Capítulo 5 Variables Aleatorias

Competencias a desarrollar:

1. Calcula distribuciones de probabilidad de variables aleatorias discretas.

2. Calcula distribuciones de probabilidad de variables aleatorias continuas.
3. Calcula e interpreta la esperanza y varianza de una variable aleatoria.
4. Calcula probabilidades usando la función de distribución de probabilidad de las
variables aleatorias.

5.1 Definición y ejemplos.

Como vimos en la sección 4.1 los espacios muestra de los experimentos son de naturaleza
muy distinta y sus elementos pueden ser no numéricos, sin embargo en muchas situaciones
nos interesa facilitar el cálculo de probabilidades en los espacios muestra desde un punto de
vista numérico. El concepto de variable aleatoria es el que nos permite realizar esta
transición.
Una variable aleatoria X de un espacio muestra 𝑆𝑆 es una función 𝑋𝑋: 𝑆𝑆 → 𝑅𝑅 que asigna un
número real 𝑋𝑋(𝑠𝑠) a cada elemento 𝑠𝑠 de 𝑆𝑆. El rango de 𝑋𝑋 como función, es decir
{𝑋𝑋(𝑠𝑠)|𝑠𝑠 ∈ 𝑆𝑆} se denota por 𝑅𝑅𝑋𝑋 y se denomina rango de la variable aleatoria 𝑿𝑿.
Si 𝑅𝑅𝑋𝑋 es un conjunto finito o numerable decimos que 𝑋𝑋 es una variable aleatoria discreta.
Si 𝑅𝑅𝑋𝑋 es no numerable decimos que 𝑋𝑋 es una variable aleatoria continua.

Ejemplo 5.1.1

En el ejemplo 4.1.1 se determinó que el espacio muestra para el experimento de tirar una
moneda tres veces y observar la sucesión de caras y sellos es:
𝑆𝑆 = {(𝑐𝑐, 𝑐𝑐, 𝑐𝑐), (𝑐𝑐, 𝑠𝑠, 𝑐𝑐), (𝑐𝑐, 𝑐𝑐, 𝑠𝑠), (𝑐𝑐, 𝑐𝑐, 𝑠𝑠), (𝑐𝑐, 𝑠𝑠, 𝑠𝑠), (𝑠𝑠, 𝑐𝑐, 𝑠𝑠), (𝑠𝑠, 𝑠𝑠, 𝑐𝑐), (𝑠𝑠, 𝑠𝑠, 𝑠𝑠)}. Una variable
aleatoria que se puede definir 𝑋𝑋: 𝑆𝑆 → 𝑅𝑅 , donde 𝑋𝑋(𝑎𝑎) = 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 −
𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠. Tendríamos entonces que 𝑋𝑋�(𝑐𝑐, 𝑐𝑐, 𝑐𝑐)� = 3, mientras que 𝑋𝑋�(𝑐𝑐, 𝑠𝑠, 𝑠𝑠)� =
−1. El rango de esta variable aleatoria es 𝑅𝑅𝑋𝑋 = {−3, , −1,1,3} y por tanto es una variable
aleatoria discreta.

Ejemplo 5.1.2

En el ejemplo 4.1.4 se determinó que el espacio muestra para el experimento de poner a

dos niños a armar un rompecabezas de 25 piezas que se considera fácil de armar y que se
sabe que tardarán al menos cinco minutos y a lo más treinta minutos en armarlo y observar
el tiempo empleado por cada niño es 𝑆𝑆 = [5,30] × [5,30]. Una variable aleatoria que se
puede definir es 𝑌𝑌: 𝑆𝑆 → 𝑅𝑅 donde 𝑌𝑌(𝑥𝑥, 𝑦𝑦) = 𝑥𝑥 + 𝑦𝑦 , es decir la suma de los tiempos
empleados por cada niño. El rango de esta variable aleatoria es 𝑅𝑅𝑌𝑌 = [10,60] y entonces es
una variable aleatoria continua.
Ejemplo 5.1.3

Se realiza el experimento de tirar dos dados y observar los puntos obtenidos en cada
dado. El espacio muestra de este experimento sería 𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦)/1 ≤ 𝑥𝑥, 𝑦𝑦 ≤ 6, 𝑥𝑥, 𝑦𝑦 ∈
𝑁𝑁}. Se puede definir la variable aleatoria 𝑍𝑍: 𝑆𝑆 →R donde 𝑍𝑍(𝑥𝑥, 𝑦𝑦) = 𝑥𝑥 + 𝑦𝑦, el rango de
Z es 𝑅𝑅𝑍𝑍 = {2,3,4,5,6,7,8,9,10,11,12} y por tanto es una variable aleatoria discreta.

La utilidad de definir variables aleatorias, es que se pueden calcular probabilidades de

eventos en el espacio muestra a través del cálculo de probabilidades del evento
equivalente en el rango de la variable aleatoria. Es decir si A es un evento del espacio
muestra S, y 𝑋𝑋: 𝑆𝑆 → 𝑅𝑅 es una variable aleatoria 𝑃𝑃(𝐴𝐴) = 𝑃𝑃𝑋𝑋 (𝐵𝐵) donde B es un evento de
𝑅𝑅𝑋𝑋 tal que 𝐵𝐵 = 𝑋𝑋(𝐴𝐴) = {𝑋𝑋(𝑒𝑒)/𝑒𝑒 ∈ 𝐴𝐴}. Esto implica que estaremos calculando ahora,
probabilidades como 𝑝𝑝(𝑋𝑋 = 𝑎𝑎). La importancia de este desarrollo es que podemos
trabajar con funciones para el cálculo de probabilidades.

La pregunta a contestar es ¿cómo el concepto de variable aleatoria facilita el cálculo de

probabilidades? La variable aleatoria nos permite visualizar el espacio muestra de una
forma numérica, ya estando dentro de los números reales, podemos definir una función
que calcule la probabilidad de un evento, como la probabilidad del evento equivalente
en el rango de la variable aleatoria. Podemos reflejar este proceso en el siguiente
diagrama.

X(A) ℝℝ
X
A
f

P(A)

5.2 Función de Distribución de Probabilidad.

Una función de distribución de probabilidad o función de masa de probabilidad de

una variable aleatoria discreta X es una función 𝑓𝑓: 𝑅𝑅𝑋𝑋 → [0, ∞) tal que 𝑓𝑓(𝑥𝑥) = 𝑝𝑝(𝑋𝑋 =
𝑥𝑥), es decir que la función f asigna a cada elemento del rango de la variable aleatoria, la
probabilidad de que la variable aleatoria tome ese valor. Estas funciones deben cumplir
con las siguientes propiedades:

1. 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑓𝑓 ⊂ [0,1] dado que S está compuesto de un conjunto finito o numerable

de puntos y las probabilidades puntuales deben estar entre 0 y 1.
2. ∑𝑥𝑥∈𝑅𝑅𝑋𝑋 𝑓𝑓(𝑥𝑥) = 1, dado que 𝑝𝑝(𝑆𝑆) = 1.
Si f es una función de distribución de probabilidad para una variable aleatoria continua X,
con rango en el intervalo [𝐴𝐴, 𝐵𝐵], la sumatoria de 2 podría visualizarse en la siguiente figura.

Como podemos ver en este caso, la sumatoria de 2 corresponde a un área y por tanto
puede modelarse a través de una integral.
Entonces una función de distribución de probabilidad (fdp) o función de masa de
probabilidad (fmp) de una variable aleatoria continua X es una función 𝑓𝑓: 𝑅𝑅𝑋𝑋 → [0, ∞)
tal que
𝑏𝑏
1. 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = ∫𝑎𝑎 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 dado que el rango de X es unión de intervalos de la
recta numérica, por tanto la probabilidad se calcula como área bajo la función 𝑓𝑓(𝑥𝑥)
en ese intervalo.
2. 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 < 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 < 𝑋𝑋 ≤ 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 < 𝑋𝑋 < 𝑏𝑏)
∞
3. ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 1
4. 𝑝𝑝(𝑋𝑋 = 𝑥𝑥) = 0, dado que el área en un punto es cero.

Ejemplo 5.2.1

En el ejemplo 5.1.1 definimos la variable aleatoria definir 𝑋𝑋: 𝑆𝑆 → 𝑅𝑅 , donde 𝑋𝑋(𝑎𝑎) =

𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 − 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 para el experimento de tirar una moneda tres
veces y observar la sucesión de caras y sellos y encontramos que 𝑅𝑅𝑋𝑋 = {−3, , −1,1,3}. Para
encontrar la función de distribución de probabilidad X, debemos completar la siguiente
tabla:

x -3 -1 1 3
𝑓𝑓(𝑥𝑥) = 𝑝𝑝(𝑋𝑋 = 𝑥𝑥) 1/8 3/8 3/8 1/8

Porque cada uno de los elementos tiene una probabilidad de 1/8 y contamos los elementos
asociados a cada uno de los valores de x.
 Ejemplo 5.2.2

En el ejemplo 5.1.2 definimos la variable aleatoria Y, donde 𝑅𝑅𝑌𝑌 = [10,60]. Si su

suponemos que el tiempo total en armar el rompecabezas es homogéneo. La función de
distribución de probabilidad de Y es:
𝑘𝑘 𝑠𝑠𝑠𝑠 10 ≤ 𝑦𝑦 ≤ 60
𝑓𝑓(𝑦𝑦) = �
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

Debemos determinar el valor de k. Sabemos que el área bajo f debe ser uno.

60 60 1
∫10 𝑘𝑘𝑘𝑘𝑘𝑘 = 𝑘𝑘𝑘𝑘 � = (60𝑘𝑘 − 10𝑘𝑘) = 50𝑘𝑘 = 1, por tanto 𝑘𝑘 = 50
10

En este caso decimos que la función es una función de distribución de probabilidad

uniforme.
Ejemplo 5.2.3

En una Universidad se hizo un estudio sobre el número de días de la semana que los
estudiantes se desvelaban por motivos escolares. La función de distribución de probabilidad
está dada por
0 1 2 3 4 5 6 7
0.35 0.25 0.2 0.1 0.05 0.03 0.02 0

a) Calcular la probabilidad de que en una semana un estudiante se desvele al menos

tres días.
b) Calcular la probabilidad de que se desvele 6 días en la semana.

a) 𝑝𝑝(𝑑𝑑í𝑎𝑎𝑎𝑎 ≥ 3) = 𝑝𝑝(3) + 𝑝𝑝(4) + 𝑝𝑝(5) + 𝑝𝑝(6) + 𝑝𝑝(7) = 0.1 + 0.05 + 0.03 + 0.02 + 0 = 0.2
b) 𝑝𝑝(6) = 0.02

Ejemplo 5.2.4

El tiempo en horas (T), que tardan los estudiantes para contestar un examen diagnóstico de
ingreso a la Universidad con límite de tiempo de 1.5 horas, es una variable aleatoria
continua con función de distribución de probabilidad
𝑡𝑡
⎧0.9 + , 0.7 ≤ 𝑡𝑡 ≤ 1.5
⎪ 4
𝑓𝑓(𝑡𝑡) = 3
⎨ ,0 ≤ 𝑡𝑡 < 0.7
⎪ 35
⎩ 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

a) Compruebe que 𝑓𝑓(𝑡𝑡) es una función de distribución de probabilidad

b) Calcule la probabilidad de que un alumno tarde más de 1 hora en contestar el
examen.
a) Para comprobar que 𝑓𝑓(𝑡𝑡) es una función de distribución de probabilidad, dado que
∞
𝑓𝑓(𝑡𝑡) > 0, nos faltaría ver que ∫−∞ 𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑 = 1.
 ∞ 0.7
3 1.5
𝑡𝑡 3 0.7 𝑡𝑡 2 1.5
� 𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑 = � 𝑑𝑑𝑑𝑑 + � �0.9 + � 𝑑𝑑𝑑𝑑 = 𝑡𝑡|0 + �0.9𝑡𝑡 + � �
−∞ 0 35 0.7 4 35 8 0.7
3 1.52
= (0.7) + 0.9(1.5) + − 0.9(0.7) − 0.72 /8 = 1
35 8

b) 𝑝𝑝(𝑇𝑇 > 1) = ∫11.5 �0.9 + 4𝑡𝑡 � 𝑑𝑑𝑑𝑑 = 0.60625

5.3 Función de Distribución de Probabilidad Acumulada.

Como vimos en el capítulo 4, algunas veces queremos calcular la probabilidad acumulada

hasta un cierto punto. La Función de Distribución Acumulada (FDA) para una variable
aleatoria X, es la función 𝐹𝐹: ℛ𝑋𝑋 → [0,1], 𝐹𝐹(𝑥𝑥) = 𝑝𝑝(𝑋𝑋 ≤ 𝑥𝑥).
En caso de que X sea una variable aleatoria discreta, 𝐹𝐹(𝑥𝑥) = ∑𝑦𝑦≤𝑥𝑥 𝑓𝑓(𝑦𝑦), si X es una
𝑥𝑥
variable aleatoria continua, 𝐹𝐹(𝑥𝑥) = ∫−∞ 𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑, donde f es la función de distribución de
probabilidad de X.

Propiedades:

Si X es una variable aleatoria continua y F su función de distribución acumulada entonces

a) 𝐹𝐹´(𝑥𝑥) = 𝑓𝑓(𝑥𝑥)
b) 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = 𝐹𝐹(𝑏𝑏) − 𝐹𝐹(𝑎𝑎)
𝑑𝑑 𝑑𝑑 𝑥𝑥
a) Por el teorema fundamental del cálculo, 𝑑𝑑𝑑𝑑 𝐹𝐹(𝑥𝑥) = 𝑑𝑑𝑑𝑑 ∫−∞ 𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑 = 𝑓𝑓(𝑥𝑥). De
hecho en algunos libros al definir la función de distribución de probabilidad de una
variable aleatoria continua, lo hacen usando a).
𝑏𝑏 𝑏𝑏 𝑎𝑎
b) 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = ∫𝑎𝑎 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 𝐹𝐹(𝑏𝑏) − 𝐹𝐹(𝑎𝑎)

Ejemplo 5.3.1

Una encuesta del número de hijos que tiene una familia en una cierta cuidad tiene la
siguiente distribución de probabilidades:
Hijos 0 1 2 3 4 5 6
Probabilidad 0.06 .19 0.3 0.2 0.19 0.05 0.01
𝑓𝑓(𝑥𝑥)

Encuentra la función de distribución de probabilidad acumulada para el número de hijos.

Hijos 0 1 2 3 4 5 6
Probabilidad acumulada 𝐹𝐹(𝑥𝑥) 0.06 .25 0.55 0.75 0.94 0.99 1
Para calcular estas probabilidades el procedimiento es el siguiente:
𝐹𝐹(1) = 𝑝𝑝(𝑋𝑋 ≤ 1) = 𝑓𝑓(0) + 𝑓𝑓(1) = 0.06 + 0.19 = 0.25
𝐹𝐹(2) = 𝑝𝑝(𝑋𝑋 ≤ 2) = 𝑓𝑓(0) + 𝑓𝑓(1) + 𝑓𝑓(2) = 0.25 + 0.3 = 0.55
y así consecutivamente.

Ejemplo 5.3.2

𝜋𝜋/4
0 ≤ 𝑥𝑥 ≤ 1
Sea 𝑓𝑓(𝑥𝑥) = �𝑥𝑥 2+1 una función de densidad de probabilidad de la variable
0 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
aleatoria X.
a) Encuentra la función de distribución acumulada de la variable aleatoria X.
b) Calcula 𝑝𝑝(0.5 ≤ 𝑋𝑋 ≤ 2).
c) Calcula 𝑝𝑝(1 ≤ 𝑋𝑋 ≤ 2).
𝜋𝜋
𝑥𝑥 𝑥𝑥 𝜋𝜋 𝑥𝑥 𝜋𝜋
a) Para 0 ≤ 𝑥𝑥 ≤ 4, 𝐹𝐹(𝑥𝑥) = ∫−∞ 𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑 = 𝑑𝑑𝑑𝑑 = 4 𝑡𝑡𝑡𝑡−1 (𝑡𝑡)| = 4 (𝑡𝑡𝑡𝑡−1 (𝑥𝑥) −
∫0 𝑡𝑡 24+1 0
𝜋𝜋
𝑡𝑡𝑡𝑡−1 (0)) = 4 𝑡𝑡𝑡𝑡−1 (𝑥𝑥) . Entonces la función de distribución acumulada queda.

1, 𝑥𝑥 > 1
𝜋𝜋 −1
𝐹𝐹(𝑥𝑥) = � 𝑡𝑡𝑡𝑡 (𝑥𝑥), 0 ≤ 𝑥𝑥 ≤ 1
4
0 , 𝑥𝑥 < 0
Dado que la variable no está definida para las 𝑥𝑥 < 0 y para las 𝑥𝑥 > 1 debe ser 1, tomando
∞
en cuenta que ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 1.
b) 𝑝𝑝(0.5 ≤ 𝑋𝑋 ≤ 2) = 𝐹𝐹(2) − 𝐹𝐹(0.5) = 1 − 𝑡𝑡𝑡𝑡−1 (0.5) = 1 − .4636476 =
0.5363524
c) 𝑝𝑝(1 ≤ 𝑋𝑋 ≤ 2) = 𝐹𝐹(2) − 𝐹𝐹(1) = 0

5.4 Valor esperado y varianza de variables aleatorias

Una ventaja de la definición de variable aleatoria es que además de calcular probabilidades,

al reflejar numéricamente los valores del espacio muestra podemos calcular algunos
parámetros como la media y desviación estándar. Estos parámetros se calculan en forma
equivalente a los datos agrupados, donde en lugar de tomar en cuenta la frecuencia relativa
de la clase, se pondera de acuerdo a la probabilidad.

El valor esperado, esperanza matemática o media de una variable aleatoria discreta

X, denotada por 𝜇𝜇𝑋𝑋 , es 𝜇𝜇𝑋𝑋 = ∑𝑥𝑥∈ℛ𝑋𝑋 𝑥𝑥𝑥𝑥(𝑥𝑥).

El valor esperado, esperanza matemática o media de una variable aleatoria discreta

∞
X, denotada por 𝜇𝜇𝑋𝑋 , o por 𝐸𝐸(𝑋𝑋) es 𝐸𝐸(𝑋𝑋) = 𝜇𝜇𝑋𝑋 = ∫−∞ 𝑥𝑥𝑥𝑥(𝑥𝑥)𝑑𝑑𝑑𝑑.
Así como en estadística descriptiva definimos la desviación estándar de un conjunto de
datos para calcular en promedio cuánto se alejan los datos de la media, podemos hacer lo
mismo para las variables aleatorias.

La varianza de una variable aleatoria discreta X, denotada por 𝜎𝜎𝑋𝑋2 , es

𝑉𝑉(𝑋𝑋) = 𝜎𝜎𝑋𝑋2 = ∑𝑥𝑥∈ℛ𝑋𝑋 (𝑥𝑥 − 𝜇𝜇𝑋𝑋 )2 𝑓𝑓(𝑥𝑥).

La varianza de una variable aleatoria continua X, denotada por 𝜎𝜎𝑋𝑋2 , es

∞
𝑉𝑉(𝑋𝑋) = 𝜎𝜎𝑋𝑋2 = ∫−∞(𝑥𝑥 − 𝜇𝜇𝑋𝑋 )2 𝑓𝑓(𝑥𝑥).

Propiedades

a) 𝐸𝐸(𝑎𝑎𝑎𝑎 + 𝑏𝑏) = 𝑎𝑎𝑎𝑎(𝑋𝑋) + 𝑏𝑏

b) 𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏) = 𝑎𝑎2 𝑉𝑉(𝑋𝑋)
∑ 𝑥𝑥 2 𝑓𝑓(𝑥𝑥) − 𝜇𝜇𝑋𝑋2 𝑠𝑠𝑠𝑠 𝑋𝑋 es discreta
c) 𝑉𝑉(𝑋𝑋) = � ∞ 2
∫−∞ 𝑥𝑥 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − 𝜇𝜇𝑋𝑋2 𝑠𝑠𝑠𝑠 𝑋𝑋 es continua

a) Si X tiene función de distribución de probabilidad 𝑓𝑓(𝑥𝑥), entonces la función de

distribución de probabilidad 𝑓𝑓(𝑥𝑥) de la variable aleatoria 𝑎𝑎𝑎𝑎 + 𝑏𝑏 es la misma que la
de X, dado que la función 𝑎𝑎𝑎𝑎 + 𝑏𝑏 es uno a uno o inyectiva.

Por lo tanto si X es una variable aleatoria discreta, 𝜇𝜇 𝑎𝑎𝑎𝑎+𝑏𝑏 = ∑𝑥𝑥∈ℛ𝑋𝑋 (𝑎𝑎𝑎𝑎 + 𝑏𝑏)𝑓𝑓(𝑥𝑥) =
∑𝑥𝑥∈ℛ𝑋𝑋 𝑎𝑎𝑎𝑎𝑎𝑎(𝑥𝑥) + ∑𝑥𝑥∈ℛ𝑋𝑋 𝑏𝑏𝑏𝑏(𝑥𝑥) = 𝑎𝑎 ∑𝑥𝑥∈ℛ𝑋𝑋 𝑥𝑥𝑥𝑥(𝑥𝑥) + 𝑏𝑏 ∑𝑥𝑥∈ℛ𝑋𝑋 𝑓𝑓(𝑥𝑥) = 𝑎𝑎𝜇𝜇𝑋𝑋 + 𝑏𝑏 dado que
∑𝑥𝑥∈ℛ𝑋𝑋 𝑓𝑓(𝑥𝑥) = 1.

Si la variable aleatoria X es continua, el procedimiento es exactamente el mismo, pero

cambiando las sumatorias por una integral.

b) Como en el inciso a), la función de distribución de probabilidad de la variable

aleatoria 𝑎𝑎𝑎𝑎 + 𝑏𝑏 es la misma que la de X. Por tanto
∞
𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏) = ∫−∞((𝑎𝑎𝑎𝑎 + 𝑏𝑏) − 𝜇𝜇𝑎𝑎𝑎𝑎+𝑏𝑏 )2 𝑓𝑓(𝑥𝑥). Usando a), 𝜇𝜇𝑎𝑎𝑎𝑎+𝑏𝑏 = 𝑎𝑎𝜇𝜇𝑋𝑋 + 𝑏𝑏,
entonces
∞
𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏) = � ((𝑎𝑎𝑎𝑎 + 𝑏𝑏 − (𝑎𝑎𝜇𝜇𝑥𝑥 + 𝑏𝑏))2 𝑓𝑓(𝑥𝑥) 𝑑𝑑𝑑𝑑
−∞
∞
= � (𝑎𝑎𝑎𝑎 + 𝑏𝑏 − 𝑎𝑎𝜇𝜇𝑋𝑋 − 𝑏𝑏)2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑
−∞
∞ ∞
= � (𝑎𝑎(𝑥𝑥 − 𝜇𝜇𝑋𝑋 ))2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 𝑎𝑎 � (𝑥𝑥 − 𝜇𝜇𝑋𝑋 )2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 𝑎𝑎2 𝑉𝑉(𝑋𝑋)
2
−∞ −∞

c) La prueba es esencialmente la misma para variables aleatorias discretas que para las
continuas, lo haremos entonces para las continuas.
∞ ∞
� (𝑥𝑥 − 𝜇𝜇𝑋𝑋 )2 𝑓𝑓(𝑥𝑥) = � (𝑥𝑥 2 − 2𝑥𝑥𝜇𝜇𝑋𝑋 + 𝜇𝜇𝑋𝑋2 )𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 =
−∞ −∞
 ∞ ∞ ∞ ∞
2
� 𝑥𝑥 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − 2𝜇𝜇𝑥𝑥 � 𝑥𝑥𝑥𝑥(𝑥𝑥)𝑑𝑑𝑑𝑑 + 𝜇𝜇𝑋𝑋2 � 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = � 𝑥𝑥 2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − 2𝜇𝜇𝑥𝑥 (𝜇𝜇𝑋𝑋 ) + 𝜇𝜇𝑋𝑋2 =
−∞ −∞ −∞ −∞

∞
= ∫−∞ 𝑥𝑥 2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − 𝜇𝜇𝑋𝑋2 (usando la definición de media y las propiedades de función de
distribución de probabilidad de una variable aleatoria continua)

Teorema de Chebyshev (Desigualdad de Chebyshev)

Para cualquier distribución de probabilidad de una variable aleatoria 𝑋𝑋 y cualquier
constante 𝑘𝑘, la probabilidad de que 𝑋𝑋 quede al menos a 𝑘𝑘 desviaciones estándar de su
media es a lo más 1/𝑘𝑘 2 . Es decir 𝑝𝑝(|𝑋𝑋 − 𝜇𝜇| ≥ 𝑘𝑘𝑘𝑘) ≤ 1/𝑘𝑘 2 . Lo cual también nos lleva a
que la probabilidad de que 𝑋𝑋 quede dentro 𝑘𝑘 desviaciones estándar de su media es al
menos 1 − 1/𝑘𝑘 2 .
Ejemplo 5.4.1
Para las funciones de distribución de probabilidad presentada en el ejemplo 5.3.1 calcula
a) La media, la varianza y la desviación estándar del número de hijos.
b) Se considera que los gastos escolares y de alimentación mensuales de una familia
es quinientas veces el número de hijos más 1,850 pesos. Calcula el gasto promedio
y la desviación estándar del gasto en alimentos y escuelas de las familias.
c) Construya un intervalo alrededor de la media en el que se encuentre el gasto en
alimentos y escuelas del 80% de las familias.

Ejemplo 5.4.2
Para la función del ejemplo 5.2.4 calcule el valor esperado, la varianza, la desviación
estándar, la mediana y el cuartil 3.