VARIABLE ALEATORIA Y DISTRIBUCIÓN DE PROBABILIDADES.

1. VARIABLE ALEATORIA.

Una variable aleatoria "X" es una aplicación definida en un espacio muestral Ω, que toma valores
reales, ósea, es la transformación del Espacio Muestral en un conjunto numérico, mediante X.

Definición formal:
Dado un experimento aleatorio ℇ y Ω el espacio muestral asociado a dicho ℇ, una función que asigna
a cada elemento 𝑤 en Ω uno y solamente un número real 𝑥 = 𝑋(Ω), se llama VARIABLE ALEATORIA,
es decir, X es una función real 𝑋: Ω → ℝ

El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de números reales:
RX   x   / X  w  x, w  X  

Para entender este concepto, definamos el siguiente Espacio muestral 𝑋=𝑥

experimento: RR 2
De una urna que contiene cuatro bolas rojas y 3 negras se RN 1
sacan dos bolas de manera sucesiva, sin reemplazo. Los NR 1
posibles resultados y los valores de la variable aleatoria X, NN 0
donde X es el número de bolas rojas, se muestra en el
cuadro de al lado.

Mas ejemplos:

a) Experimento: “Se lanza una pelota 10 veces a una canasta”

Variable aleatoria: X = “Nº de aciertos”, RX  0,1,2,..9,10

b) Experimento: “Tirar dos monedas”

Variable aleatoria: X = “Contar el número de caras”, RX  0,1,2

c) Experimento: “Elegir una bombilla al azar”

Variable aleatoria: X = “Tiempo que tarda en fundirse la bombilla”
RX   x   / 0  x  M donde M es el tiempo máximo de vida de la bombilla.

d) Experimento: “Lanzar un dado”

Variable aleatoria: X = “número de intentos hasta obtener un seis”, RX  1,2,3,...

e) Experimento: “Elegir un punto (x, y) al azar en el plano cartesiano XY”

Variable aleatoria: D = “Distancia del punto al origen de coordenadas”

RD  d   / d  x 2  y 2 

MG. PEDRO SAENZ R. Página 21

2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Definición: Una variable aleatoria se dice discreta cuando toma una serie de valores aislados, es decir,
cuando 𝑅 es un conjunto finito o infinito numerable. Se dice continua cuando puede tomar
cualquier valor dentro de un intervalo.

Ejemplos:
De los ejemplos anteriores son discretas a, b, d , y son continuas la c y e.

3. FUNCIÓN O LEY DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA.

Cuando se habla de la distribución de probabilidad de una variable aleatoria, lo que se pretende es

determinar cómo están “distribuidas” las probabilidades, entre los diferentes valores que puede
tomar la variable aleatoria.

Se llama función de probabilidad o ley de probabilidad (o función de cuantía) p  x de una variable

aleatoria discreta X, a la función que asigna a cada valor de la variable aleatoria la probabilidad de
que ésta tome ese valor:

La función de probabilidad de una v.a. discreta cumple las 3 propiedades:

i. p  x   P  X  x
ii. p  x  0, x  RX
iii.  p x  1
x R X

Observación, si 𝑥 ∉ 𝑅 entonces 𝑝(𝑥) = 0. Esto implica que en general:

𝑝(𝑥) ≥ 0, ∀𝑥 ∈ ℝ.
La colección de pares   x , p  x    x  R X  es llamada distribución de probabilidad de
X.

MG. PEDRO SAENZ R. Página 22

Ejemplo:
Sea X = “Número de caras al tirar dos monedas”
𝑅 = {0,1,2}
Función de probabilidad:
1
p(0)  P( X  0)  P ( SS ) 
4
1 1 1
p(1)  P( X  1)  P(CS , SC )  P ( SC )  P (CS )   
4 4 2
1
p(2)  P( X  2) 
4

Observaciones:
 El dominio de la función de probabilidad es RX .
 La función de probabilidad p  x  toma valores entre 0 y 1.
 La suma de todos los valores que toma la función de probabilidad es 1.

Nota:
Es usual representar la distribución de probabilidad de X de dos maneras:

MG. PEDRO SAENZ R. Página 23

X = “Número de caras al tirar dos monedas”

𝑋=𝑥 0 1 2 ⬚

𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1

1
4 ,x 0

 1 , x 1
p  x  2
1
 ,x  2
4
 0 , en otro caso

Ejemplo 1:
Una urna contiene 4 bolillas numeradas 1, 2, 3, 4 respectivamente. Se extraen 2 bolillas
aleatoriamente y sin reemplazamiento. Se define la variable X como la suma de estos dos valores.
Hallar el dominio de X, la distribución de probabilidad p(x) de X.

MG. PEDRO SAENZ R. Página 24

Ejemplo 2:
Una urna contiene 4 bolillas numeradas 1, 2, 3, 4 respectivamente. Se extraen 2 bolillas
aleatoriamente y sin reemplazamiento. Se define la variable X como la DIFERENCIA del primer valor
menos el segundo valor. Hallar el dominio de X, el rango de X y la distribución de probabilidad p(x)
de X.

Solucion:
𝐷 = Ω = 12, 13, 14, 21 … .
𝑅 = {−3, −2, −1, 1, 2, 3}
1 1 1
𝑃[𝑋 = −3] = 𝑃 14 = × =
4 3 12
1 1 1 1 2
𝑃[𝑋 = −2] = 𝑃 13, 24 = × + × =
4 3 4 3 12
3
𝑃[𝑋 = −1] = 𝑃 12, 23, 34 =
12
3
𝑃[𝑋 = 1] =
12
2
𝑃[𝑋 = 2] =
12
1
𝑃[𝑋 = 3] =
12

𝑋=𝑥 -3 -2 -1 1 2 3 ⬚
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/12 2/12 3/12 3/12 2/12 1/12 1

MG. PEDRO SAENZ R. Página 25

4. FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA DISCRETA (𝑭).

Se llama función de distribución, F, o función de distribución acumulada de una variable aleatoria X

a la función que asigna a cada valor de la variable, la probabilidad de que ésta tome un valor menor
o igual que el valor de dicha variable.
F ( x)  P ( X  x)
Definición formal: Sea X una v.a. discreta con rango RX   x1 , x2, ..... y función de probabilidad,
p  xi   P  X  xi  , sea x un número real cualquiera, la Función de Distribución acumulativa de X
se denota por “ F  x ” y se define como:

F ( x)  P( X  x)   p  x   P X  x 
xi  x xi  x
i

Es decir, para calcular el valor de la función de distribución en un punto xi debemos sumar los valores
que toma la función de probabilidad en todos los puntos menores o iguales que xi.

Ejemplo:
Sea X = “Número de caras al tirar dos monedas” (del ejemplo anterior)

𝑋=𝑥 0 1 2 𝑝(𝑥)

𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1

𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] 1/4 3/4 1 ----

𝐹(−1) = 𝑃(𝑋 ≤ −1) = 0

𝐹(0) = 𝑃(𝑋 ≤ 0) = 𝑃(𝑋 = 0) = 1/4
𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 1/4 + 1/2 = 3/4
1 1 1
𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
1 1 1
𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
1 1 1
𝐹(4) = 𝐹(5) = 𝐹(4,33) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
Notemos que: 𝑃(𝑋 = 3) = 0

MG. PEDRO SAENZ R. Página 26

  0 si x  0
1
 si 0  x  1
4
F ( x)  
 3 si 1  x  2
4
 1 si 2  x


Observaciones:
 La función de distribución es “escalonada”, empieza tomando el valor 0, tiene saltos en el
recorrido de la variable aleatoria hasta tomar el valor 1.

MG. PEDRO SAENZ R. Página 27

5. FUNCIÓN DE DENSIDAD DE PROBABILIDAD 𝒇

Definición: Sea X una v.a. continua con rango R X . La función de densidad de probabilidad f asociada
a la variable aleatoria es una función f  x integrable que satisface las siguientes condiciones:

a. f  x   0, x 

b.  f  x  dx   f  x  dx  1
 RX

Una consecuencia de esta definición es que si A es el evento A   x / a  x  b , se define la

probabilidad de A como sigue:

b
P  A  P  a  x  b    f  x  dx
a

En este concepto de probabilidad, se entiende que la probabilidad del evento A es equivalente

al área debajo de la curva, a la derecha de la recta x= a y a la izquierda de la recta x=b.

Observaciones:

a. f  x no representa la probabilidad de algo, solamente cuando esta función se integra entre

dos puntos representa una probabilidad.

b. La probabilidad de que la variable aleatoria X tome un valor especifico, digamos x0 es cero,

pues: P  X  x0   P( x0  X  x0 )   f ( x) dx  0
x0

x0

MG. PEDRO SAENZ R. Página 28

 c. Como consecuencia cuando X es una v.a. continua
P a  X  b  P a  X  b  P  a  X  b  P a  X  b

Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:

c  6 x  2 x2  ,0  x  2
f  x  
 0 , en otro caso

a) Encuentre el valor de la constante c.

Solución:
Usando la condición ii
 0 2 
Como   f ( x)dx   0dx   c  6 x  2 x  dx   0dx  1
2

  0 2
2
Se obtiene 0  c  3 x 2 
2 3 3
x   0  1 , luego c 
 3 0 20

b) Calcular P X 1
 2
3 13
Sol: P  X  1   f  x  dx  
20 1
 6 x  2 x 2  dx 
20
1

MG. PEDRO SAENZ R. Página 29

 c) Calcular P 0.5  X  1.5
1,5 1,5
3 23
Sol: P  0.5  X  1.5    f  x  dx  
20
 6 x  2 x 2  dx  40  0, 575
0 ,5 0 ,5

d) Calcular 𝑃[(0,5 < 𝑋 < 1,5)⁄𝑋 < 1] =? ?

Solución:
𝑃[0,5 < 𝑋 < 1]
𝑃[0,5 < 𝑋 < 1,5⁄𝑋 < 1] =
𝑃[𝑋 < 1]
1/4
𝑃[0,5 < 𝑋 < 1,5⁄𝑋 < 1] = = 0,7143
7/20

MG. PEDRO SAENZ R. Página 30

6. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA CONTINUA

Definición: sea X una v.a. continua con función de densidad f  x , La función de distribución
acumulada de la v.a. continua X, denotada por F  x , se define por:

x
F (x)  P( X  x)   f (t ) dt , x  


Es decir F  x asigna a cada valor x la probabilidad de que la variable aleatoria X sea menor a x.

Como consecuencia cuando X es una v.a. continua

P a  X  b  P a  X  b  P a  X  b  P a  X  b  F(b)  F(a)

MG. PEDRO SAENZ R. Página 31

En el ejemplo anterior:

3
  3x  x  ,0  x  2
2
f  x   10
 0 , en otro caso

Entonces:
3 7
𝐹(1) = 𝑃[𝑋 ≤ 1] = 𝑓(𝑡)𝑑𝑡 = 𝑓(𝑡)𝑑𝑡 + 𝑓(𝑡)𝑑𝑡 = (3𝑡 − 𝑡 )𝑑𝑡 =
10 20
De manera general:

 0, x0

 3  3x x 
2 3
F  x      0 x2
10  2 3
 1 x2


a) Calcular P 0.5  X  1.5

Sol: P  0, 5  X  1, 5   F (1, 5)  F (0, 5)  1
4

a) Calcular P X 1
7 13
Sol: P  X  1  1  P  X  1  1  F (1)  1  
20 20

e) Calcular 𝑃[(0,5 < 𝑋 < 1,5)⁄𝑋 < 1] =? ?

Solución:
𝑃[0,5 < 𝑋 < 1]
𝑃[0,5 < 𝑋 < 1,5⁄𝑋 < 1] =
𝑃[𝑋 < 1]

7 2
𝐹(1) − 𝐹(0,5) 20 − 20 5
𝑃[0,5 < 𝑋 < 1,5⁄𝑋 < 1] = = = = 0,7143
𝐹(1) 7 7
20

Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:

 3x
 2  x ,0  x  2
f x   4
 0 , en otro caso
Hallar la función de distribución acumulada de X.

SOLUCIÓN:
MG. PEDRO SAENZ R. Página 32
 x x
i. Si x  0, F  x   P  X  x    f (t )dt   0dt  0
 
x 0 x
3 3 2 x
ii. Si 0  x  2, F  x   P  X  x    f  t  dt   0dt  0 4 t  2  t  dt  4 x 1  3 

x 0 2 x
3
iii. Si x  2, F  x   P  X  x    f  t  dt   0dt   t  2  t  dt   0dt  1
  0
4 2

 0 x0

3  x 
Luego: F  x    x 2  1   0  x  2
4  3 
 1 x2

Gráficamente:

Observar que F(x) empieza tomando el valor 0 y va creciendo hasta alcanzar el valor 1.

Calcular 𝑃(1,5 < 𝑋 < 1,75) = 𝐹(1,75) − 𝐹(1,5) = 0,9570 − 0,8438 = 0,1132

MG. PEDRO SAENZ R. Página 33

Calcular:

 𝑃(𝑋 < 1,75) = 𝑃(𝑋 ≤ 1,75) = 𝐹(1,75) = 0,9570

 𝑃(𝑋 < −1,75) = 𝑃(𝑋 ≤ −1,75) = 𝐹(−1,75) = 0

 𝑃(𝑋 < 4) = 𝑃(𝑋 ≤ 4) = 𝐹(4) = 1

 𝑃(𝑋 > 1,5) = 1 − 𝑃(𝑋 ≤ 1,5) = 1 − 𝐹(1,5) = 1 − 0,8438 = 0,1562

6.1 PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA

CONTINUA

1. 0  F  x  1, x 

2. lim F  x  0
x

3. lim F x 1
x

4. F es no decreciente, esto es: Si a  b  F  a  F  b

5. F es continua por la derecha, es decir limF  x  h  F  x , x , h  0

h0

d  F  x
6. Del segundo teorema fundamental del cálculo se tiene que: f  x  
dx

MG. PEDRO SAENZ R. Página 34

7. PARÁMETROS O CARACTERÍSTICAS DE UNA VARIABLE ALEATORIA

Las características numéricas son medidas que permiten sintetizar la información, de forma
tal que ofrecen las características generales del fenómeno en estudio, es decir, sus rasgos
principales. También se conocen como parámetros de las variables aleatorias.
Las características fundamentales que se estudiarán son: Media y Varianza.

7.1 Media o Esperanza matemática de X se denota por µ ó E  X  y se define por:

  E  X   x1 p( x1 )  x2 p ( x2 )  ...  xn p ( xn )   xp( x) …*
xRX

E  X 2   x12 p( x1 )  x2 2 p( x2 )  ...  xn 2 p( xn )  x 2
p( x) ...*
xRX

, Si X es una v.a. discreta (*)


  E X    xf  x  dx   xf  x  dx …**
RX 


EX 2   x 2 f  x  dx   x f  x  dx
2

RX 

Si X es una v.a. continua (**)

Siempre que la sumatoria (*) o la integral (**) sean finitas

Ejemplo 1:
Sea X = “Número de caras al tirar dos monedas”

Media=   0  p (0)  1  p (1)  2  p (2)  0  1  1  1  2  1  1

4 2 4
Es decir, si repites el experimento muchas veces, en promedio obtendrás una cara.

Ejemplo 2:

Sea X = “Número obtenido al lanzar un dado”

Media=   1. p (1)  2  p (2)  ...6. p  6   1  1  2  1  ...  6  1  21  3, 5

6 6 6 6

MG. PEDRO SAENZ R. Página 35

Ejemplo:
Suponiendo que la duración (en horas) de cierto transistor es una variable continúa X con fdp
100
f ( x)  , x  100 y 0 para cualquier otro valor.
x2
a. Halle la función de distribución acumulada de X.
b. Determine si existe E ( X )
c. Hallar la mediana
d. Calcular la varianza en caso exista.
e. Calcular el RIC.

Respuesta:

 0 , x  1 00
a. F ( x )   100
1  x
, x  1 00

b. La esperanza no existe, la integral es divergente.

c. Mediana=200 horas

8. Propiedades de la esperanza matemática.

7.2.1 Sea X una v.a. e Y  H  X  una función de X, el valor esperado de H  X  se define por:

i. E Y   E  H  X     H  x  p( x)   y. p( x) , Si X es una v.a. discreta

xRX xRX

ii. E Y   E  H  x     H  x  f  x  dx   y . f  x  dx , Y  H  X  continua y X una v.a.

RX RX

continua

Donde p(x) es la función de probabilidad de X para el caso discreto y f(x) es la función de densidad
de X en el caso continuo.

Es decir, para hallar el valor esperado de Y  H  X  no se necesita conocer o calcular la

distribución de probabilidad de Y.

7.2.2 Sea X una v.a. (Discreta o continua), a y b constantes. Entonces:

i. E a  a

ii. E  aH  X    aE  H  X  

iii. E  aH  X   bG  X    aE  H  X    bE G  X  

MG. PEDRO SAENZ R. Página 36

 Ejemplo:

𝐸(3𝑋 + 4) = 𝐸[3𝑋] + 𝐸[4] = 3𝐸[𝑋] + 4

𝐸(3𝑋 − 2𝑋 − 1) = 3𝐸[𝑋] − 2𝐸[𝑋 ] − 1

Ejemplo:
Sea el siguiente juego:
Se lanza un dado y se recibe un pago de 5 soles multiplicado por el número obtenido en
el dado, si para jugar se debe de hacer un pago de 20 soles, hallar la ganancia estimada
del jugador.

Solución:
X: Número de la cara superior del dado.
Y: Ganancia del jugador
Y=H(X)=5X-20

X=x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
Y=y -15 -10 -5 0 5 10
x.p(x) 1/6 2/6 3/6 4/6 5/6 1 3,5 E(X)
y.p(x) -15/6 -10/6 -5/6 0/6 5/6 10/6 -2,5 E(Y)

1 1 1 −15
𝐸(𝑌) = 𝑦. 𝑝(𝑥) = −15 + −10 + ⋯ 10 = = −2,5
6 6 6 6

La ganancia esperada es de -2,5 soles, es decir si se juega muchas veces, en promedio

perderá 2,50 soles por jugada.

Obs:
𝐸[𝑌] = 𝐸[5𝑋 − 20] = 5𝐸[𝑋] − 20 = 5(3,5) − 20 = −2,5

MG. PEDRO SAENZ R. Página 37

9. Varianza de X:

La varianza de una variable aleatoria es una característica numérica que proporciona una idea de
la dispersión de la variable aleatoria respecto de su esperanza, se denota por:
Var  X  ó V  X  ó por la letra griega 𝜎 y se define como:

Var  X   E  X    
2
 
Por lo tanto:
V  x   x  
2
p( x) , Si X es una v.a. discreta
xRX

V x   x    f  x  dx , Si X es una v.a. continua

2

RX

Una de las características de la varianza es que viene expresada en unidades cuadráticas

respecto de las unidades originales de la variable. Un parámetro de dispersión derivado de
la varianza y que tiene las mismas unidades de la variable aleatoria es la desviación típica,
que se define como la raíz cuadrada de la varianza.

Desviación Típica =  X  Var  X 

10. Propiedades de la Varianza.

7.4.1 Sea X una v.a. (discreta o continua) con valor esperado E  X    la varianza está dada
por:
V  X   E  X 2   2

7.4.2 Sea X una v.a. (discreta o continua), a y b constantes. Entonces:

V  a  0
V  aX  b  a2V  X 

Ejemplo:
Sea X = “Número de caras al tirar dos monedas”
Media=   0  p (0)  1  p (1)  2  p (2)  0  1  1  1  2  1  1
4 2 4
Varianza
 1 1 1
E  X 2   02  p(0)  12  p (1)  2 2  p (2)   02   12   22    1.5
 4 2 4

MG. PEDRO SAENZ R. Página 38

 1
 2  E  X 2    2  1,5  12 
2
La desviación típica es la raíz de la varianza, así en este ejemplo   0,5  0,71

Ejemplo 2:
X: Número de la cara superior al lanzar un dado.

X=x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
x.p(x) 1/6 2/6 3/6 4/6 5/6 1 3,5
X2 1 4 9 16 25 36
X2.p(x) 1/6 4/6 9/6 16/6 25/6 36/6 91/6

91
𝑉(𝑋) = 𝐸(𝑥 ) − 𝑢 = − (3,5) = 2,9167
6

10.1 EJEMPLOS:
Tiramos 3 monedas y sea la v.a. discreta X = “Número de caras” C C C
Entonces: C C S
Recorrido de X = {0, 1, 2, 3} C S C
S C C
Función de probabilidad. C S S
S C S
S S C
S S S
X=x 0 1 2 3 Total
p(x) 1/8 3/8 3/8 1/8 1
F(X) 1/8 4/8 7/8 1

 1
 x0
8

 3
x 1
 8
p( x)  
 3
x2
 8
 1
 x3
 8

MG. PEDRO SAENZ R. Página 39

 Función de distribución.

0 x0
1
 0  x 1
8
 4
F ( x)   1 x  2
8
7
8 2 x3

 1 x3

Parámetros.
1 3 3 1
   xi p ( xi )  0   1   2   3   1, 5
8 8 8 8
 1 3 3 1
 2    xi 2  p( xi )    2   02   12   22   32    1,52  0,75
 8 8 8 8
  0,75  0,87

7.5.2 PREGUNTA:
Sea el siguiente juego, un jugador lanza una moneda 3 veces, y gana dos soles por cada
cara obtenida.
a. Si el juego cuesta 2 soles ¿cuál es su ganancia esperada?
b. Si el juego cuesta 4 soles ¿cuál es su ganancia esperada?
c. Sea la variable aleatoria
Y: Ganancia en el juego
¿en cuál de los casos a) ó b) será Y más homogénea?

Nota: C.V.= (Desviación estándar/Media). %

7.5.3 Ejemplo Si f  x   x para 0  x  2

2
a. Hallar la esperanza de X
b. ¿Cuál será el valor de la varianza de x?
c. Hallar E(x+3)
d. Hallar E(2x2)
e. ¿Cuál será el valor de V(2x)?

MG. PEDRO SAENZ R. Página 40

 f. ¿Cuál es el valor de la desviación típica de X?
g. Hallar la Mediana
h. Hallar La Moda
i. Hallar el 1er cuartil.

SOLUCIÓN:
Por la forma de presentar el recorrido de la variable X, indica que es una variable continua.

2 2
1 2
E  X    x f ( x)dx =
2 0
a. x dx = 1/2[x 3 / 3) = 1/2(8/3 - 0)=1.33
0
2 2
b. E  X 2    x 2 f ( x ) dx = 1/2  x 3 dx  1 / 2( x 4 / 4)  1 / 2(16 / 4)  16 / 8  2
0 0

Luego por propiedad: V(x) = E (x2) - [E (x)]2 = 2 - 1.332 = 2 - 1.77 = 0.23

c. E(x+3) = E (x) + 3 = 1.33 + 3 = 4.33

d. E(2x2) = 2 E(x2) = 2. 2 = 4

e. V(2x) = 22 V(x) = 4 (0.23) = 0.92

f.    2  0,23 = 0,48
Recuerde que la desviación típica se representa por la letra griega sigma y que es la raíz cuadrada
de la varianza V(x) = 2

MG. PEDRO SAENZ R. Página 41

RESUMEN
VARIABLES DISCRETAS VERSUS VARIABLES CONTINUAS

X = “Nº de hijos” Y = “Tiempo de retraso/adelanto en el autobús”

Recorrido de X = {0, 1, 2, 3, 4, 5, …} Recorrido de Y = RY   y / y  m, M 
Función de probabilidad: p(x) Función de densidad: f(x)

Función de distribución Función de distribución

x
F ( x)  P( X  x)   f ( x) dx


f ( x)

F (x)

Parámetros Parámetros
n 
   xi  p( xi )    x  f ( x) dx


V  X   E  X 2   2
i 1

V  X   E  X 2   2
  V X 
  V X 

MG. PEDRO SAENZ R. Página 42