25-05-2016

Variables Aleatorias
Unidimensionales
Definición 1: Sea E un experimento, y sea S un espacio muestral
asociado a E. Entonces una función X, que a cada elemento del
espacio muestral, le asocia un número real, recibe el nombre de
variable aleatoria.

X : S R
si X(si)= xi

1
Prof. David Becerra Rojas

Variables Aleatorias
Unidimensionales
Definición 2: Sea X una v.a. Entonces llamaremos recorrido
de la v.a. X, y lo denotaremos por Rx, al conjunto de todos los
valores que toma la v.a. X. Rx = {xi  R / X(si) = xi , si  S }
S R
X Rx
s1 x1
s2 x2
:
: X(si)=xi
si :
:
:
:
2
Prof. David Becerra Rojas

Variables Aleatorias
Unidimensionales
Definición 3: Sea X una v.a. Entonces si el recorrido
de la v.a. X, ( Rx), es un conjunto finito o infinito numerable,
entonces diremos que X, es una v.a. Discreta.

Definición 4: Sea X una v.a.discreta. Entonces a cada valor que

toma la variable (xi Rx), le asociaremos un número
p(xi) = P(X=xi), y que cumple con las siguientes condiciones:

i.  p( xi )  o i  1, 2 ,....


ii.   p( x )  1
i 1
i
3
Prof. David Becerra Rojas

1
 25-05-2016

Definición 5:

Sea E un experimento, sea S un espacio muestral asociado a E, sea

Rx, el recorrido de la variable aleatoria X y sea B  Rx. Entonces
Si definimos A = { s S / X(s) = x B }, entonces,
diremos que A y B son equivalentes, A  B y P(A) = P(B)

S Rx

A s1 B
x1
s2
x2
si
xr
sk
4
Prof. David Becerra Rojas

Ejemplo:
Sea el experimento E: se lanza una moneda dos veces y se registra
el signo que aparece en la cara superior. Luego el espacio muestral
S = {cc, cs, sc, ss }. Sea la v.a. X : número de sellos que aparecen.

En este caso el recorrido de la v.a. Será Rx = {0, 1, 2}

S X Rx

cc X(cc) = x1=0
cs
sc
X(cs) =
X(sc) =
} x2=1
ss X(ss) = x3=2

5
Prof. David Becerra Rojas

Luego:

p(x1) = P(X = x1) = p(0) = P(X=0) = P(cc) = 1/4

p(x2)= P(X = x2) = p(1) = P(X=1) = P(cs,sc) = P(cs) + P(sc) = 1/2
p(x3) = P(X = x3) = p(2) = P(X=2) = P(ss) = 1/4
Por lo tanto:

p(xi) = p(0) + p(1) + p(2) = 1/4 + 1/2 +1/4 = 1

De la definición 5 tenemos:
Si A={cc, cs, sc} y si B={0, 1}  P(A) = P(B) = ¾

6
Prof. David Becerra Rojas

2
 25-05-2016

Luego,

S Rx

A cc B
0
cs
1
sc
2
ss
7
Prof. David Becerra Rojas

Ejercicio

De un curso de 15 personas (5 hombres y 10 mujeres) se

Seleccionan al azar dos, una después de otra, y se clasifican
según el sexo. Determine:

a.- el espacio muestral

b.- la probabilidad de que ambas sean mujeres
c.- que el número de mujeres seleccionadas sea 2
Previo: Definir; la variable aleatoria X
el recorrido de X (Rx)
d.- que el número de mujeres sea al menos una
Respuesta:

8
Prof. David Becerra Rojas

Ejercicio:
Sea la variable aleatoria X: mes en que un computador
tiene problemas.
4k x
p( x)  P( X  x)  , x = 1,2,3,4,5,6
7
Determine:
1.- el valor de k
2.- p( 5 ) = P( X = 5 )
3.- P( X  2 ) =

Recordar: i) p( xi )  o i  1, 2 ,....


ii ) 
i 1
p ( xi )  1
9
Prof. David Becerra Rojas

3
 25-05-2016

1.- De la condición ii.- tenemos :

6 6 6
4kxi 4k 6 4k
 p( x )  1  1   P( X  x )  
i 1
i
i 1
i
i 1 7
  xi  7 21  12k
7 i 1

1
Luego k 
12
Esto quiere decir que:

4x x
p ( x)  P( X  x)  
7 *12 21

10
Prof. David Becerra Rojas

k 5
b.- p(5)  P( X  5)  
21 21

c.- P( X  2)  p(2)  p(3)  p(4)  p(5)  p(6)

1
 1  P( x  2)  1 
21

20

21
11
Prof. David Becerra Rojas

Proposición:

i.- La Función P, se denomina Función de Probabilidad

ii.- El par ( xi , p(xi) ): se denomina Distribución de Probabilidad

En realidad, la Distribución de Probabilidad, es la gráfica de la

Función de Probabilidad.
p(xi)

xi 12
Prof. David Becerra Rojas

4
 25-05-2016

Ejercicio:
Supongamos que la probabilidad de que un barco de trasporte
Seaa destino
llegue A : El es
barco llega
de 0.57 a destino
( es _
decir en el 57% de
los ycasos).
sea Supongamos
B : El barco no llega aque
además destino. B =enviar
es posible A una gran
cantidad de barcos. El envío continua hasta que llega el primer
barco a destino.

Determine la probabilidad de que el número de envíos necesario

para que llegue el primer barco a destino, sea k (k = 1,2,3...)

Previo Determine:
a.- Espacio muestral S = { A, BA, BBA, BBBA,.....}
X : Nº de envíos necesarias para que llegue el primer
b.- La variable aleatoria X barcos a destino.

c.- Recorrido de la v.a. X. Rx = {1, 2, 3, 4, ......}

13
Prof. David Becerra Rojas

Según el diagrama del árbol tenemos: S = { A, BA, BBA, BBBA,.....}

Rx = { 1 , 2 , 3 , 4 , .........}

0.57
A
A
0.57 A
0.43 B
0.57 A
0.57
0.43
B
0.43 B
0.43
Luego; B ..............................
p(1) = P(X=1) = P(A) = (0.57)
p(2) = P(X=2) = P(BA) = (0.43)(0.57)
p(3) = P(X=3) = P(BBA) = (0.43) 2 (0.57)
p(4) = P(X=4) = P(BBBA) = (0.43) 3(0.57)
Por consiguiente tenemos que:
p(k) = P(X=k) = (0.43)k-1(0.57) ; k = 1,2,3......
14
Prof. David Becerra Rojas

Debemos demostrar que :

p(k) = P(X=k) = (0.43)k-1(0.57) ; k = 1,2,3......

es efectivamente una función de probabilidad, es decir, que debe

cumplir con:
i) p( k )  o k  1, 2 ,....

ii )  p(k )  1
k 1
( progresión geométrica)
 
  0.43  0.43
 i
1 1 k 1
Como    
i

i 0  r 
1
1 k 1 i 0
r

  0.43 * (0.57)  1 * (0.57)  1
i

i 0
1  0.43
15
Prof. David Becerra Rojas

5
 25-05-2016

Ejercicio
Sea X v.a.d. talque:
1
p ( k )  P( X  k )  ; k  1,2,3,.......
2k

Determine la probabilidad de que:

1.- k sea un número par = 1/3
2.- k sea divisible por 3 = 1/7
3.- k > 3 = 1/8

16
Prof. David Becerra Rojas

Ejercicio
En el ejemplo de los barcos, supongamos que se envían independientemente,
tres barcos. Determine la probabilidad de que lleguen a destino:
Exactamente k barcos.
( recordemos que: A : El barco llega a destino sin problemas y B : El barco no llega a
destino y P(A) = 0.57 y P(B) = 0.43)

Previo Determine:

a.- Espacio muestral S = { AAA, AAB, ABA, BAA, ABB, BAB, BBA, BBB}

b.- La variable aleatoria X X : Nº de barcos que llegan a destino.

c.- Recorrido de la v.a. X. Rx = { 0, 1, 2, 3 }

17
Prof. David Becerra Rojas

Luego;

p(0) = P(X=0) = P(BBB) = (0.43) 3

p(1) = P(X=1) = P(BBA, BAB, ABB) = 3(0.57) (0.43) 2
p(2) = P(X=2) = P(BAA, ABA, AAB) = 3 (0.57) 2(0.43)
p(3) = P(X=3) = P(AAA) = (0.57) 3

Por consiguiente tenemos que:

P(k )  P( X  k )  Ckn (0.57) k (0.43)3k k  0,1,2,3

18
Prof. David Becerra Rojas

6
 25-05-2016

Distribución Binomial
Def.: Sea E un experimento y sea A un suceso asociado a E. Supongamos que
P(A) = p, luego P(A) = 1 – p. Consideremos n repeticiones independientes del
experimento E. Por lo tanto el espacio muestral del experimento total, estará
Dado por todas las sucesiones posibles tal que ocurra A o A .
Si la v.a. X se define como: Número de veces que ocurre el suceso A, diremos que
X tiene una distribución binomial con parámetros n y p, y la denotaremos:

X ~ b(n , p )
Su función de probabilidad está dada por:

P(k )  P( X  k )  Ckn p k (1  p) nk

k = 0,1,2,3,4…n

19
Prof. David Becerra Rojas

Ejercicio
Supongamos que en un estadio lleno, el 40% de los
asistentes son mujeres. Una empresa comercial, para
promocionar un nuevo producto, toma una muestra
aleatoria de tamaño 20. Determine la probabilidad que
la muestra contenga:
1.- exactamente 11 mujeres.
2.- a lo más 8 mujeres.
3.- al menos 5 mujeres.
4.- exactamente 9 hombres.

20
Prof. David Becerra Rojas

Previo: Determine
• el experimento E : Se elije al azar una persona

• repeticiones del exp. E : n = 20

• el suceso de interés A: : la persona es mujer
• el espacio muestral s: = {A,B}
•el espacio muestral (Exp Total )S; ={A...A,A...B,…..,B…B}
• la probabilidad de A p = P(A) = 0.40
• la variable aleatoria X: Nº de mujeres seleccionadas
• el recorrido Rx : = {0, 1 , 2,…., 20}
Luego: Por lo tanto X ~ b(20 , 0.40 )

1.- P(X = 11) = P(X 11) – P(X 10) por tabla = 0.071
2.- P(X  8) = 0.5956 directo por tabla
3.- P(X  5) = 1 – P(X  4) = 1 – 0. 0510 = 0.949
4.- P(Y =9 ) = P(Y 9) – P(Y 8) = 0.071 Y: Nº de hombres
21
Prof. David Becerra Rojas

7
 25-05-2016

Distribución de Bernoulli
Si el experimento se realiza una sola vez, la
variable X tomará los valores 0 y 1, y se dice que
tiene una distribución de Bernoulli con parámetros
1 y p.
X ~ B(1 , p )

P(k )  P( X  k )  p k (1  p)1k
Con k = 0,1
22
Prof. David Becerra Rojas

Distribución de Poissón

Sea X una v.a.d., si su función de probabilidad está dada por:

e  * k
P( k )  P( X  k )  con k  0,1,2,3, , , , , , , ,
k !

Entonces diremos que X tiene una distribución de Poissón

con parámetro  ( media  y varianza  ) . Se anota:
X ~ P()
23
Prof. David Becerra Rojas

Ejercicio
Supongamos que el cajero de un banco, es capaz
de atender en promedio 8 personas en 20 minutos.
Determina la probabilidad de que el cajero atienda
en 20 minutos:
a.- exactamente 10 personas. 0,099
b.- a lo más 7 personas. 0,453
c.- al menos 4 personas. 0,958
d.- no más de 10, ni menos de 5 0,716
e.- exactamente 20 personas en 40 minutos. 0,056
24
Prof. David Becerra Rojas

8
 25-05-2016

Variables Aleatorias Continuas (vac)

Supongamos que X es una v.a. cuyo recorrido Rx,
son todos los números reales.

Si definimos una función f :R

 R
y si cumple con las siguientes condiciones:
i.  f ( x)  0 x  Rx

ii.   f ( x)dx  1


Entonces diremos que X es una v.a.c. con función de densidad de

Probabilidad (f.d.p.) f
25
Prof. David Becerra Rojas

Observaciones
1.- f(x) no es una probabilidad, como en el
caso discreto, donde p(x) = P(X = x ).
2.- Las siguientes probabilidades, son
equivalentes:
P(a  x  b) = P(a < x < b)
Esto implica que P(X = x ) = 0

26
Prof. David Becerra Rojas

Observaciones
b
3.  P(a  x  b)   f ( x)dx
f(x) a

a b x

27
Prof. David Becerra Rojas

9
 25-05-2016

Ejemplo
Sea X una variable aleatoria continua (vac), con función
de densidad de probabilidad “f”(f.d.p.). Talque:
kx 0  x  1
f(x) = { 0 en otros casos
1.- Determine el valor de k
2.- Grafique la función f
3.- Calcule P( x  1/2 )
4.- Calcule P( x  1/2 / 1/3  x  2/3)

Recordar : i.  f ( x)  0 x  Rx

ii. 

 f ( x)dx  1
28
Prof. David Becerra Rojas

Función de Distribución
Acumulativa

Def. : Sea X una variable aleatoria, se define función de

distribución acumulativa o función de distribución como:

 p(k ) Si X v.a.d.

F(x) = P( X ≤ x ) = { x
k

 f ( x)dx

Si X v.a.c.

29
Prof. David Becerra Rojas

Valor Esperado de una Variable

Aleatoria

Def. : Sea X una variable aleatoria. Se define Valor

esperado o Esperanza de X como:

 x p( x )i i
Si X v.a.d.

E(x) =
{ i 1


 xf ( x)dx

Si X v.a.c.

30
Prof. David Becerra Rojas

10
 25-05-2016

Propiedades
La esperanza es un operador lineal, ya que:
, ,
Combinando estas propiedades, podemos ver
Que, donde X e Y son variables aleatorias y a
y b dos constantes cualesquiera.
,

Varianza de una Variable Aleatoria

Def. : Sea X una variable aleatoria. Se define
Varianza de X como:

V(x) = E( x - E(x) )2 = E ( x2 ) – ( E (x) )2


Donde :
x 2
i p ( xi ) Si X v.a.d.
E( x2 )= { i 1


x
2
f ( x)dx Si X v.a.c.


32
Prof. David Becerra Rojas

Tarea Nº ___

1. Propiedades de la Esperanza
2. Propiedades de la Varianza
3. Si X ~ b(n,p), determine la E(X) y V(X)
4. Demostrar que : E( x - E(x) )2 = E ( x2 ) – ( E (x) )2

33
Prof. David Becerra Rojas

11
 25-05-2016

Propiedades de la varianza [editar]

Algunas propiedades de la varianza son:

, propiedad que permite que la definición de desviación típica sea consistente.

siendo a y b constantes cuales

Varianza muestral [editar]
Dentro de la estadística descriptiva, la varianza muestral se utiliza como medida de dispersión, cuya definición es:

Ejemplo:
1.- Sea X v.a.d. con función de probabilidad dada por::
X: años de servicios de los trabajadores de una empresa.:

xi 1 2 3 4 5 Total
p(xi) 0.2 0.25 0.32 0.08 0.15 1.00
F(xi) 0.2 0.45 0.77 0.85 1.00 ////
xip(xi) 0.2 0.50 0.96 0.32 0.75 2.73 E(X)
x2ip(xi) 0.2 1.00 2.88 1.28 3.75 9.11 E(X2)
Determine : a.- Función de Distribución Acumulativa
b.- Esperanza de X ( E(X) ) = 2.73
c.- Varianza de X ( V(X) ) = E ( x2 ) – ( E (x) )2 = 9.11 – (2.73)2 = 1.657
d.- Grafique F(X)
35
Prof. David Becerra Rojas

0 x 1
Gráfica de F(x)

F(x)
F(x) = { 0.20
0.45
0.77
0.85
1.00
1 x  2
2 x3
3 x  4
4 x5
x5

1.00
0.80
0.60
0.40
0.20

1 2 3 4 5 x
36
Prof. David Becerra Rojas

12
 25-05-2016

2.- Sea X v.a.c. con función de densidad de probabilidad

dada por .

2 x 0  x 1
f ( x)  
0 en otros casos

Determine : a.- Función de Distribución Acumulativa F(x)

b.- Esperanza de X E(x)
c.- Varianza de X V(x)

37
Prof. David Becerra Rojas

La función f(x) y F(x), están dadas por:

0  x  1 0 x0
2 x
f ( x)   
0 en otros casos F ( x)   x 2 0  x  1
1 x 1


f(x) F(x)

2
1

0 1 0 1
38
Prof. David Becerra Rojas

Distribución Normal
Sea X una v.a.c. si su fdp está dada por:

 1 ( x ) 2

f ( x)   * e 2   x  
2

 2 2

Entonces, diremos que X tiene una distribución

Normal con media  y varianza 2. Se denota:

X ~ N( , 2 )
39
Prof. David Becerra Rojas

13
 25-05-2016

Características
• Tiene forma de campana ( por su descubridor
es también llamada campana de GAUSS)
• Es simétrica con respecto a su media ()
• Es asintótica al eje horizontal.
• A +/- tres desv. típicas de la media, se
encuentra prácticamente el 99.8% de su área
( +/- 3  )

-3  +3
40
Prof. David Becerra Rojas

Teorema Central del Limite

• Sea X ~ N( , 2 ) entonces, Z
( X  ) ~ N(0 , 1 )


 1  z
2

f ( z)   *e 2   z  
X  2
( X  )


α Z
 x0 X
α
0 z0 Z
Z: Distribución Normal Típica

41
Prof. David Becerra Rojas

Ejercicio
Supongamos que el peso de los contenedores almacenados en un recinto
portuario, tienen una distribución aproximadamente normal, con una media
 = 78.6 tn , y una varianza 2 = 156.25 tn2. Determine;

a.- La probabilidad de que un contenedor seleccionado al azar, tenga un peso no

superior a 60 tn. R: .0681
b.- Que porcentaje de contenedores, tiene un peso de al menos 80 tn. 45.62%
c.- Si el recinto cuenta con 870 contenedores, ¿cuántos tienen un peso entre 68, y
96 tn.? R: 626
d.- Si se deben controlar el 33% de los contenedores más pesados, cuál es el peso
mínimo de estos contenedores. R: 84.1
e.- Si se toma una muestra aleatoria independiente de 12 contenedores, ¿cuál es la
probabilidad de que exactamente 8 tengan un peso no superior a 75 tn.?
R: 0.0346

42
Prof. David Becerra Rojas

14
 25-05-2016

Ejercicio
Para el ingreso a una determinada empresa, los postulantes deben rendir un
examen. La experiencia dice que los puntaje, se distribuyen aproximadamente
Normal con una media de 487, y una desv. Típica de 58.9. Determine:

1.- La probabilidad de que un postulante seleccionado

al azar, tenga puntaje no superior a 400.
2.- Que porcentaje de los alumnos tienen puntaje de al menos 700.
3.- Si los postulantes son 1270, ¿ cuántos app tendrán
puntaje de al menos 500 puntos?
4.- Si de los 1270 postulantes, deben ser aceptados 150.
¿cuál será el puntaje mínimo de aceptación?
5.- Si se toma una muestra independiente de 17 postulantes
¿Cuál es la probabilidad de que al meno 8 tengan
puntaje de al menos 487?
6.- Si los puntaje de la prueba física de los mismos postulantes tienen
una distribución normal con media 67.8, y varianza 144, ¿ qué
puntaje en el examen debería tener un postulante que en la prueba
física obtuvo 70 puntos?

Aproximación de la distribución de
Poissón a la distribución Binomial
Si X se distribuye como una binomial con
parámetros n y p, donde n es grande y p
extremo, entonces podemos decir que
aproximadamente X se distribuye como una
Poissón con parámetro np.

Aproximación de la distribución
Normal a la Binomial
Si X se distribuye como una binomial con
parámetros n y p, donde n es grande y p
cercano a 0.5, entonces podemos decir que X
se aproxima a una normal con media np, y
varianza np(1-p). Luego;

( X  np )
Z  ~ N(0 , 1 )
np (1  p)

15
 25-05-2016

Ejercicio
Supongamos que el 42% de los trabajadores de
una empresa, tienen no más de 40 años.
Se selecciona un muestra de 250 trabajadores.
Determine la probabilidad de que el número de
trabajadores con no más de 40 años, sea:
a.- a lo más 120.
b.- entre 100, y 150
c.- exactamente 110

Ejercicio

Sea X vad con distribución binomial, con n=125,

y p = 0.42. Determine por binomia y Normal

1.- P (X < 60)

2.- P(X = 58)
3.- P( 49 < X < 71)

Ejercicio
Las remuneraciones de los 1500 trabajadores de una determinada
empresa, tienen una distribución aproximadamente normal con
media $358.200, y una desv. Típica de $48.597. Determine

a.- Cuál es la probabilidad de que un trabajador seleccionado al

azar, tenga remuneración igual o superior a $370.000?
b.- Cuántos trabajadores app. Tienen remuneración entre
$340.000 y $360.000?

c.- Si la empresa decide dar un beneficio a los 400 trabajadores

que ganan menos. Cual es la remuneración máxima para optar
al beneficio?
d.- Se toma una muestra aleatoria de 120 trabajadores. Cual es
la probabilidad de que al menos 4 tengan una remuneración
no superior a $250.000?

16
 25-05-2016

Según el diagrama del árbol tenemos:

A
A
A
B A
B
B
B ..............................

Luego ;

S = { A, BA, BBA, BBBA,.....}

49
Prof. David Becerra Rojas

A
Según Diagrama del Árbol
Sea A: El barco llega A
B: El barco no llega B
A
A
B
B
A

A B
B A
B
B
S = {AAA ,AAB, ABA, BAA, ABB, BAB, BBA, BBB}

Distribuciones Discretas

Bernoulli:

Notaciòn : X  B(1 , p)
Funciòn de probabilid ad : (o de Cuantía )
p( x)  p x (1  p)1 x ; x  0,1
E ( x)  p
V ( x)  p(1  p)

17
 25-05-2016

Distribuciones Discretas

Binomial:

Notaciòn : X  B(n , p)
Funciòn de probabilid ad : (o de Cuantía )
n
p( x)    p x (1  p) n  x ; x  0,1,........, n
x
E ( x)  np
V ( x)  np(1  p)

Distribuciones Discretas

Binomial Negativa:
Notaciòn : X  BN (n , p)
Funciòn de probabilid ad : (o de Cuantía )
 n  x 1  n
p( x)    p (1  p)
x
; x  0,1,........, n
 x 
n(1  p)
E ( x) 
p
n(1  p)
V ( x) 
p2

Distribuciones Discretas

Poissón:

Notaciòn : X  P( )
Funciòn de probabilid ad : (o de Cuantía )
e   x
p( x)  ; x  0,1,2,3........
x!
E ( x)  
V ( x)  

18
 25-05-2016

Distribuciones Discretas

Geométrica:

Notaciòn : X  G ( p)
Funciòn de probabilid ad : (o de Cuantía )
p( x)  ; x  0,1,2,3........
E ( x) 
V ( x) 

Distribuciones Discretas

Hipergeométrica:

Notaciòn : X  H ()
Funciòn de probabilid ad : (o de Cuantía )
p( x)  ; x  0,1,2,3........
E ( x) 
V ( x) 

Distribuciones Discretas

Uniforme Discreta:

Notaciòn : X  U ()
Funciòn de probabilid ad : (o de Cuantía )
1
p( x)  ; x  a, a  1, a  2,...b
b  a 1
E ( x) 
V ( x) 

19
 25-05-2016

Distribuciones Discretas

Hipergeométrica:

Notaciòn : X  H ()
Funciòn de probabilid ad : (o de Cuantía )
p( x)  ; x  0,1,2,3........
E ( x) 
V ( x) 

Distribuciones Discretas

Hipergeométrica:

Notaciòn : X  H ()
Funciòn de probabilid ad : (o de Cuantía )
p( x)  ; x  0,1,2,3........
E ( x) 
V ( x) 

Distribuciones Continuas
Uniforme:
Notaciòn : X  U ( a, b)
Funciòn de Densidad de probabilid ad :
1
f ( x)  ; x  ( a, b)
ba
Función de Distribuci ón :
xa
F ( x) 
ba
ab (b  a ) 2
E ( x)  , V ( x) 
2 12

20
 25-05-2016

Distribuciones Continuas
Exponencial:
Notaciòn : X  Exp ( )
Funciòn de Densidad de probabilid ad :
f ( x)   e  x ;x0
Función de Distribuci ón :
F ( x)  1  e  x
1 1
E ( x)  , V ( x) 
 2

Distribuciones Continuas
Normal:

Notaciòn : X  N (  ,  2 )
Funciòn de Densidad de probabilid ad :
( x )2
1 
f ( x)  e 2 2
;   x  
2 2

E ( x)   , V ( x)   2

Distribuciones Continuas
Triangular:

Notaciòn : X 
Funciòn de Densidad de probabilid ad :
f ( x) 
Función de Distribuci ón :
F ( x) 
E ( x)  , V ( x) 

21