Capı́tulo 3

Variables aleatorias

Los eventos de un espacio muestral pueden ser del tipo cualitativo o cuantitativo. Por
ejemplo:

Cualitativo: sı́/no, sol/águila, funciona/defectuosa, color de los ojos, la ubicación a una

hora determinada, el genero.

Cuantitativo: Suma de dos dados, cuańtos alumnos llegaron puntual, la altura de una
persona, el ingreso mensual, el tiempo de espera en cierto consultorio, el tiempo
entre una visita y otro a una página de internet.

En el caso de un espacio muestral del tipo cualitativo, se requiere la asignación de un

valor numérico a cada evento. Esta asignación recibe el nombre de variable aleatoria.
Sea Ω un espacio muestral sobre el cual se puede definir una función de probabilidad. Una
variable aleatoria X es una función real definida sobre el conjunto Ω, es decir, X : Ω → R.
La parte “aleatoria” de X se debe a la probabilidad de los resultados de Ω. Una variable
aleatoria nos permite relacionar cada evento con una medida numérica.

Ejemplo 3.0.1. Experimentos y variables aleatorias posibles.

1. Al lanzar un dado dos veces, podemos asignarle diferentes variables aleatorias

según lo que no interesa, suma de los puntos, el puntuaje mayor, la diferencia entre
los puntos del primer dado y el segundo, etc.

2. Lanzar una moneda. Se le puede asignar a la variable aleatoria que sea 0 en caso
de águila y 1 en caso de sol.

3. En la liga de fútbol, a cada equipo que juega un partido se le asigna 0 si pierde, 1

en caso de empate y 3 si gana.

39
40 CAPÍTULO 3. VARIABLES ALEATORIAS

4. Un buzo se sumerge al agua a buscar perlas. Se le puede asignar a la variable

aleatoria que sea la mayor profundidad, el tiempo que quede sumergido al agua, el
número de perlas que extrae, el peso mayor de una perla extraı́da.
En un experimento dado se pueden definir muchas variables aleatorias diferentes, aun-
que en algunos casos sólo nos interesa una parte de los resultados, por ejemplo.
Ejemplo 3.0.2. 1. En la bolsa de valores: nos interesa como cerró, no todas las varia-
ciones que se efectuaron.
2. En un almacén: nos interesa el stock al final del dı́a, o bien los artı́culos cuyo inven-
tario esta por debajo del stock mı́nimo.

3. El juego de cerillos, nos interesa el total de cerillos, no el número que puso cada
quien.
Ejemplo 3.0.3. Considera un partido de futbol. Los posibles resultados para el equipo de
casa son ganar, empate o perder. Sea X la variable aleatoria que representa los puntos
ganados según el resultado del partido. Entonces X = 0 si el equipo pierde, X = 1 si el
partido queda empatado y X = 3 si el equipo gana. Estiman que la probabilidad de que
equipo de casa gane es 0.4, que empate es de 0.2 y que pierda es de 0.4. Comprueba que
la variable aleatoria X cumpla los Axiomas de Probabilidad.
Solución:
Los datos del ejercicio nos asegura que

P(X = 0) = 0.4 P(X = 1) = 0.2 P(X = 3) = 0.4

El valor de probabilidad de cada valor de X es un número entre 0 y 1. Falta comprobar

que la suma de la probabilidad de los valor de X es, en efecto, igual a 1.
1
∑ P(X = i) = 0.4 + 0.2 + 0.4 = 1
i∈{0,1,3}

Ejemplo 3.0.4. Considera la variable aleatoria cuantitativa que mide el número de es-
tudiantes de un curso de primer trimestre con inasistencias i. Ver el cuadro 3.1. En la
columna “inasistencia i” aparecen el número de inasistencias que hubo durante el trimes-
tre, en la columna “frecuencia xi ” aparece el número de alumnos que tienen i faltas. Si
sumamos todos los alumnos tenemos un total de 40 alumnos. Los valores de la columna
“frecuencia relativa f (xi )” se obtienen dividiendo la frecuencia xi entre el total de alum-
nos, es decir,
xi
f (xi ) = .
40
3.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS 41

Finalmente los valores en última columna ”frecuencia relativa %” se obtienen convirtien-

do los valores de la columna frecuencia relativa en porcentajes (en lugar de números
decimales).

Cuadro 3.1: Tabla de frecuencia de alumnos con i inasistencias.

Inasistencias Frecuencia F. relativa F. relativa

i xi f (xi ) %
0 1 0.025 2.5 %
1 2 0.05 5.0 %
2 3 0.075 7.5 %
3 3 0.075 7.5 %
4 8 0.2 20.0 %
5 8 0.2 20.0 %
6 5 0.125 12.5 %
7 4 0.1 10.0 %
8 2 0.05 5.0 %
9 3 0.075 7.5 %
10 1 0.025 2.5 %
Total 40 1 100.0 %

3.1. Distribuciones de variables aleatorias discretas

Considera una variable aleatoria X con espacio muestral Ω. Podemos definir una fun-
ción (discreta o continua según el caso) f : X → [0, 1] que en el caso discreto le asigna a
cada valor de la variable aleatoria X la probabilidad de que la variable aleatoria tome este
valor y en el caso continuo le asigna a cada intervalo de la variable aleatoria X la proba-
bilidad de que la variable aleatoria tome un valor en tal intervalo. Esta función se llama
función de probabilidad de la variable aleatoria X . El conjunto de todos los valores de una
variable aleatoria junto con su función de probabilidad es la distribución de probabilidad
de la variable aleatoria X .
Una variable aleatoria X es discreta si los valores que puede tomar X no contienen
un intervalo abierto, es decir, el conjunto de valores que puede tomar (también llamado el
rango de X ) X es un conjunto numerable. Por ejemplo la edad en años, el color de ojos, o
el número de idiomas que dominan. Una variable aleatoria cuyo rango es un conjunto no
42 CAPÍTULO 3. VARIABLES ALEATORIAS

numerable es una variable aleatoria continua. En este material vamos a enfocarnos en las
variables aleatorias discretas.
Si la variable aleatoria es distreta, su función de probabilidad debe satisfacer las
siguientes propiedades:
1. 0 ≤ f (x) ≤ 1,
2. ∑x∈X f (x) = 1.
Ejemplo 3.1.1. Considera la variable aleatoria X , y su función de probabilidad f (x).
Grafica la función de probabilidad y determina P(X ≥ 1), P(X = 1) y P(X = 3) = 0.
⎧
⎪
⎪ 0.2 si x = 1;
⎨
0.4 si x = 2;
f (x) =
⎪
⎪ 0.4 si x = 3;
⎩
0 en otro caso.
Solución:
Primero graficamos la función de probabilidad f (x) en la figura 3.1.1

0.4

0.2

0
0 1 2 3
Figura 3.1: La gráfica de la función de probabilidad f (x) del ejemplo 3.1.1.

Usando la función de probabilidad, podemos determinar que P(X ≥ 1) = P(X = 0) +

P(X = 1) = 0.6 y P(X = 1) = 0.4, mientras que P(X = 3) = 0.
Ejemplo 3.1.2. Considera la variable aleatoria X cuyos valores son {0, 2, 4}. Determina
el valor de k para que f (x) sea una función de probabilidad de X y graficala.
⎧
⎪
⎪ 0.25 si x = 0;
⎨
0.3 si x = 2;
f (x) =
⎪
⎪ k si x = 4;
⎩
0 en otro caso.

Solución:
Por las propiedades de una función de probabilidad 0 ≤ k ≤ 1 y como X es discreta,
3.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS 43

entonces ∑x=0,2,4 f (x) = 1 por lo que 0.25 +0.3 +k = 1. En este caso podemos determinar
el valor de k para que f (x) sea la función de probabilidad de la variable aleatoria X , ya
que f (x) debe satisfacer el inciso 2 de la definición de función de probabilidad, despejando
a k tenemos que k = 0.45. Graficamos la función de probabilidad f (x) en la figura 3.1.2.

0.4

0.2

0
0 1 2 3 4
Figura 3.2: La gráfica de la función de probabilidad f (x) del ejemplo 3.1.2.

A menudo nos interesa responder a preguntas como ¿cuál es la probabilidad de que la

variable aleatoria sea a lo mas x0 ? es decir P(X ≤ x0 ), para este tipo de preguntas usamos
el concepto de probabilidad acumulada. La función de probabilidad acumulada F(x) de
una variable aleatoria discreta se define como F(x0 ) = P(X ≤ x0 ), y debe satisfacer las
siguientes dos propiedades.
1. 0 ≤ F(x) ≤ 1,
2. F(x0 ) = P(X ≤ x0 ) = ∑x≤x0 f (x).
Ejemplo 3.1.3. Considera el ejemplo 3.0.4, donde una variable aleatoria cuantitativa
mide el número de estudiantes de un curso de primer trimestre con inasistencias i. En el
cuadro 3.2 extendemos el cuadro 3.1 del ejemplo 3.0.4, para que incluya la frecuencia
acumulada y la frecuencia relativa acumulada F(xi ).
Ejemplo 3.1.4. Un ejemplo clásico para variables aleatorias discretas es la suma de los
puntos en dos lanzamientos de un dado. Si tiramos muchas veces dos dados y registramos
los resultados, podemos esperar que la proporción de veces que X = i se parece mucho
a P(X = i), pero también podemos usar técnicas de conteo para conocer la probabilidad
teórica. Construimos una tabla con las probabilidades teóricas.
Sea X la variable aleatoria discreta que representa la suma de los puntos de dos dados.
La siguiente función es la función de probabilidad de X es:
⎧
6 − |7 − x|
⎪
⎨ si x = 2, 3, . . ., 12;
f (x) = 36
⎪
⎩
0 en otro caso.
44 CAPÍTULO 3. VARIABLES ALEATORIAS

Cuadro 3.2: Tabla de frecuencia de alumnos con i inasistencias.

Inasistencias Frecuencia F. acumulada F. relativa F. relativa F. relativa

j=i
i xi ∑i=0 x j f r(xi ) % acumulada F(xi )
0 1 1 0.025 2.5 % 0.025
1 2 3 0.05 5.0 % 0.075
2 3 6 0.075 7.5 % 0.15
3 3 9 0.075 7.5 % 0.225
4 8 17 0.2 20.0 % 0.425
5 8 25 0.2 20.0 % 0.625
6 5 30 0.125 12.5 % 0.75
7 4 34 0.1 10.0 % 0.85
8 2 36 0.05 5.0 % 0.90
9 3 39 0.075 7.5 % 0.975
10 1 40 0.025 2.5 % 1
Total 40 1 100.0 %

0.20

0.15

0.10

0.05

0
0 1 2 3 4 5 6 7 8 9 10
Figura 3.3: La gráfica de inasistencia

Vamos a comprobar que f (x) es una función de probabilidad, determinar la función de

probabilidad acumulada ası́ como la probabilidad de que la suma sea a lo mas 4, la
probabilidad de que la suma sea al menos 6 y la probabilidad de que la suma esté entre 4
y 7.
3.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS 45

1.0

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5 6 7 8 9 10
Figura 3.4: La gráfica de inasistencia acumulada

Cuadro 3.3: Tabla de frecuencia suma de puntos al lanzar un dado dos veces.

Suma frecuencia F. acumulada f. relativa f. relativa F. relativa

i xi F(xi ) f r(xi ) % acumulada
2 1 1 1/36 2.77 % 0.0277
3 2 3 2/36 0.0555 0.0833
4 3 6 3/36 0.0833 0.1666
5 4 10 4/36 0.1111 0.2777
6 5 15 5/36 0.1388 0.4166
7 6 21 6/36 0.1666 0.5833
8 5 26 5/36 0.1388 0.722
9 4 30 4/36 0.1111 0.833
10 3 33 3/36 0.0833 0.9166
11 2 35 2/36 0.0555 0.9722
12 1 36 1/36 0.0277 1
Total 36 1 1

La distribución de probabilidad acumulada está completamente determinada por la

función de distribución, el valor de F(x0 ) en cada número x0 es la probabilidad de que la
variable aleatoria sea menor o igual que x0 .
46 CAPÍTULO 3. VARIABLES ALEATORIAS

0.15

0.10

0.05

0
0 1 2 3 4 5 6 7 8 9 10 11 12
Figura 3.5: La gráfica de suma de dos dados

1.0

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5 6 7 8 9 10 11 12
Figura 3.6: La gráfica acumulada de suma de dos dados

3.2. Medidas de centralidad

3.2.1. Valor esperado
La esperanza (o valor esperado) de una variable aleatoria X es una medida numérica
de tendencia central. La esperanza es un promedio ponderado, que refleja el resultado
promedio después de haber realizado un mismo experimento muchas veces.

E[X ] = ∑ P(X = xi). (3.1)

xi ∈X

La esperanza surge de la inquietud en juegos de ¿Cuánto voy a ganar? pero puede ser
¿Cuánto tiempo voy a vivir? ¿Qué calificación voy a obtener? ¿A qué edad voy a tener mi
primer hijo? ¿Cuántos hijos voy a tener? etc.
3.2. MEDIDAS DE CENTRALIDAD 47

Ejemplo 3.2.1. Si apuestas 1 peso en una ruleta, entonces ganas 35 pesos o pierdes 1
peso. Una ruleta tiene 38 casillas: 00, 0, 1, 2, . . ., 36. Sea G la variable aleatoria que mide
la ganancia. Si juegas una sóla vez puedes esperar ganar
% & % &
1 37
E[G] = 35 −1 = −0.0526.
38 38
Es decir, si juegas una sóla vez puedes esperar perder 5.26 centavos. Una pregunta natural
serı́a ¿Qué puedo esperar si juego 100 rondas, 1 000 rondas o 100 000 rondas?
Ejemplo 3.2.2. Vas a lanzar una moneda a lo mas 3 veces o hasta que salga “sol”. Si
sale sol el la primera tirada ganas $2; si sale sol el la segunda tirada ganas $4; si sale sol
el la tercera tirada ganas $8; si no sale sol en ninguna de las tres tiradas, pierdes -$20.
¿Cuál es la ganancia esperanza del juego?
Solución:
Sea X la variable aleatoria discreta que mide la ganancia. X puede tomar valores del
siguiente conjunto
X = {2, 4, 8, −20}.
Es decir, X = 2 significa que salió sol en la primera tirada; X = 4 significa que la primera
tirada salió águila y en la segunda tirada salió sol; X = 8 significa que las primeras dos
tiradas salió águila y en la tercera tirada salió sol; si no salió sol en ninguna de las tres
tiras, entonces X = −20. Como los resultado al lanzar una moneda son independientes y
cada evento tiene probabilidad 1/2, entonces P(X = i) = (1/2)i.
E[X ] = 2P(X = 2) + 4P(X = 4) + 8P(X = 8) − 20P(X = −20)
= 2(1/2) + 4(1/2)(1/2) + 8(1/2)3 − 20(1/2)3
= 1 + 1 + 1 − 20/8 = 1/2.
La ganancia esperada es igual a $0.5.
Es importante observar que el valor esperado en los ejemplos 3.2.1 y 3.2.2 no es un
valor que puede tomar la variable aleatoria X .
Ejemplo 3.2.3. Considera la siguiente variable aleatoria X = {0, 1, 2, 3} que mide el
número de imperfecciones en cierto tipo de alambre. La función de probabilidad de X es

P(X = 0) = 0.48, P(X = 1) = 0.39, P(X = 2) = 0.12, P(X = 3) = 0.05

Solución:
La esperanza de X se calcula

E[X ] = 0(0.48) + 1(0.39) + 2(0.12) + 3(0.05) = 0.66

48 CAPÍTULO 3. VARIABLES ALEATORIAS

Ejemplo 3.2.4. Considera el ejemplo de tirar dos dados con la variable aleatoria X que
representa la suma de los puntos de los dados. ¿Cuál es el valor esperado de X ?
Solución:
La variable aleatoria X puede tomar los valores 2, 3, . . ., 12 y |Ω| = 36. Usamos la tabla
3.3 del ejemplo 3.1.4 Usamos la ecuación (3.1) para calcular el valor esperado de la suma
de los dados
E[X ] = 2P(X = 2) + 3P(X = 3) + · · · + 7P(X = 7) + 8P(X = 8) + · · · + 12P(X = 12)
% & % & % & % & % & % &
1 2 3 6 5 1
= 2 +3 +4 +···+7 +8 + 12
36 36 36 36 36 36

1 252
= (2 + 6 + 12 + 20 + 30 + 42 + 40 + 39 + 30 + 22 + 12) = = 7.
36 36
Podemos esperar que (si tiramos dos dados muchas veces) el promedio de la suma de los
puntos es 7.

Ejemplo 3.2.5. Una compañı́a de seguros venden un seguro de vida. Ellos esperan tener
como ganancia 1 % de las sumas aseguradas pagadas. ¿Cuánto deben cobrar de prima
a una persona cuya suma asegurada es de 2 millones de pesos si su probabilidad de
sobrevivir el proximo año es 0.98?
Solución:
La compañı́a quiere ganar 1 % de la suma asegurada, 0.01 · 2, 000, 000 = 20, 000, es de-
cir quieren ganar 20, 000 pesos. Sea A la prima anual que va a cobrar la compañı́a de
seguros. Sea G la variable aleatoria que representa la ganancia de la compañı́a.
'
A si la persona vive;
G=
A − 2, 000, 000 si la persona muere.

20, 000 = E[X ] = AP(V ) + (A − 2, 000, 000)P(M)

= A(0.98) + (A − 2, 000, 000)(1 − 0.98)
= A − 40, 000.
Por lo que A = 60, 000 y la compañı́a de seguros debe cobrar una prima anual de
60, 000 pesos.

Sea X una variable aleatoria discreta y sea g : X → Y una función. La esperanza de

g(X ) se defino como:
E[g(X )] = ∑ g(xi )P(X = xi ).
xi ∈X
3.2. MEDIDAS DE CENTRALIDAD 49

Proposición 3.2.1. Sea X una variable aleatoria y sea c ∈ R. Entonces

1. E[c] = c.

2. E[cX ] = cE[X ].

3. E[c + X ] = c + E[X ].

4. E[g(X ) + h(X )] = E[g(X )] + E[h(X )].

Demostración. Sea X una variable aleatoria discreta. Recordamos la definición de espe-
ranza: E[X ] = ∑xi ∈X xi P(X = xi ).

1. E[c] = ∑xi ∈X cP(X = xi ) = c ∑xi ∈X P(X = xi ) = c.

2. E[cX ] = ∑xi ∈X cxi P(X = xi ) = c ∑xi ∈X xi P(X = xi ) = cE[X ].

3. E[c + X ] = ∑xi ∈X (c + xi )P(X = xi ) = ∑xi ∈X cP(X = xi ) + ∑xi ∈X xi P(X = xi )

= c ∑xi ∈X P(X = xi ) + E[X ] = c + E[X ]

4. E[ f (X ) + g(X )] = ∑xi ∈X ( f (xi ) + g(xi ))P(X = xi )

= ∑xi ∈X f (xi )P(X = xi ) + ∑xi ∈X g(xi )P(X = xi )

= E[g(X )] + E[h(X )].

!

3.2.2. Medidas de localización

Hay diferentes medidas que nos sirven para describir y analizar una función de proba-
bilidad, se dividen en medidas de localización (medidas centrales) y medidas de variación
(medidas de dispersión). Las medidas centrales más conocidas son: la media, la mediana
y la moda, percentiles, deciles y cuartiles.
Sea X una variable aleatoria. La media de X es el promedio ponderado, o bien la
esperanza o valor esperado de X visto en la sección 3.2.1. La mediana es el x0,5 ∈ X que
divide la función de probabilidad en dos partes iguales o bien el valor que se encuentra
justo en la mitad de los datos. Formalmente la mediana x0.5 de una variable aleatoria
discreta X se define como

P(X < x0.5 ) ≤ 0.5 y P(X ≤ x0.5 ) ≥ 0.5. (3.2)

50 CAPÍTULO 3. VARIABLES ALEATORIAS

Si el rango de X es finito y el número de datos es par, la mediana es el promedio de los dos

valores que se encuentra en medio.
Si la mediana es mayor que la media entonces el coeficiente de simetrı́a es negativo
(− ∩) y si la media es mayor que la mediana, el coeficiente de simetrı́a es positivo (∩ +).
Figura
La moda de X es el valor que maximiza la función de probabilidad, es decir el valor que
más se repite. Es importante mencionar que un conjunto de datos puede tener más de una
moda o ninguna. Si la distribución tiene una sola moda diremos que es unimodal, y si
tiene mas de una moda diremos que es multimodal.
Los percentiles, deciles y cuartiles dividen el conjunto de los datos en cien, diez y
cuatro partes respectivamente de modo que cada parte tiene la misma probabilidad:
Los percentiles dividen los datos en cien partes, obteniendo ası́ la ubicación exacta de
xi ∈ X donde se tiene acumulado el i-ésimo porciento de los datos. Ası́, el primer percentil
es donde se tiene acumulado el 1 % de los datos, el segundo percentil es donde se tiene
acumulado el 2 % de los datos, el vigesimo-noveno percentil es donde se tiene acumulado
el 29 %, etc.
Los deciles dividen los datos en diez partes, obteniendo ası́ la ubicación exacta de
xi ∈ X donde se tiene acumulado el i · 10-ésimo porciento de los datos. Ası́, el primer
decil es donde se tiene acumulado el 10 % de los datos, el segundo decil es donde se tiene
acumulado el 20 % de los datos, el noveno decil es donde se tiene acumulado el 90 %.
Los cuartiles dividen los datos en cuatro partes, obteniendo ası́ la ubicación exacta de
xi ∈ X donde se tiene acumulado el 25i-ésimo porciento de los datos. Ası́, el primer cuartil
es donde se tiene acumulado el 25 % de los datos, el segundo cuartil es donde se tiene
acumulado el 50 % de los datos, el tercer cuartil es donde se tiene acumulado el 75 %. Los
percentiles, deciles y cuartiles se engloban bajo el nombre de cuantiles.
Formalmente, para una variable aleatoria discreta X , el valor cuantil xα de orden α ,
con 0 < α < 1, se define como el valor de xα ∈ X tal que
P(X < xα ) ≤ α y P(X ≤ xα ) ≥ α . (3.3)
Observa que la mediana es el segundo cuartil, quinto decil y cincuentavo percentil.
Ejemplo 3.2.6. En el cuadro 3.4 se encuentra el tiempo de transporte para llegar a la
UAM de cada alumno de Probabilidad 1 durante el trimestre 19O. Encuentra los cuartiles
y el primer y el noveno decil.
Solución:
Aplicamos las formulas de la ecuación (3.3).
P(X < 10) ≤ 0.10 y P(X ≤ 10) ̸≥ 0.10, pero P(X < 13) ≤ 0.10 y P(X ≤ 13) ≥ 0.10.
Por lo tanto x0.10 = 13
3.2. MEDIDAS DE CENTRALIDAD 51

Cuadro 3.4: Tiempo de transporte de los alumnos de Probabilidad 1, trimestre 19P.

Tiempo 7 10 13 15 20 25 30 40 50 60 70 75 80 90 105 120

Frecuencia 1 2 1 4 1 1 2 1 1 4 2 1 1 2 1 6

El recorrido interdecil es la diferencia entre el noveno decil y el primer decil, es decir,

el recorrido interdecil es la brecha entre el noveno decil y el primer decil, mientras que el
recorrido intercuartil es la diferencia entre el tercer cuartil y el primer cuartil. Tanto el
recorrido interdecil como el recorrido intercuartil son medidas de variación que no se ven
afectadas por valores atı́picos de la distribución. El recorrido interdecil es la brecha que
contiene el 80 % de la distribución que se encuentra “en medio” o alrededor de la media,
mientras que el recorrido intercuartil es la brecha que contiene el 50 % de la distribución
que se encuentra “en medio” o alrededor de la media. El recorrido interdecil se utiliza por
ejemplo en pruebas educativas, para que los valores mas alejados de la media no interfieran
con el resultado, siempre habrán estudiantes a los que se les facilita y a los otros que se les
dificulta. El recorrido intercuartil se utiliza por ejemplo en economı́a, finanzas e ingenierı́a.
Para el caso particular, cuando los valores de la variable aleatoria X son equiproba-
bles y X = {1, 2, . . ., n}, es muy sencillo obtener los percentiles, deciles o cuartiles. Basta
utilizar la siguiente fórmula, donde p es el porcentaje correspondiente.
p
i= n,
100
pero en general se debe considerar la ecuación (3.3)
Ejemplo 3.2.7. Registraron cuántas personas llegaron a comer durante una semana a la
“fondita de doña Mari”.

Dı́a 1 2 3 4 5 6 7
Número de visitantes 12 15 21 24 38 26 7

Sea X la variable aleatoria que representa el número del dı́a y sea Y la variable aleato-
ria que representa el número de visitantes. Para cada variable aleatoria calcula el primer
y tercer cuartil. Compara los resultados y explica que significa los cuartiles para cada
variable aleatoria.
Solución:
Tanto la variable aleatoria X como la variable aleatoria Y son discretas, para el primer
cuartil tenemos que α = 0.25 y para el tercer cuartil tenemos que α = 0.75.
52 CAPÍTULO 3. VARIABLES ALEATORIAS

Primero respondemos para la variable aleatoria discreta X . Por la ecuación (3.3), el

valor x0.25 debe cumplir que

P(X < x0.25 ) ≤ 0.25 y P(X ≤ x0.25 ) ≥ 0.25

Como P(X < 2) = 1/7 ≤ 0.25 y P(X ≤ 2) = 2/7 ≥ 0.25, entonces x0.25 = 2. Lo cual
significa que el dı́a 2 representa el 25 % de los dı́as en los que el restaurante recibió gente.
Para ese dı́a habı́an llegado 27 visitantes.
Por la ecuación (3.3), el valor x0.75 debe cumplir que

P(X < x0.75 ) ≤ 0.75 y P(X ≤ x0.75 ) ≥ 0.75

Como P(X < 6) = 5/7 ≤ 0.75 y P(X ≤ 6) = 6/7 ≥ 0.75, entonces x0.75 = 6. Lo cual
significa que el dı́a 6 representa el 75 % de los dı́as en los que el restaurante recibió gente,
es decir para ese dı́a habı́an ingresado 110 visitantes.
Ahora consideramos la variable aleatoria Y . En total durante los 7 dı́as vinieron 143
visitantes. Por la ecuación (3.3), el valor y0.25 debe cumplir que

P(Y < y0.25 ) ≤ 0.25 y P(Y ≤ y0.25 ) ≥ 0.25

Como P(Y < 36) = 35/143 ≤ 0.25 y P(Y ≤ 36) = 36/143 ≥ 0.25, entonces y0.25 = 36.
Lo cual significa que 36 visitantes representan el 25 % del total de visitas que recibió el
restaurante, lo cual sucedió el dı́a 3.
Por la ecuación (3.3), el valor y0.75 debe cumplir que

P(Y < y0.75 ) ≤ 0.75 y P(Y ≤ y0.75 ) ≥ 0.75

Como P(Y < 108) = 107/143 ≤ 0.75 y P(Y ≤ 108) = 107/143 ≥ 0.75, entonces y0.75 =
108. Lo cual significa que 108 visitantes representan el 75 % del total de visitas que recibió
el restaurante, lo cual sucedió el dı́a 5.
Ejemplo 3.2.8. Considera el ejemplo 3.1.3 acerca del número de alumnos con inasis-
tencia i. Determina el primer y el tercer cuartı́l ası́ como recorrido intercuartı́l. Además
determina el primer y el noveno decı́il, recorrido interdecı́l.
Solución:
Usando los datos de la frecuencia relativa acumulada de la tabla 3.2 y la ecuación (3.3),
podemos observar que:
Como P(X ≤ 3) = 0.225 y P(X ≤ 4) = 0.425, entonces el primer cuartil es x0.25 = 4.
Como P(X ≤ 5) = 0.625 y P(X ≤ 6) = 0.75, entonces el tercer cuartil es x0.75 = 6.
Es decir, menos del 25 % de los alumnos tienen a lo más 3 inasistencias y el 25 % tiene
a lo mas 4 inasistencias, y menos del 75 % de los alumnos tienen a lo más 5 inasistencias y
3.2. MEDIDAS DE CENTRALIDAD 53

el 75 % tiene a lo mas 6 inasistencias. El recorrido intercuartil es x0.75 − x0.25 = 6 − 4 = 2,

es decir que el 50 % del centro caen en un intervalo de longitud 2.
Como P(X ≤ 1) = 0.075 y P(X ≤ 2) = 0.15, entonces el primer decil es x0.1 = 2.
Como P(X ≤ 7) = 0.85 y P(X ≤ 8) = 0.90, entonces el noveno decil es x0.9 = 8.
Es decir, menos del 10 % de los alumnos tienen a lo más 1 inasistencia y el 10 % tiene
a lo mas 2 inasistencias, y menos del 90 % de los alumnos tienen a lo más 7 inasistencias
y el 90 % tiene a lo mas 8 inasistencias. El recorrido interdecil es x0.9 − x0.1 = 8 − 2 = 6,
es decir, que el 80 % del centro caen en un intervalo de longitud 6.

3.2.3. Medidas de variación

Las medidas variación más comunes son la varianza, la desviación estandar y el coe-
ficiente de variación. Para motivar el concepto de varianza, vemos primero un ejemplo.
Ejemplo 3.2.9. Considera las siguientes tres variables aleatorias .

U = 0 con probabilidad 1
'
−10 con probabilidad 0.5;
V =
10 con probabilidad 0.5.
⎧
⎨ −100 con probabilidad 0.5;
W = 75 con probabilidad 0.4;
⎩
200 con probabilidad 0.1.

Las tres variables aleatorias tienen esperanza igual a cero. Pero la variable aleatoria
W tienen valores mas alejados de la esperanza, mientras que los valores de la variable
aleatoria U coinciden con la esperanza.
Necesitamos una medida que mida que tan alejados podemos esperar los valores de la
variable aleatoria X con respecto a su valor esperado, pero en lugar de considerar |X − µ |
resulta mas conveniente considerar (X − µ )2 , donde µX o simplemente µ es la esperanza
de X . Es decir µX = E[X ].
La varianza de una variable aleatoria X es una medida numérica de tendencia de
disperción, mide el error cuadrático de los valores de X con respecto a la media µX . La
varianza mide qué tan alejados podemos esperar los valores de la variable aleatoria X con
respecto a su valor esperado.
Sea X una variable aleatoria. La varianza de X se define como

Var(X ) = E[(X − µ )2 ]. (3.4)

54 CAPÍTULO 3. VARIABLES ALEATORIAS

Ejemplo 3.2.10. Calcula la varianza de las variables aleatorias del ejemplo 3.2.9
Ejemplo 3.2.11. Calcula la varianza del ejemplo 3.2.4
Ejemplo 3.2.12. Tu amigo Alejandro entra a un nuevo trabajo donde tiene que elegir
uno de los dos planes diferentes que determinan el número de semanas que tendrá de
vacaciones al año. Las dos variables aleatorias X y Y representan el número de semanas
de vacaciones de los dos planes diferentes.
⎧
⎨ 0 semanas con probabilidad 0.4;
X = 1 semanas con probabilidad 0.2;
⎩
2 semanas con probabilidad 0.4.
⎧
⎨ 0 semanas con probabilidad 0.3;
Y = 1 semanas con probabilidad 0.4;
⎩
2 semanas con probabilidad 0.3.
Alejandro te pide consejo acerca de que plan elegir. De primera impresión ¿qué opción te
parece mejor y por que? Calcula y compara la varianza de las variable aleatoria X y Y .
¿Qué opción te parece mejor en términos de la varianza?
Solución:

µX = 1, Var(X ) = 0.8, σX = 0.89

µY = 1, Var(Y ) = 0.6, σY = 0.77
Usando las propiedades de la esperanza de X podemos encontrar la siguiente fórmula
para el cálculo de la varianza.
Proposición 3.2.2. Sea X una variable aleatoria con media µ . Entonces

Var(X ) = E[X 2] − µ 2 (3.5)

Demostración. Usando la ecuación (3.4),

Var(X ) = E[(X − µ )2 ] = E[(X 2 − 2X µ + µ 2 )]
= E[X 2] − 2µ E[X ] + µ 2 = E[X 2 ] − 2µ 2 + µ 2
= E[X 2] − µ 2 .
!
La varianza de una variable aleatoria X también se denota σX2 , donde σX es la desvia-
ción estandar de la variable aleatoria X .
3.2. MEDIDAS DE CENTRALIDAD 55

Ejemplo 3.2.13. Considera los datos del ejemplo 3.2.5

Ejemplo 3.2.14. Considera los datos del ejemplo 3.2.3

Ejemplo 3.2.15. Considera los datos del ejemplo 3.2.4

Proposición 3.2.3. Sea X una variable aleatoria y sea c ∈ R. Entonces

1. Var(cX ) = c2Var(X )

2. Var(c + X ) = Var(X ).

Demostración. Sea X una variable aleatoria discreta. Por la definición de varianza (ecua-
ción (3.4)):
Var(X ) = E[(X − µ )2 ].

1. Var(cX ) = E[(cX − cµ )2 ] = E[c2 (X − µ )2 ] = c2 E[(X − µ )2 ] = c2Var(X ).

2. Var(c + X ) = E[((c + X ) − (c + µ ))2] = E[(X − µ )2 ] = Var(X ).

Ejemplo 3.2.16. La ganancia anual de cierto cantante es una variable aleatoria con valor
esperado 4 milones de pesos y desviación estandar de 800 mil pesos. El representante gana
15 % de las ganancias del cantante. ¿Cuál es la esperanza y la desviación estandar de las
ganancias del representante?
Solución:
Sea X la variable aleatoria que mide las ganancias del cantante y sea Y la variable alea-
toria que mide las ganancias del representante. Entonces Y = 0.15X . Para calcular la
media, la varianza y la desviación estandar de Y usamos las proposiciones 3.2.1 y 3.2.3.
E[0.15X ] = 0.15E[X ] = 0.15(4 000 000) = 600 000;
Var(0.15X ) =((0.15)2Var(X ) =√(0.15)2(800 000) = 18 000;
σ (0.15X ) = Var(0.15X ) = 18 000 = 134.1641.

Como consecuencia directa de la definición de desviación estandar y la proposición

3.2.3, tenemos la siguiente proposición.

Proposición 3.2.4. Sea X una variable aleatoria y sea c ∈ R. Entonces

1. σcX = c2 σX

2. σc+X = σX .
56 CAPÍTULO 3. VARIABLES ALEATORIAS

La desviación media D.M. de una variable aleatoria X es una medida de variación que
mide el valor esperado de las distancias entre la media y los valores de la variable aleatoria
X
D.M : (X ) = E[|X − µ |] = ∑ |x − µ |p(x).
x∈X
Es importante observar que la varianza de una variable aleatoria mide el error cuadráti-
co de los valores de la variable aleatoria X con respecto a la media µX , por lo que no
corresponde al promedio (ponderado por la probabilidad) de las distancias entre la media
y los valores de la variable aleatoria X , y aunque la desviación media sı́ corresponde al
promedio (ponderado por la probabilidad) de las distancias entre la media y los valores
de la variable aleatoria X , esta medida se utiliza relativamente poco por que es poco sen-
sible a valores atı́picos muy alejados de la media. En este aspecto la desviación estandar
σ resulta mas adecuada ya que es mas sensible a los valores atı́picos y de alguna manera
hay una relación mas cercana al promedio de las distancias entre la media y los valores
de la variable aleatoria X , aunque no coinciden. Una ventaja de la desviación estandar con
respecto a la varianza es que la desviación estandar y la media µ tienen la misma unidad
y es menos sensible a los cambios de escala que la varianza.
Para una variable aleatoria X que tiene media µX distinto a cero, se define el coeficiente
de variación VX como una medida de disperción relativa que expresa la magnitud de la
disperción de la variable aleatoria X con respecto a su media.
V = σ /µ . (3.6)
El coeficiente de variación sirve para poder comparar la disperción de las distribuciones
de dos variables aleatorias diferentes.
Ejemplo 3.2.17. Considera dos distribuciones X y Y , donde X tiene media µX = 120 y
desviación estandar σX = 14 y Y tiene media µY = 300 y desviación estandar σY = 28.
¿Cuál de las dos distribuciones tiene mayor dispersión?
Solución:
Usando la ecuación (3.6), tenemos que
VX = σX /µX = 0.1166 VY = σY /µY = 0.0933
Por lo que la distribución X tiene mayor variación.

3.3. Momentos de una variable aleatoria

Los momentos de una distribución de probabilidad de una variable aleatoria X (o
simplemente momentos de la variable aleatoria X ) son medidas que describen las carac-
terı́sticas de (la distribución de) la variable aleatoria X . Se definen como la esperanza de
3.3. MOMENTOS DE UNA VARIABLE ALEATORIA 57

ciertas funciones de la variable aleatoria X que nos proporcionan información acerca del
comportamiento de algunas medidas de localización de la distribución de X . Distinguimos
principalmente entre los momentos alrededor del cero o alrededor de µ (la esperanza de
X ), pero se pueden definir momentos alrededor de cualquier punto. El estudio de los mo-
mentos tiene mucha utilidad cuando no se conoce la distribución de probabilidad de una
variable aleatoria. En el desarrollo de la teorı́a, los resultados están sujetos a la existencia
de las sumas (o integrales en el caso continuo) correspondientes.
Sea X una variable aleatoria discreta. El r-ésimo momento alrededor del cero se define
como:
µr′ = E[X r ] = ∑ xr P(x). (3.7)
x
Nótese que el primer momento alrededor del cero es justo la media, o el valor esperado,
es decir
µ1′ = E[X ] = µ .
La media es una medida (un número) que cumple que los valores de la variable aleatoria
tienden a agruparse alrededor de ella. Por eso es una medida e tendencia central.
Sea X una variable aleatoria discreta. El r-ésimo momento central es el r-ésimo mo-
mento alrededor de la media µ y se define como:

µr = E[(X − µ )r ] = ∑(x − µ )r P(x). (3.8)

x

Notemos que el momento central cero de cualquier variable aleatoria es uno ya que

µ0 = E[(X − µ )0 ] = E[1] = 1,

y el primer momento alrededor de la media µ es cero ya que

µ1 = E[(X − µ )1 ] = E[X − µ ] = E[X ] − µ = 0,

mientras que el segundo momento alrededor de la media µ es la varianza ya que

µ2 = E[(X − µ )2 ] = Var(X ) = E[X 2] − E 2 [X ] = µ2′ − µ 2 .

Los momentos centrales de orden superior tienen menos utilidad que los primeros dos,
aunque el tercero y cuarto momento central proporcionan cierta información acerca de la
asimetrı́a y curtosis respectivamente.
Por el Teorema del Binomio sabemos que
r
r!
(X − µ )r = ∑ (−1)i µ i xr−i .
i=0 i!(ri )!
58 CAPÍTULO 3. VARIABLES ALEATORIAS

Por las propiedades de la esperanza (proposición 3.2.1) tenemos que

r!
µr = E[(X − µ )r ] = ∑ri=0 (−1)i µ i E[X r−i ]
i!(ri )!
r! ′ .
= ∑ri=0 (−1)i µ i µr−i
i!(ri )!
Para el tercer momento central tenemos que
µ3 = µ3′ − 3µµ2′ + 2µ 3 . (3.9)
Para las distribuciones de probabilidad que presentan un solo pico el tercer momento
nos proporciona información acerca de la asimetrı́a de la distribución. Si µ3 < 0, la distri-
bución es asimétrica negativamente, si µ3 = 0, la distribución es simétrica, y si µ3 > 0, la
distribución es asimétrica positivamente. La magnitud del tercer momento central depende
de las unidades de la variable aleatoria, por lo que se usa la medida del el tercer momento
central estandarizada, a la que se le llama coeficiente de asimetrı́a:
α3 = µ3 /(µ2 )(3/2) . (3.10)
El coeficiente de asimetrı́a α3 mide la asimetrı́a con respecto a su disperción. La distri-
bución es asimétrica negativa, simétrica o asimétrica positiva si α3 < 0, α3 = 0, o α3 > 0
respectivamente.

Nótese que para una distribución simétrica todos los momentos centrales de orden
impar son cero, ya que cada valor positivo de (X − µ )r se cancela con un valor negativo
de la misma magnitud y de igual probabilidad.
Para el cuarto momento central tenemos que
µ4 = µ4′ − 4µµ3′ + 6µ 2 µ2′ − 3µ 4 . (3.11)
Para las distribuciones de probabilidad que presentan un solo pico, el cuarto momento nos
proporciona información acerca de qué tan picuda es la distribución y recibe el nombre de
curtosis. Igual que para el tercer momento central se usa la medida del cuarto momento
central estandarizada, coeficiente de curtosis, el cual mide la curtosis con respecto a su
disperción.
α4 = µ4 /(µ2 )2 (3.12)
La distribución tiene un pico relativamente alto si α4 > 3, la distribución es relativa-
mente plana si α4 < 3 y si α4 = 3 su pico no es ni muy alto ni muy plano (mesocúrtica),
ver figura 3.7.
3.3. MOMENTOS DE UNA VARIABLE ALEATORIA 59

1 1 1
α4 < 3 α4 = 3 α4 > 3

−2 −1 0 1 −2 −1 0 1 −2 −1 0 1
Figura 3.7: Coeficiente de curtosis α4 y su efecto en la distribución.

Ejemplo 3.3.1. Dos vendedores de seguros de vida visitan de 0 a 8 clientes por semana
respectivamente. Sean X y Y las variables aleatorias respectivamente. En la tabla 3.5 se
encuentran los valores de las funciones de probabilidad para X y Y .

x 0 1 2 3 4 5 6 7 8
P(x) 0.02 0.09 0.21 0.28 0.23 0.12 0.04 0.01 0

y 0 1 2 3 4 5 6 7 8
P(y) 0.06 0.21 0.28 0.24 0.13 0.05 0.02 0.01 0

Cuadro 3.5: Las probabilidades de las variable aleatoria X y Y del ejemplo 3.3.1.

Determina la media, la desviación estandar , el coeficiente de variación, simetrı́a y

curtosis de cada variable aleatoria.
Solución:
Usamos las ecuaciones (3.7) y (3.8) para calcular los momentos, primero de la variable
aleatoria X .

µ (X ) = (0)(0.02) + (1)(0.09) · · ·+ (7)(0.01) + (8)(0) = 3.18;

µ2′ (X ) = (0)2 (0.02) + (1)2(0.09) · · · + (7)2 (0.01) + (8)2(0) = 12.06;
µ3′ (X ) = (0)3 (0.02) + (1)3(0.09) · · · + (7)3 (0.01) + (8)3(0) = 51.12;
µ4′ (X ) = (0)4 (0.02) + (1)4(0.09) · · · + (7)4 (0.01) + (8)4(0) = 235.86;
µ2 (X ) = Var(X ) = 1.95; µ3 (X ) = 0.3825; µ4 (X ) = 10.565;
√ σX 1.3964
σX = 1.95 = 1.3964; VX = = = 0.4391;
µX 3.18
µ3 (X ) 0.3825 µ4 (X ) 10.565
α3 (X ) = = = 0.1405; α 4 (X ) = = = 2.7784.
(µ2 (X ))3/2 1.953/2 (µ2 (X ))2 1.952
60 CAPÍTULO 3. VARIABLES ALEATORIAS

Usando los mismos procedimientos obtenemos los siguientes resultados para la varia-
ble aleatoria Y :

µ (Y ) = 2.45; µ2′ (Y ) = 8.03; µ3′ (Y ) = 31.25; µ4′ (Y ) = 138.59;

µ2 (Y ) = Var(Y ) = 2.03; µ3 (Y ) = 1.6418; µ4 (Y ) = 13.4504;
σY = 1.4247; VX = 0.5815; α3 (Y ) = 0.5676; α4 (X ) = 3.26.

3.4. Función generadora de momentos

Para una variable aleatoria discreta X el valor esperado de etX es la función genera-
dora de momentos y se denota mX (t). Si el valor esperado existe para cualquier valor de
t en algún intervalo abierto alrededor de t, entonces la función generadora de momentos
se define como
mX (t) = E[etX ] = ∑ etX P(x)
x
Si la función generadora existe, es única y determina completamente la distribución. Si
la funcion generadora de momentos existe para todo t en un intervalo alrededor del cero,
entonces asegura que existen todos los momentos alrededor del cero:
) ) * +)
dmX (t) )) d tX
) d tX ))
= E[e ])) = E e )
dt )t=0 dt t=0 dt t=0
, -)
= E X etX )t=0 = E[X ] = µ .
En general para la r-ésima derivada alrededor del cero:
) ) * r +)
d r mX (t) )) dr tX
) d tX
)
= E[e ] ) = E e )
dt r )t=0 dt r )
t=0 dt r )
t=0
, -)
= E X r etX )t=0 = E[X r ] = µr′ .
También se puede definir la la función generadora de momentos centrales, denotado
por mX−µ (t), que es el valor esperado de et(X−µ ) donde X es una variable aleatoria y µ es
su media. La función generadora de momentos centrales existe si el valor esperado existe
para cualquier valor de t en algún intervalo abierto alrededor de t y se define como
m(X−µ ) (t) = E[et(X−µ ) ] = ∑ et(x−µ ) P(x)
x
3.4. FUNCIÓN GENERADORA DE MOMENTOS 61

Revisamos dos ejemplos, el primero donde la variable aleatoria X tiene rango finito y
otro ejemplo en donde la variable aleatoria X tiene rango infinito.

Ejemplo 3.4.1. Calcula la función generadora de momentos de la variable aleatoria X

cuya distribución se encuentra en la tabla 3.6.

Cuadro 3.6: Distribución de la variable aleatoria X del ejemplo 3.4.1.

x 0 1 2
P(x) 0.2 0.3 0.5

Solución:

, - 2
mX (t) = E etX = ∑ etX P(x) = e0t P(0) + e1t P(1) + e2t P(2) = 0.2 + 0.3e + 0.5e2t
0

Ejemplo 3.4.2. Calcula la función generadora de momentos y el primer momento alrede-

dor de cero de la variable aleatoria X cuya función de probabilidad f (x) dada por
⎧
⎪
⎪ e−λ λ x
⎨ λ > 0, x = 0, 1, . . .
f (x) = x!
⎪
⎪
⎩ 0 e.o.c.

Solución:
Primero determinamos la función generadora de momentos de X , para los cálculos recor-
damos que
∞ n
x
ex = ∑ . (3.13)
n=0 n!
∞ ∞ tX x
, - etX e−λ λ x −λ e λ −λ
. t/
mX (t) = E etX = ∑ x! = e ∑ x! = e eλ e (3.14)
x=0 x=0
La última igualdad es consecuencia de la ecuación (3.13).
Para encontrar el primer momento alrededor de cero (E[X ]) de X , derivamos la fun-
ción generadora de momentos (3.14) con respecto a t y evaluamos en t = 0.
) . /)
dmx (t) )) −λ t λ et )
= e λ e e ) = λ e−λ eλ = λ = E[X ].
dt )t=0 t=0
62 CAPÍTULO 3. VARIABLES ALEATORIAS

3.5. Ejercicios
Ejercicio 3.1. Sea a un número fijo. Construye una variable aleatoria X tal que E(X ) = a.

Ejercicio 3.2. Considera un experimento aleatorio con espacio muestral equiprobable

Ω = {1, 2, 3, 4, 5, 6}. Define la variable aleatoria X (ω ) = 2(ω − 3) con ω ∈ Ω. ¿Cuáles
son los posibles valores de X ? Calcula P(X = 0), P(X ∈ {2, 3}), P(X ≥ 0), P(X < 0),
P(X 2 = 1), P(2X − 4 = 0), y P(X 2 = 4).

Ejercicio 3.3. Suponga que P(B) = P(A|B) = P(C|A ∩ B) = p. Demuestre que

P(A ∩ B ∩C) = p3 .

Ejercicio 3.4. Calcula la media y varianza de la variable aleatoria X con función de

probabilidad ⎧
⎨ 1/9 si x = 0, 1, 2;
f (x) = 2/9 si x = 3, 4, 5;
⎩
0 e.o.c.

Ejercicio 3.5. Llegas tarde a tu casa un viernes después de una reunión, tienes 4 llaves
en tu llavero, ¿Cuál es la probabilidad de elegir la llave correcta en el i-ésimo intento?

Ejercicio 3.6. En un juego de apuestas eliges un número entre 1 y 6. Se lanzan tres dados
y te regresan 3 veces tu apuesta si tu número sale en los tres dados, te regresan 2 veces tu
apuesta si tu número sale en los dos dados y te regresan tu apuesta si tu número sale en
los exactamente uno de los tres dados. Si apostaste $1000, ¿cuál es el valor esperado del
juego? Define primero tu variable aleatoria.

Ejercicio 3.7. Determina mediante un contraejemplo o una prueba cuales de los siguien-
tes incisos son falsos y cuales son verdaderos:

1. No hay dos variables aleatorias distintas con la misma esperanza.

2. La esperanza de una variable aleatoria nunca es negativa.

3. La varianza de una variable aleatoria nunca es negativa.

4. E(−X ) = −E(X ).

5. Var(−X ) = −Var(X ).

6. E(Var(X )) = Var(E(X )).

3.5. EJERCICIOS 63

Ejercicio 3.8. Sea c una

' constante y sea X una variable aleatoria discreta con función de
c/x si x = 1, 2, 3, 4
probabilidad f (x) = Encuentra el valor de la constante c para
0 e.o.c.
que f (x) sea una función de probabilidad y calcula P(1 ≤ X ≤ 3).

Ejercicio 3.9. Sea X discreta con función de probabilidad dada por la tabla que apa-
rece abajo. Gráfica f (x). Calcula la función de probabilidad de las siguientes variables
aleatorias Y = X 2, Z = |X | y W = 2X − 5. Grafica en cada caso.

x -2 -1 0 2 3 5
P(x) 0.1 0.15 0.4 0.1 0.15 0.1

Ejercicio 3.10. Encuentra la esperanza y la varianza de la siguiente variable aleatoria.

x 0 1 2 3 4 5 6 7 8
P(x) 0.05 0.1 0.1 0.1 0.2 0.25 0.1 0.05 0.05

Ejercicio 3.11. Considera la función de probabilidad

⎧
⎨ e−3 3x
P(x) = , si x = 0, 1, 2, . . .
⎩ 0 x! e.o.c.

Calcula P(x) para x = 0, 1, . . ., 7 y grafica la función de probabilidad para los primeros 8

valores. Determina la probabilidad acumulada para x = 0, 1, . . ., 7 y grafica la función de
probabilidad para los primeros 8 valores. Calcula los tres primeros cuartiles de la función
de distribución ası́ como el recorrido intercuartil; el primer, el quinto y el noveno decil de
la función de distribución ası́ como el recorrido interdecil

Ejercicio 3.12. Sea X una variable aleatoria discreta con la función de probabilidad que
aparece abajo. Demuestre que f (x) es efectivamente una función de probabilidad y que la
esperanza de X no es finita.
0
1
f (x) = x(x+1) , si x = 1, 2, 3, . . .
0 e.o.c.
64 CAPÍTULO 3. VARIABLES ALEATORIAS

Ejercicio 3.13. Encuentre el error en la siguiente “demostración” de la afirmación de

que la varianza de cualquier variable aleatoria es cero.

0 = Var(0)
= Var(X + (−X ))
= Var(X ) +Var(−X )
= Var(X ) +Var(X )
= 2Var(X ).

Ejercicio 3.14. Determina mediante un contrejemplo o una prueba cuales de los siguien-
tes incisos son falsos y cuales son verdaderos:

1. La esperanza de una variable aleatoria puede ser cero.

2. La varianza de una variable aleatoria puede ser cero.

3. No hay dos variables aleatorias distintas con la misma varianza.

4. E(E(X )) = E(X ).

5. Var(Var(X )) = 0.

Ejercicio 3.15. La calificaión promedio de una prueba de estadı́stica fue de 6.25 con una
desviación estandar de 1. El profesor sospecha que el examen fue difı́cil. De acuerdo a lo
anterior, desea ajustar las calificaciones de manera que el promedio sea 7 y la desviación
estandar de 0.8. ¿Qué ajuste del tipo aX + b, debe utilizar?

Ejercicio 3.16. Calcula los cuantiles al 70 %, 80 % y 90 % para una variable aleatoria

con función de probabilidad:

x -2 -1 0 1 2
f(x) 1/10 5/10 1/10 2/10 1/10