7 

Caso A: DISCRETA Caso B: CONTÍNUA

   
n 
 x2  E  x   x     xi   x  . f  xi   x2  E  x   x     x  x  . f  x  dx
2 2 2 2

i 1

Caso A: DISCRETA Caso B: CONTÍNUA

 
n
 x   x2  E  x   x   x    . f  xi   
2 2 
 x   x2  E  x  x    x    . f  x  dx
2 2
i x 
x
i 1

4.4. TEOREMA DE TCHEBYSHEFF

Sea X una variable aleatoria que tiene de media μ y de desviación típica σ, y sea k ≥ 1, entonces se cumple:

1
P    k  X    k   1 
k2

4.5. ALGUNOS CÁLCULOS INTERESANTES

Caso A: DISCRETA Caso B: CONTÍNUA

P(X=xi ) = f(xi )
P(X=xi ) = P(X≤ xi )− P(X≤xi-1 )= P(X=xi ) = 0
= F(xi )− F(xi-1 )
P(xi ≤ X ≤ xj )= P(X ≤ xj ) − P(X ≤ xi-1 )= P(xi ≤ X ≤ xj )= P(X ≤ xj ) − P(X ≤ xi )=
= F(xj ) − F(xi-1 ) = F(xj ) − F(xi )
P(xi < X ≤ xj )= P(X ≤ xj ) − P(X ≤ xi ) = P(xi < X ≤ xj )= P(X ≤ xj ) − P(X ≤ xi )=
=F(xj ) − F(xi ) = F(xj ) − F(xi )
P(xi ≤ X < xj )= P(X ≤ xj-1 ) − P(X ≤ xi-1 ) = P(xi ≤ X < xj )= P(X ≤ xj ) − P(X ≤ xi )=
= F(xj-1 ) − F(xi-1 ) = F(xj ) − F(xi )
P(xi < X < xj )= P(X ≤ xj-1 ) − P(X ≤ xi ) = P(xi < X < xj )= P(X ≤ xj ) − P(X ≤ xi )=
= F(xj-1 ) − F(xi ) = F(xj ) − F(xi )

5.-VARIABLES ALEATORIAS DISCRETAS.

ESTUDIO PARTICULAR
5.1. VARIABLE ALEATORIA BINOMIAL
X  B  n,p 
F  x   P  X  x    f  xi 
 n  x n x 
  p 1  p  , si x  0, 1, 2, ..., n xi  x
f  x   P  X  x    x    n. p
 0 , en el resto  2  n. p. 1  p 

   2  n. p. 1  p 
5.2. VARIABLE ALEATORIA DE POISSON
X P(λ)
   x F  x   P  X  x    f  xi 
e . , si x  0, 1, 2, . . .
f  x  P  X  x   x! xi  x

 0 , en el resto    ;  
2

 2  
 8 

5.3. VARIABLE ALEATORIA HIPERGEOMÉTRICA

X  H  N, K , n 
 K  N  K 
   
  x   n  x  , si x  0, 1, 2, . . ., min  K , n 
f  x  P  X  x   N
 n 
  
 0 , en el resto
N n K  K
F  x   P  X  x    f  xi  2 * * 1   * n
N 1 N  N
xi  x
N n K  K 

n.K   2  * * 1   * n
N 1 N  N 
N

6.-VARIABLES ALEATORIAS CONTINUAS.

ESTUDIO PARTICULAR
6.1. VARIABLE ALEATORIA UNIFORME

X  U  a, b  
ab
 1 2
 si a  x  b
b  a 
2
f ( x)   b  a  
2
 0 Resto 12

b  a 
2
 0 si x  a
    2

 xa 12
F ( x)   si a  x  b
 ba
 1 si x  b

6.2. VARIABLE ALEATORIA NORMAL

X  N  ,   
1  
1  x 
2
 2  2
 
f  x e 2 , x  
 2   2  

2
1  t  
x x 1  
 
FN   ,   x   P  X  x    f  t  dt   e 2 dt  TABULADA para N(0,1) 
   2

x
Propiedad : FN   ,   x   FN  0,1  
  
 9 

6.3. TEOREMA CENTRAL DEL LÍMITE

Sean X1, X2,…, Xn, un conjunto de variables aleatorias independientes y con el mismo tipo de
distribución, de medias y varianzas respectivas μi y σ2i. Si la variable aleatoria X la podemos considerar
como suma de las variables aleatorias Xi, es decir, si X = X1 + X2 + … + Xn. Entonces, la variable aleatoria
X se distribuye como una variable aleatoria Normal, con media igual a la suma de las medias de las
variables Xi y varianza igual a la suma de las varianzas de las variables Xi. Es decir,

X  N 1  2  ...n ,  12   22  ... n2 
APROXIMACIONES:

n  30
P    n. p 
p  0.10
B  n, p 

n
 N np ,
n . p 5
 np 1  p  
P    
  10
N ,   
6.4. VARIABLE ALEATORIA EXPONENCIAL
1

X  EXP    
e  x
si x  0 1
f  x   2 
si x  0 2
 0
1
 0 si x  0  
F  x    x

1e si x  0

7.-ESTIMACIÓN
7.1. ESTIMACIÓN PUNTUAL

Parámetro a  Propiedades del estimador 
Población  Estimador 
estimar  elegido 
Binomial  p̂ = proporción del número de éxitos en  Consistente, suficiente, insesgado, 
p 
B(n,p)  la muestra  de varianza mínima y eficiente 
Poisson 
λ  ˆ  X   Consistente, suficiente, insesgado, 
P(λ)  (Media Muestral)  de varianza mínima y eficiente 

 ˆ  X   Consistente, suficiente, insesgado, 
(Media Muestral)  de varianza mínima y eficiente 
Normal 
N   ,    1 n
 xi  X   

2
ˆ  s' Consistente, suficiente, insesgado, 
 n 1 1 de varianza mínima y eficiente 
(Desviación Estándar Muestral)