PROBABILIDAD

(CONCEPTOS)

OPERACIONES CON CONJUNTOS:

Sean A y B dos conjuntos arbitrarios:
La unión de los conjuntos A y B se escribe AB y es el
conjunto de todos los elementos que pertenecen a A y a B

A  B = {x : x  A ó x  B}
La intersección de A y B se denota por AB y representa el
conjunto de elementos que pertenecen a A y a B

AB = {x : x  A y x  B}
Si A B = , en este caso A y B no tienen elementos comunes,
son disyuntos.
 PROBABILIDAD
(CONCEPTOS)
OPERACIONES CON CONJUNTOS (cont.):
La diferencia entre A y B o también el complemento relativo de
B respecto a A, identificado como A\B es el conjunto de
lementos que pertenecen a A pero no a B:

A \ B = {x : x  A, x  B}
Observemos que A\B y B son disyuntos, es decir que:
(A\B) B = 
El complemento absoluto o simplemente el complemento de A
se denota por Ac es el conjunto de elementos que no pertenecen
a A:
Ac = {x : x U, x  A}
U se conoce como el conjunto universal
 PROBABILIDAD
(CONCEPTOS)
OPERACIONES CON CONJUNTOS (cont.):
Diagramas de Venn:

A B A B

A B AB

A B A B

A\ B Ac
 PROBABILIDAD
(CONCEPTOS)
REGLAS DE ALGEBRA DE LOS CONJUNTOS:

1a. A  A = A 1b. A  A = A
2a. (A  B)  C = A (B  C) 2b. (A  B)  C = A (B  C)
3a. A  B = B  A 3b. A  B = B  A
4a. A  ( B  C ) = (A  B )  (A  C) 4b. A  ( B  C ) = (A  B )  (A  C)

5a. A   =A 5b. A  U ) = A
6a. A  U = U 6b. A   = 
7a. A  Ac = U 7b. A  Ac = 
8a. (Ac)c = A 8b. Uc = 
9a. (A  B )c = Ac  Bc 9b. (A  B )c = Ac  Bc
 PROBABILIDAD
(CONCEPTOS)
PROBABILIDAD :
Probabilidad es el estudio de fenómenos aleatorios o no
determinísticos.
Ejemplos:
Lanzar una moneda al aire
Lanzar un dado
Seleccionar una carta de un mazo
La probabilidad “p” de un evento A,
p = P(A) = s/n
donde “s” es el numero posible de ocurrencias de A y “n” es
el número total de ocurrencias.
EJEMPLOS:
 PROBABILIDAD
(CONCEPTOS)

ESPACIO MUESTRAL :

El conjunto de todos los posibles eventos que pueden

componer un experimento constituyen un espacio muestral.
EJEMPLO: Lanzamiento de un dado
El conjunto de enventos integrantes del experimento son:
S = {1, 2, 3, 4, 5, 6}
Sea A el evento de que ocurra un valor par, B el evento que
ocurra un valor impar, C que el valor corresponda a un número
primo:
A ={2, 4, 6} B ={1, 3, 5} C = {2, 3, 5}
A  C ={2, 3, 4, 5, 6} B  C ={3, 5} Cc ={1, 4, 6}
 PROBABILIDAD
(CONCEPTOS)

AXIOMAS DE PROBABILIDAD :
Sea S un espacio muestral, sea  un conjunto de eventos en S y
sea P una función real definida en . En este caso P(A) se
denomina probabilidad de ocurrencia del evento A si se cumplen
los siguienes axiomas:

Para cada evento A se cumple 0  P(A)  1

P(S) =1
Si A y B son dos eventos mutuamente excluyentes:
P(A  B) = P(A)+P(B)
Si A es una secuencia de ventos mutuamente excluyentes:
P(A1  A2  A3 . . .) = P(A1) + P(A2) +P (A3) + . . .
 PROBABILIDAD
(CONCEPTOS)

TEOREMAS :

Teorema No 1:

Si  es el conjunto vacio, se cumple que P( ) = 0

Si A es un conjunto cualquiera A y  son disyuntos
A =A
P(A) = P(A   )= P(A) +P( )
Restando P(A) de ambos miembros nos queda:
P( ) = 0
Tal como se quería demostrar
 PROBABILIDAD
(CONCEPTOS)

TEOREMAS :

Teorema No 2:

Si Ac es el complemento del evento A, se cumple que:

P(Ac) = 1 - P(A)
El espacio muestral S puede dividirse entre los eventos
mutuamente excluyentes A y Ac y se cumple que:
S = A  Ac
Adicionalmente : 1 = P(S) = P(A  Ac ) = P(A) +P(Ac)
De donde P(Ac) = 1 - P(A)
 PROBABILIDAD
(CONCEPTOS)

TEOREMAS :
S
A
Teorema No 3: B\A B

Si A  B, se cumple que P(A)  P(B)

Si se cumple que A  B, B puede ser descompuesto en los
eventos mutuamente excluyentes A y B \ A
P(B) = P(A) + P(B \ A)
donde P(B \ A)  0 y por lo tanto:
P(A)  P(B)
 PROBABILIDAD
(CONCEPTOS)

TEOREMAS :
Teorema No 4:
Si A y B son dos eventos cualquiera, se cumple que:

P(A\B) = P(A) - P(A  B)

A puede ser descompuestos entre los eventos mutuamente
excluyentes A\B y A  B o sea que:
A B
A = (A\B)  (A  B)
A\B
y por lo tanto:
P(A) = P(A\B) + P(A  B)
de donde P(A\B) = P(A) - P(A  B) AB
 PROBABILIDAD
(CONCEPTOS)

TEOREMAS :
B
A\B
Teorema No 5:
A
Si A y B son dos eventos cualquiera
Se cumple que:
P(A  B) = P(A) + P(B) - P(A  B)
A  B puede ser descompuestos entre los eventos A\B y B
esto es: A  B = (A\B)  B
P(A  B) = P(A\B) = P(A)- P(A  B) + P(B)
y por lo tanto:
P(A  B) = P(A) + P(B) - P(A  B)
Corolario. Para tres eventos cualquiera A, B y C se cumple:
P(AB C)=P(A)+P(B)+P(C)-P(A B)-P(A C)-P(B C)+P(AB C)
 PROBABILIDAD
(CONCEPTOS)

ESPACIOS MUESTRALES FINITOS :

Sea S un espacio muestral finito, digamos S ={a1, a2, a3, . . . an} se

obtiene asignando a cada ai  S un número real pi llamado
probabilidad de ai que cumple las siguientes propiedades:
Cada pi es positivo y se cumple que pi 0
p1 + p2+ . . . + pn = 1
La probabilidad P(A) de un evento cualquiera en A se define
como la suma de las probabilidades de los puntos en A
Ejemplo:
Supongamos que se lanza una moneda tres veces y registramos
el numero de caras obtenidas. El espacio muestral será
S ={0, 1, 2, 3}
Supongamos: P(0)=1/8 P(1)=3/8 P(2)=3/8 P(3)=1/8
 PROBABILIDAD
(CONCEPTOS)

ESPACIOS MUESTRALES FINITOS :

P(0)=1/8 P(1)=3/8 P(2)=3/8 P(3)=1/8

Los valores asignados son todos positivos y la suma de las
probabilidades asignadas es:
 pi = 1
Supongamos que A es el evento de que al menos haya una cara y
B el evento que todos sean caras o todos sello.
A= {1, 2, 3} B={0, 3}
P(A)=P(1)+ P(2) + p(3) = 7/8
P(B)= P(0)+P(3)= 1/4
 PROBABILIDAD
(CONCEPTOS)

ESPACIOS MUESTRALES INFINITOS :

Sea S un espacio muestral contable infinito, digamos

S ={a1, a2, a3, . . .}
Tal como en el caso finito, se obtiene un espacio probabilistico
asignando a cada ai  S un número real pi llamado
probabilidad de ai que cumple las siguientes propiedades:
Cada pi es positivo y se cumple que pi 0

p1 + p2+ . . . =  pi = 1
I =1

La probabilidad P(A) de un evento cualquiera en A se define

como la suma de las probabilidades de los puntos en A
 PROBABILIDAD
(CONCEPTOS)

ESPACIOS MUESTRALES INFINITOS :

Ejemplo:
Supongamos que se lanza una moneda hasta que aparezca cara
en este caso n denota las veces que la moneda se lanza. El
espacio muestral será
S ={0, 1, 2, 3, . . ., }
Obtenemos un espacio probabilístico de la siguiente forma:
P(1)=1/2, P(2)=1/4, . . ., P()=0
 PROBABILIDAD
(CONCEPTOS)
PROBABILIDAD CONDICIONAL :
Sea E un evento arbitrario en un espacio muestral S
con probabilidad P(E)> 0, y sea A un evento cualquiera
en el mismo espacio muestral.
La probabilidad de que el evento A ocurra una vez que
E a ocurrido, o sea la probabilidad condicional de A
dado que E ocurre se determina de la forma siguiente:

P(A E)
P(A|E) = E
P(E) A
S
 PROBABILIDAD
(CONCEPTOS)

PROBABILIDAD CONDICIONAL :
Tal como se aprecia en el diagrama de Venn P(A|E), mide la
probabilidad relativa de A respecto al espacio muestral reducido
E.
En particular, si S es un espacio muestral finito equiprobable y
|A| indica el número de elementos contenidos en el evento A,
podemos escribir que:
P(A E) = |A E|
|S|
|E|
P(E) = E
|S|
A
P(A E) |A E|
P(A|E) = = S
P(E) |E|
 PROBABILIDAD
(CONCEPTOS)

PROBABILIDAD CONDICIONAL
Sea S un espacio equiprobable en el que ocurren los eventos A y
E. En este caso se cumple que :

Nro. de elementos | A E | E
P(A|E) = A
Nro. de elementos en E
S

Nro. de formas enque A y E pueden ocurrir

P(A|E) =
Nro. de formas enque Epuede ocurrir
 PROBABILIDAD
(CONCEPTOS)

PROBABILIDAD CONDICIONAL (ejemplo)

Supongamos se lanzan un par de dados. Si la suma es 6,
encontrar la probabilidad de que uno sea 2 :
E = {suma 6}={(1,5),(2,4),(3,3),(4,2),(5,1)}
A = {(2,4),(4,2)}

A E= {(2,4),(4,2)} E A

P(A|E) =[|AE|/P(E)]= 2/5

S
Por otra parte:
A={(2,1),(2.2),(2,3),(2,4),(2,5),(2,6),(1,2),(3,2),(4.2),(5,2),(6,2)}
Como S tiene 36 elementos, entonces: P(A)= 11/36
 PROBABILIDAD
(CONCEPTOS)

PROBABILIDAD CONDICIONAL
TEOREMA DE MULTIPLICACIÓN
Si multiplicamos la ecuación de probabilidad condiciona por
P(E), obtendremos :
P(E)P(A|E) = P(AE) = P(EA)
Este teorema puede ser extendido por inducción en la forma
siguiente:
Para los eventos A1, A2, . . . An se cumple que:
P(A1A2 . . .An)
= P(A1)P(A2|A1)P(A3|A1A2 ). . . P(An|A1A2 . . . An)
 PROBABILIDAD
(CONCEPTOS)
PARTICIONES Y TEOREMA DE BAYES
Supongamos los eventos A1, A2, . . . An, que forman una partición
del espacio muestral S; es decir, los eventos Ai son mutuamente
excluyentes y su unión es S.
Sea B otro evento en el mismo espacio muestral:
A1 Ai An
B
A2 A3 A4
B = SB =(A1A2 . . . An )B
=(A1B)(A2B). . . (ANB )
Donde todos los AiB son mutuamente excluyentes y por lo
tanto:
P(B) = P(A1B)+P(A2B)+. . . +P(ANB )
 PROBABILIDAD
(CONCEPTOS)

PARTICIONES Y TEOREMA DE BAYES

De acuerdo con el teorema de multiplicación:

P(B) = P(A1) P(B| A1) + P(A2) P(B| A2) + . . . + P(An) P(B| An)
Pero sabemos que para cualquier i se cumple que la
probabilidad condicional de Ai dado que B ocurre es:
P(Ai B)
P(Ai|B) = P(B)
En esta última ecuación podemos escribir que:
P((AiB) =P(Ai)P(B|Ai)
Suongamos que los eventos A1, A2, . . . An son particiones de S,
en tal caso se cumple que:
 PROBABILIDAD
(CONCEPTOS)

PARTICIONES Y TEOREMA DE BAYES

Supongamos que los eventos A1, A2, . . . An son particiones de S,

en tal caso se cumple que para cualquier i:
P(Ai)P(B|Ai)
P(Ai|B) =
P(A1) P(B| A1) + P(A2) P(B| A2) + . . . + P(An) P(B| An)
EJEMPLO.
Tres máquinas A, B y C producen respectivamente 50%, 30% y
20% de la capacidad de una fábrica. El porcentaje de de
productos defectuosos es respectivamente 3%, 4% y 5%. Si se
escoge al azar un producto cualquiera cual es la probabilidad de
que sea defectuoso.
 PROBABILIDAD
(CONCEPTOS)

PARTICIONES Y TEOREMA DE BAYES (ejemplo)

Para este caso particular, supongamos que Z son los elementos

defectuosos:
P(Z) = P(A1) P(Z| A1) + P(A2) P(Z| A2)+ P(A3)P(Z|A3)
P(def)= 0.5*0.03 + 0.3*0.04 + 0.2*0.05 = 0.037
Otra solución utilizando el arbol de probabilidades
0.03 D
A N
0.5
0.3 B 0.04 D
N
0.2 C 0.05
D
N
 PROBABILIDAD
(CONCEPTOS)

INDEPENDENCIA
Un evento A se dice que es independiente de otro B si la
probabilidad de que A ocurra no está influenciada por la
probabilidad de la ocurrencia de B. Dicho de otra forma si la
probabilidad de ocurrencia de A es igual que la probabilidad
condicional de A dado que B ocurra:
P(A) = P(A|B)
P(BA)= P(B)P(A|B)
Sustituyendo P(A) por su valor, quedará
P(BA)= P(B)P(A)
Esta última ecuación consolida el concepto de independencia.
Dos eventos son independientes si P(BA)= P(B)P(A)
 PROBABILIDAD
(CONCEPTOS)
INDEPENDENCIA. (Ejemplo)
Supongamos que lanzamos una moneda normal a cara o cruz,
tres veces seguidas. Este experimento nos conduce al siguiente
espacio muestral:
S = {HHH, HHT, HTH, HTT, THH, THT, TTH, TTT}
Consideremos los siguientes eventos:
A = {el primer lanzamiento es cara}
B = {el segundo lanzamiento es cara}
C = {exactamente dos caras ocurren en forma sucesiva}
Es evidente que A y B son independientes, pero la relación de A
y B con C no es directamente evidente, verifiquemos:
P(A) = P(HHH, HHT, HTH, HTT) = 4/8 = 1/2
P(B) = P(HHH, HHT, THH, THT) = 4/8 = 1/2
 PROBABILIDAD
(CONCEPTOS)
INDEPENDENCIA. (Ejemplo)
P(A) = P(HHH, HHT, HTH, HTT) = 4/8 = 1/2
P(B) = P(HHH, HHT, THH, THT) = 4/8 = 1/2
P(C) = P(HHT, THH) = 2/8 = 1/4
P(AB)= P(HHH, HHT) = 1/4
P(AC)= P(HHT) = 1/8
P(BC)= P(HHT, THH) = 1/4
Por lo tanto:
P(A)P(B) = 1/2* 1/2 = 1/4 = P(AB) A y B son independientes
P(A)P(C) = 1/2*1/4 = 1/8 = P(AC) A y C son independientes
P(B)P(C) = 1/2*1/4 = 1/8  P(BC) B y C son dependientes
 PROBABILIDAD
(CONCEPTOS)

PROCESOS ESTOCÁSTICOS FINITOS.

Una secuencia de experimentos en la cual cada experimento
tiene un número finito de elementos con una probabilidad dada
se denomina proceso estocástico finito.
Una de las formas más convenientes de computar la
probabilidad de cualquier evento en un proceso estocástico es el
uso de un diagrama arborizado.
EJEMPLO.
Se dispone de un conjunto de tres cajas:
La caja No. 1 tiene 5 bombillos de los cuales 2 son defectuosos.
La caja No. 2 tiene 6 bombillos de los cuales 1 es defectuoso.
La caja No. 3 tiene 8 bombillos de los cuales 3 son defectuosos.
 PROBABILIDAD
(CONCEPTOS)

PROCESOS ESTOCÁSTICOS FINITOS. (ejemplo cont...)

Seleccionamos una caja al azar y posteriormente seleccionamos
un bombillo. ¿Cuál es la probabilidad de que el bombillo
seleccionado sea defectuoso?.
2/5 D
Proceso de seleeción:
A 3/5 N
1/3
1. Se selecciona una caja 1/3 B 1/6 D
2. Se selecciona un bombillo. 5/6 N
1/3 C 3/8
D
5/8 N

La probabilidad de que ocurra una rama particular del arbol se

obtiene utilizando el teorema de multiplicación.
 PROBABILIDAD
(CONCEPTOS)

PROCESOS ESTOCÁSTICOS FINITOS. (ejemplo cont...)

2/5 D
A 3/5 N
1/3
1/3 B 1/6 D
5/6 N
1/3 C 3/8
D
5/8 N
Probabilidad de que el bombillo defectuso provenga de la caja
No. 1, P = 1/3*2/5 = 2/15
Probabilidad de que el bombillo defectuso provenga de la caja
No. 2, P = 1/3*1/6 = 1/18
Probabilidad de que el bombillo defectuso provenga de la caja
No. 3, P = 1/3*3/8 = 3/24
 PROBABILIDAD
(CONCEPTOS)

PROCESOS ESTOCÁSTICOS FINITOS. (ejemplo cont...)

Como las tres ramas del arbol de probabilidad son mutuamente
exclusivas, la probabilidad de defectuso será:
P = 1/3*2/5 + 1/3*1/6 + 1/3*3/8 = 113/360
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIABLE ALEATORIA
Una variable aleatoria X en un espacio muestral S es una
función de S en el campo de los números reales R tal que la
preimagen de cada intervalo de R es un evento en S.

DISTRIBUCIÓN Y ESPERANZA DE UNA VARIABLE

ALEATORIA FINITA
Sea X una variable aleatoria en un espacio muestral S con un
conjunto de imágenes finitas; digamos qu X(S)={x1, x2, . . .xn}.
X(S) se convierte en un espacio probabilístico definiendo la
probabilidad de xi como P(X=xi) que escribiremos ƒ(xi). Esta
función ƒ de X(S), definida como ƒ(xi ) = P(X=xi) se denomina
función de distribución de probabilidad de X y generalmente se
presenta en forma tabular:
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA. . .
x1 x2 ... xn
ƒ(x1 ) ƒ(x2 ) . . . ƒ(xn )

La distribución ƒ satisface las condiciones:

n

(i) ƒ(xi)  0 y (ii) 

i =1
ƒ(xi) = 1

Si X es una variable aleatoria con tal distribución, su esperanza

o valor esperado se define como:
n

E(X) = X1 ƒ(x1 ) + X2 ƒ(x2 ) + . . . + Xn ƒ(xn ) = xiƒ(xi)

i =1
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA. . .
La esperanza también se designa:

E(X) = E = x = 
Ejemplo:
Se lanzan dos dados en forma aleatoria. El resultado estará
contenido en el espacio finito equiprobable de 36 pares
ordenados de números comprendidos entre el 1 y el 6:
S = {(1,1), (1,2, . . ., (6,6)}
Supongamos que la variable aleatoria X asigna a cada punto
(a,b) del espacio muestral S el número de valor máximo del par,
osea que X será una variable aleatoria cuyo conjunto imagen es:
X(s) = {1, 2, 3, 4, 5, 6}
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA (ejemplo). . .

Calculemos la distribución ƒ de X:
ƒ(1) = P(X=1) = P({(1,1)})= 1/36
ƒ(2) = P(X=2) = P({(2,1), (2,2), (1,2)}) = 3/36
ƒ(3) = P(X=3) = P({(3,1), (3,2), (3,3), (2,3), (1,3)}) = 5/36
ƒ(4) = P(X=4) = P({(4,1), (4,2), (4,3), (4,4), (3,4), (2,4), (1,4)})=7/32
De la misma forma:
ƒ(5) = P(X=5) = 9/36 y ƒ(6) = P(X=6) = 11/36
En forma tabular:
Xi 1 2 3 4 5 6
ƒ(xi) 1/36 2/36 3/36 5/36 9/36 11/36
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA (ejemplo). . .

Calculemos la esperanza X:
n

E(X) =  xiƒ(xi) = 1(1/36) + 2(3/36) + 3(5/36) + 4(7/36) + 5(9/36)

i =1
+ 6(11/36) = 161/36 = 4.47
Si X e Y son dos variables en el mismo espacio muestral, en tal
caso X + Y, X+k, kX y XY (donde k es un número real) son
funciones de S definidas por:
(X+Y)(s) = X(s) + Y(s), (X + k)(s) = X(s) = k
(kX)(s) = kX(s), (XY)(s) = X(s)Y(s)
y son variables aleatorias para todo s  S.
Evaluemos la esperanza de las variables así definidas:
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA
En caso que X sea una variable aleatoria y k un número real se
cumplirá:
E(kX) = kE(X), E(X+k) = E(X) + k
Si X e Y son variables aleatorias en el mismo espacio muestral S,
se cumple que:
E(X + Y) = E(X) + E(Y)
Si X1, X2, . . ., Xn son variables aleatorias en el espacio S, se
cumple que:
E(X1 + X2 + . . . + Xn) = E(X1) + E(X2) + . . . + E(Xn)
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIANZA Y DISTRIBUCIÓN ESTANDAR.

La esperanza de una variable aleatoria mide, por decirlo de esa
manera, su valor averaje. El concepto que introduciremos ahora
es la varianza de X la cual mide el grado de dispersión de X.
Sea X una variable aleatoria con la siguiente distribución:
X1 x2 ... Xn
ƒ(x1 ) ƒ(x2 ) . . . ƒ(xn )

La varianza de X que identificaremos como Var(X) se define

como:
n

Var(X) =  (xi - )2ƒ(xi) = E((X- )2)

i =1
Donde  es la esperanza de X.
Var(X) = E(x2) - 2
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIANZA Y DESVIACIÓN ESTANDAR.

La desviación estándar de X, que se identifica como un número
no negativo definido por la relación:
x =(Var(X))1/2

VARIABLES ALEATORIAS DISCRETAS CUALESQUIERA.

Sea X una variable aleatoria en un espacio muestral S con un
conjunto de imágenes infinitas; digamos qu X(S)={x1, x2, . . .}.
X(S) se convierte en un espacio probabilístico definiendo la
probabilidad de xi como P(X=xi) que escribiremos ƒ(xi). Esta
función ƒ de X(S), definida como ƒ(xi ) = P(X=xi) se denomina
función de distribución de probabilidad de X y se presenta en
forma tabular como:
 VARIABLES ALEATORIAS
(CONCEPTOS)

DISTRIBUCIÓN Y ESPERANZA. . .
x1 x2 x3 ...
ƒ(x1 ) ƒ(x2 ) ƒ(x3 ) . . .

La distribución ƒ satisface las condiciones:


(i) ƒ(xi)  0 y (ii) 
i =1
ƒ(xi) = 1

Si X es una variable aleatoria con tal distribución, su esperanza o

valor esperado se define como:

E(X) = X1 ƒ(x1 ) + X2 ƒ(x2 ) + . . . + Xn ƒ(xn ) = xiƒ(xi)
i =1
 VARIABLES ALEATORIAS
(CONCEPTOS)

La varianza de X que identificaremos como Var(X) se define

como:

Var(X) =  (xi - )2ƒ(xi) = E((X- )2)
i =1

Var(X) = E(x2) - 2
VARIABLE ALEATORIA CONTINUA
Supongamos que X es una variable aleatoria cuyo conjunto
imagen X(S) es un continuo de numeros o intervalo. Recordemos
que el conjunto {a  X  b} es un evento en S y la
probabilidad P(a  X  b) esta perfectamente definida.
Asumimos que existe una función continua ƒ de R en R tal que
la probabilidad
P(a  X  b) es igual al área debajo de ƒ entre los puntos x = a
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIABLE ALEATORIA CONTINUA.

a b
b

P(a  X  b) = ƒ(x) dx
a

En este caso se dice que X es una variable aleatoria continua, la

función ƒ se denomina función de probabilidad continua (o
función densidad) de X y satisface la condición:
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIABLE ALEATORIA CONTINUA. . .

(i) ƒ(x)  0 y (ii) ƒ(x) dx = 1

R

de acuerdo con esto, ƒ es una función no negativa y el área total

que subtiende bajo la curva es igual a la unidad (1).

La esperanza matemática E(X), cuando existe, se define como:

E(X) = xƒ(x) dx
R

Si Y= (X) en tal caso:

E(Y) =  (x)ƒ(x) dx
R
 VARIABLES ALEATORIAS
(CONCEPTOS)

VARIABLE ALEATORIA . . .
La varianza se define como:

Var(X) = E((X- )2) = 

R
(x - 2 )ƒ(x) dx

Var(X) = E(x2) - 2 = x ƒ(x) dx - 

R
2 2

La desviación estándar x se define como:

x = (Var(X))1/2