ESTADÍSTICA

Grado en Contabilidad y Finanzas

 Contenidos
1 Variable Aleatoria

2 Ejemplos

3 Características de las Variables Aleatorias

4 Ejemplos

5 Resolución de problemas con Scientific WorkPlace

Page  2
VARIABLE ALEATORIA
 INTRODUCCIÓN AL CONCEPTO DE VARIABLE ALEATORIA
A menudo, cuando realizamos un experimento aleatorio, más que
el resultado del experimento en si, nos interesa una característica
asociada a los resultados.

Experimento 1: Lanzamiento de dos dados.

“Característica de interés” = Suma de ambos dados

Experimento 2: Lanzar una moneda cinco veces.

“Característica de interés” = Nº de veces que ha
salido cara

Estas “Características de interés” son variables que dependen del

resultado obtenido al efectuar el experimento aleatorio. Por tanto,
pueden entenderse como funciones que asignan a cada posible
resultado del experimento un número real.
 CONCEPTO DE VARIABLE ALEATORIA

• Una variable aleatoria es una función que asigna un número a

cada resultado posible de un experimento aleatorio. El nombre
de la variable aleatoria suele designarse con una letra
mayúscula, por ejemplo X.
• Conviene tener en cuenta que a un mismo experimento
aleatorio pueden tener asociadas diversas variables aleatorias,
dependiendo de la observación que realicemos.

Ejemplo → En el lanzamiento de dos dados podríamos considerar

las siguientes variables aleatorias:

X = Suma de las puntuaciones.

Y = Producto de las puntuaciones.
Z = Nº de veces que coincide la puntuación de ambos dados.
 TIPOS DE VARIABLES ALEATORIAS

Variables aleatorias que  Color de ojos.

CUALITATIVAS toman valores no  Profesión.
cuantificables  Tipo de empresa.

DISCRETAS  Llamadas de teléfono que

recibimos en nuestro móvil
Variables aleatorias que cada día.
CUANTITATIVAS

toman valores numéricos  Aciertos en un examen

puntuales o aislados. tipo test.
 Coches que atraviesan
una calle cada 5 minutos.
CONTINUAS

 Estatura de un individuo.
Variables aleatorias que
 Tiempo de duración de
toman todos los valores
una bombilla.
numéricos posibles dentro
 Valor de cotización en
de un intervalo.
bolsa.
 TIPOS DE VARIABLES ALEATORIAS
Población Muestra Individuo Variables
Españoles que
Cada uno de los
Personas con pasan por el  Ciudad de origen
pasajeros españoles
nacionalidad aeropuerto de  Edad
que pasan por el
española Barajas un  Tiempo de espera
aeropuerto
determinado día
Vehículos  Nº de averías en un año
Vehículos diesel con Cada uno de los
matriculados en la  Consumo a los 100 km
menos de 1 año vehículos
provincia de Cádiz  Marca

Empresas que  Ganancia/perdida diaria

Empresas del Cada una de las
cotizan en la bolsa  Puesto en el IBEX35
IBEX35 empresas
Española  Sector en el que opera

¿Qué nos interesa de una variable aleatoria?

- El rango de valores que puede tomar.
- La probabilidad o distribución de probabilidad de que se tomen
esos valores.
 VARIABLES ALEATORIAS DISCRETAS

Las variables discretas quedan determinadas cuando conocemos

los posibles valores que toma y la probabilidad que toma cada uno
de sus valores, lo que llamamos masa de probabilidad.

FUNCIÓN DE MASA DE PROBABILIDAD

La función de masa de probabilidad de una variable aleatoria
discreta es una función que asigna a cada posible valor de esta
variable aleatoria una probabilidad.

P : xi ® pi
P(xi ) = P[X = xi ] = pi

Se dice que pi es la masa de probabilidad de xi.

 VARIABLES ALEATORIAS DISCRETAS
Si la variable aleatoria X toma los valores x1, x2, . . . , xn y
conocemos los valores pi = P[X = xi] con i= 1,…,n, la función de
masa de probabilidad de la v.a. discreta X viene dada por:
X x1 x2 x3 ··· xn
P[X = xi]=pi p1 p2 p3 ··· pn

Para que la función de masa de probabilidad esté bien

definida debe respetar las siguientes condiciones:

0  pi  1
n

p
i 1
i 1
 VARIABLES ALEATORIAS DISCRETAS
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.
Variable Aleatoria: Suma de las puntuaciones de ambos dados.
X= Suma de las puntuaciones de ambos dados
Rango de X = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Resultados posibles del experimento según las puntuaciones
obtenidas con los dados:
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
Cada uno de estos 36 casos
3 4 5 6 7 8 9 son equiprobables.
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
 EJEMPLO

La función de masa de probabilidad de la v.a discreta

X= Suma de las puntuaciones de ambos dados

viene dada en la siguiente tabla:

X 2 3 4 5 6 7 8 9 10 11 12

Prob. Pi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

P   2    1,1
1
Nº (Suman k)
36 P (X  k) 
36
P   3    2,1, 1,2 
2
36
 VARIABLES ALEATORIAS CONTINUAS
EJEMPLO
Experimento Aleatorio: Lanzamiento un dardo sobre una diana
circular de radio 1 m.
Variable Aleatoria: Distancia del dardo al centro de la diana.
X= Distancia del dardo al centro de la diana
Rango de X = [0,1]

• ¿Cómo asocio probabilidades?

No está tan claro como la variable
Impacto distancia hereda la probabilidad del
del dardo experimento original.
(0,0)
• ¿Qué hacemos?
Distancia al Vamos a plantearnos situaciones
Origen 0,7 m. donde esté más clara esta probabilidad
de forma intuitiva.
 EJEMPLO
Intuitivamente ¿Probabilidad de que X tome un valor?

¿P(X = 0,7)?
0,7 ⇒ Un valor en [0,1]

Impacto
del dardo Casos Favorables
Intuición: =
Casos Posibles
(0,0)
Distancia al 1 valor
= = “0”
Origen 0,7 m. ”infinitos no numerables”

X = 0,7 representa una longitud comparada con un área.

1

¿Y si acumulamos muchos posibles valores? Por ejemplo: -1 1

P(clavar el dardo en el primer sector)=1/4 “intuitivamente”

-1
 FUNCIÓN DE DISTRIBUCIÓN
La función de distribución de una variable aleatoria, F(x), se define
como:
F(x)=P[X≤x]

CARACTERIZACIÓN DE LA FUNCIÓN DE DISTRIBUCIÓN

F(x) es una función de distribución si y solo si satisface:

1. Siempre es monótona creciente  Si x1<x2 entonces F (x1) ≤ F (x2)

1. F(x) verifica: lim FX (x) =1 lim FX (x) = 0

x®+¥ x®-¥

1. F(x)es siempre continua por la derecha.

 VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE DISTRIBUCIÓN Y CÁLCULO DE PROBABILIDADES

𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙 = ෍ 𝑷(𝒙𝒊 )
𝒙𝒊 ≤𝒙

La Función de Distribución permite calcular la probabilidad de los

sucesos más usuales asociados a una variable. De forma general:
1) P(X ≤ a)=F(a)
2) P(X > a)= 1-F(a)
3) P(a<X≤b)= F(b)-F(a).

Cuidado con las desigualdades en las variables discretas.

Probabilísticamente NO es lo mismo “≤” que “<“ y “≥” que “>”
 VARIABLES ALEATORIAS DISCRETAS

EJEMPLO

Experimento Aleatorio: Lanzamiento de dos dados.

La función de distribución de la v.a discreta

X= Suma de las puntuaciones de ambos dados

viene dada en la siguiente tabla:

X 2 3 4 5 6 7 8 9 10 11 12

F(xi) 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 1
 EJEMPLO

La representación gráfica de esta función de distribución es:

¡Atención! Gráfica escalonada

 EJEMPLO

ESCALÓN

Salto = P[X=8]

No se acumula

7 8

1. Una variable es discreta si y sólo si su función distribución es

escalonada.
2. Salto: discontinuidad debido a la masa de probabilidad de un valor.
3. Zona plana: no corresponde a ningún valor del rango. No hay
ninguna acumulación de probabilidad.
 VARIABLES ALEATORIAS CONTINUAS
Como ya se ha dicho, las variables aleatorias discretas quedan
definidas por su función de masa de probabilidad, pero ¿y las
variables aleatorias continuas? ¿tienen masa de probabilidad?.

Para una v.a. continua, como vimos en el ejemplo de la diana, la

P[X=x0]=0, o lo que es lo mismo, no tienen masa de probabilidad y
por tanto no podemos definir su función de masa de probabilidad.

Entonces ¿cómo calculamos probabilidades para

v.a. continuas?

A través de la función de distribución F(x)=P[X≤x]

 VARIABLES ALEATORIAS CONTINUAS
Para las v.a. discretas: 𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙 = ෍ 𝑷(𝒙𝒊 )
𝒙𝒊 ≤𝒙

Pero también hemos visto que las v.a. continuas no tiene masa de
probabilidad, por tanto no podemos calcular la probabilidad
acumulada como suma de probabilidades puntuales.
Las v.a. continuas, al tomar infinitos valores, habría que “sumar
infinitas probabilidades”.

FUNCIÓN DE DENSIDAD
A partir de la función de distribución de las v.a. continuas podemos
definir una función que nos indique de que manera se distribuyen
las probabilidades para los valores de las variables. Esa función la
llamamos función de densidad, f(x), y se define como:
𝒙
𝒇 𝒙 = 𝑭′ 𝒙 ↔ 𝑭 𝑿 = න 𝒇 𝒕 . 𝒅𝒕
−∞
 VARIABLES ALEATORIAS CONTINUAS
Las variables continuas quedan determinadas cuando conocemos
cómo se “distribuye” la probabilidad entre los posibles valores que
tome, es decir, cuando conozcamos su función de densidad.
Así, la función de densidad f(x) de una variable aleatoria continua
nos permitirá determinar la probabilidad de cada posible intervalo
de valores a través del área que se encierra bajo la curva entre los
límites del intervalo.
 VARIABLES ALEATORIAS CONTINUAS

FUNCIÓN DE DENSIDAD

Una función f(x) es una función de densidad de una variable

aleatoria continua si y solo si:

f ( x)  0


f ( x )dx  1
 VARIABLES ALEATORIAS CONTINUAS

¿CÓMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?

𝒙
𝑷 𝑿 ≤ 𝒙 = න 𝒇 𝒕 . 𝒅𝒕
−∞

(Probabilidad acumulada izquierda –cola izquierda-)

+∞
𝑷 𝑿≥𝒙 =න 𝒇 𝒕 . 𝒅𝒕
𝒙

(Probabilidad acumulada derecha –cola derecha-)

 VARIABLES ALEATORIAS CONTINUAS

¿CÓMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?

𝒃
𝑷 𝒂 ≤ 𝑿 ≤ 𝒃 = න 𝒇 𝒕 . 𝒅𝒕
𝒂

¡IMPORTANTE!
En v.a. continuas la
probabilidad de un punto
aislado siempre es 0

𝒂
𝑷 𝑿 = 𝒂 = 𝑷 𝒂 ≤ 𝑿 ≤ 𝒂 = න 𝒇 𝒕 . 𝒅𝒕 = 𝟎
𝒂
 VARIABLES ALEATORIAS CONTINUAS
FUNCIÓN DE DISTRIBUCIÓN Y CÁLCULO DE PROBABILIDADES

Son las mismas propiedades de la función de distribución de una

variable aleatoria discreta.

Para una variable continua, el hecho de que un valor tenga probabilidad

cero conduce a una mayor flexibilidad:
1) P(X ≤ a) = P(X < a) = F(a)
2) P(a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b) = P (a < x < b)= F(b)-F(a)
3) P (X ≥ a) = P (X > a) = 1- F(a)
 VARIABLES ALEATORIAS CONTINUAS

EJEMPLO

Sea X = “tiempo de espera a un amigo entre las 10:00h y las 10:30h”,

suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores  [0 min.,30 min.]
Función de densidad

ì 1/30 si 0 £ x £ 30
f (x) = í
î 0 si c. c.
 VARIABLES ALEATORIAS CONTINUAS

EJEMPLO

Sea X = “tiempo de espera a un amigo entre las 10:00h y las 10:30h”,

suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
𝒙
𝟏 𝒙
Función de Distribución 𝑭 𝒙 =න . 𝒅𝒕 =
𝟎 𝟑𝟎 𝟑𝟎

𝟎 𝒔𝒊 𝒙 < 𝟎
𝒙
𝑭 𝒙 =𝑷 𝑿≤𝒙 =൞ 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟑𝟎
𝟑𝟎
𝟏 𝒔𝒊 𝒙 > 𝟑𝟎
 VARIABLES ALEATORIAS CONTINUAS

EJEMPLO

Sea X = “tiempo de espera a un amigo entre las 10:00h y las 10:30h”,

suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
¿Probabilidad de esperar más de 5 min?

𝟐𝟓
𝑷 𝑿>𝟓 =𝟏−𝑭 𝟓 =
𝟑𝟎
5
Cuestión 1. La variable aleatoria, X, tiempo que transcurre entre dos terremotos
consecutivos es, desde el punto de vista teórico, una variable:
a) Continua y con rango un intervalo finito.
b) Discreta con rango infinito.
c) Discreta con rango finito.
d) Continua y con rango un intervalo infinito.

Cuestión 2. La siguiente función pretende ser la función de densidad de la variable

aleatoria que mide el tiempo (medido en segundos) que transcurre entre el envío y la
recepción de un SMS entre teléfonos móviles:
3
𝑓 𝑥 = ቐ4 𝑥(2 − 𝑥) 𝑠𝑖 0 ≤ 𝑥 ≤ 2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Calcula la probabilidad de que el mensaje tarde más de 1,5 segundos en llegar de un

teléfono móvil a otro.

2
2
3 3 2 2
3 2
𝑥3
𝑃 𝑥 > 1,5 = න 𝑥 2 − 𝑥 . 𝑑𝑥 = . න 2𝑥 − 𝑥 . 𝑑𝑥 = . 𝑥 − อ =
1,5 4 4 1,5 4 3
1,5
3 2
23 2
1,53
= . 2 − − 1,5 − = 𝟎, 𝟏𝟓𝟔𝟐𝟓
4 3 3
Cuestión 3. Para qué valor de p puede considerarse P(xi) función masa de probabilidad
en la siguiente tabla:
Xi 1 2 3 4
P(Xi) 0,3 p 0,4 0,1

0,3 + p + 0,4 + 0,1 = 1  p = 1 – 0,8 = 0,2

Cuestión 5. Un examen consta de 100 temas. El sistema de examen consiste en

desarrollar un tema de dos posibles elegidos al azar entre los 100 temas del temario. Un
alumno prepara exhaustivamente la mitad (obtendría 10 puntos en caso de que saliese
uno de estos), se estudia a medias 25 temas (obtendría 5 puntos en caso de que saliese
uno de estos) y deja sin estudiar otros 25 temas (obtendría 0 puntos). La variable X, que
describe la calificación del individuo, es desde el punto de vista teórico una variable:
a) Continua y con rango un intervalo finito.
b) Discreta con rango infinito.
c) Discreta con rango finito.
d) Continua y con rango un intervalo infinito.
1. A continuación se muestran las funciones de distribución, masa de probabilidad y
densidad de varias variables aleatorias muy conocidas. Discuta si corresponden a
variables continuas o discretas y qué fenómenos reales podrían explicar.

Variable discreta. Ej.: Pensar en un número del 1 al 10; Extraer una carta mirando su
puntuación.

Variable discreta. Ej.: Caras obtenidas al lanzar 100 veces una moneda.
Variable continua. Ej.: Tiempo de espera en minutos.

Variable continua. Ej.: Altura en cm.

2. ¿Cuál de las siguientes situaciones corresponde a un modelo de masa de
probabilidad o densidad paramétrico y cuál a un modelo donde el valor desconocido
debe tomar forzosamente un único valor?

Continua
k es un parámetro, ya que el área del triángulo siempre vale 1,
sea cual sea el valor de k: 1
2𝑘.
𝑘=1
2
Continua
a y b son parámetros, ya que el área del rectángulo siempre
vale 1, sea cual sea el valor de a y b:
1
𝑏−𝑎 . =1
𝑏−𝑎

Continua
3 × 3𝑘 2
Á𝑟𝑒𝑎 = =1 → 𝑘=
2 9
k debe tomar un valor único (2/9).
Discreta
p es un parámetro, ya que puede tomar infinitos
valores: 0 ≤ 𝐩 ≤ 1Τ2

Discreta
p es un parámetro, ya que puede tomar infinitos
valores: 0 ≤ 𝐩 ≤ 1

Discreta
K es una constante, ya que puede tomar un valor único
K = 0,2:
෍ 𝑝𝑖 = 1 → 0,3 + 𝐊 + 0,4 + 0,1 = 1 → 𝐊 = 0,2
3. Se X una variable aleatoria continua con función de densidad:
1
𝑓 𝑥 = ቐ6 𝑥 + 𝑘 0≤𝑥≤3
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Determine el rango de la variable y el valor de k. ¿k es constante o parámetro?
b) Determine P(0 < x < 1'5) .
c) Calcule la función de distribución F(x).
d) Represente gráficamente f(x) y F(x).

a) El rango de la variable es [0, 3]

3
3
1 𝑥2 9 𝟏
න 𝑥 + 𝑘 . 𝑑𝑥 = 1 → + 𝑘. 𝑥 อ = + 3𝑘 = 1 → 𝒌 =
0 6 6.2 12 𝟏𝟐
0
1,5
1,5 2
1 1 𝑥 +𝑥
b) 𝑃 0 < 𝑥 < 1.5 = න 𝑥+ . 𝑑𝑥 = อ = 𝟎, 𝟑𝟏𝟐𝟓
0 6 12 12
0

𝑥 𝟎 𝒙<𝟎
𝑥 2 𝟐
1 1 𝑥 +𝑥 𝒙 +𝒙 𝒙𝟐 + 𝒙
c) න 𝑥+ . 𝑑𝑥 = อ = 𝑭 𝒙 = 𝟎≤𝒙≤𝟑
0 6 12 12 𝟏𝟐 𝟏𝟐
0
𝟏 𝒙>𝟑
d)
f(x) F(x)

y y
1.0

0.5 0.9

0.8

0.4 0.7

0.6
0.3
0.5

0.4
0.2
0.3

0.1 0.2

0.1

-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
x x

0 𝑥<0
1 1 2
𝑥 +𝑥
𝑓 𝑥 = ቐ6 𝑥 + 12 0≤𝑥≤3 𝐹 𝑥 = 0≤𝑥≤3
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 12
1 𝑥>3
4. En una bolsa hay bolas numeradas: 9 bolas con un uno, 5 con un dos y 6 con un tres.
Realizamos un experimento consistente en sacar una sola bola. Sea X la variable
aleatoria donde a cada bola asocia el número que tiene. Calcule el rango de valores de
X. ¿Cuál es la distribución de probabilidad de X?

Rango = {1, 2, 3}

X 1 2 3
Pi 9/20 5/20 6/20

5. La cantidad de zumo natural que tiene cada botella de una bebida refrescante de un
litro sigue una variable aleatoria continua con función de distribución:
0 𝑠𝑖 𝑥<0
𝐹 𝑥 = ቐ𝑘𝑥 3 𝑠𝑖 0 ≤ 𝑥 ≤ 1
1 𝑠𝑖 𝑥>1
donde la variable viene expresada en litros. Calcule el valor de k para que F(x) sea
función de distribución.
𝐹 1 = 1 → 𝑘13 = 1 → 𝒌 = 𝟏
6. En el proceso de envasado de un cierto producto (en envasado de 80 Kgrs.) se
comete un error aleatorio con función de densidad:
𝑓 𝑥 = 𝑘 1 − 𝑥 2 𝑠𝑖 − 1 < 𝑥 < 1
a) Calcule k y dibuje la densidad del error y discuta si es razonable este modelo. ¿k es
una constante o un parámetro? ¿Cuál es el error máximo y mínimo que se puede
cometer? ¿Cuál es el error que tiene mayor densidad de probabilidad?
b) Calcule la función de distribución. ¿Cuál es la probabilidad de cometer un error
igual o inferior a 0 kg?
c) Consideremos como aceptable un paquete si su peso tiene un error, a lo sumo, del
0’5% de variación con respecto a los 80 kg. ¿Entre qué pesos sería aceptable el
envasado del producto?
d) Calcule la probabilidad de que el producto esté aceptablemente envasado. ¿Le
parece fiable este proceso de envasado? Si envasamos 1000 productos al día, ¿Qué
tanto por ciento de ellos esperamos que no sean aceptables?
1
a) 1
𝑥3 4𝑘 𝟑
2
න 𝑘 1 − 𝑥 . 𝑑𝑥 = 1 → 𝑘. 𝑥 − อ =1→ =1→𝒌=
−1 3 3 𝟒
−1 y 0.7

k es constante igual a 3/4. 0.6

Error Máximo: +1Kg -de más- o -1Kg -de menos-. 0.5

0.4

Error Mínimo: 0 Kg. 0.3

Error mayor densidad: 0 Kg. 0.2

0.1

-3 -2 -1 0 1 2 3
x
6. En el proceso de envasado de un cierto producto (en envasado de 80 Kgrs.) se
comete un error aleatorio con función de densidad:
𝑓 𝑥 = 𝑘 1 − 𝑥 2 𝑠𝑖 − 1 < 𝑥 < 1
a) Calcule k y dibuje la densidad del error y discuta si es razonable este modelo. ¿k es
una constante o un parámetro? ¿Cuál es el error máximo y mínimo que se puede
cometer? ¿Cuál es el error que tiene mayor densidad de probabilidad?
b) Calcule la función de distribución. ¿Cuál es la probabilidad de cometer un error
igual o inferior a 0 kg?
c) Consideremos como aceptable un paquete si su peso tiene un error, a lo sumo, del
0’5% de variación con respecto a los 80 kg. ¿Entre qué pesos sería aceptable el
envasado del producto?
d) Calcule la probabilidad de que el producto esté aceptablemente envasado. ¿Le
parece fiable este proceso de envasado? Si envasamos 1000 productos al día, ¿Qué
tanto por ciento de ellos esperamos que no sean aceptables?

1
𝑥 3
b) න 3 3 𝑥 3𝑥 𝑥 3 1
1 − 𝑥 2 . 𝑑𝑥 = . 𝑥 − อ = − +
−1 4 4 3 4 4 2
−1

𝟎 𝒙 ≤ −𝟏
𝟏 𝟑𝒙 𝒙𝟑 𝟏
𝑭 𝟎 = 𝑭 𝒙 = − + −𝟏 < 𝒙 < 𝟏
𝟐 𝟒 𝟒 𝟐
𝟏 𝒙≥𝟏
6. En el proceso de envasado de un cierto producto (en envasado de 80 Kgrs.) se
comete un error aleatorio con función de densidad:
𝑓 𝑥 = 𝑘 1 − 𝑥 2 𝑠𝑖 − 1 < 𝑥 < 1
a) Calcule k y dibuje la densidad del error y discuta si es razonable este modelo. ¿k es
una constante o un parámetro? ¿Cuál es el error máximo y mínimo que se puede
cometer? ¿Cuál es el error que tiene mayor densidad de probabilidad?
b) Calcule la función de distribución. ¿Cuál es la probabilidad de cometer un error
igual o inferior a 0 kg?
c) Consideremos como aceptable un paquete si su peso tiene un error, a lo sumo, del
0’5% de variación con respecto a los 80 kg. ¿Entre qué pesos sería aceptable el
envasado del producto?
d) Calcule la probabilidad de que el producto esté aceptablemente envasado. ¿Le
parece fiable este proceso de envasado? Si envasamos 1000 productos al día,
¿cuántos de ellos esperamos que no sean aceptables?

c) 0,5% de 80 = 0,4  Peso aceptable intervalo [79,6 Kg ; 80,4 Kg]

d)
𝑃 𝑎𝑐𝑒𝑝𝑡𝑎𝑏𝑙𝑒 = 𝑃 −0,4 ≤ 𝑥 ≤ 0,4 = 𝐹 0,4 − 𝐹(−0,4) = 𝟎, 𝟓𝟔𝟖
Poco fiable, ya que la probabilidad de que esté aceptablemente envasado
es sólo 0,568
𝑃 𝑛𝑜 𝑎𝑐𝑒𝑝𝑡𝑎𝑏𝑙𝑒 = 1 − 0,568 = 0,432 . En la población 1000.0,432 = 432
productos.
7. Las siguientes funciones corresponden a densidades de errores aleatorios en un
proceso de medición en cm, ¿cuál de ellas tiene un comportamiento más extraño para
modelar un posible error en la medición? De entre todas, ¿cuál origina un proceso de
medida más fiable?

a) b) c) d)

Las más extrañas para modelar un error serían la c) y la d)

La más fiable es la b)
8. Una variable aleatoria X tiene la siguiente función de densidad:
𝑘𝑥 2
𝑓 𝑥 = 𝑠𝑖 0 ≤ 𝑥 ≤ 6
36
a) Determine la constante k, para que f(x) sea una función de densidad.
b) Halle la función de distribución de X.
c) Calcule las siguientes probabilidades: P(0’5 < x < 2) P(x >2’3)

6
6 2 3
a) 𝑘𝑥 𝑘𝑥 𝟏
න . 𝑑𝑥 = 1 → อ = 1 → 2𝑘 = 1 → 𝒌 =
0 36 36.3 𝟐
0

𝑥 𝟎 𝒔𝒊 𝒙<𝟎
𝑥 2 3 3
b) 𝑥 𝑥 𝑥 𝒙𝟑
න . 𝑑𝑥 = อ = →𝑭 𝒙 = 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟔
0 72 72.3 216 𝟐𝟏𝟔
0
𝟏 𝒔𝒊 𝒙>𝟔

c) 𝑃 0,5 < 𝑥 < 2 = 𝐹 2 − 𝐹 0,5 = 𝟎, 𝟎𝟑𝟔𝟒𝟓𝟖

𝑃 𝑥 > 2,3 = 1 − 𝐹 2,3 = 𝟎, 𝟗𝟒𝟑𝟔𝟕

9. La función f(x) de densidad de una variable x positiva tiene la siguiente expresión:
0,38 𝑠𝑖 0 < 𝑥 < 2
𝑓 𝑥 = ቐ 𝑎𝑥 𝑠𝑖 2 ≤ 𝑥 ≤ 4
0 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜
Calcule la constante a para que f(x) sea función de densidad. Dibuje la función de
densidad. Calcule la función de distribución.
4
2 4
𝑎. 𝑥 2
2
න 0,38. 𝑑𝑥 + න 𝑎𝑥. 𝑑𝑥 = 1 → 0,38. 𝑥 ቚ + อ = 0,76 + 8. 𝑎 − 2. 𝑎 = 1 → 𝒂 = 𝟎, 𝟎𝟒
0 2 0 2
2
0.4
y

0,38 𝑠𝑖 0<𝑥<2 0.3

𝑓 𝑥 = ቐ0,04. 𝑥 𝑠𝑖 2≤𝑥≤4 0.2

0 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜
0.1

-2 -1 0 1 2 3 4 5 6
x
𝑥
න 0,38. 𝑑𝑥 = 0,38. 𝑥 𝟎 𝒔𝒊 𝒙≤𝟎
0 𝟎, 𝟑𝟖. 𝒙 𝒔𝒊 𝟎 < 𝒙 < 𝟐
𝑥 𝑭 𝒙 =
𝟎, 𝟎𝟐. 𝒙𝟐 + 𝟎, 𝟔𝟖 𝒔𝒊 𝟐 ≤ 𝒙 ≤ 𝟒
න 0,04𝑥. 𝑑𝑥 = 0,02. 𝑥 2 − 0,08
𝟏 𝒔𝒊 𝒙>𝟒
2 +0,76
10. Sea un juego consistente en lanzar un dado. Sea X la variable aleatoria donde
perdemos un punto si sale 1 ó 2, nos quedamos con cero si sale 3 ó 4 y ganamos un
punto si sale 5 ó 6. Calcule el rango de valores y la masa de probabilidad de la variable
X.

2 1
1,2 → 𝑋 = −1 → 𝑃 𝑋 = −1 = =
6 3
1
3,4 → 𝑋 = 0 → 𝑃 𝑋 = 0 =
3
1
5,6 → 𝑋 = 1 → 𝑃 𝑋 = 1 =
3

X -1 0 1
𝟏 𝟏 𝟏
Pi
𝟑 𝟑 𝟑
11. Sea X la variable aleatoria asociada al error definida en el ejercicio 6.
3
𝑓 𝑥 = 1 − 𝑥 2 𝑠𝑖 − 1 < 𝑥 < 1
4
Estudios realizados demuestran que en envasados de 100 kg el error aleatorio se duplica.
Si la aceptabilidad sigue estando en el 0,5% de desviación, calcule la probabilidad de que
un paquete esté ahora aceptablemente envasado, ¿ha aumentado o disminuido la
probabilidad?
𝟎 𝒙 ≤ −𝟏
𝟑
0,5% de 100 = 0,5. 𝟑𝒙 𝒙 𝟏
𝑭 𝒙 = − + −𝟏 < 𝒙 < 𝟏
Luego: Intervalo Peso Aceptable [99,5Kg ; 100,5Kg] 𝟒 𝟒 𝟐
𝟏 𝒙≥𝟏
𝑃 −0,5 < 𝐸𝑟𝑟𝑜𝑟 < 0,5 =
3.0,5 0,53 1 3. −0,5 −0,5 3
1
= − + − − + = 0,6875
4 4 2 4 4 2
Ahora el error es el doble:
𝑃 −0,5 < 2𝑋 < 0,5 = 𝑃 −0,25 < 𝑋 < 0,25 =
3.0,25 0,253 1 3. −0,25 −0,25 3
1
= − + − − + = 0,3671875
4 4 2 4 4 2
Ha disminuido motivado por el doble de error.
12. Un tirador dispara contra una diana circular de radio 10 cm. La distancia de los
impactos al centro de la diana es una variable aleatoria con función de densidad:
10 − 𝑥
𝑓 𝑥 = 𝑠𝑖 0 < 𝑥 < 10
50
Obtiene premio cuando la distancia del impacto al centro no es superior a 2’5 cm. ¿Cuál
es la probabilidad de lanzar un dardo y obtener un premio? (Suponemos que
reclasificamos el experimento en sólo dos posibilidades: obtener premio o no obtener
premio al lanzar un dardo).
𝑥 0 𝑠𝑖 𝑥≤0
𝑥 2 2
10 − 𝑥 1 𝑥 𝑥 𝑥 𝑥 𝑥 2
න 𝑑𝑥 = 10𝑥 − อ = − 𝐹 𝑥 = − 𝑠𝑖 0 < 𝑥 < 10
0 50 50 2 5 2 5 2
0
1 𝑥 ≥ 10
𝑃 𝑝𝑟𝑒𝑚𝑖𝑜 = 𝑃 𝑋 ≤ 2,5 = 𝐹 2,5 = 𝟎, 𝟒𝟑𝟕𝟓
Si disparamos cuatro veces de forma independiente: (a) ¿Cuál es la probabilidad de
obtener cuatro premios en cuatro disparos?; (b) ¿Cuál es la probabilidad de obtener al
menos un premio?; (c) ¿Ningún premio?; (d) ¿Un solo premio?
𝐚 𝑃 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 = 0,43754 = 𝟎, 𝟎𝟑𝟔𝟔
𝐛 1 − 𝑃 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 = 1 − 0,56254 = 𝟎, 𝟖𝟗𝟗𝟗
𝐜 𝑃 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 = 0,56254 = 𝟎, 𝟏𝟎𝟎𝟏
𝐝 𝑃 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 ∪ 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 ∪ 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 ∪ 𝑝1 ∩ 𝑝2 ∩ 𝑝3 ∩ 𝑝4 =
= 4 × 0,4375 × 0,56253 = 𝟎, 𝟑𝟏𝟏𝟓
CARÁCTERÍSTICAS DE LAS
VARIABLES ALEATORIAS
 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS

CARÁCTERÍSTICAS DE POSICIÓN
Valores numéricos cuyo objetivo es localizar a la distribución de
probabilidad. Ej.: media (o esperanza), moda, mediana,...

CARÁCTERÍSTICAS DE DISPERSIÓN
Valores que cuantifican el grado de esparcimiento de una
distribución de probabilidad alrededor de una medida de posición.
Ej.: Varianza, desviación típica, rango intercuartílico,…

CARÁCTERÍSTICAS DE FORMA
Valores numéricos cuyo objetivo es analizar la forma de la
distribución de probabilidad. Ej.: Simetría, curtosis,…
 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS DISCRETAS

MEDIA Y VARIANZA
El valor esperado, esperanza o media de una variable aleatoria
discreta se define como:

n
E(X)   x i p i  
i 1

La varianza de una variable aleatoria discreta se define como:

n n
Var(X)   (x i   ) 2 p i   x i p i   2   2
2

i 1 i 1
 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS DISCRETAS
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.
Variable Aleatoria: X= “Suma de las puntuaciones de ambos dados”

X 2 3 4 5 6 7 8 9 10 11 12

Prob. Pi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

n
1 2 1
E(X)   x i p i 2·  3·  ...  12·  7 puntos
i 1 36 36 36

æ 2 1 2 2 2 3 2 1 ö
Var(X) = ç 2 +3 +4 + ...+12 ÷ø - ( )
- =
2 2
7 5,83 puntos
è 36 36 36 36
 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS CONTINUAS
MEDIA Y VARIANZA

El valor esperado, esperanza o media de una variable aleatoria

continua se define como:
+∞
𝑬 𝑿 =𝝁=න 𝒙. 𝒇 𝒙 . 𝒅𝒙
−∞

La varianza de una variable aleatoria discreta se define como:

+∞ +∞
𝑽𝒂𝒓 𝑿 = 𝝈𝟐 = න (𝒙 − 𝝁)𝟐 . 𝒇 𝒙 . 𝒅𝒙 = න 𝒙𝟐 . 𝒇 𝒙 . 𝒅𝒙 − 𝝁𝟐
−∞ −∞

De manera general:

𝑽𝒂𝒓 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿)𝟐 𝑫𝑻 𝑿 = 𝝈 = 𝑽𝒂𝒓(𝑿)

 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS CONTINUAS

EJEMPLO

Sea X = “tiempo de espera a un amigo entre las 10:00h y las 10:30h”,

suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores  [0 min.,30 min.]
Función de densidad

ì 1/30 si 0 £ x £ 30
f (x) = í
î 0 si c. c.
 CARÁCTERÍSTICAS DE VARIABLES ALEATORIAS CONTINUAS

EJEMPLO

Sea X = “tiempo de espera a un amigo entre las 10:00h y las 10:30h”,

suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores  [0 min.,30 min.]

𝟑𝟎
+∞ 𝟑𝟎 𝟏 𝟏 𝒙𝟐
𝑬 𝑿 = ‫׬‬−∞ 𝒙. 𝒇 𝒙 . 𝒅𝒙 = ‫𝟎׬‬ 𝒙. . 𝒅𝒙 = . ቚ = 𝟏𝟓 𝒎𝒊𝒏.
𝟑𝟎 𝟑𝟎 𝟐 𝟎

𝟑𝟎
𝟑𝟎
𝟐
𝟏 𝟐
𝟏 𝒙𝟑
𝑽𝒂𝒓 𝑿 = න 𝒙 . . 𝒅𝒙 − 𝟏𝟓 = . อ − 𝟏𝟓𝟐 = 𝟕𝟓 𝒎𝒊𝒏𝟐
𝟎 𝟑𝟎 𝟑𝟎 𝟑
𝟎
 TRANSFORMACIONES HABITUALES DE E(X) y Var(X)

1. Cambio de escala:
E a. X = a. E(X) Var a. X = a2 . Var(X)
DT a. X = 𝑎 . DT(X)

2. Traslación:
E X+b =E X +b Var X + b = Var(X)
DT X + b = DT(X)

1. Ambos simultáneamente:
E a. X + b = a. E X + b Var a. X + b = a2 . Var(X)
DT a. X + b = 𝑎 . DT(X)
Cuestión 4. La siguiente función pretende ser la función de densidad de la variable
aleatoria que mide el tiempo (medido en segundos) que transcurre entre el envío y la
recepción de un SMS entre teléfonos móviles:
3
𝑓 𝑥 = ቐ4 𝑥(2 − 𝑥) 𝑠𝑖 0 ≤ 𝑥 ≤ 2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcula el tiempo esperado que tardará un SMS entre el envío y la recepción de este.

2
2 2 3 4
3 3 3 𝑥 𝑥
𝐸(𝑥) = න 𝑥. 𝑥 2 − 𝑥 . 𝑑𝑥 = . න (2𝑥 2 − 𝑥 3 ). 𝑑𝑥 = . 2. − อ =
0 4 4 0 4 3 4
0
3 4 4
3 2 2 3 2 3 4
= . 2. − = . − 22 = . = 𝟏
4 3 4 4 3 4 3

Cuestión 6. En una bolsa hay bolas numeradas: 9 bolas con un uno, 5 con un dos y 6 con
un tres. Realizamos un experimento consistente en sacar una sola bola. Sea X la variable
aleatoria donde a cada bola asocia el número que tiene.
a) Entonces el percentil 50 vale 2.
b) Entonces la media vale 1,85.
c) Entonces la moda vale 2.
d) Entonces la mediana vale 1,85.
Cuestión 6. En una bolsa hay bolas numeradas: 9 bolas con un uno, 5 con un dos y 6
con un tres. Realizamos un experimento consistente en sacar una sola bola. Sea X la
variable aleatoria donde a cada bola asocia el número que tiene.
a) Entonces el percentil 50 vale 2.
b) Entonces la media vale 1,85.
c) Entonces la moda vale 2.
d) Entonces la mediana vale 1,85.
X 1 2 3
Pi 9/20 = 0,45 5/20 = 0,25 6/20 = 0,30
xi.Pi 0,45 0,50 0,90
F(x) 0,45 0,70 1

𝑃𝑒𝑟𝑐𝑒𝑛𝑡𝑖𝑙 50 = 𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝑃50 = 𝟐 a) CIERTO y d) FALSO

37
𝑀𝑒𝑑𝑖𝑎 = 𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = = 𝟏, 𝟖𝟓 b) CIERTO
20
𝑖

𝑀𝑜𝑑𝑎 = 𝟏 c) FALSO
1. Sea el experimento aleatorio de lanzar una moneda 5 veces. Estamos interesados en
contar el número de caras obtenidas. Para tal propósito se define la variable aleatoria X,
donde a cada posible realización del experimento le asociamos el número de caras
obtenidas. Calcule el valor medio, la varianza y la desviación de X.

Sea X = nº de caras obtenidas  Rango = {0, 1, 2, 3, 4, 5}

X 0 1 2 3 4 5
Pi 1/32 5/32 10/32 10/32 5/32 1/32
xi.Pi 0 5/32 20/32 30/32 20/32 5/32
xi2.Pi 0 5/32 40/32 90/32 80/32 25/32

80
𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = = 𝟐, 𝟓
32
𝑖

240
𝑉 𝑋 = ෍ 𝑥𝑖2 . 𝑝𝑖 − 𝐸 𝑋 2
= − 2,52 = 𝟏, 𝟐𝟓 𝐷𝑇 𝑋 = 𝟏, 𝟐𝟓
32
𝑖
2. Calcule el valor esperado y la varianza de las siguientes distribuciones:
a) Una distribución uniforme en el intervalo [a, b].
b) La siguiente distribución discreta:
X 0 1
Pi 1-p p
1
a) 𝑏−𝑎 1
𝑋~𝑈 𝑎, 𝑏 → 𝑅𝑎𝑛𝑔𝑜 = 𝑎, 𝑏 → 𝑓 𝑥 =
𝑏−𝑎
𝑏−𝑎

𝑏
𝑏 2
1 1 𝑥 𝑏 2 − 𝑎2 𝑏−𝑎 . 𝑏+𝑎 𝑏+𝑎
𝐸 𝑋 = න 𝑥. . 𝑑𝑥 = . อ = = =
𝑎 𝑏−𝑎 𝑏−𝑎 2 2. 𝑏 − 𝑎 2. 𝑏 − 𝑎 2
𝑎
𝑏 2
𝑏
2
1 2
1 𝑥3 𝑏+𝑎
𝑉 𝑋 =න 𝑥 . . 𝑑𝑥 − 𝐸 𝑋 = . อ − =
𝑎 𝑏 − 𝑎 𝑏−𝑎 3 2
𝑎
3 3 2 2
𝑏 −𝑎 𝑏+𝑎 𝑏−𝑎
= − =⋯=
3. 𝑏 − 𝑎 2 12

𝑏−𝑎 2 𝑏−𝑎
𝐷𝑇 𝑋 = =
12 12
2. Calcule el valor esperado y la varianza de las siguientes distribuciones:
a) Una distribución uniforme en el intervalo [a, b].
b) La siguiente distribución discreta:
X 0 1
Pi 1-p p

b)
𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = 0. 1 − 𝑝 + 1. 𝑝 = 𝒑
𝑖

𝑉 𝑋 = ෍ 𝑥𝑖2 . 𝑝𝑖 − 𝐸 𝑋 2
= 02 . 1 − 𝑝 + 12 . 𝑝 − 𝑝2 = 𝑝 − 𝑝2 = 𝒑. (𝟏 − 𝒑)
𝑖

𝐷𝑇 𝑋 = 𝒑. (𝟏 − 𝒑)
3. La variable aleatoria X tiene como función de densidad la siguiente función definida
por ramas:
1
1≤𝑥≤2
6
𝑓 𝑥 = 1
2<𝑥≤3
3
𝑎 3<𝑥≤5
Donde toma el valor cero fuera del rango de variación de X –intervalo [1, 5]- Determine:
a) El valor de a para que la f(x) sea función de densidad.
b) El valor medio esperado.

a)
1 1 𝟏
Á𝑟𝑒𝑎 = 1. + 1. + 2. 𝑎 = 1 → 𝒂 =
6 3 𝟒

b) 2 3 5
2 3 5 2 2 2
1 1 1 1 𝑥 1 𝑥 1 𝑥
𝐸 𝑋 = න 𝑥. 𝑑𝑥 + න 𝑥. 𝑑𝑥 + න 𝑥. 𝑑𝑥 = . อ + . อ + . อ = 𝟑, 𝟎𝟖𝟑𝟑
1 6 2 3 3 4 6 2 3 2 4 2
1 2 3
4. En una bolsa hay bolas numeradas: 9 bolas con un uno, 5 con un dos y 6 con un tres.
Realizamos un experimento consistente en sacar una sola bola. Sea X la variable
aleatoria donde a cada bola asocia el número que tiene. Calcule la media y la desviación
típica de X.
X 1 2 3
Pi 9/20 5/20 6/20
xi.Pi 9/20 10/20 18/20
xi2.Pi 9/20 20/20 54/20

37
𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = = 𝟏, 𝟖𝟓
20
𝑖

83
𝑉 𝑋 = ෍ 𝑥𝑖2 . 𝑝𝑖 −𝐸 𝑋 2
= − 1,852 = 𝟎, 𝟕𝟐𝟕𝟓
20
𝑖

𝐷𝑇 𝑋 = 𝟎, 𝟕𝟐𝟕𝟓
5. Sea el experimento consistente en sacar dos cartas de una baraja. Consideramos la
variable aleatoria donde anotamos el número de ases totales obtenidos 0, 1 ó 2. Calcule
la distribución de probabilidad de X y su valor medio en los dos siguientes casos:
a) Las dos extracciones son con reemplazamiento, es decir de forma independiente.
b) Las dos extracciones son sin reemplazamiento, no sería independiente, la primera
condiciona la segunda.

Con reemplazamiento

X P
0 (9/10)2=81/100
1 2.(1/10).(9/10)=18/100
2 (1/10)2=1/100

81 18 1
𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = 0. + 1. + 2. = 𝟎, 𝟐
100 100 100
𝑖
5. Sea el experimento consistente en sacar dos cartas de una baraja. Consideramos la
variable aleatoria donde anotamos el número de ases totales obtenidos 0, 1 ó 2. Calcule
la distribución de probabilidad de X y su valor medio en los dos siguientes casos:
a) Las dos extracciones son con reemplazamiento, es decir de forma independiente.
b) Las dos extracciones son sin reemplazamiento, no sería independiente, la primera
condiciona la segunda.

Sin reemplazamiento

X P
0 (36/40).(35/39)
1 (4/40).(36/39)+(36/40).(4/39)
2 (4/40).(3/39)

𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = 0. 0,8076923 + 1. 0,1846154 + 2. 0,0076923 = 𝟎, 𝟐

𝑖
6. Estudiando las empresas cuya producción X es inferior a 100.000 dólares se sabe
que X expresada en miles es una variable aleatoria con función de densidad
𝑘
𝑓 𝑥 = 𝑠𝑖 𝑥 ∈ (0, 100)
𝑥
a) Dibuje la función de densidad. ¿k es una constante?
b) Determine el valor medio y la varianza de X.
c) Calcule un intervalo centrado en la media más/menos una vez la desviación.
d) Calcule la probabilidad de que X tome valores en el intervalo anterior.

100
100 100 1/2
𝑘 𝑥 𝟏
න 𝑑𝑥 = 1 → න 𝑘. 𝑥 −1/2 𝑑𝑥 = 𝑘. อ = 𝑘. 20 → 𝒌 =
0 𝑥 0 1/2 𝟐𝟎
0

k es un valor único (constante)

100
100
1 1 100 𝑥 1 100 1−1/2 1 𝑥 3/2 𝟏𝟎𝟎
𝐸 𝑋 =න 𝑥. 𝑑𝑥 = න 𝑑𝑥 = න 𝑥 𝑑𝑥 = อ =
0 20 𝑥 20 0 𝑥 20 0 20 3/2 𝟑
0
100
2 2 5 2
100
1 100 1 100 2−1 100 1 𝑥2 100 𝟖𝟎𝟎𝟎
𝑉 𝑋 =න 𝑥 2. 𝑑𝑥 − = න 𝑥 2 𝑑𝑥 − = ተ − =
0 20 𝑥 3 20 0 3 20 5 3 𝟗
2 0
6. Estudiando las empresas cuya producción X es inferior a 100.000 dólares se sabe que
X expresada en miles es una variable aleatoria con función de densidad
𝑘
𝑓 𝑥 = 𝑠𝑖 𝑥 ∈ (0, 100)
𝑥
a) Dibuje la función de densidad. ¿k es una constante?
b) Determine el valor medio y la varianza de X.
c) Calcule un intervalo centrado en la media más/menos una vez la desviación.
d) Calcule la probabilidad de que X tome valores en el intervalo anterior.

100 8000
𝐸 𝑋 ± 𝐷𝑇 𝑋 → ± → 𝟑, 𝟓𝟐; 𝟔𝟑, 𝟏𝟒
3 9

63,14
63,14
1 1 𝑥 1/2 1
𝑃 3,52 < 𝑥 < 63,14 = න 𝑑𝑥 = . อ = . 63,14 − 3,52 = 𝟎, 𝟔𝟏
3,52 20 𝑥 20 1/2 10
3,52
7. Sea X una variable aleatoria continua con función de distribución:
0 𝑠𝑖 𝑥 ≤ −1
3
𝑘 𝑥 +1 𝑠𝑖 −1 < 𝑥 ≤ 0
𝐹 𝑥 =
𝑘 1 + 3𝑥 4 𝑠𝑖 0 < 𝑥 ≤ 1
1 𝑠𝑖 𝑥>1
a) Determine el valor de la constante k sin calcular la función de densidad, es decir
utilizando las propiedades de la función de distribución.
b) Calcule el valor esperado y la varianza de la variable aleatoria.
c) Calcule la probabilidad de que la variable se encuentre entre los valores -0’58 y 0’31.
𝟏
a) 𝐹 1 = 1 = 𝑘 1 + 3.14 = 𝑘. 4 → 𝒌 =
𝟒
b) 0 𝑠𝑖 𝑥 ≤ −1 c) 𝑃 −0,58 ≤ 𝑥 ≤ 0,31 =
3 2 = 𝐹 0,31 − 𝐹 −0,58 =
𝑥 𝑠𝑖 −1 < 𝑥 ≤ 0
𝐹′ 𝑥 = 𝑓 𝑥 = 4 1 1
= 1 + 3.0,314 − −0,58 3 + 1 =
3𝑥 3 𝑠𝑖 0<𝑥≤1 4 4
0 𝑠𝑖 𝑥>1 = 𝟎, 𝟎𝟓𝟓𝟔𝟓

1 0
3 33
𝐸 𝑋 = න 𝑥. 3𝑥 𝑑𝑥 + න 𝑥. 𝑥 2 𝑑𝑥 = ⋯ =
3
= 𝟎, 𝟒𝟏𝟐𝟓
0 −1 4 80
1 0 2 2
2 3 2
3 2 33 39 33
𝑉 𝑋 = න 𝑥 . 3𝑥 𝑑𝑥 + න 𝑥 . 𝑥 𝑑𝑥 − =⋯= − = 𝟎, 𝟒𝟕𝟗𝟖
0 −1 4 80 60 80
8. La probabilidad que tiene un corredor de fondo de llegar el primero en la Carrera Urbana de
San Antón que se celebra en Jaén es de 0’1, 0’2 de llegar el segundo y 0’3 de llegar el tercero. El
premio económico que recibirá si llega el primero es de 1.000.000 de unidades monetarias,
500.000 si llega el segundo y 100.000 si llega el tercero. Si además bate la mejor marca nacional,
llegue en la posición que llegue, la federación andaluza de atletismo le concederá una prima
especial de 250.000 unidades monetarias Sabiendo que si llega el primero tiene la probabilidad de
0’7 de conseguir batir el mejor tiempo nacional, que esta probabilidad se reduce a 0’3 si llega el
segundo, a 0’2 si llega el tercero, y a 0’1 si no llega entre los tres primeros, calcule la probabilidad
que tiene de batir el récord nacional, así como la ganancia económica esperada del corredor.

P(Llegar 1º) = 0,1 P(Batir MN | 1º)=0,7 Premio 1º = 1.000.000

P(Llegar 2º) = 0,2 P(Batir MN | 2º)=0,3 Premio 2º = 500.000
P(Llegar 3º) = 0,3 P(Batir MN | 3º)=0,2 Premio 3º = 100.000
P(Otro puesto) = 0,4 P(Batir MN | Otro puesto)=0,1 Premio MN = 250.000

P(Batir récord) = P(BR) =

= 0,1.0,7+0,2.0,3+0,3.0,2+0,4.0,1 = 0,23
8. La probabilidad que tiene un corredor de fondo de llegar el primero en la Carrera Urbana de San
Antón que se celebra en Jaén es de 0’1, 0’2 de llegar el segundo y 0’3 de llegar el tercero. El premio
económico que recibirá si llega el primero es de 1.000.000 de unidades monetarias , 500.000 si
llega el segundo y 100.000 si llega el tercero. Si además bate la mejor marca nacional, llegue en la
posición que llegue, la federación andaluza de atletismo le concederá una prima especial de
250.000 unidades monetarias Sabiendo que si llega el primero tiene la probabilidad de 0’7 de
conseguir batir el mejor tiempo nacional, que esta probabilidad se reduce a 0’3 si llega el segundo,
a 0’2 si llega el tercero, y a 0’1 si no llega entre los tres primeros, calcule la probabilidad que tiene
de batir el récord nacional, así como la ganancia económica esperada del corredor.
X = Premio xi pi xi.pi
1.250.000 0,1.0,7=0,07 87.500
1.000.000 0,1.0,3=0,03 30.000
750.000 0,2.0,3=0,06 45.000
500.000 0,2.0,7=0,14 70.000
350.000 0,3.0,2=0,06 21.000
250.000 0,4.0,1=0,04 10.000
100.000 0,3.0,8=0,24 24.000
0 0,4.0,9=0,36 0
𝐸 𝑋 = ෍ 𝑥𝑖 . 𝑝𝑖 = 𝟐𝟖𝟕. 𝟓𝟎𝟎 1 ∑ = 287.500
𝑖
9. La curva de costes de una determinada empresa refleja unos costes fijos de 300.000
unidades monetarias y un coeficiente de 2 para los costes por unidad vendida. El
precio de la unidad de producto es de 10 unidades monetarias y la demanda de dicho
artículo en el mercado se distribuye uniformemente entre 200.000 y 500.000
unidades. Se pide:
• Calcule la expresión de la variable Beneficio ¿De quién depende?
• ¿Cuál será el beneficio esperado?

El Beneficio será la diferencia entre el precio de venta y el coste, siendo una función o
transformación de la demanda (x):
𝑩 = 𝑉 − 𝐶 = 10. 𝑥 − 300.000 + 2. 𝑥 = 𝟖𝒙 − 𝟑𝟎𝟎. 𝟎𝟎𝟎 𝑝𝑎𝑟𝑎 𝟐𝟎𝟎. 𝟎𝟎𝟎 ≤ 𝒙 ≤ 𝟓𝟎𝟎. 𝟎𝟎𝟎

𝑋~𝑈 200.000, 500.000 → 𝑅𝑎𝑛𝑔𝑜 = 200.000, 500.000

1 1 500.000 + 200.000
𝑓 𝑥 = = 𝐸 𝑋 = = 350.000
500.000 − 200.000 300.000 2

𝐸 8𝑥 − 300.000 = 8 × 𝐸 𝑋 − 300.000 = 8 × 350.000 − 300.000 = 𝟐. 𝟓𝟎𝟎. 𝟎𝟎𝟎

10. El salario anual (en millones de unidades monetarias) de los trabajadores de una
empresa es una variable aleatoria X con función de densidad
5,184
𝑓 𝑥 = 𝑠𝑖 𝑥 ≥ 1,2
𝑥4
y 0 en el resto. La empresa realiza un reajuste salarial, distribuyéndose los nuevos
salarios según la variable aleatoria Y = 0,3+0,9X
a) ¿Ha aumentado el salario medio con el reajuste realizado?
b) ¿Qué probabilidad tiene un trabajador de que su nuevo salario sea inferior al
anterior?
∞
∞ ∞
𝑥. 5,184 −3
𝑥 −2
a) 𝐸 𝑋 =න 4
𝑑𝑥 = න 5,184. 𝑥 𝑑𝑥 = 5,184. อ =
1,2 𝑥 1,2 −2
1,2
= 5,184. 0 − 0,3472 = 𝟏, 𝟖

𝐸 𝑌 = 𝐸 0,3 + 0,9. 𝑋 = 0,3 + 0,9. 𝐸 𝑋 = 𝟏, 𝟗𝟐 → 𝒉𝒂 𝒂𝒖𝒎𝒆𝒏𝒕𝒂𝒅𝒐

b) 𝑃 𝑌 < 𝑋 → 0,3 + 0,9. 𝑥 < 𝑥 → 𝒙 > 𝟑

∞
∞ ∞ −3
5,184 −4
𝑥 𝟓, 𝟏𝟖𝟒
𝑃 𝑥>3 =න 𝑑𝑥 = න 5,184. 𝑥 𝑑𝑥 = 5,184. อ = = 𝟎, 𝟎𝟔𝟒
3 𝑥4 3 −3 𝟑 𝟒
3
Sea X una variable aleatoria continua con función de densidad:
1
𝑓 𝑥 = ቐ6 𝑥 + 𝑘 0≤𝑥≤3
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Determine el rango de la variable y el valor de k. ¿Es k una constante o un parámetro?
b) Obtenga la función de distribución F(x).
c) Calcule P(0<X<1,5).
d) Calcule la Esperanza matemática y la Varianza de la distribución.
e) Represente gráficamente f(x) y F(x).

El rango de la variable es [0, 3]

𝟏
Con Compute  Solve – Exact obtenemos 𝒌 =
𝟏𝟐

Con Compute  Evaluate obtenemos

𝟏
𝑭 𝒙 = 𝒙(𝒙 + 𝟏)
𝟏𝟐

Con Compute  Evaluate obtenemos

𝑷 𝟎 < 𝒙 < 𝟏. 𝟓 = 𝟎, 𝟑𝟏𝟐𝟓

Con Compute  Evaluate obtenemos

𝟏𝟓 𝟑𝟗
𝑬 𝑿 = 𝑽 𝑿 =
𝟖 𝟔𝟒
Gráficos:
Pulsamos o, Compute  Plot 2D  Rectangular
Si queremos cambiar el intervalo de visualización de los dos ejes, seleccionamos el
gráfico y pulsamos el botón de propiedades o Edit  Properties.

y
0.5

f(x) 0.4

0.3

0.2

0.1

-5 -4 -3 -2 -1 0 1 2 3 4 5
x

1.0
y
0.9

0.8
F(x) 0.7

0.6

0.5

0.4

0.3

0.2

0.1

-5 -4 -3 -2 -1 0 1 2 3 4 5
x