Probabilidad y Estadística Módulo 4

MÓDULO 4

VARIABLE ALEATORIA

Mg. Adriana Noelia Poco

Lic. Stella Maris Farías

Ciclo lectivo 2014

1
Probabilidad y Estadística Módulo 4

Í NDI CE

VARIABLE ALEATORIA ........................................................................................................... 3

Concepto .................................................................................................................................. 3

Definición de variable aleatoria ............................................................................................... 4

Clasificación de variables aleatorias ......................................................................................... 5

VARIABLE ALEATORIA DISCRETA ....................................................................................... 5

FUNCIÓN DE PROBABILIDAD ............................................................................................ 5

Propiedades de la función de probabilidad ............................................................................. 6

ESPERANZA DE UNA VARIABLE ALEATORIA DISCRETA................................................. 7

Propiedades de la esperanza .................................................................................................. 8

VARIANZA Y DESVIACIÓN ESTÁNDAR DE UNA VARIABLE ALEATORIA DISCRETA . 9

Propiedades de la varianza .................................................................................................. 10

VARIABLES ALEATORIAS CONTINUAS ............................................................................. 11

FUNCIÓN DE DENSIDAD ................................................................................................... 12

ESPERANZA Y VARIANZA PARA UNA VARIABLE ALEATORIA CONTINUA ............... 13

DESIGUALDAD DE CHEBYSHEV.......................................................................................... 14

ACTIVIDAD 1 .............................................................................................................. 20

FUNCIÓN DE PROBABILIDADES ACUMULADAS O FUNCIÓN DE DISTRIBUCIÓN DE

PROBABILIDADES .................................................................................................................. 20

ACTIVIDAD 2 .............................................................................................................. 21

Respuestas a ejercicios .................................................................................................... 24

2
Probabilidad y Estadística Módulo 4

VARIABLE ALEATORIA
Concepto

Al considerar los espacios muestrales para distintos experimentos aleatorios, se observa que
no siempre los conjuntos están formados por valores numéricos. Existen casos en los cuales tanto
el espacio muestral, como cualquier evento en él definido, sí son números, pero en otros estos
conjuntos describen atributos cualitativos.

Ejemplo:

Se considera el experimento: “lanzamiento de un dado”: su espacio muestral es:

E = { 1 ; 2 ; 3 ; 4 ; 5 ; 6 } y en él se definen los sucesos:

a) “que aparezca número par”: A = { 2; 4; 6 }

b) “que aparezca número menor que 5”: B = { 1; 2; 3; 4 }

Se observa que todos ellos tienen como elementos números enteros y por lo tanto son
posibles valores de la variable aleatoria que se defina.

En otros casos, como puede ser el experimento: “lanzamiento de dos monedas”, el espacio
muestral será: E = {( c;c ) ;( c;s ) ;( s;c ) ;( s;s )}

Se advierte que dicho espacio está formado por pares ordenados que corresponden a la
obtención de dos caras, de dos sellos o de una cara y un sello o viceversa. Podemos asignar en
estos experimentos a cada muestra un número real que, puede ser por ejemplo, el número de caras
obtenidas, lográndose así un nuevo conjunto:

X = { 0; 1; 2 }
Si se rerpresenta la relación existente entre los conjuntos antes especificados resulta:

E (c; c) 2 X
(c; s) 1
(s; c)
(s; s) 0

3
Probabilidad y Estadística Módulo 4

Definición de variable aleatoria

“Una variable aleatoria X de un espacio muestral E es una función que hace corresponder a cada
elemento de E un número real.
Es decir que convierte a las muestras en números reales sean o no elementos cuantitativos”

En el ejemplo anterior es fácil asignar valores numéricos, pero existen casos en los que es
necesario asignar números arbitrariamente a cada suceso elemental. Por ejemplo si se estudia el
efecto de una medicina sobre un mal específico, el espacio muestral será:

E = {mejora ; no mejora}

Se proponen aquí números reales al azar, que pueden ser el nº 1 para el primero suceso y el 0
para el segundo; siendo el conjunto: X = { 1; 0 }

Existen experimentos en los que, por las características del problema los números a elegir
están prácticamente determinados. Por ejemplo, en el lanzamiento de un dado, sería una absurda
manera de complicar las cosas, el asignarle a cada suceso elemental un número diferente al de
puntos obtenidos en la cara superior del dado.

Al conjunto de valores que puede tomar la variable aleatoria X se lo llama recorrido de la

variable aleatoria.

De lo visto hasta ahora surge que el objetivo del Cálculo de Probabilidades es desarrollar una
teoría matemática que permita la descripción de ciertos fenómenos que se caracterizan por
producirse al azar, llamados fenómenos aleatorios. De tal modo, un fenómeno aleatorio es toda
experiencia que puede ser repetida tantas veces como se desee y cuyo resultado sea imposible de
prever “a priori”.

Cuando se realiza una experiencia aleatoria se obtiene como resultado una cantidad variable,
llamada suceso elemental, que lleva asociada una probabilidad de ocurrencia y recibe el nombre de
variable aleatoria.

En general, los resultados de experiencias aleatorias se codifican por medio de números

reales. Si se toman muestras al azar de una población de una ciudad y lo que se registra es la edad
o la altura, el resultado de la experiencia viene dado directamente por un número. Pero no ocurre
así si lo que interesa es la nacionalidad, a menos que se convenga en asignar, por ejemplo, el
número 1 a los argentinos, el 2 a los españoles, el 3 a los italianos, etc.

Por ejemplo:

Se arrojan dos dados. Si se toma como suceso la suma de los puntos de las caras superiores,
resulta:
X = { 2 ; 3 ; 4 ; 5 ; 6 ; 7 ; 8 ; 9 , 10 ; 11 ; 12 }

4
Probabilidad y Estadística Módulo 4

Por lo general, las variable aleatoria se denotan con letras mayúsculas X o Y. Las letras
minúsculas se utilizan para expresar un determinado valor de la variable aleatoria correspondiente.
Por ejemplo:
Cuando un estudiante desea conectarse a la red interna de una Universidad, pueden suceder
dos cosas. Si el sistema está activo, el estudiante puede acceder (S), si el sistema no está activo, no
puede hacerlo (F).
El espacio muestral es: E = { S; F }
Se define una variable aleatoria X que toma los valores 1, si se puede establecer la conexión
y 0 si no se logra. X = { 1; 0 }

Clasificación de variables aleatorias

1) Variables aleatorias discretas

En el ejemplo anterior, el espacio muestral es finito, pero existen casos en los cuales el
espacio es infinito numerable, tal el caso del suceso que cuenta el número de microorganismos
presentes en un determinado volumen de líquido: E = { 0; 1; 2; 3; .... }

Generalizando los dos casos podemos definir:

“Una variable aleatoria es discreta si y solo sí entre dos valores consecutivos de la misma no
existe ningún valor intermedio.
Es decir que una VAD tiene un espacio muestral finito o infinito numerable.”

2) Variables aleatorias continuas

Si X puede tomar cualquier valor que pertenece a un intervalo [ a;b ] , los valores de la
variable no son contables y podemos definir:

“Una variable aleatoria es continua si y solo sí entre dos valores cualesquiera de la misma siempre
existen valores intermedios.
Es decir que una VAC tiene un espacio muestral infinito no numerable.”

VARIABLE ALEATORIA DISCRETA

FUNCIÓN DE PROBABILIDAD

Si volvemos a nuestro experimento: “lanzamiento de dos monedas”, el espacio muestral es:

E = { ( c;c ) ; ( c;s ) ; ( s;c ) ; ( s;s ) }

5
Probabilidad y Estadística Módulo 4

Si asignamos a la variable aleatoria X el número de caras obtenidas, su recorrido es:

X = { 0; 1; 2 }

Si asociamos a cada valor de X con el de su probabilidad obtenemos una nueva función

llamada función de probabilidad.

Gráficamente:
X P(X)
E (c; c) 2 1/4
(c; s) 1 1/2
(s; c)
(s; s) 0 1/4

Definimos:

“Se llama función de probabilidad a la función que hace corresponder a cada elemento del espacio
muestral el valor de su probabilidad”

La función de probabilidad se puede representar gráficamente por medio de diagramas de

Venn, como en el ejemplo que antecede, pero es más común presentarla utilizando una tabla o un
diagrama cartesiano:
P(X)
1/2
Xi 0 1 2
P(X i ) ¼ ½ ¼ 1/4

Busque en la bibliografía tres ejemplos de variable aleatoria discreta. Plantear

el problema y realizar la tabla que muestre la distribución de probabilidades
de la misma.

Propiedades de la función de probabilidad

1) La probabilidad de cualquier valor de la variable es siempre positiva: 0 ≤ P( x i ) ≤ 1

2) La suma de las probabilidades de todos los valores que puede tomar la variable aleatoria es
n
igual a 1 o sea el 100%: ∑ P( x
i =1
i
) =1

3) La probabilidad del evento imposible es nula. P( ∅ ) = 0

6
Probabilidad y Estadística Módulo 4

ESPERANZA DE UNA VARIABLE ALEATORIA DISCRETA

Se analiza en el siguiente ejemplo el caso en el que la variable aleatoria tiene un recorrido
finito, dejando para más adelante las variables de recorrido infinito, numerable o no numerable.

Ejemplo:

Se supone que un fabricante produce artículos de los cuales el 10% son defectuosos y el
90% están bien. Si produce un artículo correcto gana $5; en cambio si el artículo es defectuoso
pierde $1.

Sea la variable aleatoria X el dinero que gana o pierde al fabricar cada artículo. Entonces
dicha variable tomará el valor X = +5, si el artículo está en buenas condiciones y el calor X = -1, si
es defectuoso.

La variable aleatoria X tiene una función de probabilidad dada por la siguiente tabla:

xi -1 5
P(xi) 0,1 0,9

Si por ejemplo fabrica 100 artículos, es de esperar que 90 estén en buenas condiciones y 10
sean defectuosos, lo que lleva a suponer que su ganancia será:

(-1) . 10 + 5 . 90 = 440

Para saber cuanto ganará por cada artículo en promedio, debemos dividir por 100 y la
ganancia será de $4,40, denominándose a este valor esperanza matemática o valor esperado, el que
se simboliza con E ( X ) o también con la letra griega µ.

Lo mismo podemos obtener realizando el producto:

n
( -1 ) . 0,1 + 5 . 0,9 = x1 . P ( x 1 ) + x 2 . P ( x 2 ) = ∑x
i =1
i
. P( x i )

Definimos:

Si X es una variable aleatoria discreta finita, que puede tomar los valores x1; x2; ...xn, con las
probabilidades P ( x 1 ) ; P ( x 2 ) ; P ( x n ), respectivamente, se llama esperanza matemática o
valor medio de dicha variable aleatoria a la expresión:
n
E(X)= ∑x
i =1
i
. P( x i ) = µ

7
Probabilidad y Estadística Módulo 4

Por ejemplo:

Si se arroja una moneda honrada dos veces y la variable aleatoria es el número de caras que
aparece, tenemos:
1 1 1
P(X = 0 ) = P(X = 1 ) = P(X = 2 ) =
4 2 4
1 1 1
Entonces la esperanza es: E(X) = 0 . + 1 . + 2 . = 1
4 2 4

Es decir que el valor esperado es que salga una cara.

Demuestre analíticamente la relación entre las fórmulas de cálculo de X y µ X .

Busque en la bibliografía dos ejemplos de variable aleatoria discreta. Plantear el

problema y realizar la tabla que muestre la distribución de probabilidades de la misma.

Propiedades de la esperanza

Si la variable aleatoria toma un único valor constante c, la esperanza de dicha constante es

igual a ella misma.
E(c) = c
1 1
E( c ) = ∑ c .P( c ) = c . ∑ P( c ) = c .1 = c
i =1 i =1

Si a la variable aleatoria X se la multiplica por una constante c resulta que la esperanza del
producto es igual al producto de la constante por la esperanza de la variable.
E(c.X) = c.E(X)
n n
E( c . X ) = ∑ c . x i . P( x i ) = c . ∑ x i . P( x i ) = c . E( X )
i =1 i =1

La esperanza de una suma de dos variables aleatorias es igual a la suma de las esperanzas de
cada una de las variables.
E(X + Y) = E(X) + E(Y)

Sean X e Y dos variables aleatoria discretas definidas para

i = 1; 2;...;n j = 1; 2;...;m
Considerando: (
Pij = P X = X i ∩ Y = Y j )

8
Probabilidad y Estadística Módulo 4
n m n m
E( X i + Y j ) = ∑∑ X i + Y j
i =1 j =1
( ) P = ∑∑ ( X
ij
i =1 j =1
i
.Pij + Y j . Pij )=
n m n m n m n m

i =1 j =1
(
= ∑∑ X i .Pij + ∑∑ Y j . Pij ) i =1 j =1
( ) =∑ X ∑ P
i =1
i
j =1
ij
+ ∑ Y j ∑ Pij
i =1 j =1

Aplicando el concepto de probabilidad marginal:

m n
Pi = ∑ Pij = P X = X i ( ) y P j = ∑ Pij = P Y = Y j ( )
j =1 i =1
n m
= ∑ X i . P X i + ∑ Y j . P Y j = E( X ) + E( Y )
i =1
( ) j =1
( )
La esperanza del producto de dos variables independientes entre sí es igual al producto de las
esperanzas de cada una de ellas.
E(X . Y) = E(X) . E(Y)

Demuestre analíticamente esta propiedad.

VARIANZA Y DESVIACIÓN ESTÁNDAR DE UNA VARIABLE ALEATORIA

DISCRETA

Aunque la esperanza matemática de una variable aleatoria es un dato muy importante, no

dice nada de la dispersión de los valores de dicha variable respecto del valor medio.

Por ejemplo si se tiene un grupo de personas en el que todos pesan 70 kg. y otro grupo en el
que la mitad pesa 60 kg. y la otra mitad pesa 80 kg., en ambos casos obtenemos el mismo valor
medio y sin embargo se observa que son dos grupos con características bien diferentes respecto al
peso.
Es importante, por lo tanto, analizar la separación de los valores individuales de X con
respecto a su valor central; para esto definimos:

Desvío: es la diferencia ente cada valor de la variable aleatoria y su valor esperado.

di = xi − µ

Varianza: es la esperanza de los cuadrados de los desvíos de la variable aleatoria.

n
Var(X) = E(d i )2 = ∑ ( di )2 .P(di )
i =1

9
Probabilidad y Estadística Módulo 4

Definimos:

La varianza de una variable aleatoria es la esperanza de los cuadrados de los desvíos de dicha
variable con respecto a la media.
n
Var(X) = E(D)2 = ∑ ( xi − µ)2 .P(xi )
i =1

Puede también demostrarse que la varianza puede calcularse por la fórmula:

( ) ( )
Var(X) = E X 2 − [ E(X)] 2= E X 2 − µ 2

Demuestre analíticamente esta fórmula.

Ejemplo
En un ensayo experimental se dividió el predio en 90 parcelas, en las cuales se plantaron 10
plantas de un determinado cultivo en cada una y posteriormente se contó el número de plántulas
que emergieron, volcándose los resultados en la siguiente tabla:

X fi X fi
3 1 7 19
4 2 8 25
5 5 9 18
6 12 10 8

Se puede hallar que: E ( X ) = 7,59 y Var( X ) = 2,26. Esto indica que germinaron en
promedio 7,59 plantas con una dispersión de resultados respecto de la media de 2, 26 plantas.

Desviación estándar: es la raíz cuadrada de la varianza.

σ = Var(X)
En nuestro ejemplo σ = 1,505.

Propiedades de la varianza

Si la variable aleatoria toma solo el valor constante c es: Var ( c ) = 0

2 2 2 2
Var( c ) = E( c ) − [ E( c ) ] = c − c = 0

10
Probabilidad y Estadística Módulo 4

Si a la variable aleatoria X se la multiplica por una constante c es:

Var ( c . X ) = c 2. Var ( X )

2 2
Var( c.X ) = E  ( c.X )  − [ E( c.X ) ] = E  c .X  − [ E( c.X ) ] =
2 2 2
   
2 2
= c E  X  − [ c E( X ) ] = c E  X  − c [ E( X ) ] = c  E( X ) − E( X )  =
2 2 2 2 2 2 2 2
     
2
c .Var( X )

Si X e Y son variables aleatorias independientes, entonces:

Var ( X + Y ) = Var ( X ) + Var ( Y )

2 2
Var( X + Y ) = E( X + Y ) − [ E( X + Y ) ] =
2 2 2
= E( X + 2 XY + Y ) − [ E( X ) + E( Y ) ] =
Aplicando las propiedades de la esperanza, resulta:
2 2 2 2
E( X ) + 2 E( X .Y ) + E( Y ) − [ E( X ) ] − 2 E( X ).E( Y ) − [ E( Y ) ] =
2 2 2 2
= E( X ) + 2 E( X ).E( Y ) + E( Y ) − [ E( X ) ] − 2 E( X ).E( Y ) − [ E( Y ) ] =
Simplificando los términos semejantes y agrupando:

{ 2
= E( X ) − [ E( X ) ]
2
} +{ E( Y 2
) − [ E( Y ) ]
2
}=
= Var( X ) + Var( Y )

VARIABLES ALEATORIAS CONTINUAS

Hasta ahora se han considerado variables aleatorias que podían tomar un número finito de
valores o un número infinito de ellos pero numerables. Existen casos en los cuáles la variable
aleatoria puede tomar infinitos valores no numerables, como por ejemplo la estatura de las
personas, el peso de un producto, etc.

Mientras que para la variable aleatoria discreta, entre dos valores consecutivos de la misma
no existe un valor intermedio, para una variable continua (VAC), entre dos valores cualesquiera
existen otros infinitos valores posibles.

En resumen, la medición exacta de una VAC es imposible y sólo podemos decir que está en
un intervalo. Al no poder numerar todos los elementos del recorrido de una VAC tampoco
podemos definir la función de probabilidad como lo hicimos para la VAD, pero además como no
podemos conocer el valor exacto que tomo la variable tampoco interesa su probabilidad puntual.
En realidad resulta útil una función que para cada valor de la misma nos permita conocer la
probabilidad de que dicho valor se encuentre en un determinado intervalo.

11
Probabilidad y Estadística Módulo 4

FUNCIÓN DE DENSIDAD

Necesitamos, entonces una función, a la que llamaremos función de densidad, que debe estar
definida para todos los números reales y que nos permita calcular la probabilidad P (a ≤ X ≤ b )
hallando el área limitada por su gráfico en el intervalo [a; b]

Definimos:

“Dada una variable aleatoria continua llamamos función de densidad de X a la función F:ℜ→ℜ
que cumple con las siguientes propiedades:
∞
1. ∀ x ∈ ℝ ⇒ f(x) ≥ 0 2. ∫ f(x) dx = 1
−∞
b
3. Si a < b, siendo a y b números reales, resulta: P(a ≤ X ≤ b) = ∫ f(x) dx ”
a

Esto indica que el área encerrada entre la función de densidad y el eje de abscisas debe ser 1;
y además la probabilidad de que X tome valores entre a y b está medida por el área entre la
función de densidad, el eje de abscisas y las rectas x = a , x = b.

f (X)

Área = P ( a ≤ X ≤ b )

La primera propiedad nos dice que el gráfico de la función de densidad no puede estar por
debajo del eje de abscisas, lo que es bastante lógico ya que en caso contrario la integral dada en la
propiedad 3 sería negativa, resultado no posible para una propiedad.

La segunda propiedad nos indica que el área total limitada por el gráfico y el eje de abscisas
debe ser uno, pues indica la propiedad total.

De la definición anterior se obtiene.

a
P( X = a ) = ∫ f(x) dx = 0 que no significa que el suceso X = a no puede ocurrir,
a
sino que no lo podemos observar. Por ello:
P( a < X < b ) = P( a ≤ X < b ) = P( a < X ≤ b ) = P( a ≤ X ≤ b )

12
Probabilidad y Estadística Módulo 4

Razonemos un poco ¿???!!!!!

La duración en horas de una máquina es una variable aleatoria continua con función de
 1 −
x
1600
 e ∀x > 0
densidad f ( x ) =  1600
0
 para otro valor de x
¿Cuál es la probabilidad de que dure más de 4000 horas sin fallar?

Rta: 0.082

ESPERANZA Y VARIANZA PARA UNA VARIABLE ALEATORIA

CONTINUA
Definimos:

“Si X es una variable aleatoria continua, se llama esperanza matemática o valor medio de dicha
variable aleatoria a la expresión:
∞
E(X)= ∫ x. f ( x ) dx ”
−∞

Ejemplo:
Si la función de densidad de una VAC es:

1 2
 x si 0≤ x≤2 x 4
f(x) =  2 E( X ) = ∫ x. 2 dx =
3
 0 para otro valor de x 0

Asimismo, como en el caso de la variable aleatoria discreta, definimos a la varianza de X

como:
( )
Var( X ) = E X 2 − [ E( X ) ] 2= E X 2 − µ 2 ( )
Para el ejemplo anterior es:
2
E X ( ) = ∫ x2 . 2x
2
dx = 2
0

16 2
Por lo que resulta: Var( X ) = 2 − =
9 9

13
Probabilidad y Estadística Módulo 4

Las propiedades de la esperanza y de la varianza son las mismas que para la VAD.

Busque en la bibliografía un ejemplos de variable aleatoria continua que permita hallar su

esperanza y varianza.

DESIGUALDAD DE CHEBYSHEV

Una fábrica de caños para instalaciones cloacales desea saber si su producción

mantiene la calidad que se ha publicitado en los folletos técnicos. Para ello toma una
muestra de 600 caños y mide a un metro del extremo de los mismos su diámetro
externo, resultando un diámetro medio de 9,6 centímetros con una desviación
estándar de 0,8 centímetros.
a) ¿qué porcentaje de las observaciones estarán entre 9,48 cm. y 9,72 cm.?

b) ¿entre qué valores se halla el 95% de las mediciones?

Todavía no estamos en condiciones de resolver este problema y por ello se debe estudiar con
profundidad un célebre teorema desarrollado por Pafnutii L'vovich Chebyshev, 1821-1894.

Según lo estudiado hasta ahora, la desviación estándar de un conjunto, sea población o

muestra, mide el grado de heterogeneidad de los resultados obtenidos. Esto implica que si un
grupo es muy homogéneo su dispersión será pequeña, todos los valores están muy próximos a la
media y encontraremos muy pocos casos que se apartan de ella. Por el contrario, si la desviación
estándar es grande el grupo es más disperso, por lo que los valores medidos o los resultados
hallados se apartan en gran medida del punto medio.

Esta aplicación, es decir medir el grado de variabilidad de un grupo, no es la única utilidad

de la desviación estándar. El matemático ruso P. L. Chebyshev desarrolló un teorema, que hoy
lleva su nombre, que permite encontrar la proporción mínima de valores de la variable aleatoria
que se encuentran dentro de un intervalo especificado alrededor de la media.
Generalmente, si se conoce la función de probabilidad en una variable aleatoria discreta o la
función de densidad de una variable aleatoria continua, se puede obtener su esperanza y su
varianza.
La recíproca no siempre es cierta. Si se conoce la esperanza y la varianza de una variable
aleatoria no es posible determinar la ley de probabilidad de la misma y, por lo tanto, no se puede
hallar la probabilidad de que la variable aleatoria esté contenida en un intervalo dado.
El teorema de Chebyshev permite calcular la probabilidad mínima de que una variable
aleatoria se encuentre contenida en un intervalo cuyos extremos equidisten del promedio esperado.

14
Probabilidad y Estadística Módulo 4

Enunciamos este teorema diciendo:

Para un conjunto cualquiera de observaciones (muestra o población), la proporción mínima

de los valores que se encuentran dentro de k desviaciones estándares a partir de la media es mayor
1
o igual que 1 − , donde k es una constante mayor que 1.
k2
En símbolos:

1
P  X − E ( X ) < k σ X  ≥ 1 − 1
k2
o también

1
P  X − E ( X ) ≥ k σ X  ≤ 2
k2

Si analizamos la 1 vemos que dentro del corchete aparece una desigualdad cuyo punto
medio es la esperanza matemática o valor promedio y la distancia a considerar simétricamente con
respecto a dicho valor es el producto de k veces la desviación estándar. Transformando dicha
desigualdad en un intervalo resulta:

1
P  E ( X ) − k σ X < X < E ( X ) + k σ X  ≥ 1 − 1'
k2

Si realizamos el mismo trabajo en la 2 resulta:

X − E ( X ) ≥ k σ X ∨ X − E ( X ) ≤ −kσ X

X ≥ E ( X ) + k σ X ∨ X ≤ E ( X ) − kσ X 2'

La 1' nos permite calcular la probabilidad mínima de que la variable X esté contenida en el
intervalo ( E ( X ) − k σ X ; E ( X ) + k σ X ) , mientras que la 2' nos indica la probabilidad máxima
de que la variable X esté contenida en el intervalo infinito
( − ∞ ; E ( X ) − k σ X  ∪  E ( X ) + k σ X ; + ∞ ) .
Regla empírica:

El teorema de Chebyshev se puede aplicar para cualquier conjunto de valores; es decir que el
conjunto de observaciones puede tener cualquier distribución y no interesa la forma de la misma. .
Sin embargo, para una distribución con forma de campana simétrica, del tipo de la normal, se logra

15
Probabilidad y Estadística Módulo 4
mayor precisión en los cálculos de la dispersión con respecto a la media. Por esto la regla normal
enuncia:

Para una distribución de frecuencias simétrica de campana, aproximadamente el 68% de las

observaciones estará a más o menos una desviación estándar desde la media; el 95% de tales
observaciones se hallarán a más o menos dos veces la desviación estándar con respecto a la misma
y prácticamente todas las observaciones (99,7%) se ubicarán a más o menos tres desviación
estándar desde la media.

Ejemplo:

Un recolector de residuos urbanos junta un promedio anual de 400 toneladas de basura con
una desviación estándar de 80 toneladas.
a) ¿Entre que valores recolectará este año con una seguridad del 90%?
b) ¿Cuál es la probabilidad de que en este año recolecte entre 250 y 550 toneladas?
Datos: E ( X ) = 4 00 σ X = 80

a) En este caso conocemos la probabilidad y deseamos determinar los límites. Aplicando la

primera definición tenemos:
P  X − 4 00 < k 8 0  ≥ 0 ,90

Mientras que los extremos del intervalo pueden expresarse mediante:

E ( X ) − k σ = 400 − k 8 0 E ( X ) + k σ = 400 + k 80

Para hallar dichos límites debemos calcular antes el valor de k.

1 1
1− = 0 ,90 ⇒ = 0 ,1 0 ⇒ k 2 = 10 ⇒ k = 3 ,1 623
k2 k2

Con dicho valor calculamos los extremos:

E ( X ) − k σ = 400 − k 80 = 4 00 − 3 ,1623 . 80 1 47 , 02

E ( X ) + k σ = 400 + k 80 = 4 00 + 3 ,162 3 . 80 = 65 2 ,982

Aseguramos con una seguridad del 90% que este año recolectará entre 147,02 y 652,982
toneladas.

16
Probabilidad y Estadística Módulo 4

b) Para este caso conocemos como datos los extremos del intervalo y debemos hallar la
probabilidad, o sea que en lenguaje simbólico enunciamos:

1
P [ 250 < X < 55 0] ≥ 1 −
k2

Verificamos, en primer lugar que los límites equidisten de la media:

Li = E ( X ) − k σ ⇒ k σ = 400 − 2 50 = 150
Ls = E ( X ) + k σ ⇒ k σ = 5 50 − 4 00 = 1 50

Como comprobamos que realmente los extremos dados se encuentran a igual distancia hacia
la izquierda y hacia la derecha del punto medio de la distribución, aplicamos ahora el teorema y
obtenemos:

1 50
k σ = k 80 = 1 50 ⇒ k = = 1 ,8 75
80
1
Reemplazando el valor hallado tenemos: 1− = 0 ,7156
k2

Por lo que la simbología del teorema resulta: P  X − 400 < 1 ,875 . 80 ≥ 0 ,7156

La probabilidad de que las toneladas recolectadas equidisten de 400 toneladas en a lo sumo

1,875 veces la desviación estándar es al menos del 71,56 %; o sea que la probabilidad de recolectar
entre 250 y 550 toneladas es al menos de aproximadamente 72 %.

Demostración:
El promedio o valor esperado está expresado por: E ( X ) = ∑ xi P(xi ) y la varianza es
2
σ 2X = ∑  xi − E ( X ) . P ( xi ) = ∑ d i 2 P ( d i )

Si consideramos un valor determinado para k podemos dividir a los desvíos en dos grupos,
los que son menores que k . σ X y los que son mayores que dicho valor.
di ≤ k σ X di > k σ X
La varianza pude entonces escribirse como:

σ 2X = ∑ d i2 . P ( xi ) + ∑ d i2 . P ( xi )
di≤ k σ X di > k σ X

17
Probabilidad y Estadística Módulo 4

Si suprimimos el primer término de la suma que aparece en el segundo miembro la igualdad

se transforma en una desigualdad, aunque si el término suprimido es cero puede mantenerse la
igualdad:

σ 2X ≥ ∑ d i2 . P ( xi )
di > k σ X

A su vez, si d i > k σ X ⇒ d i2 > k 2 σ X

2

Por lo tanto, σ 2X > ∑ k 2 σX

2 .P x
( i)
di > k σ X

Como k y σ X son constantes podemos extraer dichos valores como factores comunes:

1
σ 2X > k 2 σ X
2
∑ P ( xi ) ⇒ > ∑ P ( xi )
di > k σX k2 di > k σ X

Multiplico la última desigualdad por (-1):

1
− < − ∑ P ( xi )
k2 di > k σ X

Sumamos miembro a miembro 1:

1 1
1− <1− ∑ P ( xi ) ⇒ 1− < ∑ P ( xi )
k2 di > k σX k2 di ≤ k σ X

1 1
1− < ∑ P (di < k σ X ) ⇒ 1− < ∑ (
P xi − E ( X ) < k σ X )
k2 di ≤ k σX k2 di ≤ k σ X
1
P  E ( X ) − k σ X < X < E ( X ) + k σ X  > 1 −
k2

18
Probabilidad y Estadística Módulo 4

Razonemos un poco ¿???!!!!!

Demuestre Ud. la desigualdad de Chebyshev para una variable aleatoria continua.

Ejemplo:

Encuestamos a 100 alumnos de una universidad sobre sus visitas semanales a la biblioteca,
las respuestas se presentan en el siguiente cuadro:
X (nº de visitas en una semana) fi P(xi) di

2 10 0,10 2 di ≥ k σ X
3 20 0,20 1
4 40 0,40 0 di < k σ X
5 20 0,20 1
6 10 0,10 2 di ≥ k σ X
Total 100
El promedio o valor esperado es: E ( X ) = ∑ xi P(xi ) = 4 y su desviación estándar es
σ X = 1 ,095 .

Si consideramos k = 1 ,5 podemos dividir a los desvíos en dos grupos, los que son menores
que k .σ X o sea que 1 ,5 . σ X = 1 ,5 .1 ,095 = 1 ,64 y los que son mayores que dicho valor.

di < 1 ,64 di ≥ 1 ,64

Aplicando nuestra desigualdad tendremos:

1
P [ 4 − 1,5 . 1,095 < X < 4 + 1,5 . 1,0 95] > 1 −
1,5 2

P [ 2 ,3 575 < X < 5,64 25] > 0 ,55 56

O sea que la probabilidad de que la variable aleatoria esté comprendida entre 2,3575 y
5,6425 es mayor que aproximadamente el 56%.
Si analizamos los valores tabulados vemos que dicha probabilidad es del 0,20+0,40+0,20 =
0,80 = 80%.

19
Probabilidad y Estadística Módulo 4

ACTIVIDAD 1
1) Según el Teorema de Chebyshev, ¿al menos qué porcentaje de cualquier conjunto
de observaciones se encontrará a 1,6 desviaciones estándares de la media?

2) El ingreso medio para un grupo de empleados estatales es de $500 y la desviación

estándar es de $30. ¿Cómo mínimo qué porcentajes de ingresos se encontrará
entre $400 y $600?

3) Los siguientes datos representan las comisiones semanales diarias de un grupo de

vendedores de productos lácteos:
20,6 22,2 18,2 18,0 28,5 26,0 12,9 22,0
16,4 20,6 26,0 22,4 14,6 10,6 24,5 16,0
22,8 17,4 21,2 19,0 22,2 20,5 11,6 18,2
3.1* Elabore la distribución de frecuencias para los datos dados.
3.2* Calcule la media y la desviación estándar.
3.3* ¿Qué proporción de estas comisiones están dentro de ± 1 σ de la media?
3.4* ¿Qué proporción de estas comisiones están dentro de ± 2 σ de la media?
3.5* ¿Qué proporción de estas comisiones están dentro de ± 3 σ de la media?

FUNCIÓN DE PROBABILIDADES ACUMULADAS O FUNCIÓN DE

DISTRIBUCIÓN DE PROBABILIDADES

En algunos casos interesa saber la probabilidad de que una VA discreta o continua tome
valores menores o iguales a uno dado y para ello consideramos la siguiente definición:

“Sea X una variable aleatoria discreta o continua. La función de distribución F ( x ) es la función

k
F : ℝ → ℝ definida por: F( xk ) = P( X ≤ xk ) = ∑ P( xi ) ”
i =1

Ejemplo:

El siguiente recorrido corresponde al número de caras obtenidas en el lanzamiento de dos

monedas:

Xi 0 1 2
P(Xi) 1/4 1/2 1/4

20
Probabilidad y Estadística Módulo 4

De acuerdo con la definición:

1 1 1 3 1 1 1
P( X ≤ 0 ) = P( X ≤ 1) = + = P( X ≤ 2 ) = + + =1
4 4 2 4 4 2 4

Gráficamente:

F(x)
1
3/4
1/4
X
0 1 2

Investigar el caso continuo y proponer un ejemplo que lo muestre

ACTIVIDAD 2

1) Decir de las variables siguientes cuáles representan datos discretos y cuáles datos
continuos.
1.1* N° de acciones vendidas c/ día en el mercado de valores
1.2* Temperaturas registradas c/ media hora en un observatorio.
1.3* Período de duración de tubos de TV
1.4* Censos anuales
1.5* Longitud de 100 cerrojos producidos por una fabrica.

2) Una moneda cargada que tiene el doble de probabilidades de salir cara, que de salir
sello tira 3 veces:
2.1* describir el espacio muestral
2.2* calcular la probabilidad para cada suceso elemental
2.3* si la variable aleatoria es el n° de caras que salen, definir mediante una tabla la f
de probabilidades y describir su distribución mediante un diagrama.

3) Se lanza un par de dados corrientes. Definir la variable aleatoria que hace

corresponder a c/ evento del espacio muestral:
X = el máximo de sus números. Y = la suma de sus números.
Definir las funciones de probabilidades y representar por tabla y por diagrama.

21
Probabilidad y Estadística Módulo 4

4) Hallar las probabilidades de tener hijos varones y mujeres en familias de 3 hijos.

Determinar y representar la distribución de probabilidades.

5) En una caja hay 8 artículos de los cuales 2 son defectuosos. Una persona selecciona
3 artículos con reposición. Calcular el número esperado de artículos defectuosos que
saca.

6) Una persona compra un número de rifa en la que puede ganar un primer premio de
$5000 o un segundo premio de $2000 con probabilidades de 0,001 y de 0,003
respectivamente. ¿A qué precio debe pagar el número?

7) Hallar µ , Varb x g , σ de:

7.1*
xi 2 3 11
pb xi g 1/3 1/2 1/6

7.2*

xi -5 -4 1 2
pb xi g 1/4 1/8 1/2 1/2

8) Una compañía propietaria de droguerías desea instalar una nueva sucursal en una
de dos localidades A o B. Según un estudio de mercado efectuado se sabe que en A es
posible obtener una ganancia anual de $2.000.000 si se tiene éxito y una pérdida de
$200.000 si se fracasa. En B la ganancia es de $2.500.000 y la pérdida de $500.000.
Si la probabilidad de tener éxito es de 0,5 en cada localidad; se desea saber dónde se
instalará la sucursal, de modo que el beneficio esperado sea máximo.

9) Dada la función de probabilidad:

Xi -2 -1 0 1 2 3
P( X i ) 0,1 0,1 0,2 0,2 0,3 0,1

9.1* Calcular la esperanza y su desviación estándar.

9.2* Construya la función de distribución acumulada F ( X ) y grafíquela.

10) Un jugador tira un dado honrado. Si sale un número par, gana en pesos 3000
veces el número obtenido. Si sale un número impar pierde $ 4000. ¿Cuánto deberá
pagar para poder entrar en el juego y que el mismo le resulte equitativo?

22
Probabilidad y Estadística Módulo 4

11) Se arroja 4 veces una moneda equilibrada. Sea X la variable aleatoria que asigna
el número de caras obtenidas. Calcular E(X).

12) En un estudio de mercado se está analizando el consumo de pan en una

determinada población. La siguiente distribución de frecuencias muestra el número de
veces que, por semana, las personas van a una panadería:

Xi fi
0 5
1 10
2 25
3 30
5 15

12.1* Calcular E ( X ) y su Var ( X ) y la desviación estándar.

12.2* Hacer el correspondiente diagrama de barras.
12.3* Hallar la función de probabilidades acumuladas y graficarla.

13) Supongamos la variable tipo histológico de un tumor, con los valores 1, 2, 3, 4. Si

la función de probabilidad es:

XI 1 2 3 4
P( X i ) 0,20 0,29 0,31 0,20

13.1* Calcular la función de distribuciones acumuladas.

13.2* ¿Cuál es el tipo histológico que acumula el 50% de los casos?

14) Una variable aleatoria continua en X; que toma solamente valores entre 0 y 4
tiene una función de densidad dada por:

1
 − ax
f ( x) = 2
0
14.1* Hallar el valor de a.
b
14.2* Hallar P 1 ≤ x ≤ 2 g
15) El porcentaje de alcohol en cierto compuesto se puede considerar como una
3
variable, donde X, tiene la función densidad: f ( x ) = a x (1 − x ) para 0 < x < 1 .
15.1* Determinar el valor de la constante a.
15.2* Obtener una expresión para la función de distribución acumulada, F ( x ) y
graficarla.
 2
15.3* Calcular P  X ≤  .
 3

23
Probabilidad y Estadística Módulo 4

Respuestas a ejercicios

ACTIVIDAD 1

1) 60,9% 2) 91%

3) 3.2* µ X = 19,9 σ X = 4, 27
3.3* 0% 3.4* 75% 3.5* 89%

ACTIVIDAD 2

2)
2.1* E = {( c ; c ; c ) ; ( c ; c ; s ) ; ( c ; s ; c ) ; ( s ; c ; c )( s ; s ; c )( s ; c ; s )( c ; s ; s )( s ; s ; s )}
2 1
2.2* Probabilidad de salir cara: p = Probabilidad de salir sello: q =
3 3
2.3*
X 0 1 2 3
1 2 4 8
P(X)
27 9 9 27

3)
X 1 2 3 4 5 6
1 3 5 7 9 11
P(X)
36 36 36 36 36 36

Y 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P(Y)
36 36 36 36 36 36 36 36 36 36 36

4)
X 0 1 2 3
1 3 3 1
P(X)
8 8 8 8

5) E ( X ) = 1, 03

6) E ( X ) = $11

24
Probabilidad y Estadística Módulo 4
7)
2
7.1* µ X = 4 σ X = 10 σ X = 3,16
2
7.2* µ X = −1 σX = 8, 25 σ X = 2,87

8) En la ciudad B.

9)
2
9.1* µ X = 0,8 σ X = 2,16 σ X = 1, 47

10) E ( X ) = $4.000

11) E ( X ) = 2

12)
2
12.1* µ X = 2, 647 σ X = 1,877 σ X = 1,370

13)
13.1*
XI 1 2 3 4
P( X i ) 0,20 0,29 0,31 0,20
F(X) 0,20 0,49 0,80 1

13.2* Los tipos 1 y 2, aproximadamente.

14)
1
14.1* a = 14.2* 31%
8

15)
4 5  2
15.1* a = 20 15.2* F ( X ) = 5 x − 4 x 15.3* P  X ≤  = 0, 461 ≅ 46%
 3

25