3.

VARIABLE ALEATORIA UNIDIMENSIONAL

Sea , un espacio muestral asociado a un experimento aleatorio  . Una función X que

asigna a cada    un número real X (  ) = x , es variable aleatoria si  x  ІR;
existe un evento equivalente en  para el evento [ X (  )  x ] en ІR

Observación:

1. El evento [ X (  )  x ] se escribe generalmente, por simplicidad, como [ X  x ]

2. El evento en términos de la v.a. X ; [ X  x ] es el intervalo - , x ]
3. Al conjunto de los X (  ) = x,     se le llama rango o recorrido de la v.a. X, y es
denotado por RX
4.  y RX son eventos equivalentes
5. La definición de v.a. puede ser generalizada a más dimensiones; dependiendo del
número de v.a. que nos interese estudiar simultáneamente, esto es:
X = ( X1, X2 )  R2 , , X = ( X1, X2, ..., Xn )  Rn

Gráficamente:

 ⎯⎯⎯⎯→ RX  ỊR
 ⎯⎯⎯→ X() = x ỊR

Ejemplo 1.- Lanzar una moneda, simétrica, hasta obtener cara.

Sea la v.a. ; X = Número de lanzamientos
a). Determine el rango de la v.a. X
b). Obtenga algunos eventos equivalentes
Solución:

a). De  se tiene que  =  C , SC , SSC , SSSC , 

Evaluando X en cada    ;
X ( C) = 1
X ( SC ) = 2
X ( SSC ) = 3
X ( SSSC ) = 4
X ( SSSSC ) = 5

Entonces, deducimos que ; RX = 1, 2, 3, 4, 5, 
b). Para determinar los eventos equivalentes  x  ỊR ,
1o Ubicamos RX en ỊR ;
    
- 1 2 3 4 5  +
2º Para cualquier x  ỊR ;
Si x  1   X  x  = −  , x  
Si 1  x  2   X  x = − , x   C
Si 2  x  3   X  x  = −   x   C SC 
Si 4  x  5   X  x  =  −  x    C, SC, SSC, SSSC, SSSSC 
Si 5  x  6   X  x  =  −  x    C, SC, SSC, SSSC, SSSSC 

 Observación.- Otros tipos de eventos en ỊR son :  X = x    X  x   etc.

3.1. CLASIFICACION DE UNA VARIABLE ALEATORIA

3.1.1. VARIABLE ALEATORIA DISCRETA
Si el rango de la v.a. es finito o infinito numerable.
3.1.2. VARIABLE ALEATORIA CONTINUA
Si el rango de la v.a. es infinito no numerable.

3.2. DISTRIBUCION DE PROBABILIDADES DE UNA V. A. UNIDIMENSIONAL

Gráficamente : Sea la v.a. X

  0 1
CONTINUA
 R X  ỊR
DISCRETA
 0, 1
3.2.1. CASO DISCRETO

Sea X una v.a. con RX finito o infinito numerable, y sea p X (x) una función
definida por :

 P X = x si x  RX
p X ( x) = 
 0 si x  RX
Entonces, p X (x) será una FUNCION PROBABILIDAD ( función de Cuantía ) si
cumple :
i. − 0  p X ( x )  1 ;  x  IR
ii. − 
 x  RX
p X ( x) = 1

Al conjunto de pares ( )
x , p X ( x) ,  x RX se le denomina Distribución de
Probabilidad de la v.a. X , y se le presenta, generalmente, en forma tabular :

x x1 x2 x3  xn
p X (x) p X ( x1 ) p X ( x2 ) p X ( x3 )  p X ( xn )

Ejemplo 1 .- Se tira consecutivamente una moneda, simétrica, tres veces y se

observan los lados superiores.
Sea la v.a. X = Número de caras. Determine la distribución de
probabilidades para la v.a. X .

Solución :
 Ω: C
C
S
C C
S
S
■ C
C
S
S C
S
S

Ω = { CCC , CCS , CSC , CSS , SCC , SCS , SSC , SSS }

Evaluando la v.a. X en cada   

X (C C C ) = 3 
X (C C S ) = 2 

X (C S C ) = 2 

X (C S S ) = 1 
  R X = { 0 , 1, 2 , 3 }
X (S C C ) = 2 
X (S C S ) = 1 

X (S S C ) = 1 
X (S S S ) = 0 

Entonces, la distribución de probabilidad para la v.a. X

x 0 1 2 3
p X (x) pX ( 0 ) p X (1 ) p X (2 ) pX ( 3)

donde: p X ( 0 ) = P  X = 0  = P ( SSS ) = P( S ) P( S / S ) P( S / SS ) =
1 1 1 1
  =
2 2 2 8
p X (1) = P X = 1  = P ( CSS  SCS  SSC ) = P( CSS ) + P ( SCS ) + P ( SSC )
1 1 1 1 1 1 1 1 1 3
=   +   +   =
2 2 2 2 2 2 2 2 2 8
p X ( 2 ) = P X = 2  = P ( CCS  CSC  SCC ) = P( CCS ) + P ( CSC ) + P ( SCC )
1 1 1 1 1 1 1 1 1 3
=   +   +   =
2 2 2 2 2 2 2 2 2 8
p X ( 3 ) = P X = 3  = P ( CCC ) = P( C ) P(C / C ) P(C / CC ) =   =
1 1 1 1
2 2 2 8

x 0 1 2 3
1 3 3 1
p X (x)
8 8 8 8

Usando la distribución de probabilidad ( modelo ) obtenido evaluar la probabilidad

de los siguientes eventos:
 a). A= X = 1,5 
b). B= X 2 
c). C = 0,5  X  2,5 
d). D= X  3,5 
e). E = X  100 
Solución : Ubicamos los valores de RX en ỊR

− 0 1 2 3 +
a). P X = 1,5  = 0 ... por definición

b). P X  2  = P  X = 0    X = 1 
= P X = 0  + P  X = 1  =
1 3 4 1
+ = =
8 8 8 2
P 0,5  X  2,5  = P  X = 1    X = 2  = +
3 3 6 3
c). = =
8 8 8 4
d). P X  3,5  = P   = 0
e). P X  100  = P  X = 0    X = 1    X = 2    X = 3 
= P   = 1

Gráfico de la Distribución de Probabilidad para X

p X (x)

3/8

1/8

0 1 2 3

Ejemplo 2 .- Se lanza una moneda, simétrica, hasta obtener cara. Si la variable

aleatoria ( v.a. ) es X = número de lanzamientos.
Determine la distribución de probabilidad para X

Solución :
  :

C ● .

C●
º
S C●

. . .

Ω=  C , SC , SSC , SSSC , SSSSC , ... 

Evaluando la v.a. X en cada ω de Ω

X (C ) = 1
X ( SC ) = 2
X ( SSC) = 3
X ( SSSC) = 4
.
.
.

 RX =  1 , 2 , 3 , 4 , 5 , . . . 
Entonces, la distribución de probabilidad para la v.a. X :

X 1 2 3 4 5 . . .
p X (x) p X (1) p X ( 2) p X (3) p X ( 4) p X (5) . . .

p X (1) = PX = 1 = PC = P(C ) =

1
donde :
2

p X (2) = PX = 2 = PSC = P(SC ) =

1 1

2 2
p X (3) = PX = 3 = PSSC = P(SSC) =  
1 1 1
2 2 2
p X (4) = PX = 4 = PSSSC = P(SSSC) =   
1 1 1 1
2 2 2 2
•
•
•
Por tanto :
 X 1 2 3 4 5 
2 3 4 5
1 1 1 1 1
p X (x)         
2 2 2 2 2

o mediante una expresión genérica para la función de cuantía, dada por :

X
1
p X ( x) =   ; x = 1, 2 , 3, 4 , 5 , 
2

Observación : Para verificar la condición ii , previamente debemos reconocer en los

elementos de p X (x) una progresión geométrica donde la razón es
1
, y se sabe que la suma de un número infinito de términos que
2
a
constituyen una progresión geométrica es donde a es el
1− r
primer término de la progresión y r es la razón.

1 1

a
 
X =1
p X ( x) = = = 2 =1
1− r 1− 1 1
2

2 2

Usando la distribución de probabilidad ( modelo ) obtenido, halle la probabilidad

de los siguientes eventos :
A = Número de lanzamientos es par
B = A lo más se lanza cinco veces
C = Por lo menos se lanza tres veces

Solución :

A =  X = 2    X = 4   X = 6   
 P( A) = PX = 2 + PX = 4 + PX = 6 + 
2 3 4
1 1 1 1 a 1
P( A) = +  +  +  +  = =
4 4 4 4 1− r 3

B = X = 1  X = 2  X = 3  
 P( B) = PX = 1 + PX = 2 + PX = 3 + 
2 3 4
1 1 1 1
P( B) = +  +  +  + 
2 2 2 2

C = X = 3  X = 4  X = 5  
 P(C ) = 1 − P C 
P(C ) = 1 − PX = 1 + PX = 2
3.2.2. CASO CONTINUO
Sea X una v.a. con RX infinito no numerable, y sea f ( x ) una función de ỊR en
ỊR asociada a dicha v.a.
f ( x ) es una función de densidad de probabilidad ( fdp ) si :
i. − f ( x )  0 ,  x  RX
+

ii. −  f ( x) dx = 1
−

Observación :
Si f ( x ) es fdp , y se tiene que a y b son valores de X /. a  b , entonces :
b
1. − P ( a  X  b ) =  f ( x) dx
a

Gráficamente, se tiene :

f (x)

Probabilidad de que la v.a. X tome

Un valor entre a y b

0 a b X
a
2.- P( X = a ) = 
a
f ( x ) dx = 0

Ejemplo 1.- Sea X una v.a. definida para cierta característica

medible de algún experimento, a la cuál se le asocia la sgte.
función :
 x si 0  x 1

 3
f X ( x) =  1 si 1 x 
 2
 0 en otro lugar
¿ Es f X ( x ) una fdp ?

Solución :
i.- f ( x)  0 . Esta condición se verifica gráficamente.

f ( x)

0 1 3/2 X
 3
+ 0 O 1 2 + O
ii.-  f ( x) dx = 
− −
f ( x ) dx + 
0
f ( x ) dx + 
1
f ( x ) dx + 
3
f ( x ) dx
2
3
1 2
=  x dx +  1dx
0 1
3
1
x2 2
= + x
2 0 1

1 3 
= + −1 
2 2 
1 1
= + =1
2 2
 f X ( x ) es fdp.

OBSERVACION
Queda completamente definida la distribución de probabilidades de una v.a.
continua si conocemos su fdp; f X ( x ) , y los valores que toma la v.a. ; R X
Usando el modelo definido, determine la probabilidad de que la v.a. X sea mayor
1 3
que y menor que .
2 2

 1 3  2
Solución : Se pide : P   X 
 2
=
2  
1
fX ( x)d x
2
3
1 2
= 
1
f X ( x ) dx + 
1
f X ( x ) dx
2
3
1 2
=  x dx +  1dx
1 1
2
3
1
x2 2
= + x
2 1
1
2

 1 1  3  7
=  −  +  − 1  =
 2 8  2  8

3.3. FUNCION DE DISTRIBUCIÓN ( PROBABILIDAD ACUMULADA ) DE UNA V.A.

UNIDIMENSIONAL

Sea X una v.a. , discreta o continua, entonces :

FX ( x ) = P  X  x  ,  x  R