23

2. VARIABLES ALEATORIAS UNIDIMENSIONALES

En el captulo anterior se estudi un espacio de probabilidad denotado por (, A, P(.)), este
involucra un experimento aleatorio que induce a un espacio muestral , una coleccin de
subconjuntos de denominado un espacio de eventos A y tambin una funcin de probabilidad
con dominio en A y contradominio en [0,1]. El objetivo deseado a alcanzar es el de evaluar las
probabilidades de los eventos. En otras palabras se ha deseado modelar los experimentos
aleatorios mediante una funcin, as como tener la capacidad para expresar la ocurrencia de
eventos aleatorios mediante probabilidades. Esto es en general, independientemente si el espacio
muestral es discreto o continuo.

Como ya se ha visto, los elementos de un espacio muestral no necesariamente son numricos. Sin
embargo, seguramente ya se habr notado que en muchos problemas aun cuando el espacio
muestral no sea numrico no estamos interesados particularmente en los resultado del
experimento, sino ms bien en una caracterstica numrica particular del resultado, tal como el
nmero de bolas rojas en una muestra, el nmero de artculos defectuosos en una lnea de
produccin, la suma de los puntos en las caras al lanzar dos dados o el nmero de caras que
aparecen al lanzar una moneda n veces. Por otra parte, el estudio matemtico de la
incertidumbre, de donde provienen los procesos que nos permitirn ampliar el clculo de
probabilidades a los casos de espacios muestrales numerables y no numerables, requiere asociar
un nmero a cada resultado del espacio muestral. As es como surge el concepto de variable
aleatoria.
La introduccin del concepto de variable aleatoria, nos permitir describir los eventos de manera
numrica, y en base a esta introduccin describir la ocurrencia de dichos eventos mediante un
modelo probabilstico, que ayuda a determinar la probabilidad de ocurrencia de dichos eventos.
En esta unidad se aborda dos temas importantes que ayudarn a determinar probabilidades de
eventos, estos son denominados funcin de densidad de probabilidad y Funcin de distribucin
acumulada.

Recordemos que:
Un experimento aleatorio genera un espacio muestral numerable o un espacio muestra no
numerable.
Cuando se tiene un espacio muestral numerable un Espacio de Eventos (o tambin denominado
sigma lgebra) de inters es la clase potencia: A =2

y es posible definir un espacio de probabilidad

(, A, P). Sin embargo, cuando se tiene un espacio muestral no numerable ya no es claro definir el
espacio de eventos. Para abordar el espacio de eventos en ambos casos es incorporado un nuevo
concepto: Variable aleatoria.

Una variable aleatoria es una funcin que asigna un nmero real a cada evento simple del espacio
muestral. En smbolos, si X es una variable aleatoria, X: R. De este modo, bajo la variable
24

aleatoria, cada evento tendr asociado un subconjunto de R, as, este subconjunto de nmeros
reales es formado por las imgenes bajo la funcin X, aplicado a los elementos de dicho evento.

EFECTO E IMPORTANCIA DE LA VARIABLE ALEATORIA.

Comnmente los eventos de inters son los eventos identificados por nmeros, denominados
eventos numricos, por ejemplo: un mdico se interesa en el evento de que 8 pacientes tratados
se curen con determinado medicamento, un agrnomo se interesa en el evento de la cantidad de
maz que se cosechar en su tierra para el prximo ao, un empresario de vehculos se interesa en
el evento del nmero de vehculos que ser vendido en este ao, Un jugador se interesa en el
nmero de guilas que caen en cuatro lanzamientos de una moneda. Por lo que se puede
observar, que los eventos numricos son de principal importancia en los eventos, lo cual es el
motivo de las variables aleatorias, darle nmero a los elementos del espacio muestral, los cuales
ayudan a determinar las probabilidades relacionados con los tipos de eventos numricos que
realmente interesan como se ha mencionado. Observemos el siguiente ejemplo, para analizar el
proceso que hace una variable aleatoria.

Ejemplo: Lanzamiento de una moneda 4 veces. Sea la variable aleatoria X:Nmero de guilas que
cae.
1,2,3,4} i s, a, | ) , , , ( {
4 3 2 1
= = = =
i i
x x x x x w
16 # =
R X :
) (
1
ssss w =





) (
i
w X

0
) (
2
asss w = , ) (
3
sass w = ,
) (
4
ssas w = , ) (
5
sssa w =
1
11 10 9 8 7 6
, , , , , w w w w w w (cada
una con la caracterstica de tener
exactamente 2 guilas)
2
15 14 13 12
, , , w w w w (cada uno
con la caracterstica de tener
exactamente 3 guilas)
3
) (
16
aaaa w =
4

En general una variable aleatoria X hace una particin del espacio muestral y a cada evento de la
particin les asigna un nmero real. Con esto, ahora el inters de obtener probabilidades de un
evento de la particin es equivalente al de obtener la probabilidad de un valor numrico.

Esto lleva a que el clculo de la probabilidad de un subconjunto de se convierta en el clculo de
la probabilidad de un subconjunto de R. De aqu surgen algunas interrogantes, pero antes
25

recordemos que el espacio de eventos es una clase en el que cada elemento es un subconjunto del
espacio muestral.
Sabemos que se calculan probabilidades de subconjuntos del espacio muestral , o bien de
elementos de un espacio de eventos, ahora, cuando bajo la variable aleatoria se calculen
probabilidades de subconjuntos de R, cul es el espacio de eventos?.
Por otra parte, suponiendo que este espacio de eventos es una clase en el que cada elemento es
un subconjuntos de R denotada por B BB B todo elemento de B BB B est asociado con un elemento del
espacio de eventos de ?
Efectivamente, al utilizar el concepto de variable aleatoria por el cual se calculan probabilidades
de subconjunto de R, se requiere de un nuevo espacio de eventos que denominaremos por B BB B, y
tambin se requerir que todo elemento de B BB B este bien asociado con los elementos del espacio de
Eventos de .

Nuestro objetivo es determinar probabilidades de subconjunto de un espacio muestral,
independientemente si el espacio muestral es discreto o continuo, para ello la variable aleatoria
permite generalizar este clculo de probabilidades.

Definicin: Sea el espacio de probabilidad (, A, P). Decimos que una funcin X:R es una
variable aleatoria (v.a.), si cumple que xR, { |X()(-,x]} es un evento en el espacio de
evento A, es decir, si la imagen inversa de (-,x] est en A. (como se menciona en el Trivedi)

Notar que si A=2

, sin importar la definicin de la variable aleatoria X, xR se cumple

inmediatamente que { |X()(-,x]}A, es decir, si A es el conjunto potencia toda funcin
de en R RR R es una variable aleatoria. De este modo, cuando sea finito o numerable podemos
asumir simplemente que una variable aleatoria es una funcin que asigna un nmero real a cada
elemento del espacio muestral.

Ejemplo 1:
Considrese el experimento de lanzar una moneda dos veces, entonces ={(a,a), (a,s), (s,a), (ss)}.
Sea X el nmero de guilas que cae. Suponiendo el espacio de eventos es A = 2

. Es X una v.a?
Respuesta: S lo es.
Comprobemos:
La variable X puede resultar ser: 0,1 o 2
Para cualquier xR, veamos, hay tres posibilidades para (-,x]:
i) que no contenga a 0 ni a 1 y tampoco al 2
ii) que contenga a 0 pero no a 1 y tampoco a 2
iii) que contenga a 0 y a 1 pero no a 2
iv) que contenga a 0,1 y al 2
Vase que pasa en cada caso
i) Si no contiene a ninguno entones:
{ |X()(-,x]}=A
26

ii) Si contiene a 0 pero no a 1 y tampoco a 2 entonces:
{ |X()(-,x]}={(s,s)}A
iii) Si contiene a 0 y a 1 pero no a 2, entonces:
{ |X()(-,x]}={(s,s), (a,s), (s,a)}A
iv) Si contiene 0,1 y al 2, entonces:
{ |X()(-,x]}={(s,s), (a,s), (s,a), (a,a)}=A
Entonces, se concluye que X es una v.a

Nota: ahora, si consideramos el espacio de eventos = { ,}, es X una v.a?
En este caso No, ya que para los casos ii) y iii)
ii) Si contiene a 0 pero no a 1 y tampoco a 2 entonces:
{ |X()(-,x]}={(s,s)} A
iii) Si contiene a 0 y a 1 pero no a 2, entonces:
{ |X()(-,x]}={(s,s), (a,s), (s,a)} A
no pertenecen a este nuevo espacio de eventos A={,}

Por lo que se observa que X es variable aleatoria dependiendo de espacio de eventos que
se considere.

2. Para el experimento de lanzar una moneda hasta que salga cara, define una variable
aleatoria.
Ejercicio para el estudiante

3. Sea (, A, P) un espacio de probabilidad y sea A un evento cualquiera y defnase la funcin
indicadora de A como:

=
A si 0
A si 1
) (
A
I
Suponiendo el espacio de eventos A = 2

. Es I
A
una v.a.?
Respuesta: S lo es.
Comprobado.
La variable aleatoria X puede resultar ser: 0 o 1
Para cualquier xR, veamos, hay tres posibilidades para (-,x]:
que no contenga a 0 ni a 1,
que contenga a 0 pero no a 1 y
que contenga a 0 y a 1.
Si no contiene a 0 ni a 1, entonces I
A
((-,x])=A.
Si contiene a 0 pero no a 1, entonces I
A
((-,x])=A
c
A.
Si contiene tanto a 0 como a 1, entonces X((-,x])=A.

Por lo que se concluye que X es una v.a
27

Cmo definir una variable aleatoria diferente a la funcin indicadora cuando el espacio muestral
es infinito no numerable? Para responder la pregunta recordar que un espacio muestral infinito no
numerable est conformado por un intervalo de nmeros reales cul es entonces el modo
inmediato de definir una funcin de en R? pues definir X: R como la funcin identidad
ser esta una variable aleatoria? S lo es cuando consideramos como espacio de eventos a la clase
de R que en matemticas es conocida como sigma lgebra de Borel y que no es ms que la clase
de subconjuntos de R construida mediante uniones, intersecciones numerables y complementos
de intervalos de la forma (-, x]. Este espacio de eventos (sigma lgebra de Borel) contiene a
todos los intervalos cerrados, a todos los intervalos abiertos, a todos los puntos y de hecho a
cualquier conjunto de puntos sobre la recta real que es de inters en las aplicaciones.

Considrese el espacio de probabilidad (, A, P(.)) y sea X una variable aleatoria definida en
entonces
{ |X()(-,x]}= x} ) X( | { A para toda x en R
Entonces tiene sentido hablar de probabilidades de este conjunto, es decir:
P( x} ) X( | { )
Adems se tiene la siguiente igualdad en probabilidades:
P x) ) ( ( X =P( x} ) X( | { ) para todo R x
Para facilitar el manejo de los eventos se introduce la siguiente notacin
P x) ( X =P( x} ) X( | { ) para todo R x
O bien, considerando la variable aleatoria X que se a definido
]) , ( x P
X
=P( x} ) X( | { ) para todo R x
Observemos:
)) , (( b a P
X
= ) X ( b a P < < = )) , ( ( b a X P =P( }) ) , ( ) ( { b a X
]) , (( b P
X
= ) X ( b P = ])) , ( ( b X P =P }) ] , ( ) ( ({ b X
}) ({a P
X
= ) X ( a P = =P( }) ) ( { P( } } { ) ( a X a X = =
}) , ({ b a P
X
= ) X X ( b o a P = =


=P( }) ) ( ) ( { P( } } , { ) ( b X o a X b a X = = =

En resumen, en el captulo anterior trabajamos con el espacio de probabilidad (, A, P). Ahora,
bajo la variable aleatoria X se tiene:

X
R La variable X le asigna un valor Real a cada elemento de

A B BB B Utilizando la variable X ahora determinamos probabilidades de elementos de B BB B donde
este conjunto es formado por subconjuntos de R y cada uno de sus elementos est en
correspondencia con elementos de A
28

P
X
P La funcin de probabilidad depende de la variable aleatoria X definida.

Notar que : La variable aleatoria transfiere a determinar probabilidades en el espacio (R, , )
X
P en
lugar de (, A, P(.)).
Observemos:
La variable aleatoria X, hace el cambio de espacio muestral , al espacio muestral R
R X :
Siendo el inters de obtener probabilidades de eventos numricos, sea R B es posible
determinar la probabilidad de este evento numrico mediante la variable aleatoria X de la
siguiente manera:
) (B P
X
=P( } ) X( | { B )
La notacin
X
P solamente indica que se est determiando probabilidades considerando la
variable aleatoria X.

A partir de ahora, se realizar clculo de probabilidades de eventos numricos (subconjuntos de
reales) mediante la variable aleatoria X. Es decir estaremos determinando probabilidad en el
espacio de probabilidad (R, , )
X
P

Definicin. Sea un espacio de probabilidad (, A, P(.)) y X una v.a., la distribucin de X es definida
por la funcin de probabilidad R :
X
P

Ejemplo:
1. Considrese el experimento de lanzar una moneda dos veces, entonces ={(a,a), (a,s), (s,a), (ss)}
y sea X la variable aleatoria, definida por el nmero de guilas que cae. Hallar la distribucin de la
variable aleatoria X.

Solucin: Se debe hallar la ) (B P
X
para toda B
X=0,1,2 entonces:
4 / 1 ) 2 ( ) 2 (
2 / 1 ) 1 ( ) 1 (
4 / 1 ) 0 ( ) 0 (
= = =
= = =
= = =
X P P
X P P
X P P
X
X
X

Una vez que se obtenga la probabilidad
X
P de los valores numricos que la variable aleatoria X
asigna a los eventos simples, es posible encontrar la probabilidad
X
P para cualquier evento B en
como sigue.
) 2 (
4
1
) 1 (
2
1
) 0 (
4
1
) ( ) (
B B B X
I I I B X P B P + + = =
29

Funcin de densidad y distribucin acumulada

Variables Aleatorias Discretas

Definicin. Se dice que una variable aleatoria X definida en el espacio muestral, es discreta
unidimencional si es una variable que toma solo un nmero finito o infinito numerable de valores
en los reales, para asignar a los puntos muestrales.

Supngase que X toma un conjunto numerable de valores reales, digamos ... ,... ,
2 1 n
x x x con
probabilidades respectivas ) (
1
x X P = , ) (
2
x X P = , , ) (
n
x X P = y sea A cualquier
subconjunto de los Reales, entonces la probabilidad de A es:

= =
A x
i
i
x X P A P ) ( ) (

Esto es, suma de las probabilidades de los valores
i
x que pertenecen a A.

Definicin. Se dice que un punto x en los reales es un valor posible de la variable aleatoria
discreta X, si y solo si 0 ) ( > = x X P . Un valor posible es tambin denominado punto masa de X y
al conjunto de puntos masa es denominado Rango de X.

Funcin de densidad

Definicin. Sea X una v.a. discreta, y valores posibles x
1
, x
2
,..., la funcin de densidad de X se define
como la funcin f
X
(x) que cumple las siguientes condiciones:
i. 0 ) ( >
i
x f

i=1,2,... donde las
i
x son valores posibles de X
ii. f
X
(x)= 0 para xx
i
i=1,2,...
iii.

=1 ) (
i X
x f

donde f
X
(x) no es otra cosa que ) ( x X P =

Otros trminos empleados para asignar una funcin de densidad para una variable aleatoria
discreta son: funcin masa de probabilidad, funcin de probabilidad, distribucin de
probabilidad, funcin de frecuencia discreta, a veces simplemente distribucin de X

Nota:
1) Sea x
1
, x
2
,..., x
n
los valores posibles de X y sea B , la funcin de densidad de una v.a. con
distribucin discreta X puede ser escrito como:
a)

=
=
n
i
i X i B X
x f x I B P
1
) ( ) ( ) (
b)

=
B
i
x
i X X
x f B P ) ( ) (
30

2) Si B contiene todos los valores posibles de la v.a. X entonces:
1 ) B ( =
X
P

Ejemplo:
Supngase que un experimento consiste en lanzar cuatro monedas iguales Supngase que se est
interesado en la variable aleatoria X: Nmero de guilas que aparecen. Determinar la funcin de
densidad de X.
Solucin:

Se observa que el rango de X es {0,1,2,3,4}
Es necesario determinar: ) ( x X P = con 4 , 3 , 2 , 1 , 0 = x
Se observa que
4
2 # = No. de formas en que pueden caer las 4 monedas.
Sea el evento Ax : Cae exactamente x guilas
|
|

\
|
=
x
Ax
4
# No. de formas en que pueden caer exactamente x guilas en las 4 monedas.
4
2
4
) (
|
|

\
|
= =
x
x X P
Entonces:
4
2
4
) (
|
|

\
|
=
x
x f con x =0,1,2,3,4
Donde 0 ) ( > x f si x =0,1,2,3,4 y
0 ) ( = x f si 4 , 3 , 2 , 1 , 0 x

Se cumplen las condiciones i), ii) de una funcin de densidad.
iii) Veamos la tercera condicin

= = =
|
|

\
|
=
|
|

\
|
=
4
0
4
4
0
4
4
0
4
2
1
2
4
) (
x x x
x
x
x f por teorema del binomio:
k n k
n
k
n
b a
k
n
b a

=

|
|

\
|
= +
0
) (
1 ) 1 1 (
2
1
4
4
= + =
Entonces la funcin de densidad de X es:

=
|
|

\
|
=
o otro de
x si
x
x f
mod 0
4 , 3 , 2 , 1 , 0
2
4
) (
4

Esta funcin de deisdad puede representarse de cualquier forma que se da a continuacin
31

) (
2
4
) ( )
} 4 , 3 , 2 , 1 , 0 {
4
x I
x
x f a
|
|

\
|
=

=
=
4
1
) ( ) ( ) ( )
x
X B X
x f x I B P b

, 16 / 1 ) 4 ( , 16 / 4 ) 3 ( , 16 / 6 ) 2 ( , 16 / 4 ) 1 ( , 16 / 1 ) 0 ( ) = = = = = f f f f f c

Ejemplo:
Si se tiene una urna con 3 bolas negras, 2 rojas y 5 blancas, y el inters es el de observar el color al
extraer una bola, podemos codificar segn el color, como: X=1 si es negra, X=2 si es roja y X=3 si
es blanca. As, la funcin de densidad de X no necesariamente es expresada en una funcin
matemtica, es decir la funcin de densidad es expresada mediante la siguiente tabla.

x 1 2 3
) (x f 3/10 2/10 5/10

Por lo que la variable X puede, de manera natural describir un atributo como en el ejemplo 1
respecto a las 4 monedas lanzadas, o bien puede ser simplemente el resultado de la codificacin
arbitraria de los elementos del espacio muestral con determinada caracterstica.
Una funcin de densidad puede ser expresada mediante una funcin matemtica o bien mediante
una tabla de valores, como en el ejemplo anterior.

Ejemplo :
Sea el experimento de lanzar una moneda balanceada y la v.a. X definida por el No. de veces
necesarias hasta obtener el primer guila.
a) Cual es la probabilidad de obtener guila hasta el k

simo lanzamiento?
b) Determine la funcin de densidad para la variable aleatoria X
Solucin:
a)
k
k
2
1
2
1
....
2
1
2
1
) ( |

\
|
= =
veces
k f
X

En los primeros (k-1) lanzamientos son soles y en el lanzamiento k result guila
b) Se observa que el rango de X es:{1,2,3,4.}
Entonces en general se tiene que:

=
=
modo otro de 0
,... ,..., 2 , 1 si ) 2 / 1 (
) (
n x
x f
x
X

Ahora, esta funcin es una funcin de densidad discreta?

Analizando las propiedades:
32

i) Los valores posibles son x =1,2,...n... y para cada x se tiene
x
2
1
) (
|

\
|
= x f
X
>0
ii) Por definicin 0 ) ( = x f
X
si X es diferente a cualquier valor posible.
iii) 1 ) (
1
=

= i
i X
x f

por comprobar
prueba:
1
2 / 1 1
2 / 1
) ( lim ) ( ) (
1 1 1
2
1
2
1
=

= = =

=

= =
n
x
n
x x
x x
i
x f
por lo que se deduce que la funcin:

=
=
modo otro de 0
,... ,..., 2 , 1 si ) 2 / 1 (
) (
n x
x f
x
X

es efectivamente una funcin de densidad discreta..

Ejemplo:
Considere el experimento de lanzar dos dados. Sea X la v.a que denota la suma de las caras de
arriba. Los valores posibles de X son 2,3,...,12. y sea Y la v.a. que denota la diferencia absoluta, los
valores posibles son: 0,1,2,3,4,5. Ambas variables son representadas en las tablas de abajo.
Tabla 2.1 Tabla 2.2
X f
X
(x) Y f
Y
(y)
2 1/36 0 6/36
3 2/36 1 10/36
4 3/36 2 8/36
5 4/36 3 6/36
6 5/36 4 4/36
7 6/36 5 2/36
8 5/36

=1 ) (
Y i
y f
9 4/36
10 3/36
11 2/36
12 1/36

=1 ) (
i X
x f


Obsrvese que f
Y
(x) y f
X
(y) cumplen con las condiciones de una funcin de densidad
i. f(x
i
) >0 , f(y
i
) >0
ii. f
X
(x) >0 para x x
i
f
Y
(y) >0 para x x
i

iii.

=1 ) (
i
x f x
i
son valores posibles,

=1 ) (
j
y f y
j
son valores posibles.

Por lo que f
X
(x) y f
Y
(y) son funciones de densidad.
Variables aleatorias continuas
33


Una variable aleatoria continua est relacionada con experimentos aleatorios o fenmenos
aleatorios que generan espacios infinitos no numerables. La variable aleatoria continua puede
tomar cualquier valor de cierto intervalo o coleccin de intervalos de nmeros reales.
Cuando consideramos una variable aleatoria discretas X, observamos que es posible asociar una
probabilidad a cada punto del rango o recorrido de X an cuando el rango de X es infinito,
verificndose sin embargo que la suma de las probabilidades del rango de X es 1, este caso es el
del lanzamiento de la moneda hasta obtener un guila. Donde X es el nmero de lanzamientos
necesarios hasta obtener el 1er guila en los lanzamientos.

=
=
modo otro de 0
,... ,..., 2 , 1 si ) 2 / 1 (
) (
n x
x f
x
X

Recuerde que el espacio puede ser compuesto de elementos que correspondan a un inervalo, y
no solamente de puntos finitos o infinitos numerables, en este tipo de espacios es cuando se
involucra el nuevo tipo de variables llamada variable aleatoria continua.

Definicin. Una variable aleatoria X se dice que es continua (unidimencional) si existe una funcin
) (x f
X
no negativa tal que para todo B

= =

B
X X X
dx x f dx x f x P ) ( ) ( ) ( I (B)
B


Funcin de densidad

Definicin. Sea X una variable aleatoria continua entonces la funcin ) (x f
X
es una funcin de
densidad continua de X si cumple:
i)
) (x f
X
0 para toda x en R ii) 1 ) ( =

dx x f
Observacin:
Dado B y (.)
X
f la funcin de densidad de la v.a continua X. Se tiene que el rea bajo una
funcin de densidad ) (x f
X
sobre B es precisamente la probabilidad de ocurrencia de B es decir:
2.

= =
B x
X X
dx x f P P ) ( B) (X (B)
3. Si B=(x1, x2) el rea es:


= =
) 2 , 1 (
2
1
2 1
) ( ) ( ) (
x x x
X
x
x
X X
dx x f dx x f x X x P
) ( ) ( ) ( ) ( 4.
2 1 2 1 2 1 2 1
x X x P x X x P x X x P x X x P
X X X X
< = < = < < =


34

5. El papel que juega la funcin de densidad continua de X es el de proporcionar un instrumento
para calcular
X
P a travs de la relacin

=
B x
X X
dx x f P ) ( (B) . La funcin de densidad continua
) (x f
X
no necesariamente 0< ) (x f
X
<1 y lo nico que tiene sentido de interpretacin
probabilstica es el rea bajo un conjunto B como (B)
X
P
(.)
X
f define una medida de probabilidad a travs de

= dx x f x P
X X
) ( ) ( I ) B (
B
sobre
Dada una funcin de densidad (.)
X
f de la v.a. X que toma valores en el intervalo (a,b) en R.
Entonces la medida de probabilidad determinada sobre es en realidad

=
) , (
) ( (B)
b a B
X X
dx x f P
que es interpretado como una probabilidad

Ejemplo.
Sea ). ( ) (
] 1 , 0 [
x I x f
X
= Es (.)
X
f una funcin de densidad?
Por definicin de (.)
X
f 1 ) ( , 0 ) ( = = x f x f
X X
para toda x en R
ii)

= + + = + + =

1
0 1
0
1 0 1 0 ) ( 1 ) ( ) ( dx x f dx dx x f dx x f
por tanto (.)
X
f es una funcin de densidad.

Ejemplo:
Si ). )( ) (
) 1 , 0 (
x I x f
X
= Es (.)
X
f una funcin de densidad?. Si, por las propiedades de integracin,
el rea de un intervalo abierto (a,b) de una funcin es el mismo que del intervalo cerrado [a,b].

Ejemplo
Sea X una v.a. con distribucin continua. Y sea la funcin definida por :
) (
1
) (
) , 1 [
2
x I
x
x f
X
=

Es ) (x f una funcin de densidad?
Comprobando si cumple las condiciones de una funcin de densidad continua
Obsrvese que
2
1
) (
x
x f
X
= 0 para toda x en R, pues
2
x >0
1
1 1
) (
1 1
2
=
(

= =

x
du
x
dx x f
por tanto, la funcin definida es una funcin de densidad continua

Nota: No es necesario integrar en los intervalos de X en el que la funcin ) (x f
X
=0
35

Ejemplo
Sea X una v.a. y sea la funcin definida por:

>
=

o otro de
x si e
x f
x
X
mod 0
0 ), , 0 (
1
) (

1 1 0
1
0
0 0
= + = = =

u u
x
e du e dx e

dx du
x
u

1
= =

entonces ) (x f
X
es una funcin de densidad por lo que la v.a X tiene una funcin de densidad
) (x f
X
. Esta funcin de densidad es denominada funcin de densidad de la distribucin
exponencial.

Ejemplo:
Supngase que se tiene en el eje X puntos que van de a a b, si se corta de manera aleatoria en
cualquier punto, determine la funcin de densidad de X.
Solucin:
En el experimento se tiene que cada conjunto de segmentos iguales tienen la misma probabilidad
de contener al punto de corte, entonces:

=
o otro de
b a x si c
x f
X
mod 0
) , (
) (
Ahora, es necesario determinar el valor de
c
. Se desea que ) (x f
X
sea una funcin de densidad,
esto es: 1 =

dx c
b
a
1 ) ( | = = =

a b c cx dx c
b
a
b
a
, entonces
a b
c

=
1

es decir

=
o otro de
b a x si a b
x f
X
mod 0
) , ( ) /( 1
) ( o bien equivalentemente :
) (
1
) (
] , [
x I
a b
x f
b a X

=


Funcin de distribucin acumulada
Definicin. La funcin de distribucin acumulada de una variable aleatoria X denotada por ) (x F
X

es una funcin con dominio en los reales y contradominio en [0,1] esto es: ] 1 , 0 [ : ) ( R x F
X

determinado como:
) ( ) ( x X P x F =
Si X es una variable aleatoria discreta
36

= =
x
i
x
i
x f x X P x F ) ( ) ( ) (
Si X es una variable aleatoria continua

= =
x
dx x f x X P x F ) ( ) ( ) (
Esto es, la suma de todas las probabilidades de los valores posibles x
i
con la condicin x x
i

Ejemplos:
1. Considrese el experimento de lanzar una moneda y X la v.a definida por el no. de guilas que
cae. Hallemos la funcin de distribucin acumulada.
X es una v.a. discreta con rango X: 0,1,2. Siendo que F est definida en todo los reales debe ser
que: F(x)=P(X x)=

x
x f
i
x
i
) (

para cualquier x en R.
Veamos las probabilidades para cualquier x en R, basndonos en los valores posibles

Para x<0 entonces F(x)=P(X x)=0
Para 0x<1 entonces F(x)=P(X x)=1/2
Para x>=1 entonces F(x)=P(X x)=1
As, podemos escribir la funcin de distribucin acumulada como:

<
<
=
x
x
x
x F
1 1
1 0 2 / 1
0 0
) (
o bien : F(x)= 0I
(-,0)
(x)+(1/2)I
[0,1)
(x)+1I
[1, )
(x)

2. Sea el experimento de lanzar dos dados y la v.a. X el valor absoluto de la diferencia de los
puntos que aparecen, hallar su funcin de distribucin acumulada.
Solucin:
X es una v.a. discreta con rango X: 0,1,2,3,4,5.
Veamos las probabilidades para cualquier x en R, basndonos en el rango de X.

Para x<0 entonces F(x)=P(X x)=0
Para 0x<1 entonces F(x)=P(X x)=P(X=0)=6/36
37

Para 1x<2 entonces F(x)=P(X x)=P(X=0)+P(X=1)=6/36+10/36
Para 2x<3 entonces F(x)=P(X x)=P(X=0)+P(X=2)+P(X=3)=6/36+10/36+8/36
Para 3x<4 entonces F(x)=P(X x)=P(X=0)+P(X=2)+P(X=3)=6/36+10/36+8/36+6/36
Para 4x<5 entonces F(x)=P(X x)=P(X=0)+P(X=2)+P(X=3)=6/36+10/36+8/36+6/36+4/36
Para 4x<5 entonces F(x)=P(X x)=P(X=0)+P(X=2)+P(X=3)=6/36+10/36+8/36+6/36+4/36+2/36
Para x5 entonces F(x)=P(X x)=1
Por lo que la funcin de distribucin acumulada queda:

<
<
<
<
<
<
=
5 1
5 4 36 / 34
4 3 36 / 30
3 2 36 / 24
2 1 36 / 16
1 0 36 / 6
0 0
) (
x si
x si
x si
x si
x si
x si
x si
x F
O bien:
) , 5 [ ) 5 , 4 [ ) 4 , 3 [ ) 3 , 2 ( ) 2 , 1 [ ) 1 , 0 [ ) 0 , (
36 / 34 ) 36 / 30 ( 36 / 24 ) 36 / 16 ( ) 36 / 6 ( 0 ) (

+ + + + + + = I I I I I I I x F

3. Ejemplo: Determinar la funcin de distribucin acumulada de la funcin de densidad de la v.a. X
dada por:

>
=

o otro de
x si e
x f
x
X
mod 0
0 ), , 0 (
1
) (

/
/
0
/
0 0 0
1
1
) ( ) ( ) (
x
x
u
x
u
x y x
e e du e dy e dy y f x X P x F

= = = = = =


dy du
y
u

1
= =

Propiedades de la funcin de distribucin acumulada
1. 1 ) ( lim ) ( y 0 ) ( lim ) ( = =
+
x F F x F F
X
x
X X
x
X

2. F
X
(.) es una funcin montona no decreciente; esto es :
F
X
(a) F
X
(b) si a b
3. F
X
(.) es continua por la derecha, esto es:
) ( ) ( lim
0 0
x F h x F
X X
h
= +
<

Nota:
38

Cuando la v.a. X es continua se tiene que ) ( ) ( lim ) ( lim
0 0 0 0
x F h x F h x F
X X
h
X
h
= = +
< <

Cualquier funcin F(.) con dominio en los reales y contradominio en el intervalo [0,1] que satisface
las tres propiedades inmediatas anteriores es definida como una funcin de distribucin
acumulada.
Nota:
Una funcin de distribucin acumulada est definida de manera nica, y el ser conocida facilita
para dar respuesta a preguntas relacionadas con el clculo de probabilidades acerca de una v.a. ya
sea con distribucin discreta continua.

Teorema: Para cualquier
2 1
, , x x x en R se tiene:
a) ) ( ) ( ) (
1 2 2 1
x F x F x X x P
X X
= <
b) ) ( 1 ) (
1 1
x F x X P
X
= >
c) ) ( lim ) (
1
0 0
1
h x F x X P
X
h
= <
<

) ( lim ) ( ) ( ) d
1
0 0
1 1
h x F x F x X P
X
h
X
= =
<

Demostracin:
a) } { } { } {
2 1 1 2
x X x x X x X < =

} { } { } {
} { } { } {
1 2 2 1
2 1 1 2
x X P x X P x X x P
x X x P x X P x X P
= <
< + =

b) } { } { } {
1 1 1
x X x X x < = < <

) ( 1 } {
} { 1 } {
} { } { 1
} { } { } {
1 1
1 1
1 1
1 1 1
x F x X P
x X P x X P
x X P x X P
x X P x X P x P
= >
= >
> + =
> + = < <

) { lim ) ( lim }) { lim ( ) (
} { lim } { ) c
1
0 0
1
0 0
1
0 0
1
1
0 0
1
h x F h x X P h x X P x X P
x X x X
h h h
h
= = = <
= <
< < <
<

}) { lim ( ) (
} { } { } {
} { } { } {
} { } { } { d)
1
0 0
1
1 1 1
1 1 1
1 1 1
h x X P x F
x X P x X P x X P
x X P x X P x X P
x X x X x X
h
X
=
< = =
< + = =
< = =
<

Ejercicio: Determinar en funcin de la distribucin acumulada F
X
(x)
i) ) (
2 1
x X x P

ii) ) (
2 1
x X x P < <

i)
39

) ( lim ) ( } { } { ) (
) ( ) ( ) (
} { } { } {
1
0 0
2 1 2 2 1
2 1 1 2
2 1 1 2
h x F x F x X P x X P x X x P
x X x P x X P x X P
x X x x X x X
X
h
X
= < =
+ < =
< =
<

ii)

} { } { } { } {
2 2 1 1 2 1
x X x X x x X x X x = < < = = <


) ( lim ) ( lim ) ( ) ( lim
) ( lim ) (
) ( lim ) ( ) ( lim ) ( ) ( lim ) (
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
1
0 0
2
0 0
1 2
0 0
2
0 0
1
2
0 0
2 1
0 0
1 1
0 0
2
2 1 2 1 2 1
2 2 1 1 2 1
h x F h x F x F h x F
h x F x F
h x F x F h x F x F h x F x F
x X P x X P x X x P x X x P
x X P x X x P x X P x X x P
X
h
X
h
X X
h
X
h
X
X
h
X X
h
X X
h
X
+ = =
+ =
+ + =
= = = < <
= + < < + = =
< < <
<
< < <

Observacin:
) ( lim ) (
1
0 0
1
h x F x F
X
h
X
+ =
<
por la 3 propiedad de la funcin de distribucin acumulada.
Por lo que:
) ( lim ) ( lim ) (
1
0 0
2
0 0
2 1
h x F h x F x X x P
X
h
X
h
+ =
< <


4. Ejemplo:
Sean las funciones de distribucin acumulada:

<
<
<
<
<
<
=
5 1
5 4 36 / 34
4 3 36 / 30
3 2 36 / 24
2 1 36 / 16
1 0 36 / 6
0 0
) (
x si
x si
x si
x si
x si
x si
x si
x F
X v.a discreta



/
1 ) (
x
e x F

=
X v.a. continua


Empleando cada distribucin acumulada, calcular las siguientes probabilidades:
a) P(X<4)
b) P(X=1)
c) P(X>1/2)
d) P(2<X4)

Solucin.
Para el caso de distribucin acumulada de la v.a. discreta se tiene
a) P(X<4)= 36 / 30 ) 4 ( lim
0 0
=
<
h F
X
h

b) P(X=1)= =
<
) 1 ( lim ) 1 (
0 0
h F F
X
h
X
16/36-6/36=10/36
40

c) P(X>1/2)= 36 / 30 36 / 6 1 ) 2 / 1 ( 1 = =
X
F
d) P(2<X 4)= = ) 2 ( ) 4 (
X X
F F 34/36- 24/36=10/36
Para el caso de distribucin acumulada de la v.a. continua se tiene
a) P(X<4)= =
<
) 4 ( lim
0 0
h F
X
h
) 4 (
X
F =
/ 4
1

e
b) P(X=1)= 0 ) 1 ( ) 1 ( ) 1 ( lim ) 1 (
0 0
= =
<
X X X
h
X
F F h F F
c) P(X>1/2)=
2 / 1 2 / 1
) 1 ( 1 ) 2 / 1 ( 1

= = e e F
X

d) P(2<X 4)=
/ 4 / 2
) 2 ( ) 4 (

= e e F F
X X


Teorema: Sea X una v.a. con distribucin discreta continua entonces F
X
(x) puede ser obtenida de
f
X
(.) y viceversa.
Demostracin
a) Caso de v.a.s con distribucin discreta.
i) Si se tiene ) (x f
X



= =
x
i
x x
i
x
i X i X
x f x P x F ) ( ) ( ) (
ii) Si se tiene ) (x F
X

) ( lim ) ( ) (
0 0
h x F x F x X P
j X
h
j X j
= =
<

para cada valor posible
j
x de X
b) Caso de v.a.s con distribucin continuas
i) Si se tiene ) (x f
X
entonces:

=
x
X
dy y f x F ) ( ) (
ii) Si se tiene ) (x F
X
entonces:
dx
x dF
x f
X
X
) (
) ( = para los puntos x para el cual F
X
(x) es diferenciable
5. Ejemplo
Del ejemplo anterior
a) Supngase que se tiene ) (x f
X

X f
X
(x)
0 6/36
1 10/36
2 8/36
3 6/36
4 4/36
5 2/36

se puede obtener ) (x F
X
por definicin de funcin de distribucin acumulada, basndose en
los valores posibles, solucin similar al realizado en el ejemplo 2 del tema de funcin de
distribucin acumulada con resultado:
41

<
<
<
<
<
<
=
5 1
5 4 36 / 34
4 3 36 / 30
3 2 36 / 24
2 1 36 / 16
1 0 36 / 6
0 0
) (
x si
x si
x si
x si
x si
x si
x si
x F

b)
b) Supngase que se tiene

<
<
<
<
<
<
=
5 1
5 4 36 / 34
4 3 36 / 30
3 2 36 / 24
2 1 36 / 16
1 0 36 / 6
0 0
) (
x si
x si
x si
x si
x si
x si
x si
x F

y se desea obtener ) (x f
X
para cualquier x en R

Solucin
Para F(x) se observa una grfica escalonada por lo que se considera que X es una variable
aleatoria, en donde los valores posibles son: 0,1,2,3,4,5. Ahora determinemos las
probabilidades de cada uno de estos valores.
Si x=0 36 / 6
36
0
36
6
) 0 ( lim ) 0 ( ) 0 (
0
= = =

h F F f
X
h
X X

Si x=1 36 / 10
36
6
36
16
) 1 ( lim ) 1 ( ) 1 (
0
= = =

h F F f
X
h
X X

Si x=2 36 / 8
36
16
36
24
) 2 ( lim ) 2 ( ) 2 (
0
= = =

h F F f
X
h
X X

Si x=3 36 / 6
36
24
36
30
) 3 ( lim ) 3 ( ) 3 (
0
= = =

h F F f
X
h
X X

Si x=4 36 / 4
36
30
36
34
) 4 ( lim ) 4 ( ) 4 (
0
= = =

h F F f
X
h
X X

Si x=5 36 / 2
36
34
1 ) 5 ( lim ) 5 ( ) 5 (
0
= = =

h F F f
X
h
X X

x=3.5 0
36
30
36
30
) 5 . 3 ( lim ) 5 . 3 ( ) 5 . 3 (
0
= = =

h F F f
X
h
X X


En general para x diferente a valores posibles es 0 ) ( = x f
X
,
de hecho:
42

=
=
=
=
=
=
o otro de
x si
x si
x si
x si
x si
x f
X
mod 0
5 36 / 2
4 36 / 4
2 36 / 8
1 36 / 10
3 , 0 36 / 6
) (
6.
a) Dada la funcin de densidad de una v.a. X como

o otro de
x si e
x f
x
X
mod 0
) , 0 (
1
) (

Se puede encontrar la funcin de distribucin acumulada ) (x F
X
ya resuelto anteriormente:

x
e x F

= 1 ) (
si
) , 0 ( x
b) Ahora, si se tiene la funcin de distribucin acumulada

x
e x F

= 1 ) ( x0 >0 hallemos la
funcin de densidad de la variable aleatoria X

x
X X X
e x F
dx
d
x F
dx
d
x f

= = =
1
) ( ) ( ) (

Entonces

x
X
e x f

=
1
) (
con x>0
Ejemplo: Un vendedor de Keroseno tiene un tanque de 150 galones que se llena al principio de
cada semana. Su demanda semanal tiene una frecuencia relativa que crece constantemente desde
cero hasta 100 galones y permanece constante entre 100 y 150 galones. Si
Y
denota la demanda
semanal en cientos de galones, la frecuencia relativa de la demanda se puede representar por:

<

=
punto otro cualquier en
y
y y
y f
0
5 . 1 1 1
1 0 ,
) (

a) Compruebe que la funcin anterior es una fn de densidad.
b) Determine la funcin de distribucin acumulada de X
43

Esperanza y Varianza
La esperanza conocida tambin como la media es un concepto importante involucrada en las
variables aleatorias ya que es una medida de tendencia central para la variable aleatoria, adems
proporciona una caracterstica de la variable aleatoria.
Definicin: Sea X una v.a. y f
X
(x) la funcin de densidad de la v.a. X la esperanza de la v.a. X es
definida por:
i) Si X es una v.a. discreta donde x
i
son valores posibles de X

=
=
1
) ( ] [
i
i i
x f x X E
ii) Si X es una variable aleatoria continua

dx x xf X E

+

= ) ( ] [
Nota:
1. Comnmente E[X] es denotado por
X
, o simplemente cuando solamente se est
haciendo referencia de una sola variable aleatoria X, pero cuando se est haciendo
referencia de dos variables aleatorias como por ejemplo X y Y es recomendable denotar
por
X
y
Y
para diferenciar las esperanzas respectivas de las variables aleatorias.
2. Adems de la esperanza tambin suele llamarse media, o valor esperado de X.
3. En el inciso (i), es importante indicar que la serie E[X] sea absolutamente convergente, de
otro modo la esperanza de la v.a. X no existe. En (ii) es necesario indicar que la integral
E[X] exista, de otro modo la esperanza de la v.a. X no existe.
4. Sea X una v.a. discreta con un No. finito de valores posibles
n
x x x ... ,
2 1
tal que
) ( ... ) (
1 n X X
x f x f =
E(X) resulta ser el promedio de los valores posibles de X.
5. Si los valores posibles de X es finito o infinito numerable en general E[X] se le conoce como
el promedio ponderado de la v.a. X
6. La esperanza en una funcin de densidad es un concepto similar al punto de equilibrio que
se maneja en la fsica conocido como centro de gravedad.

Ejemplos
1. Considrese el experimento de lanzar dos dados. X: la diferencia absoluta. Hallar la esperanza
de la v.a. X
Solucin:
X 0 1 2 3 4 5
f
X
(x) 6/36 10/36 8/36 6/36 4/36 2/36
36 / 70 ) 36 / 2 ( 5 ) 36 / 4 ( 4 ) 36 / 6 ( 3 ) 36 / 8 ( 2 ) 36 / 10 ( 1 ) 36 / 6 ( 0
) ( ) ( ] [
5
0
= + + + + + =
= =

= x
i X i
y
i X i
x f x x f x X E


44

2. Sea X una v.a con la funcin de densidad:
0 con ) (
1
) (
) , 0 (
1
> =

x I e x f
x
X

(fn de densidad exponencial), cual es la esperanza de la v.a. X?
Solucin:
dx e xe
e v e dv
dx du x u
dx e x x E
x x
x x
x

+ =
= =
= =
= =
0
1
0
1
1 1
0
1

1

1
1
] [

0
1
lim Lhopital de regla la por lim
1
1
1
= = =

x
x
x
x
e
xe

0 lim
1
0
=

x
x
xe


As:

0
1
x
xe

=0, y


= + = =

0
0
0
1 1
x x
e dx e
Por lo que: = ] [ X E

3. Sea X una v.a con funcin de densidad definida por:

=
modo otro de 0
2 0 si
8
3
) (
2
x x
x f
X

Hallar E(X)

= = = = = = =

2
0
2
0
4 3
2
0
3
2
0
2
5 . 1
8
12
4
1
8
3
8
3
8
3
8
3
) ( ) ( x dx x dx x dx x x dx x xf X E

4. Sea X una v.a. con funcin de densidad de probabilidad
) (
1
) (
) , 1 [ 2
x I
x
x f

=
cual es la esperanza de la v.a. X?
Solucin:
= = = =


1
1 1
2
) log(
1
] [ x dx
x x
dx
x X E
En este caso se puede observar que la esperanza de la v.a. X no existe ya que la integral no est
definida, se puede interpretar que la esperanza de X es infinita.

Esperanza de una funcin de una v.a. X
Sea X una v.a. con una funcin de densidad f(x) y g(X) una funcin real de la v.a. X, entonces la
esperanza de g(X) es dado por:
45

i.

=
=
1
) ( ) ( )] ( [
i
i i
x f x g X g E

Si X es una variable aleatoria discreta
ii.

= ) ( ) ( )] ( [ x f x g X g E

Si X es una variable aleatoria continua
Nota: g(X) no necesariamente una funcin de densidad


Propiedades de la esperanza

Teorema: Sea X una v.a con funcin de densidad ) (x f
X
; c, c
1
y c
2
constantes reales; g, g
1
y g
2

funciones de la variable aleatoria X entonces:
i. E[c]=c donde c es una constante
ii. E[X+c]=E[X]+c
iii. E[cg(X]=cE[g(X)]
iv. E[c
1
g
1
(X)+ c
2
g
2
(X)]= c
1
E[g
1
(X)]+ c
2
E[g
2
(X)]
v. X0 entonces E[X] 0
vi. E[g
1
(X)] E[g
2
(X)] si g
1
(X) g
2
(X) para toda x

Demostracin
i. Sea g(X)=c hallar E[c]
Caso en que X es discreto:


=

=
= = =
1 1
) ( ) ( ) (
i
i X
i
i X
c x f c x cf c E
Caso en que X es continuo:

= = = c dx x f c dx x f c c E
X X
) ( ) ( ) (

ii). Sea g(X)=X+c hallar E[g(X)]
Caso en que X es discreto:


=

=
+ = + = + = + = +
1 1 1
] [ ) ( ] [ ) ( ) ( ) ( )] [ ] [
i
i X
i
i X i
i
i X i
c X E c E X E x cf x f x x f c x c X E
Caso en que X es continuo:

+ = + = + = + = + c X E dx x f c dx x xf dx x cf dx x xf dx x f c x c X E
X X X X X
] [ ) ( ) ( ) ( ) ( ) ( ) ( ] [

iii) Sea cg(X) una funcin de la variable aleatoria X
Caso en que X es discreto:
] ) ( [ ) ( ) ( ) ( ) ( )] ( [
1 1


=

=
= = =
i
i i X i
i
i X i
x g cE x f x g c x f x cg X cg E
Caso en que X es continuo:
)] ( [ ) ( ) ( ) ( ) ( )] ( [ x g cE dy x f x g c dy x f x cg X cg E
X X
= = =

iv) Sea c
1
g
1
(X)+ c
2
g
2
(X) una funcin de la variable aleatoria X
Caso en que X es discreto:
46

(X)] [g (X)] [g ) ( ) ( g ) ( ) ( g
) ( )] ( g [c ) ( )] ( g [c ) ( )] ( g c ) ( g [c )] ( g c ) ( g [c
2 2 1 1
1 1 i
i 2 2 i 1 1
1
i 2 2 i 1 1
1
i 2 2 i 1 1 i 2 2 i 1 1
E c E c x f x c x f x c
x f x x f x x f x x x x E
i
i X i X
i
i X i X
i
i X
+ = + =
+ = + = +

=
Caso en que X es continuo:
[ ]
[ ] [ ] (X) g c (X) g c )f(x)d ( g c )f(x)d ( g c
) ( )] ( g c ) ( g [c ) ( g c ) ( g c
2 2 1 1 2 2 1 1
2 2 1 1 2 2 1 1
E E x x x x
dx x f x x X X E
X
+ = + =
+ = +

v) Si X0 entonces E[X] 0

0 ) ( ) ( ] [
0
= =

+ +

dx x xf dx x xf X E

|
vi) ) ( ) (
2 1
X g X g
)] ( [ )] ( [
)] ( [ )] ( [ 0
)] ( ) ( [ ) 0 (
) ( ) ( 0
2 1
1 2
1 2
1 2
X g E X g E
X g E X g E
X g X g E E
X g X g

De ii) y iii) se deduce que la funcin esperanza es lineal, esto es:

E[c
1
X
1
+c
2
X
2
+c
n
X
n
]=c
1
E[(X
1
)]+c
2
E[X
2
]+ c
n
E[X
n
]

Varianza

Como se menciono anteriormente, la esperanza es una medida de tendencia central
localizacin central para una v.a., otra medida de importancia para una v.a. es la varianza,
esta es una medida de dispersin para la variable aleatoria X.

Definicin: Sea X una v.a. y f
X
(x) la funcin de densidad de la v.a. X la varianza de la v.a. X es
definida por:
i) ) ( ) ] [ ( ] ]) [ ( [ ] [
2
2
i
i
i
x f X E x X E X E X Var

= =
Si X es una v.a. con distribucin discreta donde x
i
son los valores posibles de X
ii) dx x f X E x X E X E X Var ) ( ]) [ ( ] ]) [ [( ] [
2 2

+

= =
Si X es una v.a. con distribucin continua

La varianza comnmente es denotado por
2
X
o simplemente
2


47

Desviacin estndar. Es definida como la raz cuadrada no negativa de la varianza, al igual que la
varianza es una medida de dispersin, es de gran utilidad, puesto que al emplearla proporciona
una medida de dispersin con la misma unidad que los datos, mientras que la varianza
proporciona una medida cuadrtica de la unidad de medicin de los datos originales.

Observacin:
La Esperanza de una variable aleatoria X es una constante, por lo consiguiente tambin la varianza
es una constante ya que es definida en trminos de esperanza.

Teorema: Sea cualquier v.a. X si la varianza existe, entonces
2 2
)] ( [ ) ( ] [ X E X E X Var =
Demostracin:

2 2 2 2
2 2 2
]) [ ( ] [ ]) [ ( ] [ ] [ 2 ] [
} ]) [ ( ] [ 2 { ] ]) [ [( ] [
X E X E X E X E X E X E
X E X XE X E X E X E X Var
= + =
+ = =


Propiedades de la varianza.

Teorema: Sea X una v.a con funcin de densidad ) (x f
X
y c constante entonces:

] [ ] [ )
] [ ] [ )
0 ) ( )
2
X Var c cX Var ii
X Var c X Var i
c V i
=
= +
=


Demostracin:
0 ) ( ]) [ ( ] [ ) ( )
2 2 2 2
= = = c c c E c E c V i
] [ ] ]) [ [(
] ) ] [ [( ] ) ] [ ) ( ( [ ] [ )
2
2 2
X Var X E X E
c X E c X E c X E c X E c X Var i
= =
+ = + + = +

] [ ] ]) [ [( ] ]) [ ( [
] ]) [ [( ] ]) [ [( ] [ )
2 2 2 2 2
2 2
X Var c X E X E c X E X c E
X cE cX E cX E cX E cX Var ii
= = =
= =


Ejemplos. (ejemplos relacionados con los ejemplos vistos en esperanza)

1. Del ejemplos 1 del tema de esperanza:

X 0 1 2 3 4 5
f
X
(x) 6/36 10/36 8/36 6/36 4/36 2/36
36 / 70 ] [ = X E
Obtener la varianza
Se ha obtenido que 36 / 70 ] [ = X E

se requiere:



2 2
)] ( [ ) ( ] [ X E X E X Var =
48

36
210
36
50 64 54 32 10
) 36 / 2 ( 25 ) 36 / 4 ( 16 ) 36 / 6 ( 9 ) 36 / 8 ( 4 ) 36 / 10 ( 1 ) 36 / 6 ( 0
) ( ) ( ] [
5
0
2 2 2
=
+ + + +
= + + + + + =
= =

= i
i X i
xi
i X i
x f x x f x X E
052 . 2
36
70
36
210
)] ( [ ) ( ] [
2
2 2
=
(

= = X E X E X Var
2. Del ejemplo 2 en el tema de esperanza
Sea X una v.a con la funcin de densidad:

0 con ) (
1
) (
) , 0 (
1
> =

x I e x f
x
X

Determinar varianza de X


Solucin:
2 2
)] ( [ ) ( ] [ X E X E X Var =


Ya calculamos anteriormente = ] [ X E
dx xe e x
e v e dv
x du x u
dx e x X E
x x
x x
x

+ =
= =
= =
= =
0
1
0
1
2
1 1
1
2
1
0
1
2 2
2

2
1
] [

0
1
2
lim l Lhopita de regla la por lim
1
2
1
2
= = =

x x
x
x
e
e x

as:

0
1
2
x
e x

=0, y
2
0
1
0
1
2
2 ] [ 2 2 2 ] [
1

= = = =

X E dx e x dx xe X E
x
x

Entonces:
2 2
)] ( [ ) ( ] [ X E X E X Var =
2 2 2
) 2 ( 2 ] [ = = X Var
2
] [ = X Var


3. Sea X una v.a con la funcin de densidad:
0 con ) ( ) (
) , 0 (
> =

x I e x f
x
X

(esta es denominada como fn de densidad exponencial), determinar la esperanza de la v.a. X.

Solucin:
dx e xe
e v e dv
dx du x u
dx e x x E
x x
x x
x

+ =
= =
= =
= =
0
0 1
0


] [

49

0
1
lim Lhopital de regla la por lim = = =

x
x
x
x
e
xe

0 lim
0
=

x
x
xe


asi:

0
x
xe

=0, y

1 1
0
1
0
0 = + = =

x x
e dx e
Por lo que:

1
] [ = X E

Momentos y funcin generadora de momentos de una variable aleatoria

Momentos
Definicin: El i-simo momento de una v.a. X es definido por: '
i
= [ ]
i
X E
Es tambin denominado el i-simo momento respecto al origen.
Obsrvese que el primer momento de una v.a. X es precisamente la esperanza de X, esto es:
'
1
= [ ]
X
X E =

Definicin: El i-simo momento central de una v.a. X es definido por:
i
= [ ]
i
X
X E ) (
Es tambin denominado el i-simo momento respecto a su media.

Obsrvese que el segundo momento central de una v.a. X es precisamente la varianza de X, esto
es:
[ ]
2
) ( X E =V(X)=
2


Todo momento central puede ser representado en trminos de los momentos.
Veamos: Por definicin se tiene

i
= [ ]
i
X E ) (

50

1

= [ ] 0 ] [ ) ( ] [ ) ( = = = =
X X X X X
X E E X E X E
=
2
[ ]
2 '
1
'
2
2 2 2
) ( ]} [ { ] [ ] [ ) ( = = = X E X E X Var X E
X


[ ]
3 2 3
3 '
1
'
2
'
1
'
3
3 '
1
3 '
1
'
2
'
1
'
3
3 2 2 3 3 2 2 3 3
3
)] ( [ 2 ) ( ) ( 3 ) (
) ( 2 3 ) ( ) ( 3 3
] [ 3 ] [ 3 ] [ ] 3 3 [ ) (
X E X E X E X E
X E X E X E X X X E X E
X X X X X X X
+ =
+ = + =
+ = + = =



Nota: El tercer momento central
3
es otro factor que caracteriza la funcin de densidad
a) si 0
3
= indica una distribucin simtrica.
b) si 0
3
< indica una distribucin asimtrica por la izquierda (la funcin de densidad
tiene el pico de la curva a la izquierda de la grfica)
c) si 0
3
> indica una distribucin asimtrica por la derecha. (la funcin de densidad
tiene el pico de la curva a la derecha de la grfica)
Ejemplo: Dada la variable aleatoria X con distribucin exponecial donde ) ( ) (
) , 0 (
1
1
x I e x f
x
X

.
Obtener
3 '
1
'
2
'
1
'
3 3
) ( 2 3 + =

2 2
2 ) ( , ] [ = = X E X E determinado anteriormente

3 2 2
0
2
0
1
2
0
1
2
0
1
3
1 1 1
2 3
0
1
3
0
1
3 3
6 ) 2 ( 3 ) ( 3
1
3 3 0
3
1

1
3
1 1
] [

= = = = + =
+ =
= = =
= =
= =

X E dx e x dx e x
dx e x e x
e dx e v e dv
x du x u
dx e x dx e x X E
x
x
x x
x x x
x x

3 '
1
'
2
'
1
'
3 3
) ( 2 3 + =

Entonces
0 que ya 0 2 2 ) 2 ( 3 6
3 3 2 2
3
> > = + =
entonces la distribucin exponencial() tiene la forma asimtrica por la derecha.


51

Funcin generadora de momentos
Funcin Generadora de Momentos (fgm): Sea X una v.a. con funcin de densidad ) (x f
X
. La
funcin generadora de momentos para una v.a. X es definida como:
) ( ) (
tX
X
e E t m =
Se dice que la fgm existe cuando hay un intervalo de t tal que m(t) es finita
En general:
i.

= = ) ( ) ( ) (
i
i
X
x f e e E t m
tx tX
para v.a.X discretas
ii. dx x f e e E t m
tx tX
X

= = ) ( ) ( ) ( para v.a. X continuas
Observacin: 1 ] 1 [ ) ( ) ( ) 0 (
0
= = = = E e E e E m
X tX
X

Ejemplo: Sea X un v.a. con distribucin exponencial

) ( ) (
) , 0 (
1
1
x I e x f
x
X

Determine la fgm para dicha distribucin
Solucin:

En que puntos de t converge la f.g.m? Obsrvese que:
si 0 1 > t entonces = = =

1
1
0
) 1 (
1
1
) (
t
t
x
t X
e t m

y
si 0 1 < t entoces
1
1
1
1
1
0
) 1 (
1
1
) 1 ( 0 ) (

= = = = t e t m
t t
t
x
t X

entonces: la fgm existe si 0 1 < t , es decir la fgm es:
1
) 1 ( ) (

= t t m
X


si

1
< t
Ejemplo: Sea X un v.a. con distribucin exponencial

) ( ) (
) , 0 (
x I e x f
x
X

= =

= = = =

0
) 1 (
1
1
0
)
1
(
1
1
0
0
1
)
1
(
1
)
1
(
1
0
1
1
] [ ) (
t
x
t
t
x
t
t x
t x
x
tx tX
X
e e
t
e
dx e dx e e e E t m

52

Determine la fgm para dicha distribucin.

Solucin: (el proceso es similar al ejemplo anterior)




En que puntos de t converge la f.g.m? Obsrvese que:
si 0 > t entonces =

t
e
t
t m
t x
X
0
) (
) ( y
si 0 < t entoces
t t
e
t
t m
t x
X

0 ) (
0
) (

entonces: la fgm existe si 0 < t , es decir la fgm es:
t
t m

) (

si < t ////
Observacin:
Sabemos que:
( ) ( ) ( )
.......
! 4 ! 3 ! 2
) ( 1
4 3 2
tX tX tX
tx e
tX
+ + + + =
Entonces para cualquier variable aleatoria se tiene en general que:
( ) ( ) ( )
] [
! 4
] [
! 3
] [
! 2
] [ 1
.......
! 4 ! 3 ! 2
) ( 1 ] [ ) (
4
4
3
3
2
2
4 3 2
X E
t
X E
t
X E
t
X tE
tX tX tX
tx E e E t m
tX
X
+ + + + =
|
|

\
|
+ + + + = =

] [ ) 0 ' ' ] [
2
] [ ] [ ) 0 ' '
] [ ) 0 ( ' ] [
! 3
] [
2
] [ ] [ ] [ ) ( '
2 4
2
3 2
4
3
3
2
2
X E m entonces X E
t
X tE X E m
X E m entonces X E
t
X E
t
X tE X E e E t m
X X
X
tX
X
= + + =
= + + + = =

En general si la f.g.m existe en un intervalo para t y es derivable en el k-simo momento entonces:

] [ ' ) 0 (
) (
0
k
k
k
t
k
k
X E m
dt
t m d
= = =
=

por lo que la funcin m(t) recibe el nombre de funcin generadora de momentos

= = = =

0
) (
0 0
) (
) (
0
] [ ) (

t x
t x
t x x tx tX
X
e
t t
e
dx e dx e e e E t m
53

Funcin de una variable aleatoria
Sea un espacios muestral asociado a un experimentos y X una v.a definida en . Si
y=g(x) es una funcin real de X, entonces Y=g(X) es una v.a. Encontrar ) ( y f
Y
para los
casos de v.a. con distribuciones discretas y continuos

Caso en que X tiene una distribucin discreta.
En general: Si X es una variable aleatoria con rango ,... ,
2 1
x x
Y=g(X) es una nueva variable aleatoria con Rango { ) (
i j
x g y = } y la funcin de densidad de la
variable aleatoria Y (o bien funcin de densidad de Y) es:

=
= = =
} ) ( {
) ( ) (
j
i
x g
i
y x
i j
x X P y Y P

cada
ij
x es un valor posible de X.
Obsrvese que si:
Si Y=g(X) es una funcin uno-uno y ... ,..., ,
2 1 n
x x x los valores posibles de X entonces
) (
i i
x g y = y
j i x g x g
j i
) ( ) (
entonces ) ( ) (
i i
x X P y Y P = = = es decir ) ( ) (
i X i Y
x f y f =
o bien ) ( ) ) ( ( )) ( ( ) (
1
i i i i
x X P x Y g P x g Y P y Y P = = = = = = =


es decir ) ( ) (
i X i Y
x f y f = donde
i
x es la correspondiente a ) (
i i
x g y = .

Ejemplos:
1. Sea X una v.a con valores posibles 1, 0 y 1 con probabilidades respectivas de 1/3, 1/2 y 1/6
a) Sea la Y=3X+1 entonces los valores posible de Y son 2, 1 y 4 con probabilidades 1/3, 1/2
y 1/6, es decir:

=
=
} ) ( {
) ( ) (
i
y
ij
x g
ij
x
ij X i Y
x f y f
6 / 1 ) 1 ( ) 4 ( 2 / 1 ) 0 ( ) 1 ( 3 / 1 ) 1 ( ) 2 ( = = = = = =
X Y X Y X Y
f f f f f f
b) Ahora si Y=X
2
, entonces los valores posibles de Y son 1 y 0 con probabilidades de
2 / 1 6 / 1 3 / 1 ) 1 ( ) 1 ( ) 1 (
2 / 1 ) 0 ( ) 0 (
= + = + =
= =
X X Y
X Y
f f f
f f


2. Supngase X una v.a. la fn de densidad

=
=
modo otro de 0
,... ,..., 2 , 1 si ) 2 / 1 (
) (
n x
x f
x
X

y sea

=
impar es si 1
par es si 1
x
x
Y

54

3 / 2 ) 1 ( 1 ) 1 (
3
1
4 / 3
4 / 1
1
4 / 1
) 4 / 1 ( ) 2 / 1 ( ) 1 (
4
1
1 1
2
= = = =

= = =


=

=
Y Y
i
i
i
i
Y
f f f

Caso en que X tiene una distribucin continua.
Si la funcin de Y=g(X) es continua entonces ) ( y f
Y
de Y se puede proceder mediante los
pasos I y II :
I)


= = = =
} ) ( { } ) ( ) ( {
) ( ) ( ) ) ( ( ) ( ) (
y x g x y X g X g
dx x f dx x f y X g P y Y P y F
X X Y

II ) Si la v.a. Y es continua y diferenciable, entonces :
dy
y dF
y f
Y
Y
) (
) ( =
esta relacin se puede verificar en cada punto y en el que ) ( y F
Y
es diferenciable.

Ejemplo: Sea X una v.a. y ) (x f
X
definida por:

=
modo otro de 0
2
1
) (
a x a
a x f
X
= ) (
2
1
] , [
x I
a
a a

Ahora sea Y=X
2
. Obtener ) ( y f
Y

dx x f y X y P y X P y X P y Y P y F
y
y
X Y

= = = = =
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1 2
) ( ) ( ) ( ) ( ) ( ) (

=
2 / 1
2 / 1
2
y
y
a
dx
=
a
y
x
a
y
y
2 / 1
2 / 1
2 / 1
2
1
=

Como se observa que Y es continua en [-a, a] entonces

a
y
dy
y dF
y f
Y
Y
2
) (
) (
2 / 1
= =
Veamos el soporte de Y
) ( y f
Y
>0 si y solo si ) (x f
X
>0
) (x f
X
>0 si
2 2 2
0 0 a y a x a x a x a
Es decir:

o otro de
a y si
a
y
y f
Y
mod 0
0
2
) (
2
2 / 1


Comprobando:

= =
2
0
2
2 / 1 2 / 1
1
2
0
a
a
a
y
a
y

55

Teorema: Sea X una v.a cuya fn de densidad es 0 ) ( > x f
X
para a<x<b y ) (X g Y = una fn.
estrctamente montona (creciente o decreciente) adems derivable y continua en (a, b), y
suponiendo que existe la inversa de g tal X=g
-1
(Y). Entonces Y tiene una fn de densidad ) ( y f
Y
. Tal
que
dy
dx
x f y f
X Y
) ( ) ( = (x =g
-1
(y), funcin de y)
Adems 0 ) ( > y f
Y
para los valores de y que satisfacen g(a)<y<g(b) si g es creciente y
g(b)<y<g(a) si g es decreciente.

Demostracin:
a) Si g es montona estrictamente creciente
) ( )) ( ( )) ( ( ) ) ( ( ) ( ) (
1 1
x F y g F y g X P y X g P y Y P y F
X X Y
= = = = =


Aplicando la regla de la cadena:
dy
dx
x f
dy
dx
dy
x dF
y f
X
X
Y
) (
) (
) ( = = recuerde que x =g
-1
(y)
dy
x d
x f y f
X Y
) (
) ( ) ( = Obsrvese que
dy
dx
es positiva ya que g
-1
(y) es creciente.
Veamos para que valores y ) ( y f
Y
es distinto de cero:
) ( ) ( ) ( ) ( ) (
0 ) ( 0 ) (
b g y a g b g x g a g b x a
x f y f
X Y
< < < < < <
> >

Entonces:

< <
=
o otro de
b g y a g si
dy
dx
x f
y f
X
Y
mod 0
) ( ) ( ) (
) (
b) Si g es montona estrictamente decreciente
) ( 1 )) ( ( 1 )) ( ( ) ) ( ( ) ( ) (
1 1
x F y g F y g X P y X g P y Y P y F
X X Y
= = = = =


Aplicando la regla de la cadena:
dy
dx
x f
dy
x d
dy
x dF
y f
X
X
Y
) (
) ( ) (
) ( = = recuerde que x =g
-1
(y)
como g
-1
(y) es decreciente entonces
dy
x d ) (
es negativa
entonces:
dy
dx
x f y f
X Y
) ( ) ( =
Veamos para que valores y ) ( y f
Y
es distinto de cero:
) ( ) ( ) ( ) ( ) (
0 ) ( 0 ) (
a g y b g a g x g b g b x a
x f y f
X Y
< < < < < <
> >

Entonces:
56

< <
=
o otro de
a g y b g si
dy
dx
x f
y f
X
Y
mod 0
) ( ) ( ) (
) (

Ejemplo: Sea X una v.a. cuya fn de densidad es:

< <
=
modo otro de 0
1 0 si 3
) (
2
x x
x f
X

Si Y=1-X
2
. Obtener ) ( y f
Y
mediante el teorema, se puede?

Obsrvese que g(.) es una fn estrictamente decreciente en 0<x<1
Adems el soporte de Y es dado:

0<x<1 g(0)>g(x)>g(1) 1>y>0
2 / 1 2
) 1 ( 1 y x x y = = entonces X=g
-1
(Y)=
2 / 1
) 1 ( Y y
2 / 1
) 1 (
2
1 ) (

= y
dy
x d


Aplicando el teorema anterior
2 / 1 2 / 1
) 1 (
2
3
) 1 (
2
1
) 1 ( 3
) (
) ( ) ( y y y
dy
x d
x f y f
X Y
= = =


Entonces:

< <
=
o otro de
y si y
x f
X
mod 0
1 0 ) 1 (
2
3
) (
2 / 1


Ejemplo: Ejemplo extra del tercer momento central de la distribucin exponencial.
Dada la variable aleatoria X con distribucin exponencial donde ) ( ) (
) , 0 (
x I e x f
x
X

=

. Obtener
3 '
1
'
2
'
1
'
3 3
) ( 2 3 + =
2
2
2
) ( ,
1
] [

= = X E X E determinado anteriormente

3 2
2
0
2
0
2
0
2
0
3
2 3
0
3
0
3 3
6 2 3
) (
3 3
3 0
3

3
] [

= = = = + =
+ =
= = =
= =
= =

X E dx e x dx e x
dx e x e x
e dx e v e dv
x du x u
dx e x dx e x X E
x x
x x
x x x
x x
3 '
1
'
2
'
1
'
3 3
) ( 2 3 + =
Entonces 0 0
2 1
2
2 1
3
6
3 3 2 3
3
> > = + =

pues

Entonces, la distribucin exponencial() tiene la forma asimtrica por la derecha.