Professional Documents
Culture Documents
MÓDULO 4
VARIABLE ALEATORIA
1
Probabilidad y Estadística Módulo 4
Í NDI CE
Concepto .................................................................................................................................. 3
DESIGUALDAD DE CHEBYSHEV.......................................................................................... 14
ACTIVIDAD 1 .............................................................................................................. 20
ACTIVIDAD 2 .............................................................................................................. 21
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:
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
“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.
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.
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 }
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; .... }
“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.”
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.”
5
Probabilidad y Estadística Módulo 4
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”
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
6
Probabilidad y Estadística Módulo 4
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.
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
Propiedades de la esperanza
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)
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
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)
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:
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
( ) ( )
Var(X) = E X 2 − [ E(X)] 2= E X 2 − µ 2
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.
Propiedades de la varianza
2 2 2 2
Var( c ) = E( c ) − [ E( c ) ] = c − c = 0
10
Probabilidad y Estadística Módulo 4
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 )
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 )
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.
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
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
“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
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.
DESIGUALDAD DE CHEBYSHEV
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.
14
Probabilidad y Estadística Módulo 4
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
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:
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
E ( X ) − k σ = 400 − k 8 0 E ( X ) + k σ = 400 + k 80
1 1
1− = 0 ,90 ⇒ = 0 ,1 0 ⇒ k 2 = 10 ⇒ k = 3 ,1 623
k2 k2
E ( X ) − k σ = 400 − k 80 = 4 00 − 3 ,1623 . 80 1 47 , 02
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
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
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
σ 2X ≥ ∑ d i2 . P ( xi )
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
1
− < − ∑ P ( xi )
k2 di > k σ X
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
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.
1
P [ 4 − 1,5 . 1,095 < X < 4 + 1,5 . 1,0 95] > 1 −
1,5 2
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?
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:
Ejemplo:
Xi 0 1 2
P(Xi) 1/4 1/2 1/4
20
Probabilidad y Estadística Módulo 4
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
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.
21
Probabilidad y Estadística Módulo 4
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?
7.2*
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.
Xi -2 -1 0 1 2 3
P( X i ) 0,1 0,1 0,2 0,2 0,3 0,1
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).
Xi fi
0 5
1 10
2 25
3 30
5 15
XI 1 2 3 4
P( X i ) 0,20 0,29 0,31 0,20
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
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