Variable aleatoria

Ir a la navegaciónIr a la búsqueda
En probabilidad y estadística, una variable aleatoria es una función que asigna un
valor, numérico, al resultado de un experimento aleatorio. Por ejemplo, los
posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc. o un número
real (p.e., la temperatura máxima medida a lo largo del día en una ciudad
concreta).

Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de una
medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribución de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores. En términos formales una variable aleatoria es
una función definida sobre un espacio de probabilidad.

Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones o cualquier tipo de elementos
(de un espacio medible). El término elemento aleatorio se utiliza para englobar
todo ese tipo de conceptos relacionados. Un concepto relacionado es el de proceso
estocástico, un conjunto de variables aleatorias ordenadas (habitualmente por orden
o tiempo).

Índice
1 Definición
1.1 Concepto intuitivo
1.2 Definición formal
1.3 Rango de una variable aleatoria
2 Ejemplos
3 Caracterización de variables aleatorias
3.1 Tipos de variables aleatorias
3.2 Función de distribución
3.3 Función de densidad
4 Funciones de variables aleatorias
4.1 Ejemplo 1
4.2 Ejemplo 2
4.3 Ejemplo 3
5 Parámetros relacionados con una variable aleatoria
5.1 Esperanza
5.2 Varianza
5.3 Momentos de orden superior
6 Véase también
7 Referencias
7.1 Bibliografía
7.2 Enlaces externos
Definición
Concepto intuitivo
Una variable aleatoria puede concebirse como un valor numérico que está afectado
por el azar. Dada una variable aleatoria no es posible conocer con certeza el valor
que tomará esta al ser medida o determinada, aunque sí se conoce que existe una
distribución de probabilidad asociada al conjunto de valores posibles. Por ejemplo,
en una epidemia de cólera, se sabe que una persona cualquiera puede enfermar o no
(suceso), pero no se sabe cuál de los dos sucesos va a ocurrir. Solamente se puede
decir que existe una probabilidad de que la persona enferme.

Para trabajar de manera sólida con variables aleatorias en general es necesario

considerar un gran número de experimentos aleatorios, para su tratamiento
estadístico, cuantificar los resultados de modo que se asigne un número real a cada
uno de los resultados posibles del experimento. De este modo se establece una
relación funcional entre elementos del espacio muestral asociado al experimento y
números reales.

Definición formal
Una variable aleatoria (v.a.) {\displaystyle X}X es una función real definida en el
espacio de probabilidad {\displaystyle (\Omega ,{\mathcal {A}},P)}{\displaystyle
(\Omega ,{\mathcal {A}},P)}, asociado a un experimento aleatorio.12

{\displaystyle X:\Omega \to \mathbb {R} }{\displaystyle X:\Omega \to \mathbb {R} }
La definición formal anterior involucra conceptos matemáticos sofisticados
procedentes de la teoría de la medida, concretamente la noción σ-álgebra o la de
medida de probabilidad.34 Dado un espacio de probabilidad {\displaystyle (\Omega ,
{\mathcal {A}},P)}{\displaystyle (\Omega ,{\mathcal {A}},P)} y un espacio medible
{\displaystyle (S,\Sigma )}{\displaystyle (S,\Sigma )}, una aplicación
{\displaystyle X:\Omega \to S}{\displaystyle X:\Omega \to S} es una variable
aleatoria si es una aplicación {\displaystyle {\mathcal {A}},\Sigma }{\displaystyle
{\mathcal {A}},\Sigma }-medible. En el uso ordinario, los puntos de
{\displaystyle \omega \in \Omega }{\displaystyle \omega \in \Omega } no son
directamente observables, sólo el valor de la variable en el punto {\displaystyle
X(\omega )}{\displaystyle X(\omega )} por lo que el elemento probabilístico reside
en el desconocimiento que se tiene del punto concreto {\displaystyle \omega }\omega
.

En la mayoría de usos práctios se tiene que el espacio medible de llegada es

{\displaystyle (S,\Sigma )=(\mathbb {R} ,{\mathcal {B}}(\mathbb {R} ))}
{\displaystyle (S,\Sigma )=(\mathbb {R} ,{\mathcal {B}}(\mathbb {R} ))}, quedando
pues la definición de esta manera:

Dado un espacio de probabilidad {\displaystyle (\Omega ,{\mathcal {A}},P)}

{\displaystyle (\Omega ,{\mathcal {A}},P)} una variable aleatoria real es cualquier
función {\displaystyle {\mathcal {A}}/{\mathcal {B}}(\mathbb {R} )}{\displaystyle
{\mathcal {A}}/{\mathcal {B}}(\mathbb {R} )}-medible donde {\displaystyle {\mathcal
{B}}(\mathbb {R} )}{\displaystyle {\mathcal {B}}(\mathbb {R} )} es la σ-álgebra
boreliana.

Rango de una variable aleatoria

Se llama rango de una variable aleatoria {\displaystyle X}X y lo denotaremos
{\displaystyle R_{X}}{\displaystyle R_{X}}, a la imagen o rango de la función
{\displaystyle X}X, es decir, al conjunto de los valores reales que ésta puede
tomar, según la aplicación {\displaystyle X}X. Dicho de otro modo, el rango de una
v.a. es el recorrido de la función por la que esta queda definida

{\displaystyle R_{X}=\{x\in \mathbb {R} |\ \exists \,\omega \in \Omega :X(\omega )

=x\}}{\displaystyle R_{X}=\{x\in \mathbb {R} |\ \exists \,\omega \in \Omega
:X(\omega )=x\}}
Ejemplos
Ejemplo 1
Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el
conjunto de resultados elementales posibles asociado al experimento, es:

{\displaystyle \Omega =\left\{{\textrm {cc,cx,xc,xx}}\right\}}{\displaystyle \Omega

=\left\{{\textrm {cc,cx,xc,xx}}\right\}}
donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a cada
suceso elemental del experimento el número de caras obtenidas. De este modo se
definiría la variable aleatoria {\displaystyle X}X como la función

{\displaystyle X:\Omega \to \mathbb {R} }{\displaystyle X:\Omega \to \mathbb {R} }
dada por

{\displaystyle {\textrm {cc}}\to 2}{\displaystyle {\textrm {cc}}\to 2}

{\displaystyle {\textrm {cx}},{\textrm {xc}}\to 1}{\displaystyle {\textrm {cx}},
{\textrm {xc}}\to 1}
{\displaystyle {\textrm {xx}}\to 0}{\displaystyle {\textrm {xx}}\to 0}
El recorrido o rango de esta función, RX, es el conjunto

{\displaystyle R_{X}=\left\{0,1,2\right\}}{\displaystyle R_{X}=\left\

{0,1,2\right\}}
Ejemplo 2
El nivel {\displaystyle X}X de precipitación registrado un día concreto del año, en
una ciudad por una estación meteorológica concreta. El espacio muestral que incluye
todos los posibles resultados puede representarse por el intervalo {\displaystyle
R_{X}(\Omega )=[0,\infty )}{\displaystyle R_{X}(\Omega )=[0,\infty )}. En este caso
el espacio muestral es más complicado porque incluiría especificar el estado de la
atmósfera completo (una aproximación sería describir el conjunto de posiciones y
velocidades de todas las moléculas de la atmósfera, que sería una cantidad de
información monumental o usar un modelo más o menos complejo en términos de
variables macroscópicas, como los modelos meteorológicos usados actualmente).

Podemos revisar la serie histórica de precipitaciones y aproximar la distribución

de probabilidad {\displaystyle F_{X}(x)}{\displaystyle F_{X}(x)} de X y construir
una aproximación {\displaystyle {\bar {F}}_{X}(x)}{\displaystyle {\bar {F}}_{X}
(x)}. Nótese que en este caso la distribución de probabilidad no es conocida, sólo
se conoce la distribución muestral (la serie histórica) y se conjetura que la
distribución real no se aleja mucho de esta aproximaxión {\displaystyle F_{X}
(x)\approx {\bar {F}}_{X}(x)}{\displaystyle F_{X}(x)\approx {\bar {F}}_{X}(x)}. Si
la serie histórica es suficientemente larga y representa un clima que no difiere
significativamente del actual estas dos últimas funciones diferirán muy poco.

Caracterización de variables aleatorias

Tipos de variables aleatorias
Para comprender de una manera más amplia y rigurosa los tipos de variables, es
necesario conocer la definición de conjunto discreto. Un conjunto es discreto si
está formado por un número finito de elementos, o si sus elementos se pueden
enumerar en secuencia de modo que haya un primer elemento, un segundo elemento, un
tercer elemento, y así sucesivamente5 (es decir, un conjunto infinito numerable sin
puntos de acumulación). Para variables con valores en {\displaystyle \mathbb
{R} }\R las variables aleatorias se clasifican usualmente en:

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto

discreto. La variable del ejemplo anterior es discreta. Sus probabilidades se
recogen en la función de cuantía. (Véanse las distribuciones de variable discreta).
Variable aleatoria continua: una v.a. es continua si su recorrido es un conjunto no
numerable. Intuitivamente esto significa que el conjunto de posibles valores de la
variable abarca todo un intervalo de números reales. Por ejemplo, la variable que
asigna la estatura a una persona extraída de una determinada población es una
variable continua ya que, teóricamente, todo valor entre, pongamos por caso, 0 y
2,50 m, es posible.6 (Véanse las distribuciones de variable continua).
Las definiciones anteriores pueden generalizarse fácilmente a variables aleatorias
con valores sobre {\displaystyle \mathbb {R} ^{n}}\mathbb {R} ^{n} o {\displaystyle
\mathbb {C} ^{n}}{\displaystyle \mathbb {C} ^{n}}. Esto no agota el tipo de
variables aleatorias ya que el valor de una variable aleatoria puede ser también
una partición, como sucede en el proceso estocástico del restaurante chino o el
conjunto de valores de una variable aleatoria puede ser un conjunto de funciones
como el proceso estocástico de Dirichlet.

Función de distribución
Artículo principal: Distribución de probabilidad
Sea {\displaystyle (\Omega ,{\mathcal {F}},\operatorname {P} )}{\displaystyle
(\Omega ,{\mathcal {F}},\operatorname {P} )} un espacio de probabilidad y
{\displaystyle X:\Omega \to \mathbb {R} }{\displaystyle X:\Omega \to \mathbb {R} }
una variable aleatoria, la función de distribución de {\displaystyle X}X, denotada
por {\displaystyle F_{X}(x)}{\displaystyle F_{X}(x)} o simplemente por
{\displaystyle F(x)}F(x), es la función {\displaystyle F_{X}:\mathbb {R} \to [0,1]}
{\displaystyle F_{X}:\mathbb {R} \to [0,1]} definida por

{\displaystyle F_{X}(x)=\operatorname {P} [\{\omega \in \Omega :X(\omega )\leq

x\}]=\operatorname {P} [X\leq x]}{\displaystyle F_{X}(x)=\operatorname {P} [\
{\omega \in \Omega :X(\omega )\leq x\}]=\operatorname {P} [X\leq x]}
que satisface las siguientes tres condiciones:

{\displaystyle \lim _{x\to -\infty }F(x)=0}\lim _{x\to -\infty }F(x)=0 y

{\displaystyle \lim _{x\to \infty }F(x)=1}{\displaystyle \lim _{x\to \infty }
F(x)=1}
Es continua por la derecha.
Es monótona no decreciente.
La distribución de probabilidad de una v.a. describe teóricamente la forma en que
varían los resultados de un experimento aleatorio. Intuitivamente se trataría de
una lista de los resultados posibles de un experimento con las probabilidades que
se esperarían ver asociadas con cada resultado.

Función de densidad
Artículo principal: Función de densidad de probabilidad
Sea {\displaystyle (\Omega ,{\mathcal {F}},\operatorname {P} )}{\displaystyle
(\Omega ,{\mathcal {F}},\operatorname {P} )} un espacio de probabilidad y
{\displaystyle X:\Omega \to \mathbb {R} }{\displaystyle X:\Omega \to \mathbb {R} }
una variable aleatoria, la función de densidad de {\displaystyle X}X denotada
típicamente por {\displaystyle f_{X}(x)}{\displaystyle f_{X}(x)} o simplemente por
{\displaystyle f(x)}f(x), se utiliza con el propósito de conocer cómo se
distribuyen las probabilidades de un suceso o evento, en relación al resultado del
suceso.

La función de distribución es la derivada (ordinaria o en el sentido de las

distribuciones) de la función de distribución de probabilidad {\displaystyle F_{X}
(x)}{\displaystyle F_{X}(x)}, o de manera inversa, la función de distribución es la
integral de la función de densidad:

{\displaystyle F(x)=\int _{-\infty }^{x}f(t)\,dt}{\displaystyle F(x)=\int _{-\infty

}^{x}f(t)\,dt}
La función de densidad de una v.a. determina la concentración de probabilidad
alrededor de los valores de una variable aleatoria continua.

Funciones de variables aleatorias

Sean una variable aleatoria {\displaystyle X}X definida sobre {\displaystyle
(\Omega ,{\mathcal {A}},P)}{\displaystyle (\Omega ,{\mathcal {A}},P)} y
{\displaystyle g:\mathbb {R} \rightarrow \mathbb {R} }{\displaystyle g:\mathbb
{R} \rightarrow \mathbb {R} } una función medible de Borel, entonces {\displaystyle
Y=g(X)}{\displaystyle Y=g(X)} será también una variable aleatoria sobre
{\displaystyle (\Omega ,{\mathcal {A}},P)}{\displaystyle (\Omega ,{\mathcal
{A}},P)} dado que la composición de funciones medibles también es medible (sin
embargo, esto no es cierto si {\displaystyle g}g es una función medible de
Lebesgue). El mismo procedimiento que permite ir de un espacio de probabilidad
{\displaystyle (\Omega ,P)}{\displaystyle (\Omega ,P)} a {\displaystyle (\mathbb
{R} ,dF_{X})}{\displaystyle (\mathbb {R} ,dF_{X})} puede ser utilizado para obtener
la distribución de {\displaystyle Y}Y. La función de distribución acumulada de
{\displaystyle Y}Y es
{\displaystyle F_{Y}(y)=\operatorname {P} [g(X)\leq y].}{\displaystyle F_{Y}
(y)=\operatorname {P} [g(X)\leq y].}
Si la función {\displaystyle g}g es invertible, es decir {\displaystyle g^{-1}}
{\displaystyle g^{-1}} existe, y es monótona creciente entonces la anterior
relación puede ser extendida para obtener

{\displaystyle F_{Y}(y)=\operatorname {P} [g(X)\leq y]=\operatorname {P} [X\leq

g^{-1}(y)]=F_{X}(g^{-1}(y))}{\displaystyle F_{Y}(y)=\operatorname {P} [g(X)\leq
y]=\operatorname {P} [X\leq g^{-1}(y)]=F_{X}(g^{-1}(y))}
y, trabajando de nuevo bajo las mismas hipótesis de invertibilidad de g y asumiendo
además diferenciabilidad, podemos hallar la relación entre las funciones de
densidad de probabilidad al diferenciar ambos términos respecto de y, obteniendo

{\displaystyle f_{Y}(y)=f_{X}(g^{-1}(y))\left|{\frac {dg^{-1}(y)}{dy}}\right|}

{\displaystyle f_{Y}(y)=f_{X}(g^{-1}(y))\left|{\frac {dg^{-1}(y)}{dy}}\right|}.
Si {\displaystyle g}g es no invertible pero cada {\displaystyle y}y tiene un número
finito de raíces, entonces la relación previa con la función de densidad de
probabilidad puede generalizarse como

{\displaystyle f_{Y}(y)=\sum _{i}f_{X}(g_{i}^{-1}(y))\left|{\frac {dg_{i}^{-1}(y)}

{dy}}\right|}{\displaystyle f_{Y}(y)=\sum _{i}f_{X}(g_{i}^{-1}(y))\left|{\frac
{dg_{i}^{-1}(y)}{dy}}\right|}
donde {\displaystyle x_{i}=g_{i}^{-1}(y)}{\displaystyle x_{i}=g_{i}^{-1}(y)}. Las
fórmulas de densidad no requieren que {\displaystyle g}g sea creciente.

Ejemplo 1
Sean {\displaystyle X}X una variable aleatoria continua y {\displaystyle Y=X^{2}}
{\displaystyle Y=X^{2}} entonces

{\displaystyle F_{Y}(y)=\operatorname {P} [Y\leq y]=\operatorname {P} [X^{2}\leq

y]}{\displaystyle F_{Y}(y)=\operatorname {P} [Y\leq y]=\operatorname {P} [X^{2}\leq
y]}
Si {\displaystyle y<0}{\displaystyle y<0} entonces {\displaystyle \operatorname {P}
[X^{2}=y]=0}{\displaystyle \operatorname {P} [X^{2}=y]=0} por lo que

{\displaystyle F_{Y}(y)=0\quad {\hbox{si}}\quad y<0}{\displaystyle F_{Y}(y)=0\quad

{\hbox{si}}\quad y<0}
Si {\displaystyle y\geq 0}{\displaystyle y\geq 0} entonces

{\displaystyle \operatorname {P} [X^{2}\leq y]=\operatorname {P} [|X|\leq {\sqrt

{y}}]=\operatorname {P} [-{\sqrt {y}}\leq X\leq {\sqrt {y}}]}{\displaystyle
\operatorname {P} [X^{2}\leq y]=\operatorname {P} [|X|\leq {\sqrt
{y}}]=\operatorname {P} [-{\sqrt {y}}\leq X\leq {\sqrt {y}}]}
por lo tanto

{\displaystyle F_{Y}(y)=F_{X}({\sqrt {y}})-F_{X}(-{\sqrt {y}})\quad

{\hbox{si}}\quad y\geq 0}{\displaystyle F_{Y}(y)=F_{X}({\sqrt {y}})-F_{X}(-{\sqrt
{y}})\quad {\hbox{si}}\quad y\geq 0}
Ejemplo 2
Sea {\displaystyle X}X una variable aleatoria con función de distribución acumulada

{\displaystyle F_{X}(x)=\operatorname {P} [X\leq x]={\frac {1}{(1+e^{-

x})^{\theta }}}}{\displaystyle F_{X}(x)=\operatorname {P} [X\leq x]={\frac {1}
{(1+e^{-x})^{\theta }}}}
donde {\displaystyle \theta >0}{\displaystyle \theta >0} es un parámetro. Considere
la variable aleatoria {\displaystyle Y=\ln(1+e^{-X})}{\displaystyle Y=\ln(1+e^{-
X})} entonces
{\displaystyle F_{Y}(y)=\operatorname {P} [Y\leq y]=\operatorname {P} [\ln(1+e^{-
X})\leq y]=\operatorname {P} [X\geq -\ln(e^{y}-1)]}{\displaystyle F_{Y}
(y)=\operatorname {P} [Y\leq y]=\operatorname {P} [\ln(1+e^{-X})\leq
y]=\operatorname {P} [X\geq -\ln(e^{y}-1)]}
La expresión anterior puede ser calculada en términos de la función de distribución
acumulada de {\displaystyle X}X como

{\displaystyle {\begin{aligned}F_{Y}(y)&=\operatorname {P} [X\geq -\ln(e^{y}-

1)]\\&=1-\operatorname {P} [X<-\ln(e^{y}-1)]\\&=1-F_{X}(-\ln(e^{y}-1))\\&=1-{\frac
{1}{(1+e^{\ln(e^{y}-1)})^{\theta }}}\\&=1-e^{-\theta y}\end{aligned}}}
{\displaystyle {\begin{aligned}F_{Y}(y)&=\operatorname {P} [X\geq -\ln(e^{y}-
1)]\\&=1-\operatorname {P} [X<-\ln(e^{y}-1)]\\&=1-F_{X}(-\ln(e^{y}-1))\\&=1-{\frac
{1}{(1+e^{\ln(e^{y}-1)})^{\theta }}}\\&=1-e^{-\theta y}\end{aligned}}}
que corresponde a la función de distribución acumulada de la distribución
exponencial.

Ejemplo 3
Supóngase que {\displaystyle X}X es una variable aleatoria con {\displaystyle X\sim
N(0,1)}{\displaystyle X\sim N(0,1)} por lo que su función de densidad está dada por

{\displaystyle f_{X}(x)={\frac {1}{\sqrt {2\pi }}}e^{-x^{2}/2}}{\displaystyle f_{X}

(x)={\frac {1}{\sqrt {2\pi }}}e^{-x^{2}/2}}
Considere la variable aleatoria {\displaystyle Y=X^{2}}{\displaystyle Y=X^{2}},
podemos la función de densidad de {\displaystyle Y}Y utilizando la fórmula para el
cambio de variable:

{\displaystyle f_{Y}(y)=\sum _{i}f_{X}(g_{i}^{-1}(y))\left|{\frac {dg_{i}^{-1}(y)}

{dy}}\right|}{\displaystyle f_{Y}(y)=\sum _{i}f_{X}(g_{i}^{-1}(y))\left|{\frac
{dg_{i}^{-1}(y)}{dy}}\right|}
En este caso el cambio no es monótico pues cada valor de {\displaystyle Y}Y tiene
asociado dos posibles valores de {\displaystyle X}X (uno positivo y otro negativo),
sin embargo, por simetría, ambos valores se transformarán de forma idéntica, esto
es

{\displaystyle f_{Y}(y)=2f_{X}(g^{-1}(y))\left|{\frac {dg^{-1}(y)}{dy}}\right|}

{\displaystyle f_{Y}(y)=2f_{X}(g^{-1}(y))\left|{\frac {dg^{-1}(y)}{dy}}\right|}
La transformación inversa es

{\displaystyle x=g^{-1}(y)={\sqrt {y}}}{\displaystyle x=g^{-1}(y)={\sqrt {y}}}

su derivada es

{\displaystyle {\frac {dg^{-1}(y)}{dy}}={\frac {1}{2{\sqrt {y}}}}}{\displaystyle

{\frac {dg^{-1}(y)}{dy}}={\frac {1}{2{\sqrt {y}}}}}
entonces

{\displaystyle {\begin{aligned}f_{Y}(y)&=2{\frac {1}{\sqrt {2\pi }}}\;e^{y/2}\;

{\frac {1}{2{\sqrt {y}}}}\\&={\frac {1}{\sqrt {2\pi y}}}e^{-y/2}\end{aligned}}}
{\displaystyle {\begin{aligned}f_{Y}(y)&=2{\frac {1}{\sqrt {2\pi }}}\;e^{y/2}\;
{\frac {1}{2{\sqrt {y}}}}\\&={\frac {1}{\sqrt {2\pi y}}}e^{-y/2}\end{aligned}}}
que corresponde a la función de densidad de la distribución distribución χ² con un
grado de libertad.

Parámetros relacionados con una variable aleatoria

Artículo principal: Parámetro estadístico
La función de densidad o la distribución de probabilidad de una variable aleatoria
(v.a.) contiene exhaustivamente toda la información sobre la variable. Sin embargo,
resulta conveniente resumir sus características principales con unos cuantos
valores numéricos. Entre estos están la esperanza y la varianza (aunque para
caracterizar completamente la distribución de probabilidad se necesitan parámetros
estadísticos adicionales).

Esperanza
Artículo principal: Esperanza matemática
La esperanza matemática (o simplemente esperanza) o valor esperado de una variable
aleatoria es la suma del producto de la probabilidad de cada suceso por el valor de
dicho suceso. Si todos los sucesos son de igual probabilidad entonces la esperanza
es la media aritmética. Para una variable aleatoria discreta con soporte
{\displaystyle x_{1},x_{2}\ldots x_{n}\,\!}{\displaystyle x_{1},x_{2}\ldots
x_{n}\,\!} y si sus probabilidades representadas por la función de probabilidad
{\displaystyle p(x_{i})}{\displaystyle p(x_{i})} la esperanza se calcula como:

{\displaystyle \operatorname {E} [X]=\sum _{i=1}^{n}x_{i}p(x_{i})\,\!}

{\displaystyle \operatorname {E} [X]=\sum _{i=1}^{n}x_{i}p(x_{i})\,\!}
Para una variable aleatoria continua la esperanza se calcula mediante la integral
de todos los valores y la función de densidad {\displaystyle f(x)\,\!}
{\displaystyle f(x)\,\!}:

{\displaystyle \operatorname {E} [X]=\int _{-\infty }^{\infty }xf(x)dx}

{\displaystyle \operatorname {E} [X]=\int _{-\infty }^{\infty }xf(x)dx}
o

{\displaystyle \operatorname {E} [X]=\int _{\Omega }X\,{\text{d}}P\,\!}

{\displaystyle \operatorname {E} [X]=\int _{\Omega }X\,{\text{d}}P\,\!}
La esperanza también se suele simbolizar con {\displaystyle \mu =\operatorname {E}
[X]}{\displaystyle \mu =\operatorname {E} [X]}

El concepto de esperanza se asocia comúnmente en los juegos de azar al de beneficio

medio o beneficio esperado a largo plazo.

Varianza
Artículo principal: Varianza
La varianza es una medida de dispersión de una variable aleatoria {\displaystyle
X\,\!}{\displaystyle X\,\!} respecto a su esperanza {\displaystyle \operatorname
{E} [X]}{\displaystyle \operatorname {E} [X]}. Se define como la esperanza de la
transformación {\displaystyle \left(X-\mathbb {E} [X]\right)^{2}\,\!}{\displaystyle
\left(X-\mathbb {E} [X]\right)^{2}\,\!}:

{\displaystyle \sigma ={\sqrt {{\text{Var}}(X)}}\,\!}{\displaystyle \sigma ={\sqrt

{{\text{Var}}(X)}}\,\!}
o bien

{\displaystyle \sigma ^{2}={\text{Var}}(X)\,\!}{\displaystyle \sigma

^{2}={\text{Var}}(X)\,\!}
Momentos de orden superior
Artículos principales: Función característica y Función generadora de momentos.
Dada una distribución de probabilidad continua el conjunto de sus momentos
caracteriza completamente la distribución. Dos de estos momentos ya han aparecido,
el valor esperado coincide con el momento de primer orden, mientras que la varianza
puede expresarse como una combinación del momento de segundo orden y el cuadrado
del momento de primer orden. En general, el momento de orden n de una variable
aleatoria real con densidad de probabilidad definida casi en todas partes se
calcula como:

{\displaystyle M_{X}^{(n)}=\operatorname {E} [X^{n}]=\int _{\mathbb {R} }x^{n}f_{X}

(x)dx}{\displaystyle M_{X}^{(n)}=\operatorname {E} [X^{n}]=\int _{\mathbb {R} }
x^{n}f_{X}(x)dx}
Estos momentos pueden obtenerse a partir de las derivadas n-ésimas de la función
característica {\displaystyle \varphi _{X}(x)}{\displaystyle \varphi _{X}(x)}
asociada a la variable X:

{\displaystyle {\frac {d\varphi _{X}^{(n)}(0)}{dx^{n}}}=i^{n}\operatorname {E}

[X^{n}]}{\displaystyle {\frac {d\varphi _{X}^{(n)}(0)}{dx^{n}}}=i^{n}\operatorname
{E} [X^{n}]}
o análogamente la función generadora de momentos:

{\displaystyle M_{X}^{(n)}(0)={\frac {d^{n}M_{X}(0)}{dx}}}{\displaystyle

M_{X}^{(n)}(0)={\frac {d^{n}M_{X}(0)}{dx}}}
Véase también
Distribución de probabilidad.
Distribución binomial.
Distribución normal.
Esperanza matemática.
Varianza.
Referencias
http://www.hrc.es/bioest/estadis_21.html Definición de variable aleatoria. Esta
definición no es en absoluto rigurosa, ya que no define una variable aleatoria,
sino cualquier función real. Es de remarcar que en la referencia no se dice en
ningún momento que eso sea una definición. Sin embargo, en la mayoría de las
aplicaciones prácticas, es suficiente.
La definición rigurosa de variable aleatoria exige dotar a {\displaystyle \mathbb
{R} } \mathbb R de estructura de espacio medible e imponer a X la condición de ser
función medible (véase la definición formal de variable aleatoria, en este mismo
artículo).
https://web.archive.org/web/20100228233046/http://planetmath.org/encyclopedia/Discr
eteRandomVariable.html
http://mathworld.wolfram.com/RandomVariable.html
Véase conjunto finito para una definición más rigurosa.
En experimentos reales la continuidad de una variable es rarísima, ya que la
escasa precisión de los instrumentos de medida obliga a un conjunto discreto de
valores posibles.
Bibliografía
Peña Sánchez de Rivera, Daniel (2008). Fundamentos de Estadística (1ª edición).
Alianza Editorial. p. 688. ISBN 9788420683805.
Ropero Moriones, Eva (2009). Manual de estadística empresarial (1ª edición). Delta
Publicaciones. p. 200. ISBN 9788492453214.
Enlaces externos
Wikimedia Commons alberga una galería multimedia sobre Variable aleatoria.