TEMA 3.

CARACTERÍSTICAS DE UNA VARIABLE

ALEATORIA
3.1.- El operador esperanza matemática. Propiedades
3.2.- Los momentos de una variable aleatoria
3.3.- La variable aleatoria tipificada
3.4.- El teorema de Chebychev
3.5.- La función generatriz y la función característica
Referencias básicas
•Casas y Santos (1999ª: 61-158)
•Freund y otros (1990: 213-236)
•Martín Pliego y Ruiz-Maya (1995: 150-312)
•Newbold (1997: 113-162)
OBJETIVOS FUNDAMENTALES DEL TEMA
Al finalizar el tema el alumno debe ser capaz de:
•Manejar el operador esperanza matemática y conocer las
propiedades del mismo;
•Poder calcular los momentos con respecto al origen;
•Derivar los momentos respecto a la media a partir de los
momentos respecto al origen;
•Tipificar una variable;
•Entender la utilidad de la desigualdad de Chebishev;
•Conocer dos nuevas funciones (función generatriz de momentos
y función característica) que contienen información sobre la
variable aleatoria.
3.1.- El operador esperanza matemática

Media ponderada de los posibles resultados de una

variable aleatoria utilizando como ponderación la
probabilidad de cada uno de estos resultados.

• Variables aleatorias discretas: Ex    x  f ( x )

x


• Variables aleatorias continuas: E  x    x  f ( x )dx

Ejemplo 3.1.1
Una cooperativa agrícola vende plátanos de tres clases. La
probabilidad de que el plátano corresponda a cada una de las tres
clases es:
Clase Probabilidad
1ª 0,8
2ª 0,15
3ª 0,05
La cooperativa vende a 18 céntimos de euro la unidad de la clase
primera, a 12 la unidad de la clase segunda y a 6 la unidad de la
tercera. ¿cuál es el ingreso esperado por unidad vendida en la
cooperativa?
El departamento de marketing de una marca de coches considera que
el tiempo que transcurre hasta la renovación del automóvil por parte
de sus clientes puede representarse mediante la función de densidad:
f(x)=x2/72, 0<x<6, donde x está medido en años, aunque
permitimos que tome cualquier valor decimal. Calcular el tiempo
promedio que transcurre hasta que un individuo renueva su coche.
Propiedad 1: La esperanza matemática de una constante es igual a
la misma constante; E[c]=c
Propiedad 2: Sea X una variable aleatoria discreta/continua y f(x)
su distribución de probabilidad en x, el valor esperado de g(x), una
función de X, vendrá dado por,
V. discretas E  g( x )   g( x )  f ( x )
x
V. Continuas E  g( x ) 

 g( x )  f ( x )dx


Propiedad 3: Si a y b son constantes, entonces, E[a g(x)+b]=a

E[g(x)]+b
Propiedad 4: Si una variable aleatoria está acotada entre dos
valores a y b, axb, entonces también a  E[x]  b
Ejemplo 3.1.4
La cantidad de merluza desembarcada en un puerto pesquero es
una variable aleatoria x con función de densidad (x en toneladas)
f(x)= kx(30-x) si 0<x<30
f(x)= 0 resto de los casos

a) Hallar el valor de la constante k

b) Debida a una excesiva oferta la relación actual entre el precio
por kilo y la cantidad en toneladas viene dada por:
P=1500(1+1/x). Obtener el precio medio por kilo de merluza
3.2.- Los momentos de una variable aleatoria
a B  E ( x  B )r
Momentodeordenr conrespecto  
•Momentos con respecto al origen: B=0
V. discretas  
E x r  x r  f(x )

 
x

V. continuas Ex r
x r  f ( x )dx

para r=0,1,2,…..
•Momentos con respecto a la media: B=
V. discretas  
E ( x   )r   ( x   )r  f ( x )
x
V. continuas
para r=0,1,2,…..
  
E ( x   )   ( x   )r  f ( x )dx
r

Varianza de una variable aleatoria
Coincide con el segundo momento alrededor de la media
 
Var[x]= 2=E[(x-)2]=E[x2]-[E[x]]2=E[x2] - 2

Propiedad 1: Si X tiene la varianza 2, entonces Var[ax+b]=a22

(a, b constantes).
Relación entre los momentos respecto a la media y los momentos
con respecto al origen

r
 r

 r   ( 1 )   r k 1
k k

k 0 k 
3.3.- La variable aleatoria tipificada
Sea X una variable aleatoria tal que
E[x]= 
Var [x]=2
Recibe el nombre de variable aleatoria tipificada o normalizada,
la variable Z, tal que
x 
z


la cual tiene las siguientes características en cuanto a su valor

medio y dispersión:
E[z]= 0 Var [z]=1
3.4.- Teorema de Chebyshev

Si  y  son la media y la desviación estándar de una variable

aleatoria X, entonces para cualquier constante positiva k la
1
probabilidad es al menos1  2 que X asumirá un valor
k
dentro de k desviaciones estándar de la media;

 
1
P x    k  1  2
k
1
P   k   x    k    1  2
k
Ejemplo 3.4.1
Sea una variable aleatoria X de tipo discreto, cuya distribución
de probabilidad viene dada por:
X P(X=x)
1 0,03
2 0,04
3 0,07
4 0,72
5 0,07
6 0,04
7 0,03
Obtener una cota superior de las probabilidades de los sucesos
P[ |x- | k] para k=2,3 y 4. Compara estos valores con las
probabilidades exactas de estos sucesos
=E[x]=10,03+20,04+30,07+40,72+50,07+60,04+70,03=4
2=
E[x2]=120,03+220,04+320,07+420,72+520,07+620,04+720,03=17
2=2+12=17-16=1 y también  =1
Si k=2 P[| x- | 2]  1/22 P[| x-4 |  2]=0.14  1/4
Si k=3 P[| x- | 3]  1/32 P[| x-4 |  3]= 0.111 1/9
Si k=4 P[| x- | 4]  1/42 P[| x-4 |  4]=0  1/16
Ejemplo 3.4.2
El número de periódicos vendidos diariamente en un quiosco es una
variable aleatoria de media 200 y desviación típica 10. ¿cuántos
ejemplares diarios debe encargar el quiosquero para tener seguridad
de al menos un 99% de no quedarse sin existencias?

Particularizando la expresión extendida del teorema de Chebyshev,

1
  P 200  k 10  x  200  k 10  1 
k2
para tener la seguridad de al menos el 99% k=10, por tanto,
1
P 200  100  x  200  100  1 
100
resultando el intervalo (100<x<300) luego 300 (extremo superior)
son los periódicos que garantizan no quedarse sin existencia con al
menos un 99% de probabilidad .
3.5.- La función generatriz y la función característica
La función generatriz de momentos de una variable aleatoria
X, está dada por
V. discretas G X ( t )  E ( etx
)
x
   f (x )
etx


V. continuas G X ( t )  E ( e )   etx  f ( x )dx
tx


Para determinar los primeros momentos de una variable

aleatoria podemos simplificar su cálculo mediante la relación

d r G x (t )
r
 r
dt
t 0
 Ejemplo 3.5.1
Sea la variable aleatoria X cuya distribución de probabilidad viene
dada por:
X 0 1 2 3
P(X=xi) 0,2 0,3 0,4 0,1
Calcula su función generatriz de momentos y utilízala para obtener
los tres primeros momentos no centrados.
G X ( t )  E ( etx )   etx  f ( x )  et 0  0,2  et 1  0,3  et 2  0,4  et 3  0,1
x

G' X ( t  0 )  e0  0,3  e02  0,8  e03  0,3  1,4  1

G' ' X ( t  0 )  e0  0,3  e02 1,6  e03  0,9  2 ,8   2
G' ' ' X ( t  0 )  e0  0,3  e02  3,2  e03  2,7  6 ,2   3