Variables aleatorias

M. en A. Vctor D. Pinilla Morn

Facultad de Ingeniera, UNAM
Resumen
El concepto de variable aleatoria como abstraccin de un
evento aleatorio y su definicin.
variable aleatoria discreta: funcin de probabilidad, sus
propiedades y su representacin grfica.
Variable aleatoria continua: funcin de densidad, sus
propiedades y su representacin grfica.
Valor esperado o esperanza matemtica de la variable aleatoria
discreta y de la continua y su interpretacin prctica. El valor
esperado como operador matemtico y sus propiedades.
Momentos con respecto al origen y a la media. Funcin
generatriz de momentos de la variable aleatoria discreta y de la
continua.
Parmetros de las distribuciones de las variables aleatorias
discretas y continuas. Medidas de tendencia central: la media,
la mediana y la moda. Medidas de dispersin: el rango y
aplanamiento. La varianza como el segundo momento con
respecto a la media y sus propiedades.

3.1 El concepto de variable aleatoria

como abstraccin de un evento aleatorio
y su definicin.
Es posible incorporar el uso de
herramientas matemticas al clculo de
probabilidades a travs de realizar una
operacin consistente en buscar una regla
de correspondencia que proyecte los
resultados de un evento o experimento en la
recta de los reales.

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

45

Al asociar los resultados aleatorios a puntos

sobre la recta de los reales, es decir, a la
variable independiente, esta variable
adquiere un carcter aleatorio. De tal forma,
se le denomina variable aleatoria.
De acuerdo a la naturaleza del evento,
existen dos tipos de variables aleatorias:

Se dice que una variable aleatoria X

es discreta si el nmero de valores
que puede tomar es contable (ya sea
finito e infinito) y si estos pueden
arreglarse en una secuencia que
corresponde con los enteros
positivos.
Se dice que una variable aleatoria X
es continua si sus valores consisten
en uno o ms intervalos de la recta
de los reales.

Definir a la
variable aleatoria
y su naturaleza
discreta o
continua.

Algunos
autores
denominan a
todo el
proceso con
el nombre de
Distribucin de
Probabilidad

Asignar valores
en la recta de
los reales al
espacio
muestral

A la regla de correspondencia f(x) se le

denomina funcin de probabilidad, siempre
y cuando cumpla con una condicin que se
describir ms adelante.
El proceso integral de creacin de una
variable aleatoria y su respectiva funcin de
probabilidad puede describirse en el
siguiente diagrama a bloques:
Como comentario a este procedimiento, la
asignacin de valores en la recta de los
reales para cada punto del experimento o
del espacio muestral se hace de acuerdo a la
experiencia del diseador del experimento,
no existe una regla escrita para hacerlo. No
obstante se recomienda asignarle valores
que sean representativos del experimento en
nimo de clasificar el experimento.

Definir el
espacio
muestral del
experimento

Algunos autores
denominan a este
paso en el proceso

En forma
grfica
Analtica

Asignar
probabilidades

Definir f(x)

Por otra parte, un trmino muy importante

dentro de la probabilidad y la Estadstica es
el de Distribucin1.

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

46

Distribucin.
(Del lat.distributio,-onis).
1.

f. Accin y efecto de distribuir.

2.

f.Com. Reparto de un producto a los

locales en que debe comercializarse.

3.

f.Econ. Asignacin del valor del

producto entre los distintos factores
de la produccin.

4.

f.Mat. Funcin que representa las

probabilidades que definen una
variable aleatoria o un fenmeno
aleatorio.

5.

f. Ret. Figura, especie de

enumeracin, en que
ordenadamente se afirma o niega
algo acerca de cada una de las cosas
enumeradas.

De acuerdo a la anterior definicin, el

bloque del proceso que implica la accin de
asignar la probabilidad a cada uno de los
valores que puede adquirir la variable
aleatoria es denominado por varios autores
como distribucin de probabilidad, aunque
otros autores consideran como distribucin
de probabilidad a todo el proceso.

3.2 Variable aleatoria discreta: Funcin

de probabilidad, sus propiedades y su
representacin grfica. Funcin de
distribucin
acumulativa,
sus
propiedades y su representacin grfica.
Ejemplifiquemos
aleatorio.

a partir de un evento

Determinar la distribucin de probabilidad

para un experimento que consiste en lanzar
simultneamente 2 dados no cargados y
contabilizar la suma de los nmeros
visibles.

Probabilidad y Estadstica
Noviembre 2009

Paso 1. La variable aleatoria que denote

este experimento tendr naturaleza discreta,
en virtud de que cada uno de los resultados
es claramente distinguible y se define como
la suma de los nmeros visibles de ambos
dados.
La variable aleatoria discreta X se define
como la suma de las caras visibles de
ambos dados.
Paso 2. Definir el espacio muestral.

(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,6)
(3,6)
(5,5)
(6,5)
(6,6)

(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
(6,2)
(6,3)
(6,4)
(5,6)

(2,2)
(3,2)
(4,2)
(5,2)
(4,4)
(5,4)
(4,6)

(2,3)
(2,4) (3,3)
(2,5) (4,3) (3,4)
(3,5) (5,3)
(4,5)

Paso 3. Asignacin de valores en la recta de

los reales. En virtud de que el valor
asignado debe ser representativo del
experimento, se le asignar a cada evento la
suma de las caras visibles.

(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,6)
(3,6)
(5,5)
(6,5)
(6,6)

(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
(6,2)
(6,3)
(6,4)
(5,6)

Espacio
Muestral

(2,2)
(3,2)
(4,2)
(5,2)
(4,4)
(5,4)
(4,6)

2
3
4
5
6
7
8
9
10
11
12

(2,3)
(2,4)
(2,5)
(3,5)
(4,5)

(3,3)
(4,3)
(5,3)

(3,4)

M.A. Vctor Damin Pinilla Morn.

47

Paso 4. Asignacin de probabilidades. En

este caso se hace bajo el criterio clsico:
DISCRETO
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,6)
(3,6)
(5,5)
(6,5)
(6,6)

(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
(6,2)
(6,3)
(6,4)
(5,6)

Px (X)

2
3
(2,2)
4
(3,2) (2,3)
5
(4,2) (2,4) (3,3)
6
(5,2) (2,5) (4,3) (3,4) 7
(4,4) (3,5) (5,3)
8
(5,4) (4,5)
9
(4,6)
10
11
12

1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36

Paso 5. Definir la funcin de probabilidad.

Puede hacerse de tres formas, tabular, como
se ve en la tabla anterior, grfica:

En general una variable aleatoria discreta

representa los resultados de un espacio
muestral en forma tal que

P( X = x )
Se entender la probabilidad de X tome el
valor de x de esta forma, al considerar los
valores de una variable aleatoria es posible
desarrollar una funcin matemtica que
asigne una probabilidad a cada realizacin x
de la variable aleatoria X, esta funcin
recibe el nombre de funcin e probabilidad
(funcin masa de probabilidad) de la
variable aleatoria X.
Por axiomas de probabilidad se tiene:

0.2
Px ( X )

dice entonces que X es una variable

aleatoria.

0.15

1)

0.1

2)

0.05

Px (X = x) 0

P (X ) = 1
x

0
0

10

15

Funcin de distribucin acumulativa. Se

define a la funcin de distribucin
acumulada de la variable aleatoria como la
probabilidad de que x sea menor o igual a
un valor especfico de x.

Y en forma analtica.

P(X)=

6 7 X
36
0

F(x) es la funcin de distribucin acumulada

F(x) P( X x) = Px ( X i )
X=2,3,4,...12.
otros casos

Por axiomas de probabilidad.

Variable aleatoria discreta. Sea S un
espacio muestral sobre el que se encuentra
definida una funcin de probabilidad. Sea X
una funcin de valor real, definida sobre S
de manera que transforme los resultados de
S en punto sobre la recta de los reales, se
Probabilidad y Estadstica
Noviembre 2009

La funcin de distribucin acumulada

representa la suma de las probabilidades
puntuales hasta el valor de x de X inclusive.

P (0) = P ( x 0) = 0
P (4) = P ( x 4) =

6
36

M.A. Vctor Damin Pinilla Morn.

48

Puesto que el rea total bajo Fx(x) es 1, la

probabilidad del intervalo a x b , es el
rea acotada por la funcin de densidad y
las rectas x=a y x=b.

En general la funcin de distribucin

acumulativa
P(x) de una variable
aleatoria discreta es una funcin no
decreciente de los valores de X de tal
manera que:

Va riable Alea toria Continua

1) 0 P( x) 1
2) P ( X > x) = 1 P ( X < x)
3) P ( xi) P( xj ) , si xi xj

F X ( x )dx

f(x)

P (a x b ) =

3.3 Variable aleatoria continua: Funcin

de densidad, sus propiedades y su
representacin grfica. Funcin de
distribucin
acumulativa,
sus
propiedades y su representacin grfica.
Dada la naturaleza continua del espacio
muestral, resulta imposible determinar el
valor preciso que exactamente toma una
variable; por este motivo, para fenmenos
continuos resulta ms apropiado visualizar
probabilidades en intervalos.
En el caso discreto se asignan
probabilidades positivas a todos los valores
puntuales de la variable aleatoria, pero la
suma de todas ellas es 1, an a pesar de que
el conjunto de valores sea infinito contable.
Para el caso continuo lo anterior no es
posible, por esta razn la probabilidad de
que una variable aleatoria continua X tome
un valor especfico x es cero (0).
La distribucin de probabilidad de una
variable aleatoria continua X est
caracterizada por una funcin, llamada
funcin de densidad o probabilidad. Esta
funcin no es la misma que para el caso
discreto. Dado que existe que la
probabilidad de que X tome el valor
especfico x es cero, esta funcin determina
la probabilidad en un intervalo.

P(a x b ) =

F (x )dx
b

Funcin de distribucin Acumulativa.-La

distribucin acumulativa F(x) es una
funcin lisa no decreciente de los valores de
la variable aleatoria con las siguientes
propiedades:

F ( ) = 0
F ( ) = 1

P(a xb ) = F (b ) F (a )
d
F ( x) = Fx ( x)
dx
Al igual que en el caso de una v.a. discreta
la funcin de distribucin acumulativa de
una variable aleatoria continua X es la
probabilidad de que X tome un valor
menor o igual a algn x especfico.
x

P ( X x) = F ( x) = f (t )dt

en donde t es una variable artificial de

invariacin, por lo tanto la funcin de
distribucin acumulativa es: el rea acotada
por la funcin de densidad que se encuentra
a la izquierda de la recta X=x.

Para cualquiera a y b.

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

49

Ejercicio. La variable aleatoria X est dada

por:
x

ke 2 , x 0
Fx(x)=

0, otros casos
Determinar el valor de k, la funcin de
distribucin acumulativa, la probabilidad de
que 2<x<6 y la probabilidad de que
x 8 .Si:

Fx ( x)dx = 1

entonces:
3.4 Valor esperado o media de la variable
aleatoria discreta y de la continua, y su
interpretacin
prctica.
El
valor
esperado como operador matemtico y
sus propiedades. Momentos con respecto
al origen y a la media.
Valor esperado. El valor esperado nace de
la prctica de los juegos de azar. El valor
esperado (o esperanza) representa para los
jugadores la cantidad que ganarn, o
perdern, despus de jugar repetidamente
cierto juego.
La esperanza o valor esperado debe
interpretarse como un promedio. Imagnese
que un experimento, por ejemplo, un
volado, se repite un nmero grande de
veces; algunos volados se ganan, otros se
pierden. La pregunta que se hace el jugador
es: Despus de la jornada de juego Cunto
espero haber ganado?
Otra interpretacin consiste en denominar
al valor esperado como un promedio
ponderado. A diferencia del promedio
aritmtico, el promedio ponderado toma en
cuenta la existencia de los elementos
adems de su valor a promediar. Obsrvese
el siguiente ejemplo:
En una tienda de autoservicio se expenden
botellas de vino. En un primer embarque, se
ponen a la venta 60 botellas de las cuales se
venden 35, quedando en existencia 25 a un
Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

50

precio de $150.00. Posteriormente, el

proveedor surte 15 botellas ms en un
segundo embarque, con la salvedad de que
el costo de cada botella aument a $200.00.
El contador de la tienda debe pagar
impuesto sobre inventarios a razn de 10%
por el valor de los activos. La pregunta es:
cmo debe calcular el precio de las
botellas para pagar el menor impuesto
posible?
El contador tiene tres opciones:
1. Pagar el impuesto correspondiente por
cada botella de acuerdo con su costo. Este
es un caso ideal debido a que cuando las
botellas se ponen a la venta no se hace
diferencia de las botellas pertenecientes al
embarque uno que las pertenecientes al
embarque dos. No obstante, este resultado
ser el resultado ideal.
Impuesto = [(25botellas x $150.00)
+ (15 botellas x $200.00)] x 10%
Impuesto = $ 675.00
Esta cantidad debera pagar el contador de
ser posible la diferenciacin en los
elementos de los embarques.
2. Pagar el impuesto correspondiente con
base en el promedio aritmtico de los
precios de las botellas.
Para este caso el precio ser:

X =

$150.00 x$200.00
= $175.00
2

Impuesto = (40 botellas x $175.00) x 10%

= $ 700.00

Impuesto = (40 Botellas x $168.75) x 10%

= $ 675.00
Este resultado coincide con el caso ideal y
no requiere de diferenciar los precios de las
botellas de acuerdo con el embarque al que
pertenecen.
Puede observarse que el promedio
ponderado considera la cantidad de
elementos adems del valor de cada uno de
ellos. Por tal motivo, se considera al
promedio ponderado una cantidad ms
representativa que el promedio aritmtico.
Este mismo concepto se aplica a la
probabilidad. El valor esperado es el
resultado promedio de una serie de eventos
(valores de una variable aleatoria),
considerando la probabilidad de cada uno
de ellos.
Definicin: El valor esperado de una
variable aleatoria se define como:

E{ X } = xPx ( x)
x

para una V.A. Discreta

E{ X } =

xf

( x)dx

para una V.A. Continua

En general, es posible obtener el valor
esperado de una funcin g(x):

E{ X } = g ( x) Px ( x)
x

para una V.A. Discreta

3. Pagar el impuesto con base en el

promedio ponderado de los precios de las
botellas.

E{ X } =

Para este caso el precio ser:

para una V.A. Continua

X =

( 25)($150 .00) + (15)($200 .00)

= $168.75
40

Probabilidad y Estadstica
Noviembre 2009

g ( x) f

( x)dx

donde g(x) es una funcin de la variable

aleatoria X.
M.A. Vctor Damin Pinilla Morn.
51

Es necesario aclarar que el valor esperado

es una constante y es una propiedad de la
distribucin de probabilidad de la variable
aleatoria X.

El valor esperado de una variable aleatoria

continua puede ser interpretado como la
abscisa del centroide de la figura formada
por la funcin Fx(x) junto con el eje x (y
los extremos de Fx(x) si los hubiera).

Propiedades.
Primera propiedad:

E{c} = c donde c cte

Demostracin:

cf x ( x)d = c f x ( x)dx = c(1) = c

Segunda propiedad:

E{aX + b} = aE{ X } + b
donde a, b ctes
Demostracin:

Momentos de la variable aleatoria. Son

los valores esperados de ciertas funciones
de x; que forman una coleccin de medidas
descriptivas que pueden emplearse para
caracterizar la distribucin de probabilidad
de x y especificarlo si todos los momentos
de x son conocidos.
A pesar de que los momentos de x pueden
definirse alrededor de cualquier punto de
referencia, generalmente se definen
alrededor del cero o del valor esperado de
x.
Momentos de orden n con respecto al
origen. Se definen como la esperanza
matemtica de h( x ) = X n y se representan

n ' .

Tercera propiedad:

E{g ( x) + h( x)} = E{g ( x)} + E{h( x)}

X n Px ( X )
x
n =
n
X f x ( X )dx

V.A. Discreta
V.A. Continua

Momento cero con respecto al origen:

' 0 = E{ x 0 } = 1
E{g ( x) + h( x)} = E{g ( x)} + E{h( x)}
De los tres anteriores resultados se
desprende que el valor esperado es un
operador lineal.
El valor esperado de una variable aleatoria
discreta puede ser interpretado como el
centro de masa Px(xi) colocadas en los
puntos xi del eje x.

Probabilidad y Estadstica
Noviembre 2009

Primer momento con respecto al origen:

xPx ( x)
x
'1 = E{x} = b
x f x ( x)dx
a

M.A. Vctor Damin Pinilla Morn.

52

Al primer momento alrededor del cero se le

conoce como media o valor esperado de la
distribucin y se denota: '1 = x = E{x}
Segundo
origen:

momento

con

respecto

al

x 2 Px ( x)
x
' 2 = E{x 2 } = b
x 2 f x ( x) dx
a

De la misma forma se obtienen momentos

con respecto al origen de orden superior.
Momentos con respecto a la media. Se
definen como la esperanza matemtica de
g ( X ) = ( X x ) n y se representan por

n .

V.A. Discreta
V.A. Continua
Momento cero con respecto a la media:

Para el caso discreto

0 = E ( X x )0 = E{1} = 1
Primer momento con respecto a la
media:

( X x ) Px ( x)
x
1 = E{( X x )} = b
( X x ) f x ( x)dx
a

Segundo momento con respecto a la

media:

( X x ) 2 Px ( x)
x
2 = E{( X x ) 2 } = b
( X x ) 2 f x ( X ) dx
a
Al segundo momento con respecto a la
media se le conoce como variancia
varianza y se denota por 2 x2 . La
varianza de una variable aleatoria es una
medida de dispersin de la distribucin de
probabilidades de sta. Por ejemplo, para el
caso continuo, si la mayor parte del rea por
debajo de la curva de distribucin se
encuentra cercana a la media, la varianza es
pequea; si la mayor parte del rea se
encuentra muy dispersa al rededor de la
media, la varianza es grande.
A la raz cuadrada positiva de la varianza
recibe el nombre de desviacin estndar y
se denota por .
Si se desea comparar la varianza con la
desviacin estndar de varias variables con
diferentes unidades entre s, la comparacin
resultar injusta debido a que las
distribuciones de variables aleatorias con
unidades pequeas tendrn aparentemente
menos variacin. Para hacer este tipo de
comparaciones se define otro indicador
denominado coeficiente de variacin: como
el cociente de la desviacin estndar entre
la media y la desviacin estndar tiene las
mismas unidades que el coeficiente de
variacin por lo tanto es adimensional.

Cv =

Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

53

Momentos de orden superior. Como en el

caso de la varianza, cualquier momento de
la variable aleatoria con respecto de la
media puede expresarse en trminos de esta
misma y de momentos alrededor del cero.

Expresando en funcin de la media y

momentos:

3 = 3' 3 x 2' + 2 x3
Aplicando el binomio de Newton:

(x x )r = (1) i
i =0

r!
( x ) i x r i
(r i )!i!

Para obtener la frmula de los momentos

aplico el valor esperado:
Binomio de Newton

(a + b )r = ( 1)i r! a r i b i
(r i )i!
r

3.5 Parmetros de las distribuciones de

las variables aleatorias discretas y
continuas. Medidas de tendencia central:
media, mediana y moda. Medidas de
dispersin: rango, desviacin estndar,
variancia y coeficiente de variacin.
Medida de simetra. La variancia como el
segundo momento con respecto a la
media y sus propiedades.
Medidas descriptivas. Estos ndices
permiten caracterizar a las distribuciones de
frecuencias para poder hacer una
interpretacin acertada de la misma.

i =0

r!
x r i i
E ( x ) r = E (1)
(r i )!i!
i =O

r
r!
= (1)
i E x r i
(r i )!i!
i =0

{ }

{ }=
ri

E {( x ) } = (1)
(r i )!i!

si

Ex

r i

1
r i

i =o

1
r i

Medidas de Tendencia Central. Son

aquellas medidas que nos proporcionan un
dato que, con ciertos matices, puede
considerarse representante de los n datos
obtenidos del muestreo.
Media. Tradicionalmente se considera a la
media como un promedio aritmtico de n
datos. En realidad es ms que esto. La
media pretende representar de la mejor
forma a los datos de los cuales proviene.

Para calcular el tercer momento respecto a

la media:
Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

54

Esta representacin puede lograrse de

varias formas.

Media Aritmtica
n

X =

X
i =1

donde n es el nmero total de datos.

Como dato representante de una muestra, la
media aritmtica presenta el problema de
los datos ubicados en los extremos de la
muestra, los ms pequeos y los ms
grandes, que en la generalidad suelen ser
pocos, sesgan o inducen un error en el
resultado. La media aritmtica nunca debe
utilizarse por s sola para hacer alguna
conclusin sobre la muestra, resulta
conveniente acompaarla de alguna medida
de dispersin como se ver ms adelante.
Media Ponderada. A diferencia del
promedio
aritmtico,
el
promedio
ponderado toma en cuenta la existencia de
los elementos adems de su valor a
promediar.

Probabilidad y Estadstica
Noviembre 2009

Es decir, al tomar en cuenta el nmero de

elementos repetidos minimiza la posibilidad
de uno o dos datos extremos modifiquen
dramticamente el resultado. La media
ponderada corresponde directamente al
valor esperado o esperanza matemtica
estudiada en Probabilidad.
Media geomtrica.

X = n X 1 X 2 X 3 ... X n
En la prctica suele obtenerse a travs de
logaritmos.

Media armnica. La media armnica de

una serie de nmeros es el recproco de la
media aritmtica de los recprocos de los
nmeros.

X=

1
n
= n
1 n 1
1

n i =1 X i
i =1 n

M.A. Vctor Damin Pinilla Morn.

55

en la prctica se utiliza:

1
=
X

X
i =1

Mediana. Es el dato que divide

exactamente a la mitad a la muestra.

n impar

n par

Para su clculo como dato agrupado, la

mediana se obtiene determinando cual es la
clase que incluye a la mediana, la cual se
distingue porque tiene una frecuencia
acumulada relativa mayor o igual a 0.5
(50% de los datos).

F ( X ) = 0.5
Moda. Es el elemento de la muestra que
ms se repite. Una muestra puede tener una
o ms modas. Cuando todos los elementos
de la muestra son diferentes, no tiene
sentido hablar de ella.
En forma grfica, la moda se observa en el
mximo de la curva, de tal forma que su
obtencin se logra con las herramientas que
el clculo diferencial proporciona para
obtener el mximo de una funcin.
Medidas de dispersin. Estas medidas
reflejan la separacin o alejamiento de los
elementos de una muestra. Estas medidas
deben acompaar a las medidas de
tendencia central, particularmente a la
media, para evitar los efectos que los datos
extremos tienen sobre ellas.
La medida de dispersin ms sencilla es el
Rango, amplitud o recorrido, que como
ya se mencion es la diferencia entre el dato
mayor y del menor.

Probabilidad y Estadstica
Noviembre 2009

Varianza.
Tal y como la define la
probabilidad, la varianza de una variable
aleatoria es el segundo momento de la
misma con respecto a la media. Asimismo,
se interpreta de la misma forma, como un
promedio de las distancias de cada dato
hacia la media.
Desviacin estndar. Es fcil de percibir, a
partir de un anlisis dimensional, que la
varianza posee las unidades de la variable
muestreada elevada al cuadrado. Esta
situacin
no
permite
una
rpida
visualizacin o interpretacin de la
dispersin de los datos.
En virtud de lo anterior, la desviacin
estndar es la raz cuadrada de la varianza:

= 2
La desviacin estndar tambin es conocida
como desviacin tpica o error estndar.
Desviacin media. Ciertos autores opinan
que para obtener el promedio de las
distancias de cada dato con respecto a la
media debe obtenerse el valor absoluto de
la distancia entre ambos puntos y despus
obtenerse su promedio. De tal forma, la
desviacin media se define como:
n

Desviacin Media =

X
i =1

Asimismo, algunos autores utilizan como

referencia a la mediana en lugar de la
media.
n

Desviacin Media =

X
i =1

med
n

M.A. Vctor Damin Pinilla Morn.

56

Es necesario comentar que debido a las

complejidades que implica el manejo del
valor absoluto, estos conceptos no son muy
socorridos.

Esto implica que debe cumplirse la

siguiente relacin:

X < med < mod

Asimetra. Esta medida, tambin llamada

sesgo, tiene como finalidad mostrar hacia
qu lado de le media se ubican ms datos.
Corresponde al tercer momento con
respecto a la media determinar esta
situacin. No obstante, en situacin similar
a lo que ocurre con la varianza, el tercer
momento posee las unidades de la variable
muestreada elevada al cubo.

3 = 0

3 > 0

Con el fin de volver adimensional al tercer

momento, se define al coeficiente de
asimetra de la siguiente forma:

3 =

m3
m2

m3

) ( )
3

3
2 2

3 < 0

Este coeficiente tiene como referencia al

valor cero.
Si: 3 = 0 La distribucin es
simtrica, es decir, existe la misma
cantidad de datos a ambos lados de
la media.
Esto implica que debe cumplirse la
siguiente relacin:

X = med = mod
Si: 3 < 0 La distribucin es
asimtrica negativa, es decir, existen
ms datos a derecha de la media.
Esto implica que debe cumplirse la
siguiente relacin:

mod > med > X

Si: 3 > 0
La distribucin es
asimtrica positiva, es decir, existen
ms datos a izquierda de la media.

Probabilidad y Estadstica
Noviembre 2009

Apuntamiento. Corresponde al cuarto

momento con respecto a la media
identificar a una medida que auxiliar
directamente a las medidas de dispersin.
El apuntamiento o curtosis detalla lo
puntiagudo o aplastado de una distribucin.
Una distribucin puntiaguda implica que
los datos estn ms cercanos a la media lo
que a su vez arroja una varianza pequea.
En caso contrario, una distribucin
aplastada implica que los datos se alejan de
la media, lo que implica una varianza
grande.
El cuarto momento con respecto a la media
posee las unidades de la variable
muestreada elevadas a la cuarta potencia.
Para mejorar una posible interpretacin, se
define al coeficiente de apuntamiento o
coeficiente de curtosis:

4 =

m4

(m2 )

m4

( )

2 2

M.A. Vctor Damin Pinilla Morn.

57

El valor de referencia de este coeficiente es

tres. Algunos autores, para homologar el
uso de este coeficiente con el de simetra,
disminuyen en tres unidades el valor
obtenido y as logran que el valor de
referencia sea cero.

4 =

m4
m4
3=
3
2
(m2 )
( 2 )2

El lector deber estar atento a esta

situacin, ya que la gran mayora de los
programas de computadoras realizan su
comparacin contra el cero.
La interpretacin es la siguiente:
Si 4 = 0 (o tres), se trata de una
distribucin mesocrtica.
Si 4 > 0 (o tres), se trata de una
distribucin
Leptocrtica
(o
puntiaguda).
Si 4 < 0 (o tres), se trata de una
distribucin
Platicrtica
(o
aplastada).

_____________________________
Funciones de densidad de probabilidad
tpicas de distribuciones: a) leptocrticas, b)
platicrticas, y c) mesocrticas.

Bibliografa
Canavos, Probabilidad y Estadstica,
Edit. Mc Graw Hill, Mxico 1988.
Borras, et. al. Apuntes de Probabilidad
y Estadstica, Facultad de Ingeniera
UNAM, Mxico 1985.
Villarreal , Probabilidad y Modelos
Probabilsticos, UAEM, Mxico 1989.
Hines, Montgomery; Probabilidad y
Estadstica, Edit. CECSA, 3 edicin,
Mxico 1993.

Captura y Edicin:
M.A. Mara Torres Hernndez.
Probabilidad y Estadstica
Noviembre 2009

M.A. Vctor Damin Pinilla Morn.

58