 13 14 15 16
𝑓(𝑥) 0.05 0.07 0.08 0.1 0.12 0.15 0.11 0.09 0.08 0.07 0.05 0.03
Hállese la moda, mediana, tercer cuartil y la varianza.
Resolución:
27
ESTADISTICA
VARIABLE ALEATORIA
Sin más que mirar la tabla observamos como la función de cuantía toma el máximo
valor
0.15 cuando la variable toma el valor 10. Por lo tanto 𝑀𝑜 = 10
Para hallar mediana y cuartiles necesitamos la función de distribución. Función que

podemos expresar diciendo que los saltos se producen cuando la variable pasa de un
punto a otro según la siguiente tabla
𝑥 5 6 7 8 9 10 11 12 13 14 15 16
𝐹(𝑥) 0.05 0.12 0.20 0.3 0.42 0.57 0.68 0.77 0.85 0.92 0.97 1
De aquí podemos deducir que 𝑀𝑒 = 10 y 𝑄3 = 12, puesto que son los primeros
1 3
valores donde la distribución supera y respectivamente.
2 4
𝐸[𝑋] = 5 ∙ 0.05 + 6 ∙ 0.07 + 7 ∙ 0.08 + 8 ∙ 0.1 + 9 ∙ 0.12 + 10 ∙ 0.15 + 11 ∙ 0.11 +
+12 ∙ 0.09 + 13 ∙ 0.08 + 14 ∙ 0.07 + 15 ∙ 0.05 + 16 ∙ 0.03 =
= 0.25 + 0.42 + 0.56 + 0.8 + 1.08 + 1.5 + 1.21 + 1.08 + 1.04 + 0.98 + 0.75 + 0.48
= 10.15
𝐸[𝑋 2 ] = 52 ∙ 0.05 + 62 ∙ 0.07 + 72 ∙ 0.08 + 82 ∙ 0.1 + 92 ∙ 0.12 + 102 ∙ 0.15 +
+112 ∙ 0.11 + 122 ∙ 0.09 + 132 ∙ 0.08 + 142 ∙ 0.07 + 152 ∙ 0.05 + 162 ∙ 0.03 =
= 1.25 + 2.52 + 3.92 + 6.4 + 9.72 + 15 + 13.31 + 12.96 + 13.52 + 13.72 + 11.25
+ 7.68 = 111.25
Luego
𝜎 2 = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 = 111.25 − 10.152 = 8.2275; 𝜎 = √8.2275 = 2.8684
Merece la pena comentar como moda y mediana son iguales y la esperanza

matemática está muy próxima. Esto nos dice que la distribución presenta
(estadísticamente hablando) un buen comportamiento
28

Variable Aleatoria PDF

Cargado por

Copyright:

Formatos disponibles

Variable Aleatoria PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variable Aleatoria PDF

Cargado por

Copyright:

Formatos disponibles

RELACIONES LABORALES PRIMER0.

La idea de variable aleatoria es simplemente transformar los elementos del

Una variable aleatoria 𝑋 será una aplicación del espacio muestral en el

De forma que la probabilidad original se transforme en una nueva probabilidad

A esta probabilidad 𝑃𝑋 se le llama probabilidad inducida por la variable aleatoria 𝑋.

No obstante, el trabajo con la probabilidad inducida no es lo suficientemente

La función de distribución verifica las siguientes propiedades:

𝑃𝑋 ( ]−∞, 𝑥]) = 𝐹(𝑥)

Además, de este desarrollo se deduce un importante resultado:

𝑃𝑋 ( ]𝑥, 𝑦] ) = 𝐹(𝑦) − 𝐹(𝑥)

3) La función de distribución es continua por la derecha. 𝐹(𝑎) = lim+ 𝐹(𝑥)

La gráfica de la función de distribución asociada a una variable aleatoria sería del

Cuando la función de distribución es discontinua en un punto es porque la

𝑃(𝑋 = 𝑎) = 𝑃(𝑋 ≤ 𝑎) − 𝑃(𝑋 < 𝑎) = 𝐹(𝑎) − 𝐹(𝑎− )

𝐹(𝑎− ) = lim− 𝐹(𝑥)

Asía pues, si 𝐹(𝑎) ≠ 𝐹(𝑎− ) entonces 𝑃(𝑋 = 𝑎) ≠ 0 por lo que se cumple lo

Cuando un punto es un punto de discontinuidad de la función de distribución, se le

Al conjunto de los puntos de salto de una función de distribución se llama Soporte de

En este caso la gráfica de la función de distribución será escalonada (todo el

Asimismo, también verifica las siguientes propiedades:

1 = 𝑃(𝑆) = ∑ 𝑃𝑋 ( {𝑥} ) = ∑ 𝑓(𝑥)

Además, existe una relación entre la función de distribución y la función de cuantía de

𝐹(𝑥) = 𝑃𝑋 ( ]−∞, 𝑥] ) = 𝑃𝑋 ( ]−∞, 𝑥] ∩ 𝑆 ) = ∑ 𝑃𝑋 ( {𝑡} ) =

Por otra parte, ya hemos visto que

𝑃𝑋 ( {𝑥} ) = 𝐹(𝑥) − 𝐹(𝑥 − ) ⟹ 𝑓(𝑥) = 𝐹(𝑥) − 𝐹(𝑥 − )

En un piso formado por 5 estudiantes quieren sortear a quien le corresponde

Basándonos en esto definimos la variable aleatoria 𝑋 como la que nos da el

Para que el primero que extrae palillos extraiga el corto será

Cuya gráfica sería

Ω = {(1,1), (1,2), … , (1,6), (2,1), … , (2,6), … , (6,1), … , (6,6)}

que tiene 36 sucesos elementales que consideraremos equiprobables, por lo que la

Así pues, si consideramos la variable aleatoria 𝑋 que nos da la suma de los

Por lo que la correspondiente función de distribución será

cuya gráfica será

= 𝑃(𝑋 = 2) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 8) + 𝑃(𝑋 = 10) + 𝑃(𝑋 = 12) =

Asimismo, también verifica las siguientes propiedades:

Además, existe una relación entre la función de distribución y la función de cuantía de

Por otra parte, si derivamos

CONOCIMIENTOS MATEMÁTICOS PREVIOS.-

Es necesario repasar algunos conceptos matemáticos básicos para poder

Solo indicaremos lo imprescindible con objeto de no agobiar.

Para el tema anterior necesitamos el uso de derivadas e integrales.

Los tipos de funciones con los que trabajaremos se basaran en:

𝑓(𝑥) = 𝑥 𝑛 ; 𝑓′(𝑥) = 𝑛𝑥 𝑛−1

ℎ(𝑥) = 𝑘 ∙ 𝑓(𝑥); ℎ′ (𝑥) = 𝑘 ∙ 𝑓′(𝑥)

ℎ(𝑥) = 𝑓(𝑥) + 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) + 𝑔′(𝑥)

ℎ(𝑥) = 𝑓(𝑥) − 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) − 𝑔′(𝑥)

ℎ(𝑥) = 𝑓(𝑥) ∙ 𝑔(𝑥); ℎ′ (𝑥) = 𝑓′(𝑥) ∙ 𝑔(𝑥) + 𝑓(𝑥) ∙ 𝑔′(𝑥)

𝑓(𝑥) 𝑓′(𝑥) ∙ 𝑔(𝑥) − 𝑓(𝑥) ∙ 𝑔′(𝑥)

finalmente tendríamos la conocida como regla de la cadena, que es la que se utiliza

ℎ(𝑥) = 𝑔(𝑓(𝑥)); ℎ′ (𝑥) = 𝑔′(𝑓(𝑥)) ∙ 𝑓′(𝑥)

𝑓(𝑥) = 2𝑥 3 − 5𝑥 5 ; 𝑓′(𝑥) = 6𝑥 2 − 25𝑥 4

𝑓(𝑥) = (𝑥 2 + 1)3 ; 𝑓′(𝑥) = 3(𝑥 2 + 1)2 ∙ 2𝑥 = 6𝑥(𝑥 2 + 1)2

En cuanto a la integración, simplemente decir que para el cálculo de la primitiva

Con respecto a las operaciones:

∫ 𝑔(𝑥)𝑑𝑥 = 𝐺(𝑥) + 𝑘; ∫ 𝑎 ∙ 𝑔(𝑥)𝑑𝑥 = 𝑎 ∙ 𝐺(𝑥) + 𝑘

∫ 𝑔(𝑥)𝑑𝑥 = 𝐺(𝑥) + 𝑘; ∫ ℎ(𝑥)𝑑𝑥 = 𝐻(𝑥) + 𝑘;

∫(𝑔(𝑥) + ℎ(𝑥))𝑑𝑥 = 𝐺(𝑥) + 𝐻(𝑥) + 𝑘

Basándonos en la integral indefinida, definiremos la integral definida como la