Variables Aleatorias

VARIABLES ALEATORIAS, DISCRETAS Y CONTÍNUAS -
MOMENTOS
ESTADISTICA I, EST-133
UNIVERSIDAD MAYOR DE SAN ANDRES

Carrera de Informática - Física
Prof. Iván Aliaga C.
27 de septiembre de 2022
UMSA EST-133 27 de septiembre de 2022 1 / 59

Introducción
Definición
Dado un experimento aleatorio ϵ y Ω asociados. Una función que asigna a cada elemento
(suceso) w ∈ Ω, uno y solamente un número real x = X(w ), se llama variable aleatoria.
X :Ω → R
El dominio de la variable aleatoria X es Ω y el rango (recorrido o soporte) es el

subconjunto de R y se denota como: RX .
RX = {x ∈ R/ X(w ) = x , w ∈ Ω}
Notación: las variables aleatorias se denotan con letras mayúsculas: X, Y , Z , X 1 , X 2 , . . . y

los valores particulares que toma la variable aleatoria se denotan con letras minusculas
x , y , z, x1 , x2 , . . .

Ejemplo de variable aleatoria
Se lanza una moneda tres veces, sea X la variable aleatoria que está definida por:
X(w ) = nC − nS
Donde: nC y nS representa el número de caras y el número de sellos obtenidos

respectivamente.
EL dominio de X es el espacio muestral Ω
Ω = {CCC , CCS, CSC , SCC , CSS, SCS, SSC , SSS}

X(CCC ) = 3 − 0 = 3
X(CCS) = X(CSC ) = X(SCC ) = 2 − 1 = 1
X(SSC ) = X(SCS) = X(CSS) = 1 − 2 = −1
X(SSS) = 0 − 3 = −3
Luego:
RX = {−3, −1, 1, 3}

Variables Aleatorias Discretas
Definición (Variable Aleatoria Discreta)

Si el rango (recorrido o soporte) de la variable aleatoria X, es un conjunto finito o infinito
numerable, se llama Variable Aleatoria Discreta, En este caso.
RX = {x1 , x2 , x3 , . . .}
Definición (Función de cuantía o ley de probabilidad)

Sea X una variable aleatoria discreta con rango RX , la función de cuantía está definida
por: X
p(x ) = P(X = x ) = P({w })
{w ∈Ω/X(w )=x }
Que satisface las siguientes condiciones

1 p(x ) > 0, ∀x ∈ R
X X X
2 p(x ) = P(X = x ) = 1
x ∈RX x ∈RX

Ejemplo de variable aleatoria discreta
En el ejemplo anterior, la variable aleatoria X está definida por:
X(w ) = nC − nS
Cuya rango o espacio soporte es: RX = {−3, −1, 1, 3} La función de cuantía se puede
obtener así:
1
p(3) = P(X = 3) = P(CCC ) =
8
3
p(1) = P(X = 1) = P(CCS) + P(CSC ) + P(SCC ) =
8
3
p(−1) = P(X = −1) = P(SSC ) + P(SCS) + P(CSS) =
8
1
p(−3) = P(X = −3) = P(SSS) =
8

Representación gráfica de la función de cuantía
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8

Función de Distribución Acumulada
Definición (Función de distribución)

Sea X una variable aleatoria discreta con rango RX y función de probabilidad,
p(xi ) = P(X = xi ), sea x ∈ R un número real cualquiera, la función de Distribución de
X se denota por F (x ) se define como:
X X
F (x ) = P(X ≤ x ) = p(xi ) = P(X = xi )
xi ≤x xi ≤x

Ejemplo función de distribución
En el ejemplo anterior se tiene:

1 3 3 1
p(−3) = , p(−1) = , p(1) = , p(3) =
8 8 8 8
1 Si x < −3, es claro que F (x ) = P(X ≤ x ) = 0.

X 1
2 Si x ≤ −3, entonces F (−3) = P(X ≤ −3) = p(xi ) = p(−3) = .
8
xi ≤−3
X 1
3 Si x ∈ [−3, −1), entonces F (x ) = P(X ≤ x ) = p(xi ) = p(−3) = .
8
xi ≤x
4 Si x = −1, entonces
X 1 3 4
F (−1) = P(X ≤ −1) = p(xi ) = p(−3) + p(−1) = + = .
8 8 8
xi ≤−1
X 4
5 Si x ∈ [−1, 1), entonces F (x ) = P(X ≤ x ) = p(xi ) = p(−3) + p(−1) = .
8
xi ≤x

Ejemplo función de distribución
6 Si x = 1, entonces
X 1 3 3 7
F (1) = P(X ≤ 1) = p(xi ) = p(−3) + p(−1) + p(1) = + + = .
8 8 8 8
xi ≤1
X 7
7 Si x ∈ [1, 3), entonces F (x ) = P(X ≤ x ) = p(xi ) = p(−3) + p(−1) + p(1) = .
8
xi ≤x
8 Si x = 3, entonces X
F (3) = P(X ≤ 3) = p(xi ) = p(−3) + p(−1) + p(1) + p(3) = 1.
xi ≤3

Representacion Gráfica de la Función de Distribución Acumulada
x p(x ) = P(X = x ) F(x)

-3 1/8 1/8
-1 3/8 4/8
1 3/8 7/8
3 1/8 1


0 , x < −3

1/8 , − 3 ≤ x < −1


F (x ) = 4/8 , −1≤x <1



7/8 , 1 ≤ x < 3

1 ,x ≥3


Propiedades de la función de distribución acumulada
Notación
F (∞) = lim F (x ); F (−∞) = lim F (x )
x →∞ x →−∞
Propiedad 1
Si 0 ≤ F (x ) ≤ 1, ∀x ∈ R, entonces F (x ) es una probabilidad para cualquier x real y las
probabilidades están limitadas por 0 y 1.
Propiedad 2
F (x ) es una función no decreciente.
Sean a, b ∈ R tales que a ≤ b entonces:
{x /X ≤ a} ⊂ {x /X ≤ b}
F (a) = P(X ≤ a) ≤ P(X ≤ b) = F (b)
F (a) ≤ F (b)

Propiedad 3
a) F (∞) = P({x /X < ∞}) = P(X < ∞) = 1.
b) F (−∞) = P({x /X < −∞}) = P(X < −∞) = 0.
Propiedad 4
Sea a, b ∈ RX , si x es tal que a ≤ x < b, entonces F (x ) = F (a), es decir, la función
F (x ) es constante e igual a F (a) para todo x ∈ [a, b), F (x ) es una función escalonada.

Nota
a)

1 − F (a − 1) Si a es entero
P(X ≥ a) = 1 − P(X < a) =
1 − F (JaK) Si a no es entero
b)
P(a < X ≤ b) = F (b) − F (a)
c)
P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)
d)
P(a < X < b) = F (b) − F (a) − P(X = b)

Ejemplo
La variable aleatoria X tiene la siguiente función de distribución


0


x <0


1/8 0≤x <1
F (x ) = 1/2 1≤x <2



5/8 2 ≤ x < 3

1 x ≥3

Calcular:
a) La distribución de probabilidad de X
b) P(X < 0,5)
c) P(X ≥ 2)

Ejemplo solución
a) La distribución de probabilidad de X
x p(x ) = P(X = x )
0 1/8
1 3/8
2 1/8
3 3/8
b)
P(X < 0,5) = F (0,5)
= F (0) = 1/8
c)
P(X ≥ 2) = 1 − P(X < 2)
= 1 − P(X ≤ 1)
= 1 − F (1) = 1 − 1/2 = 1/2

VARIABLES ALEATORIAS CONTÍNUAS - Introducción
Definición
Si el rango RX , de una variable aleatoria X es un intervalo sobre la recta de los números
reales, se llama variable aleatoria contínua
Definición (Función de Densidad de Probabilidad)

Sea X una variable aleatoria contínua con rango RX , La función de densidad de
probabilidad asociado a la variable aleatoria contínua, es una función f (x ) integrable que
satisface las siguientes condiciones:
1 f (x ) ≥ 0 para todo x ∈ R ó f (x ) > 0, x ∈ RX .
2 Z Z +∞
f (x )dx = 1; ó f (x )dx = 1
RX −∞

Observaciones
1 f (x ) no representa una probabilidad.

2 Para cualquier valor a ∈ R, P(X = a) = 0
Z a
P(X = a) = P(a < X ≤ a) = f (x )dx = 0
a
Este resultado admite que X asume todos los valores de algún intervalo,
P(X = a) = 0 no es equivalente a que el evento X = a es imposible.
3 Una consecuencia de 2 es el siguiente resultado.
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a < X < b) = P(a ≤ X < b)

Ejemplo
Sea X una variable aleatoria continua con función de densidad:

a( 3x − x 2 ) 0≤x ≤3
f (x ) =
0 e.o.c
a) hallar el coeficiente a
b) Construir la gráfica de la funcion de distribución
c) Calcular P(1 ≤ X ≤ 2).
3
d) Calcular P(−1 < X < )
2

Ejemplo
a) hallar el coeficiente a Z
f (x )dx = 1
RX
Z 3
a( 3x − x 2 ) dx = 1
0
3 2 1 3 3
h i
a x − x =1
2 3
0
27

a −9 =1
2
2
a=
9
2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c

Ejemplo
2 2
b) La gráfica de la función f (x ) en el intervalo [0, 3] es una parabola. y = x − x 2.
3 9
0.5
0.4
0.3
f(x)=y
0.2
0.1
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Ejemplo
c)
Z 2
2 2 13
P(1 ≤ X ≤ 2) = x − x 2 dx =
1
3 9 27
d)
Z 0 Z 3/2
3 2 2 1
P(−1 < X < ) = 0 dx + x − x 2 dx =
2 −1 0
3 9 2

Funciones de Distribución
Definición
Sea X una variable aleatoria contínua y función de densidad f (x ). La función de
distribución o función de distribución acumulada de la variable aleatoria contínua X,
es una función F (x ) que se define por:
Z x
F (x ) = P(X ≤ x ) = f (t) dt, ∀x ∈ R
−∞

Ejemplo
Del anterior ejemplo se tiene la siguiente función de densidad, se requiere hallar la

función de distribución.
2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
Sol.
Z x
1. Si x < 0, F (x ) = P(X ≤ x ) = f (t) dt = 0.
−∞
2. Si 0 ≤ x < 3,
0 x x
x 2 2x 3
Z Z Z
2
3t − t 2 dt =

F (x ) = P(X ≤ x ) = f (t) dt + f (t) dt = 0+ − .
−∞ 0 0
9 9 27
Z x
3. Si x ≥ 3, F (x ) = P(X ≤ x ) = f (t) dt =
−∞
Z 0 Z 3 Z x Z 3
2
3t − t 2 dt + 0 = 1.

f (t) dt + f (t) dt + f (t) dt = 0 +
−∞ 0 3 0
9

Representación gráfica de la función de Distribución
En Resumen 
0 2

3
,x < 0
F (x ) = x − 2x ,0 ≤ x < 3

 3 27
1 ,x ≥ 3
Representación Gráfica
1.0
0.8
0.6
F(x)
0.4
0.2
0.0
−1 0 1 2 3 4

Propiedades de la función de Distribución
Z a
1. P(X ≤ a) = P(X < a) = F (a) = f (t) dt
−∞
Z a
2. P(X > a) = 1 − P(X ≤ a) = 1 − F (a) = 1 − f (t) dt
−∞
3.
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b)
= P(X ≤ b) − P(X ≤ a) = F (b) − F (a)
4. 0 ≤ F (x ) ≤ 1, ∀x ∈ R.
5. Z x
F (−∞) = lim F (x ) = lim f (t) dt = 0
x →−∞ x →−∞
−∞
Z x
F (∞) = lim F (x ) = lim f (t) dt = 1
x →∞ x →∞
−∞

Propiedades de la función de Distribución
6. La función de distribución es no decreciente, esto es si a ≤ b, entonces
F (a) ≤ F (b)
7. F (x ) es continua por la derecha en todos los puntos.
lim F (x + h) = F (x ), ∀∈R
h→0
con h > 0.
8. Del segundo teorema fundamental del cálculo se tiene que si F (x ) es un función
derivable, entonces.
d
f (x ) = F (x )
dx

ESPERANZA MATEMATICA - Introducción
Cuando una variable esta complementamente determinado por la distribución de

probabilidad ya sea discreta o contínua es cuando se debe observar características
descriptivas y una de esas características descriptivas muy utilizadas es el primer
momento alrededor del origen llamado valor esperado o media de la variable aleatoria
o esperanza matemática, el segundo momento alrededor de la media se llama varianza
de la variable aleatoria y otras características descriptivas como la moda, mediana, etc.,
que se veran en este apartado.

Definición Esperanza matemática
Definición
Sea X una variable aleatoria con rango RX y función de cuantia p(x ) si es discreta o
función de densidad f (x ) si es contínua. El valor esperado o esperanza matemática de
X, se denota por µ = E(X), y se define por:
X
E(X) = xp(x ), Si X es una v.a. discreta
x ∈RX
Z
E(X) = xf (x ) dx , Si X es una v.a. contínua
RX
Interpretación geométrica La esperanza matemática de una variable aleatoria discreta o

contínua es igual a la abscisa del centro de gravedad del área acotada por la curva o el
polígono de distribución de probabilidad y el eje de abscisas.

Ejemplo variable discreta
En el ejemplo anterior de la variable aleatoria discreta
X(w ) = nC − nS
Hallar la esperanza matemática
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
X
E(X) = x p(x )
x ∈RX
= −3p(−3) − p(−1) + p(1) + 3p(3)

1 3 3 1
= −3 − + + 3
8 8 8 8
=0

Variable Contínua

2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
0.5
Z
E(X) = x f (x ) dx
0.4
RX
Z 3
2
0.3
= x ( 3x − x 2 ) dx
9
f(x)
0
0.2
Z 3
2
= 3x 2 − x 3 dx
9
0.1
0

2 3 34
= 3 −
9 4 0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
= 1,5
x

Eventos equivalentes
Definición
Sea E un experimento aleatorio con espacio muestral Ω, además sea X la v.a. en Ω con
recorrido RX . Si Y = H(X) está definida de manera que los valores y = H(x ) en RY ,
entonces Y es una variable aletoria.
Definición
Sea EX un evento en RX (EX ⊂ RX ) y FY un evento en RY (FY ⊂ RY ) de manera que
Y = H(X), EX y FX son eventos equivalentes si:
EX = {x ∈ RX /H(x ) ∈ FY }
Definición
Sea X una variable aleatoria definida en el espacio muestral Ω con rango RX . Sea H una
función real, de modo que Y = H(X) es una variable aleatoria con rango RY , entonces
para cualquier evento F Y ⊂ RY , la probabilidad de P(FY ) se define como sigue.
P(FY ) = P({x ∈ RX /H(x ) ∈ FY }) = P(EX )
Donde E X es el evento equivalente en RX para el evento FY .

X(w ) = nC − nS
Hallar la probabilidad P(Y < −5) y P(Y ≥ 5) cuando Y = 2X − 1.
x -3 -1 1 3 RX = {−3, −1, 1, 3}; RY = {−7, −3, 1, 5}

p(x) 1/8 3/8 3/8 1/8
1
y -7 -3 1 5 P(Y < −5) = P(Y = −7) = p(−7) =
8
p(y) 1/8 3/8 3/8 1/8 1
P(Y ≥ 5) = P(Y = 5) = p(5) = p(3) =
8

Ejemplo variable Contínua

2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
Calcular P(3 ≤ Y ≤ 4) cuando Y = 2X − 1.
P(3 ≤ Y ≤ 4) = P(3 ≤ 2X − 1 ≤ 4)
= P(4 ≤ 2X ≤ 5)
= P(2 ≤ X ≤ 2,5)
Z 2,5
2
= ( 3x − x 2 ) dx
2
9
5
=
27

Propiedades de la Esperanza Matemática
Teorema
Sea X una variable aleatoria e Y = H(X) una función de X, el valor esperado de la
función H(X), denotado por E(H(X)), se define por:
X
E(H(X)) = H(X)p(x ), Si X es discreta
x ∈RX
Z
E(H(X)) = H(X)f (x ) dx , Si X es contínua
RX
Nota La media de una variable aleatoria X, tambien es representado cuando H(X) = X,

en ese caso.
E(H(X)) = E(X) = µ

Propiedades de la esperanza matemática
1. E(a) = a
2. E(aH(X)) = aE(H(X))
3. E(aH(X) + bG(X)) = aE(H(X)) + bE(G(X))
Sol.
X X
D. 1. E(a) = a p(x ) = a p(x ) = a.
x ∈RX x ∈RX
X X
D. 2. E(aH(X)) = a H(X)p(x ) = a H(X)p(x ) = aE(H(X)).
x ∈RX x ∈RX
X
D. 3. E(aH(X) + bG(X)) = (a H(X) + bG(X))p(x ) =
x ∈RX
X X
a H(X)p(x ) + b G(X)p(x ) = aE(H(X)) + bE(G(X)).
x ∈RX x ∈RX

X(w ) = nC − nS
. Hallar E(2X + 1), E(2X 2 + 3) y E(4X 2 + X − 3)

x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
X
E(X) = xp(x ) = E(2X + 1) = 2E(X) + 1 = 1
x ∈RX E(2X 2 + 3) = 2E(X 2 ) + 3
= (−3)(1/8) + (−1)(3/8)+ = 2(3) + 3
(1)(3/8) + (3)(1/8) = 0 =9
E(4X + X − 3) = 4E(X 2 ) + E(X) − 3
2
2
X 2
E(X ) = x p(x )
x ∈RX = 4(3) + (0) − 3
2 2
= (−3) (1/8) + (−1) (3/8)+ =9
(1)2 (3/8) + (3)2 (1/8) = 3

Ejemplo variable Contínua
En el anterior ejemplo se tiene X una variable aleatoria continua con función de densidad:
2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
Se requiere hallar E(2X + 1), E(2X 2 + 3) y E(4X 2 + X − 3)

Z
E(X) = Xf (x ) dx = E(2X + 1) = 2E(X) + 1
RX
Z 3
= 2(1,5) + 1
2
= x ( 3x − x 2 ) dx = =4
0
9
E(2X + 3) = 2E(X 2 ) + 3
2
= 1,5
Z = 2(2,7) + 3
E(X 2 ) = X 2 f (x ) dx = = 6,4
RX
Z 3 E(4X 2 + X − 3) = 4E(X 2 ) + E(X) − 3
2
= x 2 ( 3x − x 2 ) dx = = 4(2,7) + (1,5) − 3
0
9
= 9,3
= 2,7
Varianza de una variable aleatoria
Definición
La varianza de una variable aleatoria X, se denota por V(X), Var (X) o por la letra
griega σX2 , se define como:
V(X) = E[(X − µ)2 ]
Por lo tanto
X
E[(X − µ)2 ] = (X − µ)2 p(x ), Si X es discreta
x ∈RX
Z
E[(X − µ)2 ] = (X − µ)2 f (x ) dx , Si X es contínua
RX
Teorema
Sea X una variable aleatoria con media µ, la varianza de X está dado por:
V(X) = E(X 2 ) − [E(X)]2 = E(X 2 ) − µ2
Demostración:
V(X) = E[(X − µ)2 ] = E[X 2 − 2Xµ + µ2 ]
= E(X 2 ) − 2µE(X) + µ2 = E(X 2 ) − µ2
Definión de Desviación típica
Observe que cuando la medición de la variable aletoria es u (solo es ejemplo, podria ser:
peso, talla, número de hermanos, etc.) entonces la unidades de la media o esperanza es
tambien u, en cambio la unidad de la varianza seria u 2 , para evitar el cuadrado se utiliza
una medida de dispersión llamada Desviación típica de la variable aletoria y se define
como: p p
σ = V(X) = σX2
La unidad de σ es la misma que la de la variable aleatoria y de la media o esperanza, un
valor pequeño de σ indica poca dispersión mientras que un valor grande de σ indica una
gran dispersión.

Ejemplo cálculo de varianza v.a. discreta
X(w ) = nC − nS
Hallar la varianza
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
X
E(X) = xp(x ) = 0
x ∈RX
X
E(X 2 ) = x 2 p(x ) = 3
x ∈RX
V(X) = E[(X − µ)2 ] =

= E(X 2 ) − µ2
= 3 − 02
=3
√
σX = 3 = 1,73

Ejemplo cálculo de varianza v.a. contínua

2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
0.5
Z
E(X) = xf (x )dx = 1,5
0.4
x ∈RX
Z
E(X 2 ) = x 2 f (x )dx = 2,7
0.3
x ∈RX
f(x)
V(X) = E[(X − µ)2 ] =
0.2
= E(X 2 ) − µ2
0.1
= 2,7 − (1,5)2
= 0,45 0.0
p 0.0 0.5 1.0 1.5 2.0 2.5 3.0
σX = 0,45 = 0,671
x

Propiedades de la Varianza
Teorema
Si X es una variable aleatoria, a y b constantes, entonces:
V(aX ± b) = a2 V(X)
Demostración: (con la suma)
V(aX + b) = E[(aX + b)2 ] − [E(aX + b)]2

= E[a2 X 2 + 2abX + b 2 ] − [aE(X) + b]2
= a2 E[X 2 ] + 2abE(X) + b 2 − [a2 E(X)2 + 2abE(X) + b 2 ]
= a2 [E(X 2 ) − [E(X)]2 ] = a2 V(X)
Corolario
1. Si a = 0 entonces V(b) = 0.
2. Si b = 0 entonces V(aX) = a2 V(X).

Funciones contínuas de una variable aleatoria contínua
Si X es una variable aleatoria contínua con función de densidad f , y H una función

contínua, entonces Y = H(X) es una variable aleatoria contínua cuya función de
densidad de Y denotado como g se obtiene de la siguiente manera.
1.- Se obtiene la función de distribución G de Y :
G(Y ) = P(Y ≤ y )
Encontrando para ello el espacio soporte de X equivalente en RY (espacio soporte

de Y ).
2.- Derivando G(y ) con respecto a y se obtiene g(y ).
3.- Se halla el rango de la nueva variable aleatoria con la condición de que g(y ) > 0.

Funciones contínuas de una variable aleatoria contínua
Teorema
Sea X una variable aleatoria contínua con función de densidad f que satisface f (x ) > 0
para a < x < b e y = H(x ) es una función contínua de x , estrictamente creciente o
estrictamente decreciente entonces la variable aleatoria Y = H(X) tiene una función de
densidad g dada por:
dx
g(y ) = f (H −1 (y ))
dy
Si H es creciente entonces g(y ) > 0 con H(a) < y < H(b).

Si H es decreciente entonces g(y ) > 0 con H(b) < y < H(a).

Ejemplos
1 Suponga que la v.a. X con función de densidad:

x √
10
, 0≤x ≤2 5
f (x ) =
0 , e.o.c.
Calcular la función de densidad de Y si Y = 2X + 6.

1.- Utilizando la función de distribución acumulada de Y .
2.- Utilizando el teorema.
2 Sea a v.a. X con función de densidad:
x
8
, 0≤x ≤4
f (x ) =
0 , e.o.c.
Calcular la función de densidad de Y si Y = (X − 2)2 .

1.- Utilizando el teorema.

Desigualdad de TChebysheff
La desigualdad de TChebysheff se utiliza para determinar un limite inferior para la

probabilidad de que la variable aleatoria de interés caiga en un intervalo µ ± kσ.
Desigualdad de Tchebysheff
Sea X una variable aleatoria con media µ y varianza finita σ 2 , para cualquier constante
k > 0.
1 1
P(|X − µ| < kσ) ≥ 1 − 2 , o P(|X − µ| ≥ kσ) ≤ 2 .
k k

Ejemplo
Se ha definido la variable aleatoria Y como, El número de clientes por día en un

mostrador de ventas, y este, ha sido observado durante un largo periodo de tiempo y se
encontró que tiene una media de 20 y una desviación estándar de 2. La distribución de
probabilidad de Y no se conoce. ¿Qué se puede decir acerca de la probabilidad de que los
clientes de un día, Y sea mayor que 16 pero menor que 24?.
Sol. Deseamos hallar P(16 < Y < 24) por la desigualdad de TChebysheff sabemos:
1
P(|Y − µ| < kσ) ≥ 1 −
k2
Con µ = 20 y σ = 2 se deduce que k = 2, entonces:
1 3
P(16 < Y < 24) ≥ 1 − =
22 4
El total de clientes de mañana será entre 16 y 24, con una probabilidad alta, de al menos
3/4.

Moda, Mediana y Percentiles de una v.a.
Moda
Se llama Moda de una variable aleatoria X a su valor más probable xmd . Asi, el valor x0
de la variable aleatoria X es una moda, si.
p(x0 ) ≥ p(x ), ∀x ∈ RX , Si X es discreta
f (x0 ) ≥ f (x ), ∀x ∈ RX , Si X es contínua
Mediana
Se llama Mediana de una variable aleatoria X es un número xmed = x0 tal que:
1 1
F (xo ) = P(X ≤ x0 ) ≥ ∧ P(X ≥ x0 ) ≥
2 2
O equivalente
1
P(X ≤ x0 ) = P(X ≥ x0 ) =
2
Para X variable aleatoria continua

Moda, Mediana y Percentiles de una v.a.
Percentiles
Se llama 100 k-ésimo percentil de la variable aleatoria X denotado por xk al número más
pequeño posible tal que la probabilidad de no excederlo es cuando menos k, con
0 < k < 1, es decir xk es el valor más pequeño, tal que:
F (xk ) = P(X ≤ xk ) ≥ k ∧ P(X ≥ xk ) ≥ 1 − k
Para X variable aleatoria continua
Algunos percentiles reciben nombres especiales, se llaman Cuartiles de la distribución

x0,25 , x0,5 , x0,75 debido a que cortan la función de probabilidad o función de densidad en
cuatro probabilidades iguales. El percentil x0,5 también es llamado Mediana de la variable
aleatoria. A la diferencia x0,75 − x0,25 , se le conoce como el Rango Intercuartílico que
denota a la longitud de un intervalo que encierra el 50 % de la distribución de
probabilidad de X.

Ejemplo moda, mediana y percentiles de una v.a. contínua
Sea X una variable aleatoria contínua con función de densidad y distribución acumulada:

x3 0 2 x <0
( 
4
(x − ) 0≤x ≤2
f (x ) = 4 ; F (x ) = x − x 0≤x ≤2
0 e.o.c 2
 16
1 x >2
Hallar la moda (xmd ), mediana (xmed ) y percentil 10 %, 25 %, 50 %, 75 %, 80 %.
Hallando la moda: (xmd )
0.8
′ 3 2
f (x ) = 1 − x =0
4
0.6
2
x = ±√
3
0.4
f(x)
√ x ∈ RX , x ∈ [0, 2] por lo
Escoger una raiz
tanto x0 = 2/ 3
3 0.2
′′
f (x ) = − x
2
0.0
′′ 3 2 √
f (x0 ) = − √ = − 3 < 0 0.0 0.5 1.0 1.5 2.0
2 3
√ x
Entonces xmdUMSA
= 2/ 3 representa un máximo
EST-133 27 de septiembre de 2022 50 / 59
Hallando mediana: (xmed ) o percentil 50 %
(x0,5 )
xmed
x3
Z
1
0.8
P(X ≤ xmed ) = (x − ) dx =
0
4 2

x2 x4
0.6
x 1
− |0med =
2 16 2
2
x4
0.4
xmed 1
f(x)
− med =
2 16 2
0.2
2
xmed x4 1
La ecuación − med = o
2 16 2
4 2
xmed − 8xmed +8=0
0.0
Se busca las raices de esta ecuación dentro
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son: xmed,1 =
1,082392; xmed,2 = −1,082392; xmed,3 = x
−2,613126; xmed,4 = 2,613126 por lo tanto

solo xmed = xmed,1 = 1,082392 ∈ RX es la
solución.

Hallando el percentil 10 %: (xk ) con k = 0,1

xk
x3
Z
1
P(X ≤ xk ) = (x − ) dx =
0.8
0
4 10

x2 x4 x 1
− |0k
0.6
=
2 16 10
xk2 x4 1
− k =
0.4
f(x)
2 16 10
xk2 x4 1
0.2
La ecuación − k = o
2 16 10
4 2
xk − 8xk + 1,6 = 0
0.0
del rango, los cuales son: xk,1 = 0.0 0.5 1.0 1.5 2.0
0,4530638; xk,2 = −0,4530638; xk,3 = x
−2,7919049; xk,4 = −2,7919049 por lo tanto
solo xk = xk,1 = 0,4530638 ∈ RX es la
solución.

Hallando el percentil 25 %: (xk ) con
k = 0,25
xk
x3
Z
25
0.8
P(X ≤ xk ) = (x − ) dx =
0
4 100

x2 x4 25
0.6
x
− |0k =
2 16 100
xk2 x4
0.4
25
f(x)
− k =
2 16 100
0.2
xk2 x4 25
2 16 100
4 2
xk − 8xk + 4 = 0
0.0
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son: xk,1 =
0,7320508; xk,2 = −0,7320508; xk,3 = x
−2,7320508; xk,4 = 2,7320508 por lo tanto

solo xk = xk,1 = 0,7320508 ∈ RX es la
solución.

Hallando el percentil 75 %: (xk ) con
k = 0,75
xk
x3
Z
75
0.8
P(X ≤ xk ) = (x − ) dx =
0
4 100

x2 x4 75
0.6
x
− |0k =
2 16 100
xk2 x4
0.4
75
f(x)
− k =
2 16 100
0.2
xk2 x4 75
2 16 100
4 2
xk − 8xk + 12 = 0
0.0
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son:
xk,1 = 1,41421; xk,2 = −1,414214; xk,3 = x
−2,449490; xk,4 = 2,449490 por lo tanto

solo xk = xk,1 = 1,41421 ∈ RX es la
solución.

0.8
0.6
0.4
f(x)
P(X ≤ xk ) = F (xk ) = k
xk2 x4
0.2
− k =k
2 16
0.0
xk2 x4
La ecuación − k =k o 0.0 0.5 1.0 1.5 2.0
2 16 x
xk4 − 8xk2 + 16 k = 0
1.0
0.8
del rango ∀k con k ∈ [0, 1], para k = 0,8 se
tiene
0.6
F(x)
xk,1 = 1,486992; xk,2 = −1,486992; xk,3 =
0.4
−2,406004; xk,4 = 2,406004 por lo tanto
solo xk = xk,1 = 1,486992 ∈ RX es la
solución. 0.2
0.0
−1 0 1 2 3 4
x
0.8
0.6
0.4
f(x)
P(X ≤ xk ) = F (xk ) = k
xk2 x4
0.2
− k =k
2 16
0.0
xk2 x4
La ecuación − k =k o 0.0 0.5 1.0 1.5 2.0
2 16 x
xk4 − 8xk2 + 16 k = 0
1.0
0.8
del rango ∀k con k ∈ [0, 1], para k = 0,9 se
tiene
0.6
F(x)
xk,1 = 1,653810; xk,2 = −1,653810; xk,3 =
0.4
−2,294539; xk,4 = 2,294539 por lo tanto
solo xk = xk,1 = 1,653810 ∈ RX es la
solución. 0.2
0.0
−1 0 1 2 3 4
x
Momentos de orden superior.
Definición
Se llama el momento de orden k alrededor del punto a de la variable aleatoria X y se
define como:
X
µk,a = E[(X − a)k ] = (X − a)k p(x ), Si X es discreta
x ∈RX
Z
k
µk,a = E[(X − a) ] = (X − a)k f (x ) dx , Si X es contínua
RX
Si a = 0, se llaman Momentos iniciales o momentos alrededor del origen de orden k de

una variable aleatoria X es decir.
′ X
µk,0 = µk = E[X k ] = X k p(x ), Si X es discreta
x ∈RX
Z
′
µk,0 = µk = E[X k ] = X k f (x ) dx , Si X es contínua
RX

Función generadora de momentos
Definición
Se define la función generadora da momentos de una variable aleatoria X, cuando
H(X) = e tX entonces E(e tX ), se define como:
MX (t) = E(e tX )
X
MX (t) = E(e tX ) = e tX p(x ), Si X es discreta
x ∈RX
Z
tX
MX (t) = E(e ) = e tX f (x ) dx , Si X es contínua
RX
Teorema
Sea X una v.a. con función generadora de momentos MX (t), entonces:
′ d
µk,0 = µk = MX (t) |t=0
dt

Función generadora de momentos
La función generadora de momentos tiene la propiedad de unicidad, ya que cuando esta

existe para una v.a., ésta es única. En otras palabras, si X e Y son dos v.a. con funciones
generadoras de momentos MX (t) y MY (t) respectivamente, y si MX (t) = MY (t) para
todo t, entonces X e Y tienen la misma distribución de probabilidad.
Teorema
Si X una v.a. y c es una constante entonces:
1. MX+c (t) = e ct MX (t).
2. McX (t) = MX (ct).
Teorema
Si X 1 , X 2 , . . . , X n son n variables aleatorias independientes con funciones generadoras de
momentos MX 1 (t), MX 2 (t), . . . , MX n (t) respectivamente, y si Y = X 1 + X 2 + . . . + X n ,
entonces la función generadora de momentos de la v.a. Y es:
n
Y
MY (t) = MX i (t) = MX 1 (t) · MX 2 (t) · . . . · MX n (t)
i=1

Variables Aleatorias

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variables Aleatorias

Cargado por

Copyright:

Formatos disponibles

VARIABLES ALEATORIAS, DISCRETAS Y CONTÍNUAS -

UNIVERSIDAD MAYOR DE SAN ANDRES

UMSA EST-133 27 de septiembre de 2022 1 / 59

El dominio de la variable aleatoria X es Ω y el rango (recorrido o soporte) es el

Notación: las variables aleatorias se denotan con letras mayúsculas: X, Y , Z , X 1 , X 2 , . . . y

UMSA EST-133 27 de septiembre de 2022 2 / 59

Donde: nC y nS representa el número de caras y el número de sellos obtenidos

Ω = {CCC , CCS, CSC , SCC , CSS, SCS, SSC , SSS}

UMSA EST-133 27 de septiembre de 2022 3 / 59

Definición (Variable Aleatoria Discreta)

Definición (Función de cuantía o ley de probabilidad)

Que satisface las siguientes condiciones

UMSA EST-133 27 de septiembre de 2022 4 / 59

En el ejemplo anterior, la variable aleatoria X está definida por:

UMSA EST-133 27 de septiembre de 2022 5 / 59

UMSA EST-133 27 de septiembre de 2022 6 / 59

Definición (Función de distribución)

UMSA EST-133 27 de septiembre de 2022 7 / 59

En el ejemplo anterior se tiene:

1 Si x < −3, es claro que F (x ) = P(X ≤ x ) = 0.

UMSA EST-133 27 de septiembre de 2022 8 / 59

UMSA EST-133 27 de septiembre de 2022 9 / 59

x p(x ) = P(X = x ) F(x)

UMSA EST-133 27 de septiembre de 2022 10 / 59

UMSA EST-133 27 de septiembre de 2022 11 / 59

UMSA EST-133 27 de septiembre de 2022 12 / 59

UMSA EST-133 27 de septiembre de 2022 13 / 59

La variable aleatoria X tiene la siguiente función de distribución

UMSA EST-133 27 de septiembre de 2022 14 / 59

UMSA EST-133 27 de septiembre de 2022 15 / 59

Definición (Función de Densidad de Probabilidad)

UMSA EST-133 27 de septiembre de 2022 16 / 59

1 f (x ) no representa una probabilidad.

P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a < X < b) = P(a ≤ X < b)

UMSA EST-133 27 de septiembre de 2022 17 / 59

Sea X una variable aleatoria continua con función de densidad:

UMSA EST-133 27 de septiembre de 2022 18 / 59

UMSA EST-133 27 de septiembre de 2022 19 / 59

0.0 0.5 1.0 1.5 2.0 2.5 3.0

UMSA EST-133 27 de septiembre de 2022 20 / 59

UMSA EST-133 27 de septiembre de 2022 21 / 59

UMSA EST-133 27 de septiembre de 2022 22 / 59

Del anterior ejemplo se tiene la siguiente función de densidad, se requiere hallar la

UMSA EST-133 27 de septiembre de 2022 23 / 59

UMSA EST-133 27 de septiembre de 2022 24 / 59

UMSA EST-133 27 de septiembre de 2022 25 / 59

6. La función de distribución es no decreciente, esto es si a ≤ b, entonces

7. F (x ) es continua por la derecha en todos los puntos.

UMSA EST-133 27 de septiembre de 2022 26 / 59

Cuando una variable esta complementamente determinado por la distribución de

UMSA EST-133 27 de septiembre de 2022 27 / 59

Interpretación geométrica La esperanza matemática de una variable aleatoria discreta o

UMSA EST-133 27 de septiembre de 2022 28 / 59

En el ejemplo anterior de la variable aleatoria discreta

Hallar la esperanza matemática

= −3p(−3) − p(−1) + p(1) + 3p(3)

UMSA EST-133 27 de septiembre de 2022 29 / 59

Sea X una variable aleatoria continua con función de densidad:

UMSA EST-133 27 de septiembre de 2022 30 / 59

P(FY ) = P({x ∈ RX /H(x ) ∈ FY }) = P(EX )

Donde E X es el evento equivalente en RX para el evento FY .

En el ejemplo anterior de la variable aleatoria discreta

Hallar la probabilidad P(Y < −5) y P(Y ≥ 5) cuando Y = 2X − 1.

x -3 -1 1 3 RX = {−3, −1, 1, 3}; RY = {−7, −3, 1, 5}