Tema5 PDF

ESTADISTICA DESCRIPTIVA E INTRODUCCION A LA PROBABILIDAD
Doble Grado en Ingeniera Informatica y Matematicas

Tema 5
Variables aleatorias:
distribuciones de probabilidad y caractersticas.
1. Introduccion
Segun se ha reflejado hasta el momento, el espacio muestral asociado a un experimento aleatorio
puede ser de dos tipos:
Cuantitativo, como el asociado al lanzamiento de un dado ( = {1, 2, . . . , 6}).
Cualitativo, como en los siguientes ejemplos:
Lanzamiento de dos monedas ( = {cc, cx, xc, xx}).

Extraccion de bolas de una urna.
Eleccion de un individuo de la poblacion.
Es evidente que el tratamiento matematico de un espacio muestral de tipo cualitativo no es

simple. Sin embargo, cuando un experimento da lugar a un espacio muestral de tipo cualitativo,
es posible considerar una o varias caractersticas numericas que describan las propiedades de
mayor interes. Por ejemplo:
En el lanzamiento de tres monedas: numero de caras o de cruces, diferencia entre el

numero de caras y de cruces, etc.
En la extraccion de bolas de una urna: numero de bolas de un determinado color, etc.
En la eleccion de un individuo: estatura, peso, etc.
As, cada resultado del experimento tendra asociado un valor numerico y el espacio muestral
original se transforma en un espacio cuantitativo.
Incluso en espacios muestrales cuantitativos, puede que el interes se centre no en el resultado
concreto del experimento, sino en alguna caracterstica numerica como, por ejemplo, en el
lanzamiento de dos dados, la suma de los valores obtenidos.
De esta forma surge el concepto de variable aleatoria que, en terminos generales, puede
definirse como una funcion que asigna un valor real a cada elemento de un espacio muestral.
Al considerar una variable aleatoria sobre un espacio muestral, los conjuntos de interes es-
taran definidos en terminos de dicha variable. Por ejemplo, conjunto de resultados elementales,
tales que el valor de la variable este comprendido entre dos numeros reales a y b. Para po-
der calcular la probabilidad de conjuntos de este tipo, es preciso exigir que tal conjunto sea
un suceso. Este requerimiento implica que no toda funcion numerica de los resultados de un
experimento es una variable aleatoria, sino que esta debe satisfacer determinadas propiedades.
Patricia Roman Roman 1

Para introducir de manera formal el concepto de variable aleatoria, comenzaremos definiendo

la -algebra de Borel sobre R.
2. Espacio de Borel unidimensional

Sobre el conjunto de numeros reales R, se define la -algebra de Borel como la mnima clase
de conjuntos con estructura de -algebra que contiene a todos los intervalos de R. Esto es, si
Y denota la clase de intervalos de R, la -algebra de Borel, B, es una clase de conjuntos de R,
(B P(R)), tal que:
1. B Y.
2. B es -algebra.
3. Si A P(R) es una -algebra, tal que A Y, entonces A B.
Al par (R, B) se le denomina Espacio de Borel. Los elementos de B se denominan Conjuntos

de Borel o Borelianos.
Todo intervalo y, en particular, todo numero real ({a} = [a, a]), es un conjunto de Borel.
Todo conjunto numerable y, en particular, todo conjunto finito, es un conjunto de Borel.
Todo conjunto formado a partir de las operaciones de uniones numerables, intersecciones

numerables y complementarios, realizadas a partir de intervalos de R, es un conjunto de
Borel.
Teorema: Caracterizacion de B
B coincide con la -algebra generada por los intervalos del tipo (, x].
Analogamente, B es la -algebra generada por intervalos de cualquier tipo.
3. Variables aleatorias
El concepto de variable aleatoria surge de la necesidad de calcular probabilidades de conjuntos
de interes definidos en terminos de dicha variable.
As, si (, A, P) es el espacio de probabilidad asociado al experimento aleatorio en el que
se pretende analizar la caracterstica numerica de interes, esta vendra definida por una funcion
X : R.
Ahora bien, cada valor de X se corresponde con el subconjunto de puntos de que se aplica
en dicho valor esto es { / X() = x}, que notaremos por simplicidad {X = x}. Obvia-
mente el estudio probabilsticos de una variable aletoria conlleva el calculo de probabilidades
de dichos conjuntos as como de otros mas generales como
{ / X() x} = {X x},
{ / X() < x} = {X < x},

{ / X() x} = {X x},
{ / X() > x} = {X > x},
{ / x1 X() x2 } = {x1 X x2 },
...
{ / X() I} = {X I}, I Y,
{ / X() B} = {X B}, B B.
Para poder calcular la probabilidad de dichos conjuntos es necesario que los mismos sean
sucesos, esto es pertenezcan a la algebra de Borel del espacio probabilstico donde se define
la funcion que describe la caracterstica numerica de interes.
As, la definicion formal de variable aleatoria es

Definicion
Una variable aleatoria definida sobre un espacio de probabilidad (, A, P ) es una funcion X :
R que verifica X 1 (B) A, es decir
X 1 (B) = { / X() B} = { X B} A, B B.
(Notacion: X : (, A, P ) (R, B).)

La medibilidad proporciona el aspecto analtico de las variables aleatorias, mientras que el
hecho de estar definidas sobre un espacio de probabilidad les da el caracter probabilstico.
La definicion de variable aleatoria no es siempre operativa, por lo que, a la hora de probar que
una funcion X sobre un espacio de probabilidad es una variable aleatoria, resulta conveniente
hacer uso de la siguiente caracterizacion.
Teorema: Caracterizacion de variables aleatorias

X : (, A, P ) (R, B) es una variable aleatoria si y solo si se cumple alguna de las siguientes
condiciones, todas ellas equivalentes:
1. X 1 ((, x]) = {/X() x} = {X x} A, x R.
2. X 1 ((, x)) = {/X() < x} = {X < x} A, x R.
3. X 1 ([x, +)) = {/X() x} = {X x} A, x R.
4. X 1 ((x, +)) = {/X() > x} = {X > x} A, x R.
5. X 1 ((a, b]) = {/a < X() b} = {a < X b} A, a, b R.
6. X 1 ([a, b)) = {/a X() < b} = {a X < b} A, a, b R.
7. X 1 ((a, b)) = {/a < X() < b} = {a < X < b} A, a, b R.
8. X 1 ([a, b]) = {/a X() b} = {a X b} A, a, b R.

Ejemplos de variables aleatorias

Si se trabaja en un espacio probabilstico (, P(), P ), en el que todo subconjunto de es un
suceso, entonces cualquier funcion X : R es una variable aleatoria. Esto es lo usual si el
espacio muestral es finito.
Ejemplo 1: Funciones indicadoras de conjuntos medibles

Una funcion de la forma IA : R, definida como

1 A
IA () =
0 /A
donde A , se denomina funcion indicadora del conjunto A.

Si (, A, P ) es un espacio de probabilidad, y A A, entonces IA es una variable aleatoria.
En efecto:

1/ B, 0
/B
A 1 B, 0
/B

IA1 (B) = C = IA1 (B) A B B.

A 1
/ B, 0 B
1 B, 0 B

Ejemplo 2: Funciones simples

Sea (, A, P ) un espacio de probabilidad, y {Ai }ni=1 una particion de , tal que Ai A
(particion medible). Sean x1 , . . . , xn R.
La funcion X : R definida como X() = xi si w Ai se denomina funcion simple, y
es una variable aleatoria, pues
n
[
1
X (B) = Ai A.
i=1/xi B
O sea, toda funcion definida en un espacio de probabilidad que tome un numero finito de
valores, cada uno sobre un conjunto medible, es una variable aleatoria. Esto es obviamente
extensible a particiones no finitas numerables, ya que, en tal caso, la anti-imagen de B sera
una union, no necesariamente finita, pero numerable.
Ejemplo 3: En el lanzamiento de un dado, se asigna el valor 1 a los resultados pares, y el

resultado 0 a los impares.
El espacio de probabilidad de la variable aleatoria es (, A, P ), donde
= {1, 2, 3, 4, 5, 6}; A = P(); P uniforme.
Al considerar A = P(), cualquier funcion real definida en (, A, P ) sera una variable aleato-
ria.
Veamos como se comprobara que X es una variable aleatoria en el caso de considerar otra
-algebra:
Por una parte


1 {2, 4, 6}
X:R X() =
0 {1, 3, 5}
X = I{2,4,6} = X es variable aleatoria si {2, 4, 6} A. Para ello bastara considerar una
-algebra que contenga a dicho conjunto. Sin embargo, si se considera por ejemplo la -algebra
A = {, , {1}, {2, 3, 4, 5, 6}}, entonces X no sera una variable aleatoria.
Tambien se podra haber razonado usando la definicion de variable aleatoria. As

0, 1
/B
{1, 3, 5} 0 B, 1/B

X 1 (B) =

{2, 4, 6} 0 / B, 1 B
0, 1 B

y de nuevo se llega a la conclusion de que basta exigir que {2, 4, 6} A (o, equivalentemente
{1, 3, 5} A).
Veamos como, aun en este caso tan simple, se puede simplificar el razonamiento usando la
caracterizacion de variable aleatoria. As

x<0
X 1 ((, x]) = {1, 3, 5} 0x<1
x1

llegando a la misma conclusion.
Ejemplo 4:
Dos jugadores, A y B, lanzan cada uno un dado. Describir el espacio de probabilidad asociado
a este experimento y cada una de las siguientes variables:
1. Puntuacion obtenida por el jugador A.
2. Mayor puntuacion.
3. Ganancia del jugador A si se conviene que el que obtenga mayor puntuacion recibe una
moneda del contrario.
4. Ganancia del jugador A si se conviene que el que obtenga menor puntuacion paga al
contrario la diferencia de puntuacion.
Notamos cada resultado elemental por (i, j), donde i es la puntuacion de A y j la de B.
= {(i, j)/i, j = 1, . . . , 6}; A = P(); P ((i, j)) = 1/36
1. X(i, j) = i; X : 1, 2, 3, 4, 5, 6.

i i>j
2. Y (i, j) = Y : 1, 2, 3, 4, 5, 6.
j ij


1 i>j
3. Z(i, j) = 0 i=j
1 i < j

4. U (i, j) = i j U = 5, 4, 3, 2, 1, 0, 1, 2, 3, 4, 5.
Ejemplo 5:
En el ejemplo anterior, especificar los sucesos:
La puntuacion obtenida por A es 2: {X = 2} = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)}.
La mayor puntuacion es 2: {Y 2} = {(1, 1), (1, 2), (2, 1), (2, 2)}.
Se se ha convenido que el que obtenga menor puntuacion paga al contrario la diferencia:
A gana al menos 4 monedas: {U 4} = {(5, 1), (6, 1), (6, 2)}.

A pierde mas de 2 monedas: {U < 2} = {(1, 4), (1, 5), (1, 6), (2, 5), (2, 6), (3, 6)}.
No pierde ni A ni B: {U = 0} = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)}.
4. Operaciones algebraicas con variables aleatorias

La clase de variables aleatorias definidas sobre un mismo espacio de probabilidad es cerrada
para las operaciones algebraicas usuales.
En efecto:
Teorema 1: Si X es una variable aleatoria sobre (, A, P ), y a, b R, entonces la

aplicacion
aX + b : R, dada por (aX + b)() = a(X()) + b
es una variable aleatoria sobre el mismo espacio.
Teorema 2: Si X e Y son variables aleatorias sobre (, A, P ), y a, b R, entonces la

aplicacion
X + Y : R, dada por (X + Y )() = X() + Y ()
Corolario 1: Si X1 , X2 , . . . , Xn son variables aleatorias definidas sobre (, A, P ),

entonces X1 + X2 + + Xn es una variable aleatoria definida sobre (, A, P ).
Corolario 2: Cualquier combinacion lineal de variables aleatorias sobre (, A, P )
es una variable aleatoria sobre (, A, P ).
Corolario 3: Si X e Y son variables aleatorias sobre (, A, P ), entonces { / X()
Y ()} A y { / X() = Y ()} A.

Teorema 3: Si X es una variable aleatoria sobre (, A, P ), y a, b R, entonces la

aplicacion
X 2 : R, dada por (X 2 )() = (X())2
Teorema 4: Si X e Y son variables aleatorias sobre (, A, P ), entonces la aplicacion
X Y : R, dada por (X Y )() = X() Y ()
Teorema 5: Si X e Y son variables aleatorias sobre (, A, P ), e Y 6= 0, entonces la
aplicacion
X X()
X Y : R, dada por () =
Y Y ()
Teorema 6: Si X e Y son variables aleatorias sobre (, A, P ), entonces max(X, Y ) y
min(X, Y ) son variables aleatorias sobre el mismo espacio.
Corolario: Si X es una variable aleatoria sobre (, A, P ), entonces X + = max(0, X),
X = min(0, X) y |X| = X + + X son variables aleatorias sobre (, A, P ).
El recproco no es cierto: Si |X| es variable aleatoria, X no tiene por que serlo.
Ejemplo
= {1, 2, 3, 4}, A = {, , {1, 2, 3}, {4}}
X : R
1 7 1
2 7 1
3 7 1
4 7 1
|X| : R
7 1
|X| 1 es una variable aleatoria, sin embargo, X 1 ({1}) = {1, 3}

/ A y, por tanto, X
no lo es.
5. Distribucion de probabilidad de una variable aleatoria

Cuando se considera una variable aleatoria X sobre un espacio de probabilidad (, A, P ), los
unicos sucesos de interes son los que se expresan en terminos de esta variable, esto es, los sucesos
de la forma
{ / X() B} = X 1 (B) = {X B} A

Las probabilidades de estos sucesos describen completamente el comportamiento de la va-

riable X y dan lugar a lo que se denomina la distribucion de probabilidad de X.
Definicion
Dada una variable aleatoria X sobre (, A, P ), se denomina distribucion de probabilidad de X
o probabilidad inducida por X a la funcion de conjunto
PX = P X 1 : B [0, 1]
B 7 PX (B) = P (X 1 (B)) = P ({X B})
Teorema
PX es una medida de probabilidad sobre (R, B).
Demostracion.-
AI: PX (B) 0, B B
AII: PX (R) = P (X 1 (R)) = P () = 1
AIII: {Bn } B mutuamente excluyentes {X 1 (Bn )} mutuamente excluyentes, entonces
! !! !
[ [ [ X
PX Bn = P X 1 Bn =P X 1 (Bn ) = PX (Bn )
n n n n

Por lo tanto, la variable aleatoria X transforma el espacio probabilstico original en un nuevo
espacio probabilstico (R, B, PX )
X : (, A, P ) = (R, B, PX )
y el interes se centra exclusivamente en el estudio de este nuevo espacio, esto es, en el estudio
de PX .
Esta es la caracterstica esencial de las variables aleatorias, que transforman un espacio
probabilstico arbitrario en un espacio de probabilidad numerico.
Ejemplo En el ejemplo 3 de la seccion anterior asociado al lanzamiento de un dado se haba

considerado la variable aleatoria

1 {2, 4, 6}
X : R X() =
0 {1, 3, 5}
y se haba obtenido que

0, 1
/B
{1, 3, 5} 0 B, 1 /B

X 1 (B) =

{2, 4, 6} 0 / B, 1 B
0, 1 B

Por tanto la distribucion de probabilidad de X es


P () = 0 0, 1
/B

1
P ({1, 3, 5}) = 2 0 B, 1
/B

PX (B) = P (X 1 (B)) =

1

P ({2, 4, 6}) = 0
/ B, 1 B
2

P () = 1 0, 1 B
6. Funcion de distribucion de una variable aleatoria

Como ya hemos indicado, el estudio de una variable aleatoria se reduce al de su distribucion
de probabilidad, que es una funcion de conjunto, definida sobre la -algebra de Borel B.
Si bien para ciertos tipos de variables aleatorias el manejo de estas funciones de conjunto
puede ser simple (como es el caso de variables con un numero finito de valores), en general,
trabajar con este tipo de funciones puede ser complicado.
Este inconveniente se resuelve asignando a cada distribucion de probabilidad PX una funcion
de punto que la describe completamente y se denomina funcion de distribucion de la variable
aleatoria X.
Definicion
Dada una variable aleatoria X definida sobre un espacio de probabilidad (, A, P ) con distri-
bucion de probabilidad PX , se denomina funcion de distribucion de la variable a
FX : R [0, 1]
x 7 FX (x) = PX ((, x]) = P {X x}
Teorema
La funcion de distribucion de una variable aleatoria X satisface
1) Es monotona no decreciente
2) Es continua a la derecha
3) lim F (x) = 1 y lim F (x) = 0

x+ x
Demostracion
1) x1 < x2 = (, x1 ] (, x2 ] = (usando la monotona de PX ) FX (x1 ) = PX ((, x1 ])
PX ((, x2 ]) = FX (x2 ).
2) La demostracion rigurosa de esta propiedad exige trabajar con sucesiones de conjuntos y
usaremos (aunque no se ha probado) la continuidad de una medida de probabilidad, es decir,
que si {An }nN es una sucesion de conjuntos tal que limAn = A, entonces limP (An ) = P (A).

Puesto que FX es monotona, x0 R, lim+ FX (x) y este lmite puede obtenerse por
xx0
sucesiones monotonas decrecientes a x0 . Por tanto, hemos de probar que
lim FX (xn ) = FX (x0 )

xn x0
En efecto
\
{(, xn ]} (, xn ] = (, x0 ]
n
y, por tanto,
lim PX ((, xn ]) = PX ((, x0 ])

n
3) Analogamente, considerando xn + = (, xn ] R y xn = (, xn ]

Notemos que la demostracion de estas propiedades se basa exclusivamente en el hecho de
que PX es una medida de probabilidad.
Por tanto, cualquier medida de probabilidad P sobre (R, B) define una funcion de punto
FP : R [0, 1] no decreciente, continua a la derecha y tal que lim FP (x) = 1 y lim
x+ x
FP (x) = 0. Dicha funcion se define por FP (x) = P ((, x]).
Sin embargo, lo realmente importante en Calculo de Probabilidades es que el recproco de
este resultado es tambien cierto. Esto es, toda funcion F : R R no decreciente, continua
a la derecha y tal que lim F (x) = 1 y lim F (x) = 0, determina una unica medida de
x+ x
probabilidad PF sobre (R, B) tal que PF ((, x]) = F (x).
Teorema de Correspondencia
Si P es una medida de probabilidad sobre (R, B), FP : R R definida como FP (x) =
P ((, x]) es no decreciente, continua a la derecha y verifica lim FP (x) = 1 y lim
x+ x
FP (x) = 0.
Si F : R R es no decreciente, continua a la derecha y verifica lim F (x) = 1 y

x+
lim F (x) = 0, entonces existe una unica medida de probabilidad PF sobre (R, B) que
x
satisface PF ((, x]) = F (x), x R.
Existe, por tanto, una correspondencia biunvoca entre las medidas de probabilidad en (R, B)
y las funciones de punto sobre R verificando tales propiedades. Segun esta correspondencia, a
la distribucion de probabilidad de una variable aleatoria X, PX , le corresponde su funcion de
distribucion, esto es, FPX = FX y a la funcion de distribucion FX le corresponde PX , ya que
PX ((, x])) = F (x).
Por tanto, la funcion de distribucion de una variable aleatoria determina completamente su
distribucion de probabilidad.

Teorema
Toda funcion F : R R verificando 1), 2) y 3) es la funcion de distribucion de alguna variable
aleatoria definida sobre algun espacio de probabilidad.
Demostracion
En efecto, por el Teorema de Correspondencia, existe una unica medida de probabilidad PF
sobre (R, B) que satisface PF ((, x]) = F (x), x R.
Asi, si definimos X : (R, B, PF ) (R, B) como X(x) = x, la distribucion de probabilidad
PX de dicha variable aleatoria coincide con PF y, por tanto, su funcion de distribucion FX (x) =
PX ((, x]) = PF ((, x]) = F (x), x R.
Otras propiedades de la funcion de distribucion
1. x R, lim FX (y) = FX (x ) = P (X < x) y

yx
lim+ FX (y) = FX (x) = P (X x)

yx
Demostracion:
La existencia de los lmites esta garantizada por ser FX monotona y por la continuidad a
la derecha, es claro que lim+ FX (y) = FX (x).
yx
Veamos ahora que lim FX (y) = P ({X < x}). Ya que el lmite existe, puede tomarse por
yx
sucesiones crecientes
lim FX (y) = lim FX (xn )

yx xn x
FX (xn ) = P (X xn ) = PX ((, xn ]) PX ((, x)) = P (X < x).
2. Los unicos puntos de discontinuidad de FX son de salto y la longitud del salto en cualquier
punto x R es
P (X = x) = FX (x) FX (x )
Demostracion:
Esto es debido a la continuidad a la derecha, no decrecimiento y existencia de lmite a la
izquierda. Ademas, el salto es
lim FX (y) lim FX (y) = P (X x) P (X < x) = P (X = x)

yx+ yx
3. x es un punto de continuidad de FX P (X = x) = 0.

4. El conjunto de puntos de discontinuidad de FX es numerable.
Demostracion:
D = {x R / FX (x) > FX (x )}
x D FX (x) FX (x ) > 0 n / FX (x) FX (x ) 1/n.

Entonces, si En = {x D / FX (x) FX (x ) 1/n} es claro que D = En . Ya que En
S
n
contiene a lo mas n puntos (en caso contrario, la suma de los saltos sera mayor que uno),
D es numerable.
Calculo de probabilidades mediante funciones de distribucion
P (X x) = FX (x)
P (X < x) = FX (x )
P (X = x) = FX (x) FX (x )
P (X > x) = 1 FX (x)
P (X x) = 1 FX (x )
P (X x) = 1 FX (x )
P (a < X b) = P (X b) P (X a) = FX (b) FX (a)
P (a X b) = P (X b) P (X < a) = FX (b) FX (a )
P (a < X < b) = P (X < b) P (X a) = FX (b ) FX (a)
P (a X < b) = P (X < b) P (X < a) = FX (b ) FX (a )
Ejemplo: En el ejemplo 3 de la seccion anterior asociado al lanzamiento de un dado se haba

considerado la variable aleatoria

1 {2, 4, 6}
X : R X() =
0 {1, 3, 5}
y se haba obtenido que

x<0
1
X ((, x]) = {1, 3, 5} 0x<1
x1

Por tanto la funcion de distribucion de X es


P () = 0 x<0
FX (x) = P ({1, 3, 5}) = 1/2 0x<1
P () = 1 x1

7. Variables aleatorias discretas

Defincion Una variable aleatoria X : (, A, P ) (R, B, PX ) es discreta si toma valores en
un conjunto numerable, es decir, EX R tal que
P (X EX ) = 1
Nota: EX es el conjunto de valores de la variable y es claro que
x
/ EX , P (X = x) = 0
Funcion masa de probabilidad

Si X es una variable aletoria discreta con valores en el conjunto EX = {xn , n N}, se define
su funcion masa de probabilidad como
pX : EX [0, 1]
xn 7 PX (xn ) = P (X = xn ) = PX ({xn })
Propiedades de la funcion masa de probabilidad
Es no negativa, pX (x) 0, x EX .
X
La suma de sus valores es la unidad, pX (x) = 1
xEX
La funcion masa de probabilidad de una variable aleatoria discreta determina la distri-

bucion de probabilidad de la variable
X
B B, PX (B) = P (X B) = P (X = x)
xBEX
y, por tanto, su funcion de distribucion

X
X
x R, FX (x) = P (X = xn ) = P (X = xn )(x xn )
xn EX n=1
xn x
con
1 x0
(x) =
0 x<0

Por tanto, la funcion de distribucion de una variable aleatoria discreta es una funcion de
salto cuyos puntos de salto son aquellos numeros reales xn tales que P ({X = xn }) > 0 y dicha
probabilidad es la longitud del salto.
El crecimiento a saltos de la funcion de distribucion caracteriza a las variables discretas:
Teorema: Caracterizacion de variables discretas

X : (, A, P ) (R, B, PX ) es discreta si y solamente si FX crece solo a saltos.
Demostracion:
=) Si FX solo crece a saltos, ya que lim FX (x) = 1 y lim FX (x) = 0, la suma de las
x+ x
longitudes de todos los saltos debe ser uno.
Sea D el conjunto de puntos de salto. Puesto que D es numerable
X
P (X D) = P (X = x) = 1.
xD
Entonces, X toma valores en D, numerable, y es, por tanto, discreta.

=) El recproco es inmediato, como se ha visto anteriormente.

Teorema
Toda coleccion numerable de numeros no negativos, de suma la unidad constituyen los valores
de la funcion masa de probabilidad de alguna variable aleatoria de tipo discreto
Demostracion P
Dada {pn ; n 1} con pn 0, n 1 y pn = 1, se define

0 x < x1
0 x<0

F (x) = X , o bien F (x) = X

p n x i x < xi+1

pn ix<i+1
ni ni

Esta funcion es, evidentemente, no decreciente, continua a la derecha y con lmites cero y
uno en y +, respectivamente. Por tanto, por la aplicacion del Teorema de Correspondencia,
existe una variable aleatoria con tal funcion como funcion de distribucion y, ademas, por las
caractersticas mostradas por ella, dicha variable es de tipo discreto.

EJEMPLOS
Ejemplo 1
Un jugador recibe una moneda si en el lanzamiento de un dado sale un numero par; en
caso contrario, pierde una moneda. Calcular la funcion masa de probabilidad y la funcion de
distribucion de la variable aleatoria que describe la ganancia.
P (X = 1) = PX (1) = P (X 1 ({1})) = P ({2, 4, 6}) = 1/2
P (X = 1) = 1/2
Funcion de distribucion
FX : R R
0 x < 1
x
7 P ({X x}) = 1/2 1 x < 1
1 x1


En general, si B es un conjunto de Borel arbitrario

P () = 0 1
/ B, 1
/B
P ({1, 3, 5}) = 1/2 1 B, 1
/B

P (X B) = PX (B) = P (X 1 (B)) =

P ({2, 4, 6}) = 1/2 1
/ B, 1B
P () = 1 1 B, 1B

Ejemplo 2
Se introducen al azar tres bolas en dos urnas U1 y U2 . Sea N el numero de bolas en la
primera urna, especificar su funcion masa de probabilidad y su funcion de distribucion.
Sean B1 , B2 y B3 las tres bolas; las distintas colocaciones, todas equiprobables son:
Cada disposicion puede identificarse con una ordenacion de las dos urnas
= {U1 U1 U1 , U1 U1 U2 , U1 U2 U1 , U2 U1 U1 , U1 U2 U2 , U2 U1 U2 , U2 U2 U1 , U2 U2 U2 }
N: R
U1 U1 U1 7 3
U1 U1 U2 7 2
U1 U2 U1 7 2
U2 U1 U1 7 2
U1 U2 U2 7 1
U2 U1 U2 7 1
U2 U2 U1 7 1
U2 U2 U2 7 0
P (N = 0) = 1/8

P (N = 1) = 3/8
P (N = 2) = 3/8
P (N = 3) = 1/8

0 x<0
1/8 0x<1

FN (x) = 4/8 1x<2
7/8 2x<3

1 x3

Distribucion de probabilidad
3
X
PN (B) = P (N B) = P (N = i)
i=0
iB
Ejemplo 3
Un juego consiste en lanzar una modeda cuatro veces y contar el numero de rachas de
resultados iguales. El jugador recibe una moneda por cada racha pero tiene que pagar una
moneda por participar en el juego. Dar la distribucion de probabilidad del beneficio del jugador.

RESULTADOS POSIBLES BENEFICIO X

CCCC 7
0
CCCX 7 1
CCXC 7 2
CXCC 7 2
XCCC 7 1
CCXX 7 1
CXCX 7 3
XCCX 7 2
CXXC 7 2
XCXC 7 3
XXCC 7 1
XXXC 7 1
XXCX 7 2
XCXX 7 2
CXXX 7 1
XXXX 7 0
P (X = 0) = 1/8
P (X = 1) = 3/8
P (X = 2) = 3/8
P (X = 3) = 1/8

0 x<0
1/8 0x<1

FX (x) = 4/8 1x<2
7/8 2x<3

1 x3

Distribucion de probabilidad
3
X
PX (B) = P (X B) = P (X = i)
i=0
iB
Observemos que PX PN (del ejemplo anterior). Por tanto, las dos variables aleatorias, aunque
referidas a espacios de probabilidad distintos, tienen la misma distribucion.
Si, en el ejemplo anterior, un jugador recibe una moneda por cada bola que haya en la
primera urna, N es su beneficio. Por tanto, los dos juegos seran equivalentes, en el sentido de
que el jugador puede ganar las mismas cantidades con las mismas probabilidades.

8. Variables aleatorias continuas

Existen muchas situaciones practicas en las que las variables de interes toman valores en un
conjunto no numerable de puntos:
Tiempo de vida de un determinado producto.
Suma de dos puntos elegidos al azar de un intervalo.
En tales casos, no es posible asignar una probabilidad positiva a cada uno de los valores
de la variable de forma que la suma de esas probabilidades sea la unidad como ocurre en el
caso discreto. As, el tratamiento probabilstico de este tipo de variables es diferente al de las
variables discretas.
Aunque la clase de variables de este tipo es mas amplia, vamos a estudiar ahora un tipo
particular, las denominadas variables absolutamente continuas, a las que es usual llamar
simplemente de tipo continuo o continuas.
Definicion
Una variable aleatoria X : (, A, P ) (R, B, PX ) es continua si su funcion de distribucion
es continua en todo R y derivable, y con derivada continua, salvo en a lo sumo un conjunto
numerable de puntos. Esto es equivalente a que fX : R R no negativa e integrable tal que
Z x
FX (x) = fX (t)dt, x R

La funcion fX se denomina funcion de densidad de la variable aleatoria X.
Propiedades
1. LaZfuncion de densidad de una variable aleatoria X es una funcion no negativa, integrable

+
y fX (t)dt = 1.

La no negatividad e integrabilidad forman parte de la definicion y

Z + Z x
fX (t)dt = lim fX (t)dt = lim FX (x) = FX (+) = 1
x+ x+
0
2. Si x0 es un punto de continuidad de fX , FX es derivable en x0 y FX (x0 ) = fX (x0 ).
3. La funcion de densidad de un variable aleatoria continua determina a su funcion de

distribucion FX y a su distribucion de probabilidad PX .
En efecto, por la definicion se tiene
Z x
FX (x) = fX (t)dt, x R


y ademas se puede probar que

Z
PX (B) = P (X B) = fX (x) dx, B B
B
Para intervalos, es evidente

Rb
P (X b) = PX ((, b]) = FX (b) = fX (x) dx
Ademas, como FX es continua y, por tanto,
x R, PX ({x}) = P (X = x) = FX (x+ ) FX (x ) = 0,
Rb
P (X < b) = P (X b) = FX (b) = fX (x) dx
Rb
P (a < X b) = FX (b) FX (a) = a fX (x) dx
De nuevo esa probabilidad coincide con P (a X < b), P (a < X < b) y P (a X
b).
Para conjuntos de Borel mas generales esta integral debe entenderse en el sentido de
Lebesgue (mas general que la integral de Riemann y que escapa a los contenidos de este
curso)
Finalmente, como consecuencia del Teorema de Correspondencia, se tiene el siguiente resultado.
Teorema Z +
Si f : R R es no negativa, integrable y tal que f (t)dt = 1, f es la funcion de densidad

de alguna variable aleatoria de tipo continuo.
Demostracion
Definimos F : R R como Z x
F (x) = f (t)dt

F es no decreciente, continua (y, por tanto, continua a la derecha) y F () = 0 y F (+) = 1.
Entonces F es la funcion de distribucion de alguna variable aleatoria, la cual, evidentemente,
es de tipo continuo con funcion de densidad f .

EJEMPLOS
Ejemplo 1
Sea X una variable aleatoria con funcion de distribucion

0 x<0
F (x) = x 0x<1
1 x1


F es derivable en R {0, 1} y

0 x<0
0
F (x) = 1 0<x<1
0 x>1

Entonces, podemos definir

0 x<0
f (x) = 1 0x1
0 x>1

que es continua salvo en x = 0, 1 y es evidente que

Z x
F (x) = f (t)dt, x R

Por tanto, f es la funcion de densidad de X (notemos que f puede cambiarse arbitrariamente

en 0 y 1 y no es unica; tomamos la version mas usual)
Z 0.6 Z 0.6
P ({0.4 < X 0.6}) = F (0.6) F (0.4) = 0.2 = f (t)dt = 1 dt
0.4 0.4
Ejemplo 2
Comprobar que la siguiente funcion es funcion de densidad. Calcular su funcion de distri-
bucion y, si X es una variable aleatoria con dicha distribucion, calcular P ({0.3 < X 1.5}).

0
x0
x 0<x1

f (x) =

2x 1x<2
0 x2

Dicha funcion es no negativa y ademas,

+ 1 2
1 2
t2 t2
Z Z Z
1 1
f (t) dt = t dt + (2 t) dt = + 2t = + 4 2 2 + = 1.
0 1 2 0 2 1 2 2


0 x<0

Z x

x2
t dt = 0x<1

2

0
F (x) = Z 1 Z x
x2

t dt + (2 t) dt = 2x 1 1x<2

0 1 2

1 x2

P [0,3 < X 1,5] = F (1,5) F (0,3) = 0,83

En general, si f = 0 salvo en (a, b), entonces F (x) = 0 si x < a y F (x) = 1 si x b. Si f = 0
salvo en (a, +), entonces F (x) = 0 si x < a. Si f = 0 salvo en (, b), entonces F (x) = 1 si
x b.
9. Variables aleatorias mixtas

Aunque la mayora de las distribuciones que aparecen en problemas practicos son discretas
o continuas, a veces es necesario considerar otro tipo de distribuciones que son mezcla de
ambos tipos. Son las denominadas distribuciones mixtas.
Definicion
Una variable aleatoria X : (, A, P ) (R, B, PX ) se dice que es mixta si DX R
numerable y hX : R R no negativa e integrable tal que
X Z x
x R, FX (x) = P ({X x}) = P ({X = xj }) + hX (t) dt.
xj DX
xj x
Z +
Notemos que en este tipo de variables, hX no es una funcion de densidad ya que hX (t) dt 6=

1.
Ejemplo
Supongase que en un sistema electrico, el voltaje X es una variable aleatoria continua con
funcion de densidad

0 x0

fX (x) = 1
x0

(1 + x)2

As,
0
x0
FX (x) = x

x0
1+x

El voltaje de este sistema se mide con un voltmetro que registra el valor real de X si X 3,
pero si X > 3 el voltmetro registra siempre el valor 3. Se define Y como el valor registrado por
el voltmetro. Entonces la distribucion de Y es mixta: +
Z +
1 1 1
P ({Y = 3}) = P ({X 3}) = 2
dx = = >0
3 (1 + x) 1+x 3 4
De lo anterior se deduce que P ({0 < Y < 3}) = 3/4

0 y0
y

FY (y) = FX (y) = 0y<3
1+y
1 y3

En este caso, DX = {3} con P (Y = 3) = FY (3) FY (3 ) = 1 3/4 = 1/4 y

1
hY (y) = fX (y) = , 0 < y < 3.
(1 + y)2
10. Funciones de variables aleatorias. Cambio de variable

Teorema
Si X : (, A, P ) (R, B, PX ) es una variable aleatoria y g : (R, B) (R, B) es una funcion
medible (esto es, g 1 (B) B), entonces Y = g(X) : (, A, P ) (R, B) es una variable
aleatoria.
Demostracion
B B, Y 1 (B) = (g(X))1 (B) = X 1 (g 1 (B)) A
B

Por tanto, Y 1 (B) A y, puesto que esta definida sobre un espacio de probabilidad es una
variable aleatoria.
Nos planteamos el problema de obtener la distribucion de probabilidad de Y a partir de

la de X. En teora, el problema se resuelve de forma inmediata mediante el siguiente teorema
general.
Teorema general de Cambio de Variable
Sea X : (, A, P ) (R, B, PX ) una variable aleatoria y g : (R, B) (R, B) una funcion
medible. Sea Y = g(X), entonces
B B, PY (B) = PX (g 1 (B))
y R, FY (y) = PX (g 1 ((, y]))
Demostracion
PY (B) = P [Y 1 (B)] = P [X 1 (g 1 (B))] = PX (g 1 (B))
FY (y) = PY ((, y]) = PX (g 1 ((, y]))

Pero en la practica trabajaremos con variables discretas o continuas, o sea, con funciones masa
de probabilidad o funciones de densidad. Nos interesa, por tanto, especificar las formulas de
cambio de variable para tales casos.
Cambio de variable discreto

Teorema general de Cambio de Variable
Si X : (, A, P ) (R, B, PX ) una variable aleatoria discreta, P ({X EX }) = 1 y g :
(R, B) (R, B) una funcion medible, entonces Y = g(X) es discreta con valores en g(EX ) y
X
P {Y = y} = P {X = x}, y g(EX )
xg 1 (y)EX
Demostracion
g(EX ) es numerable y P {Y g(EX )} = P {g(X) g(EX )} P {X EX } = 1

X
y g(EX ), P {Y = y} = P {g(X) = y} = P {X g 1 (y)} = P {X = x}
xg 1 (y)EX

EJEMPLOS
Ejemplo 1
Sea X una variable aleatoria discreta con funcion masa de probabilidad
e x
P {X = x} = , x = 0, 1, 2 . . . ( > 0)
x!
(coleccion numerable de numeros no negativos de suma la unidad).
Calcular la distribucion (funcion masa de probabilidad) de Y = X 2 .
g(x)=x2
EX = {0, 1, 2, . . .} g(EX ) = {0, 1, 4, . . .}

2 e y
y g(EX ) P {Y = y} = P {X = y} = P {X = y} =
y!
Ejemplo 2
Sea X una variable aleatoria discreta con funcion masa de probabilidad P {X = 2} = 1/5,
P {X = 1} = 1/6, P {X = 0} = 1/5, P {X = 1} = 1/15, P {X = 2} = 11/30. Calcular la
funcion masa de probabilidad de Y = X 2 + 3.
g(x)=x2 +3
EX = {2, 1, 0, 1, 2} g(EX ) = {7, 4, 3}
P {Y = 3} = P {X 2 + 3 = 3} = P {X 2 = 0} = P {X = 0} = 1/5
P {Y = 4} = P {X 2 + 3 = 4} = P {X 2 = 1} = P {X = 1} + P {X = 1} = 7/30
P {Y = 7} = P {X 2 + 3 = 7} = P {X 2 = 4} = P {X = 2} + P {X = 2} = 17/30
Cambio de variable continuo

Este caso no es tan simple como el discreto, ya que una variable aleatoria de tipo continuo no
tiene por que transformarse en otra de tipo continuo. Por ejemplo, sea X una variable aleatoria
continua con funcion de densidad

1/2 x (1, 1)
f (x) =
0 x / (1, 1)

y g : (R, B) (R, B) una funcion medible definida como

0 x<0
g(x) =
1 x0

Y = g(X) toma valores en el conjunto {0, 1} y es, por tanto, una variable aleatoria discreta
con P {Y = 0} = P {X < 0} = 1/2 y P {Y = 1} = P {X 0} = 1/2.

Sin embargo si se define g como

x x<0
g(x) =
1 x0

Y = g(X) toma valores en el conjunto (1, 0) {1} y es una variable de tipo mixto con
P {Y = 1} = P {X 0} = 1/2 y

1/2 y (1, 0)
hy (y) =
0 y/ (1, 0)

Aqu analizaremos el caso de transformaciones que convierten una variable continua en dis-
creta y el caso de transformaciones biunvocas de variables continuas (que transforman variables
continuas en continuas).
Teorema (CV continua a discreta): Sea X : (, A, P ) (R, B, PX ) una variable aleatoria

continua con funcion de densidad fX y sea Y = g(X) una variable aleatoria discreta con valores
en un conjunto numerable EY . Entonces,
Z
y EY , P {Y = y} = fX (x) dx
g 1 (y)
Demostracion
P {Y = y} = P {g(X) = y} = P {X g 1 (y)} = g1 (y) fX (x) dx
R

Ejemplo
Sea X una variable aleatoria continua con funcion de densidad
1 2
f (x) = ex /2 , x R
2
y sea Y una variable aleatoria definida como

1 X>0
Y = 1/2 X=0
1 X<0

Evidentemente, Y es una variable discreta y, ademas P {Y = 1/2} = 0. Por tanto, el conjunto

de valores de Y es {1, 1} y su funcion masa de probabilidad es
Z +
1 2
P {Y = 1} = P {X > 0} = ex /2 dx
0 2
Z 0
1 2
P {Y = 1} = P {X < 0} = ex /2 dx = [y = x, dy = dx] = P {Y = 1}
2

As, P {Y = 1} = P {Y = 1} = 1/2.
Teorema (CV continua a continua): Sea X : (, A, P ) (R, B, PX ) una variable aleatoria

continua con valores en el intervalo (a, b) ( fX > 0 x (a, b)) y sea g : (a, b) R una
funcion derivable y estrctamente monotona (creciente o decreciente). Entonces Y = g(X) es
una variable aleatoria continua con funcion de densidad
1
1 dg (y)
fX (g (y)) dy
y g((a, b))
fY (y) =

0 y/ g((a, b))

EJEMPLOS
Ejemplo 1

0 x<0
f (x) =
ex x0
Calcular la funcion de densidad de Y = X 2 .
Consideramos la funcion
g : R+ R
x 7 x2
Observemos que esta transformacion es creciente estrictamente para x 0 que es el recinto

donde toma valores nuestra variable.
Entonces, Y = g(X) = X 2 0, (Y (0, +)) y
(
0 y<0
fY (y) =
1
dg (y)
f (g 1 (y)) dy y0

dg 1 (y)
y = g(x) = x2 x = g 1 (y) = y, dy
= 1

2 y
y, por tanto,

0 y<0
fY (y) = e y 21 y y0

Otra opcion, sera calcular directamente la funcion de distribucion y luego derivar.

2 0 y<0
FY (y) = P [X y] =
P [X y] y0
donde
y y

Z

ex = ex 0 = 1 e y

P [X y] =
0
De aqu se deduce tambien que

0 y<0
fY (y) = e y 21 y y0
Ejemplo 2

1/2 x (1, 1)
f (x) =
0 x/ (1, 1)
Calcular la distribucion de Y = |X|.
X (1, 1) pero g : (1, 1) R con g(x) = |x| no esta en las condiciones del Teorema de
cambio de variable continuo.
Observamos que Y [0, 1), pero cada valor de Y tiene dos antiimagenes X = Y . Calculemos
la funcion de distribucion de Y

0 y<0
FY (y) = P [|X| y] 0y<1
1 y1

Z y
1
con P [|X| y] = P [y X y] = FX (y) FX (y) = dx = y
y 2
[y, y] [1, 1] .

Entonces
0 y<0
FY (y) = y 0y<1
1 y1

de donde
0 y/ (0, 1)
fY (y) =
1 y (0, 1)
Observemos en este ejemplo lo siguiente:

0 y<0
0 y
/ (0, 1)

FY (y) = FX (y) FX (y) 0y<1 fY (y) =
fX (y) + fX (y) y (0, 1)

1 y1

Entonces, en realidad, lo que se hace es aplicar la formula de Cambio de Variable a cada una
de las antiimagenes y despues, sumar.
dx
1) Y = |X| X = Y = 1 > 0 (estamos considerando solo las antiimagenes positivas)
dy

1 0 y/ (0, 1)
fY (y) =
fX (y)|1| y (0, 1)
dx
2) Y = |X| X = Y = 1 < 0 (estamos considerando solo las antiimagenes negativas)
dy

2 0 y/ (0, 1)
fY (y) =
fX (y)| 1| y (0, 1)
Si ahora sumamos fY1 y fY2 obtenemos fY .
Este resultado es cierto en general y constituye una extension del Teorema de Cambio de
Variable que hemos estudiado para el caso continuo.
Extension del Teorema de C. V. continuo

Sea X : (, A, P ) (R, B, PX ) y sea Y = g(X) una nueva variable aleatoria tal que
para cada valor de Y , existe un numero finito (o incluso numerable) de antiimagenes, cada
una de ellas derivable y estrictamente monotona. Entonces, Y es una variable aleatoria de tipo
continuo y su funcion de densidad se obtiene aplicando la formula de Cambio de Variable a
cada antiimagen y sumando las funciones resultantes.

Ejemplo
Sea X una variable aleatoria con funcion de densidad f (x) = ex , x > 0 ( > 0). Calcular
la funcion de densidad de Y = (X 1/)2 .
y = g(x) = (x 1/)2
La variable aleatoria Y toma valores en (0, +).
Si 0 < y < 1/2 , la funcion g tiene dos imagenes inversas, cada una de ellas derivable y
estrictamente monotona:
1 dg 1 (y) 1
g11 (y) = + y con 1 = >0
dy 2 y
1 dg21 (y) 1
g21 (y) = y con = <0
dy 2 y
As

1 1 1 1
fY (y) = fX + y + fX y =
2 y 2 y

1 1 1 1
fX + y + fX y , 0<y< 2
2 y
Si y > 1/2 , la funcion g tiene una imagen inversa, derivable y estrictamente monotona
1 1 dg11 (y) 1
g (y) = + y con = >0
dy 2 y
As


1 1 1 1 1
fY (y) = fX + y = fX + y , y> 2
2 y 2 y
Por tanto,

0 y<0

1

1 1 1
fY (y) = fX
+ y + fX
y 2 y 0<y< 2
( dos antiimagenes)

1

fX 1 1
+ y 2y y> ( una antiimagen)

2

0 y<0

1y
fY (y) =

2 y
e + e1+ y 0<y< 1
2

1 y 1
e y>

2 y 2
Se podra haber calculado directamente la funcion de distribucion

0 y<0
FY (y) =
P [(X 1/)2 y] y0

con P [(X 1/)2 y] = P [ y + 1/ X y + 1/] = FX (1/ + y) FX (1/ y).

Observemos que si y > 1/2 entonces FX (1/ y) = 0.
11. Esperanza matematica de una variable aleatoria

Existe una definicion global de esperanza matematica aplicable a cualquier tipo de variable alea-
toria, que se expresa en terminos de integrales de Lebesgue. Aqu daremos la particularizacion
de esta definicion para las variables discretas, continuas y mixtas.
Esperanza de una variable aleatoria discreta

Sea X : (, A, P ) (R, B, PX ) un variable aleatoria discreta con valores en EX . Se define la
esperanza de X como
X
EX = xP (X = x)
xEX
siempre que dicha suma sea absolutamente convergente, es decir

X
|x|P (X = x) < .
xEX

Notemos que si la variable toma un numero finito de valores, la suma que define la esperanza
tiene un numero finito de sumandos y es siempre absolutamente convergente. Por tanto, la
esperanza de una variable aleatoria con un numero finito de valores siempre existe.
Por el contrario, si EX es infinito, es necesario imponer la condicion de convergencia absoluta
de la serie ya que, en caso contrario, distintas reordenaciones de los sumandos podran dar
distintos valores de la esperanza.
Ejemplo: Sea X una variable aleatoria con funcion masa de probabilidad

j

j+1 3 2
P X = (1) = j , j = 1, 2, . . .
j 3
j

(1)j+1 3 2 = 2
X X
j
=

j=1
j 3
j j=1
la serie no es absolutamente convergente y, por tanto, X no tiene esperanza.
Sin embargo, notemos que

"
#
j X (1)2k+2 X 2k+3
X 3 2 X 2 (1)
(1)j+1 j
= (1)j+1 = 2 + =
j=1
j 3 j=1
j k=0
2k + 1 k=0
2k + 2
" #
X 1
=2 < .
k=0
(2k + 1)(2k + 2)
Esperanza de una variable aleatoria continua

Sea X un variable aleatoria continua con funcion de densidad fX . Se define la esperanza de X
como
Z
EX = xfX (x)dx
R
siempre que la funcion xfX (x) sea absolutamente convergente, es decir

Z
|x|fX (x)dx <
R
Esperanza de una variable aleatoria mixta

Sea X un variable aleatoria mixta con funcion de distribucion
X Z x
FX (x) = P[X = xj ] + h(t)dt
xj x
xj DX

Se define la esperanza de X como

X Z
EX = xj P[X = xj ] + xh(x)dx
xj DX R
R
siempre que la suma sea absolutamente convergente y R
|x|h(x)dx < .
El numero EX se denomina tambien valor esperado o media de la variable aleatoria X

o de la distribucion de X (esta determinado por la distribucion de la variable).
EJEMPLOS
Ejemplo 1.- Sea X una variable aleatoria con valores en {0, 1, 2} y funcion masa de probabi-
lidad
P[X = 0] = 1/4
P[X = 1] = 1/4
P[X = 2] = 1/2
1 1 1 5
EX = 0 +1 +2 =
4 4 2 4
Observese que la media no es el valor central, que sera 1, sino un valor comprendido entre
los valores extremos, que no tiene por que ser un valor de la variable (centro de gravedad).
Ejemplo 2.- Sea X una variable aleatoria con funcion masa de probabilidad P[X = n] =
1
, n = 1, 2, . . .
n(n + 1)

X 1 X 1
|n| = n = ,
n=1
n(n + 1) n=1
n(n + 1)
luego no existe la esperanza de X.
Ejemplo 3.- Sea X una variable aleatoria con funcion de densidad

1/4 x [1, 5]
f (x) =
0 en otro caso

Z 5 Z 5 Z 5
x
|x|f (x)dx = xf (x)dx = dx = 3
1 1 1 4
Por tanto, EX = 3.

x
e x>0
f (x) = ( > 0)
0 x0

Z x
xex
Z Z Z
x x x x e
|x|e = xe = xe = [u = x, dv = e dx] = +
0 0 0 0
0

ex

1 1
= 0 2 = 2 =
0
1
Por tanto, EX = .

1
f (x) = xR
(1 + x2 )
+ + +

|x| 2 ln(1 + x2 )
Z Z Z
1 2 x
|x|f (x)dx = 2
dx = dx = =
1+x 0 1 + x2 2 0
luego @EX.
Ejemplo 6.- Sea X una variable aleatoria con funcion de distribucion

0 x<0

x
FX (x) = 0x<3

1+x

1 x3

Por una parte,

DX = {3} P[X = 3] = 1/4
y, por tanto, la suma en la expresion de la media consta de un unico termino. Por otra parte,

1

x (0, 3)
(1 + x)2

hX (x) =

0 en otro caso

Z 3 Z 3 Z 3
1 1 1 2(1 + x) 2
|x| = x = dx =
0 (1 + x)2 0 (1 + x) 2 2 0 (1 + x)2 (1 + x)2
Z 3
3
1h 3 i 1 1 1 1
= ln(1 + x)2 0 2
dx = ln 16 + = ln 4 + 1 = ln 4 3/4 <
2 0 (1 + x) 2 1+x 0
4
As,
Z 3
1 1
EX = 3 + x = ln 4.
4 0 (1 + x)2
Esperanza de una funcion de una variable aleatoria

Sea X una variable aleatoria y g : (R, B) (R, B) una funcion medible. Entonces, Y =
g(X) es una variable aleatoria cuya esperanza, en caso de existir, viene dada por
P
y yP[Y = y] si es discreta
EY =
R
yfY (y)dy si es continua
Sin embargo, no sera necesario calcular la funcion de densidad o funcion masa de probabi-
lidad de la nueva variable para determinar si existe su esperanza y cuanto vale, sino que esto
puede hacerse a partir de la distribucion de la variable original X, como probamos a continua-
cion en dos casos particulares: X discreta, o bien X continua y g en las condiciones del Teorema
de Cambio de Variable (derivable y estrictamente monotona).
Teorema
Sea X una variable aleatoria y g : (R, B) (R, B) una funcion medible.
a) Si X es discreta
X
E[g(X)] |g(x)|P[X = x] <
xEX

X
E[g(X)] = g(x)P[X = x]
xEX
b) Si X es continua y g en las condiciones del T. C. V. (derivable y estrictamente monotona)

Z
E[g(X)] |g(x)|fX (x)dx <
R
Z
E[g(X)] = g(x)fX (x)dx
R
Ejemplo.- Sea X el valor obtenido al lanzar un dado. Calcular EX y EX 2 .

1 7
EX = (1 + 2 + 3 + 4 + 5 + 6) =
6 2
1 91
EX 2 = (1 + 4 + 9 + 16 + 25 + 36) =
6 6
Observemos que si se quiere calcular la esperanza de muchas funciones de una variable aleatoria
(EX 3 , EX 4 , ...), no hay que hacer un cambio de variable cada vez. Ademas, notemos que, en
general, EX 2 6= (EX)2
Corolario
EX E|X|
Propiedades de la esperanza matematica

1. X = c = EX = c.
2. X 0 = Si EX, EX 0
X
DISCRETA EX = xP[X = x] 0, ya que x EX x 0
xEX
Z + Z +
CONTINUA EX = xfX (x)dx = [fX (x) = 0, x < 0] = xfX (x)dx 0
0
3. X 0 y EX = 0 P (X = 0) = 1
) Es evidente.
) Si X es continua con funcion de densidad fX , se debe verificar que fX (x) = 0, x < 0 y,
por tanto Z +
E[X] = xfX (x) dx.
0

Dado que el integrando es una funcion no negativa

E[X] = 0 xfX (x) = 0, x 0 fX (x) = 0, x > 0.
As X 0 y EX = 0 fX (x) = 0, x 6= 0, que esta en contradiccion con que fX sea
una funcion de densidad. Por tanto X es discreta. Dado que E[X] es una suma de cantidades
no negativas, el hecho de ser igual a cero implica que todos los terminos son nulos, es decir, si
x > 0 P [X = x] = 0. De esto se deduce que solo el 0 puede tener probabilidad positiva.
4. Si EX = |EX| E|X|

X X
DISCRETA |EX| = xP[X = x] |x|P[X = x] = E|X|

xEX xEX
Z Z

CONTINUA |EX| = xfX (x)dx |x|fX (x)dx = E|X|
5. Si X esta acotada (M R / P(|X| M ) = 1) = EX y |EX| M

DISCRETA x EX |x| M
X X
|x|P[X = x] M P[X = x] = M <
xEX xEX
|EX| E|X| M
Z M
CONTINUA: |x| > M fX (x) = 0 y, por tanto fX (x) dx = 1
M
Z Z M Z
|x|fX (x)dx = |x|fX (x) dx M fX (x)dx = M <
M
|EX| E|X| M
6. Linealidad: Si EX = a, b R, E[aX + b] = aEX + b

X X
DISCRETA |ax + b|P[X = x] |a| |x|P[X = x] + |b| <
xEX xEX
X X
(ax + b)P[X = x] = a xP[X = x] + b = aEX + b
xEX xEX
Z Z
CONTINUA |ax + b|fX (x)dx |a| |x|fX (x)dx + |b| <
Z Z
(ax + b)fX (x)dx = a xfX (x)dx + b = aEX + b

7. Linealidad para funciones de una misma variable: Sean h1 (X), . . . , hn (X) v. a. tales que
E[hi (X)], i = 1, . . . , n. Entonces
E[a1 h1 (X) + + an hn (X)] = a1 E[h1 (X)] + + an E[hn (X)], a1 , . . . , an R
DISCRETA
X X X
|a1 h1 (x)+ +an hn (x)|P[X = x] |a1 ||h1 (x)|P[X = x]+ + |an ||hn (x)|P[X = x] <
xEX xEX xEX
X X X
(a1 h1 (x)+ +an hn (x))P[X = x] = a1 h1 (x)P[X = x]+ +an hn (x)P[X = x] =
xEX xEX xEX
= a1 E[h1 (X)] + + an E[hn (X)]
CONTINUA: Analoga
8. Conservacion del orden: Sea X una v. a. y h y g funciones medibles tales que h(X) g(X),
entonces si E[h(X)] y E[g(X)], entonces E[h(X)] E[g(X).
Dem.- (g h)(X) 0 = E[(g h)(X)] 0
12. Momentos de una variable aleatoria

En muchas situaciones, no es facil determinar completamente la distribucion de probabi-
lidad de una variable aleatoria. Sin embargo, s pueden determinarse diversas caractersticas
de la distribucion que, si bien no proporcionan una descripcion completa de la distribucion,
pueden dar una vision general de la misma. Destacamos en primer lugar los momentos de una
distribucion, que pueden ser de distintos tipos como vemos a continuacion.
Momentos no centrados (centrados respecto al origen u ordinarios)
Sea X una variable aleatoria y k un entero no negativo. Se define el momento no centrado
de orden k de X como EX k , siempre que exista.
X k

x P[X = x] caso discreto

x
mk = EX k = Z

xk fX (x)dx

caso continuo

En particular,
m1 = EX, m2 = EX 2 , m3 = EX 3 , . . .

Momentos centrados (respecto a la media)

Sea X una variable aleatoria, tal que EX y sea k un entero no negativo. Se define el
momento centrado de orden k de X como E[(X EX)k ], siempre que exista.
X

(x EX)k P[X = x] caso discreto

x
k = E[(X EX)k ] = Z

(x EX)k fX (x)dx

caso continuo

En particular, 1 = 0 y el momento centrado de orden 2, si existe, se denomina la varianza de

la variable
VarX = E[(X EX)2 ]

y a su raz cuadrada, la desviacion tpica. Posteriormente, estudiaremos con detenimiento
algunas de sus propiedades y su significado.
Momentos absolutos (respecto al origen)
Sea X una variable aleatoria y R+ . Se define el momento absoluto de orden de X
como E|X| , siempre que exista.
Observemos que EX k E|X|k
Teorema de existencia de momentos

Si E|X|t (t R+ ) = E|X|s s t
Demostracion:
X
DISCRETA E|X|s |x|s P[X = x] <
x
X X X
|x|s P[X = x] = |x|s P[X = x] + |x|s P[X = x]
x x/|x|1 x/|x|>1
X X
P[X = x] + |x|t P[X = x]
x/|x|1 x/|x|>1
t
P[|X| 1] + E|X| <
Z
CONTINUA E|X| s
|x|s fX (x)dx <
Z Z Z
s s
|x| fX (x)dx = |x| fX (x)dx + |x|s fX (x)dx
x x/|x|1 x/|x|>1
Z Z
fX (x)dx + |x|t fX (x)dx
x/|x|1 x/|x|>1
t
P[|X| 1] + E|X| <

Corolario
mk = EX k = mj = EX j j k
k = E[(X m1 )k ] = j = E[(X m1 )j ] j k
Demostracion:
mk E|X|k = E|X|j j k ( mj j k)
k E|X m1 |k = E|X m1 |j j k ( j j k)
Relacion entre momentos centrados y no centrados

k
n k
X
1) Si mk = k = (1) mkn mn1
n=0
n
k
X k
2) Si k = mk = kn mn1
n=0
n
Demostracion:
" k #
X k
1) k = E[(X m1 )k ] = E (1)n X kn mn1
n=0
n
Dado que existe la esperanza de cada sumando (por el corolario), todos funciones de X,
existen la esperanza de la suma y se tiene, por la linealidad, la expresion para k .
" k #
X k
2) mk = EX k = E[((X m1 ) + m1 )k ] = E (X m1 )kn mn1
n=0
n
y se tiene la propiedad mediante un razonamiento similar a 1.
Caso particular: V arX = E[X 2 ] (E[X])2
13. Desigualdades relacionadas con momentos de una variable alea-

toria: Teorema de Markov y Desigualdad de Chebychev
Como ya hemos indicado, en ciertas ocasiones, la distribucion de probabilidad de una va-
riable aleatoria no es conocida pero se conocen ciertas caractersticas de ella como pueden ser
los momentos. En tal caso, como vemos a continuacion, podemos calcular cotas para ciertas
probabilidades relativas a la variable bajo estudio.

Teorema de Markov (Desigualdad basica)

Si X es una variable aleatoria arbitraria y h : (R, B) (R, B) una funcion medible no
negativa tal que E[h(X)], entonces
E[h(X)]
> 0 P[h(X) ]

Demostracion:
DISCRETA
X X X
E[h(X)] = h(x)P[X = x] = h(x)P[X = x] + h(x)P[X = x]
x x/h(x) x/h(x)<
X X
h(x)P[X = x] P[X = x] = P[h(X) ]
x/h(x) x/h(x)
CONTINUA
Z Z Z
E[h(X)] = h(x)fX (x)dx = h(x)fX (x)dx + h(x)fX (x)dx
{x/h(x)} {x/h(x)<}
Z Z
h(x)fX (x)dx fX (x)dx = P[h(X) ]
{x/h(x)} {x/h(x)}
Desigualdad de Chebychev
VarX
Si EX 2 = k > 0 P[|X EX| k]
k2
Demostracion: Se obtiene de la desigualdad basica aplicada a (X EX)2 con = k 2 .
Expresiones alternativas de la desigualdad de Chebychev
VarX
P[|X EX| < k] 1
k2
1
P[|X EX| k VarX] 2
k
1
P[|X EX| < k VarX] 1 2
k

La desigualdad de Chebychev permite acotar la probabilidad de que una variable (con

momento de segundo orden) este dentro de un intervalo centrado en la media y de longitud 2k,
en terminos de la varianza
VarX
P[EX k < X < EX + k] 1 ,
k2

o, dentro de un intervalo centrado en la media y de longitud 2k VarX
1
P[EX k VarX < X < EX + k VarX] 1 2 .
k
As, para k = 4, tenemos que la probabilidad de que una variable aleatoria este comprendida
en un intervalo centrado en la media de la variable y de longitud 8 veces la desviacion tpica
es, al menos, 0.9375.
Para k = 5, la probabilidad de que una variable este dentro de un intervalo centrado en su
media y de longitud 10 veces la desviacion tpica es, al menos, 0.96.
NOTA: Observemos que para mayores valores de k, las cotas son mas altas (precisas) pero, sin
embargo, los intervalos son mayores.
Ejemplo.- Si X es una variable aleatoria con media cero y varianza uno, encontrar un intervalo
en el que este contenida la variable con probabilidad mayor o igual que
1) 0.99
2) 1/3
1
P[|X| < k] 1
k2
1) 1 1/k 2 = 0,99 k =p 10 P[10 p < X < 10] 0,99
p
2
2) 1 1/k = 1/3 k = 3/2 P[ 3/2 < X < 3/2] 1/3
Entonces, toda variable con media cero y varianza uno toma valores entre -10 y 10 con proba-
bilidad mayor o igual que 0.99, sea cual sea su distribucion.
14. Funcion generatriz de momentos

Los momentos de una variable aleatoria pueden determinarse, en general, sin mas que aplicar
su definicion; sin embargo, en ciertos casos, los calculos no son simples. Un metodo alternativo
para el calculo de los momentos es a traves de la denominada funcion generatriz de momentos
de una variable aleatoria cuya importancia, ademas de su relacion con los momentos, es que
esta funcion, si existe, determina la distribucion de la variable.
Definicion
Sea X una variable aleatoria tal que E[etX ] t (t0 , t1 ), (t0 , t1 R+ ). Se define su funcion
generatriz de momentos como MX : (t0 , t1 ) R+ dada por
MX (t) = E etX , t (t0 , t1 ).


Como se observa de la definicion, la f.g.m. de una variable puede no existir.
Ejemplo 1.- Sea X una variable aleatoria con funcion masa de probabilidad
6
P[X = x] = , x = 1, 2, . . .
2 x2

tX
X
tx 6 X6 X etx
tx
E e = e P[X = x] = e 2 2 = 2
x=1 x=1
x x=1 x2
etx
Notemos que t > 0, y, por tanto, la serie diverge, t > 0 y @ la f.g.m..
x2 x
Ejemplo 2.- Sea X una variable aleatoria con funcion masa de probabilidad
e x
P[X = x] = , x = 0, 1, 2, . . . ( > 0)
x!

e x (et )x
= e ee = e(e 1) , t R
X t t
X
E etX = etx = e
x=0
x! x=0
x!
MX : R R+
t 7 e(e 1)
t

1
fX (x) = ex/2 , x>0
2

1 x(t1/2)
Z Z
tx 1 x/2
E etX =

e e dx = e dx =
0 2 2 0
t > 1/2 (@E[etX ])

x(t1/2) +
1 e
= =
2 t 1/2 0 1 1 = 1 t < 1/2
2 1/2t 12t
Entonces
MX : (, 1/2) R+
1
t 7
1 2t

Propiedades de la funcion generatriz de momentos
Teorema de Unicidad
La f. g. m. de una variable aleatoria, si existe, determina de forma unica la distribucion
de la variable.
Relacion con los momentos

Sea X una variable aleatoria con f. g. m. MX (t), t (t0 , t1 ). Entonces

1) E X k , k N

X tk
E Xk ,

2) MX (t) = t (t0 , t1 )
k=0
k!
dk MX (t)

k (k)
3) E X = MX (t) =

t=0 dtk t=0
Ejemplo 4. Sea X una variable aleatoria con funcion de densidad

1
fX (x) = ex/2 , x > 0
2
Calcular la media y la varianza de X a partir de su f. g. m.
Segun se ha visto en el Ejemplo 3 anterior
1
MX (t) = t < 1/2
1 2t

dMX (t) 2 dMX (t)
= = EX = 2
dt (1 2t)2 dt t=0
d2 MX (t) d2 MX (t)

8(1 2t) 8
= = = EX 2 = 8 VarX = 4
dt2 (1 2t)4 (1 2t)3 dt2 t=0
El recproco del resultado anterior no es cierto; esto es, puede que existan todos los momentos
de una variable aleatoria y no exista la f.g.m. como probamos en el siguiente ejemplo.
Ejemplo 5 (Existencia de momentos no implica la existencia de f. g. m.)
Sea X una variable aleatoria con funcion de densidad
1 1/
fX (x) = ex , x>0 ( > 1)
()

Z
1 1/
EX k
xk ex dx <
0 ()
1/
Dicha integral, haciendo el cambio y = x x = y dx = y 1 dy, queda
Z Z
1 1 ( + k)
y k ey y 1 dy = ey y k+1 dy = < k N
0 () () 0 ()
Por otra parte
Z
MX (t) etx fX (x)dx < t (t0 , t1 )
0
Z Z
tx 1 1/1 )
e fX (x)dx = ex(tx dx
0 () 0
Puesto que
1
1 < 0 = x1/1 0 = t x1/1 t
x+ x+
Entonces, si t > 0 y s (0, t), x0 tal que x > x0 t x1/1 > s y, por tanto,
1/1 )
ex(tx > esx y
Z Z Z
x(tx1/1 ) x(tx1/1 )
e dx e dx > esx dx =
0 x0 x0
15. Caractersticas numericas asociadas a una distribucion

Ademas de los momentos, existen otras caractersticas numericas asociadas a la distribucion
de una variable aleatoria, que proporcionan una descripcion general de la misma y permiten,
en ciertos casos, establecer comparaciones entre distintas distribuciones. Aqu estudiaremos
algunas de estas caractersticas clasificadas en
Medidas de posicion.
Medidas de dispersion.
Medidas de forma.
Medidas de posicion o localizacion

Indicadores de la posicion o localizacion de la distribucion de probabilidad en R.
MEDIA EX
Es la medida de posicion central por excelencia aunque tiene el inconveniente de que puede no
existir y es muy sensible a cambios en valores de la variable aunque estos sean de probabilidad
muy pequena.

P[X = 0] = 1/4, P[X = 1] = 1/2, P[X = 2] = 1/5, P[X = 3] = 1/20, EX = 1,05

P[Y = 0] = 1/4, P[Y = 1] = 1/2, P[Y = 2] = 1/5, P[Y = 1000] = 1/20, EY = 50,9
As, el valor de la media es indicativo de la posicion en poblaciones homogeneas.
MEDIANA MeX
MeX es un valor real tal que P[X MeX ] 1/2 y P[X MeX ] 1/2 o, equivalentemente,
FX (M e
X ) 1/2 FX (M eX ).
La mediana divide a la distribucion en dos partes en el sentido de que la probabilidad a la

izquierda y a la derecha es 1/2.
Notese que si X es una variable aleatoria de tipo continuo, la mediana es un valor que satisface
FX (MeX ) = 1/2
As, la mediana de una distribucion no tiene por que ser unica
En este caso todos los puntos de [M, M ] son medianas.

Tambien, en distribuciones discretas puede no haber unicidad de la mediana.
0
Tambien en este caso todos los puntos de [M, M ] son medianas.

Y, en general, si M y M son medianas, todos los puntos de [M, M ] lo son

P[X m] P[X M ] 1/2

m (M, M ) =
P[X m] P[X M ] 1/2

La mediana es unica en casos como los siguientes o similares
Como principal ventaja respecto de la media, ademas de que siempre existe, debemos indicar
que la mediana es menos sensible a cambios en valores de la variable con masa de probabilidad
pequena
P[X = 0] = 1/4, P[X = 1] = 1/2, P[X = 2] = 1/5, P[X = 3] = 1/20, MeX = 1
P[Y = 0] = 1/4, P[Y = 1] = 1/2, P[Y = 2] = 1/5, P[Y = 1000] = 1/20, MeY = 1
MODA
Es un numero real que maximiza la funcion masa de probabilidad (valor mas probable) en el
caso de variables discretas, o la funcion de densidad, para variables continuas.
La moda puede no ser unica. Por ejemplo
P[X = 0] = 1/3, P[X = 1] = 1/3, P[X = 2] = 1/6, P[X = 3] = 1/6 y son modas el 0
y el 1.

1/3 0<x<1
fX (x) = y son modas todos los valores del intervalo (1, 2)
2/3 1<x<2
PERCENTILES xq
Son medidas de posicion que generalizan a la mediana.
Se define el cuantil o percentil de orden q (0 q 1) como un valor xq tal que P[X xq ] q
y P[X xq ] 1 q o, equivalentemente,
FX (x
q ) q FX (xq ).

As, un cuantil de orden q divide a la distribucion en dos partes, quedando a la izquierda una
masa de probabilidad q y a la derecha una masa de probabilidad 1 q.
Para distribuciones continuas, se cumple
FX (xq ) = q
Si q = 1/2, entonces xq = M eX
Siempre existe un cuantil de cualquier orden, aunque no tiene por que ser unico (igual
que la mediana)
x0,25 = Q1 1er Cuartil
x0,5 = Q2 2o Cuartil (Mediana)
x0,75 = Q3 3er Cuartil
Medidas de dispersion
Las medidas de posicion por s solas no son suficiente para dar una descripcion adecuada de
la distribucion de una variable aleatoria ya que no reflejan la dispersion de los valores de la
variable respecto de ellas.
P[X = 1] = 1/4, P[X = 0] = 1/2, P[X = 1] = 1/4 EX = 0, M eX = 0
P[Y = 100] = 1/4, P[Y = 0] = 1/2, P[Y = 100] = 1/4 EY = 0, M eY = 0
Para dar un indicador de la representatividad de las medidas de posicion (entendiendose por
ello la menor o mayor desviacion de la distribucion respecto de ellas) se definen las medidas de
dispersion.
VARIANZA
Es el momento centrado de orden dos
VarX = E[(X EX)2 ] = EX 2 (EX)2

Mide la desviacion cuadratica media de la variable respecto de su media. La varianza propor-
ciona una medida de la variacion o dispersion de una distribucion alrededor de su media. Un
valor pequeno de la varianza indica que la distribucion de probabilidad esta muy concentrada
alrededor de la media y un valor grande de la varianza generalmente indica que la distribu-
cion de probabilidad tiene una dispersion amplia alrededor de la media. Veamos a continuacion
algunas propiedades que justifican su uso como medida de dispersion.
Propiedades de la varianza
1) VarX 0 y VarX = 0 c R / P[X = c] = 1
VarX 0 por ser la esperanza de una variable aleatoria no negativa.

=] P[X = c] = 1 = P[(X c)2 = 0] = 1 = EX = c y E[(X c)2 ] = VarX = 0

=] VarX = E[(X EX)2 ] = 0 y P[(X EX)2 0] = 1 = P[(X EX)2 =
0] = 1 = P[X = EX] = 1
2) Var(aX + b) = a2 VarX, a, b R
Var(aX + b) = E[(aX + b aEX b)2 ] = a2 VarX
2.1. Var(X + b) = VarX es invariante frente a cambios de origen en las unidades de

medida (desplazamiento de la distribucion).
Este resultado es intuitivo puesto que desplazando la distribucion de X una distancia
de b unidades a lo largo de la recta real, la media de la distribucion variara en
b unidades, pero el desplazamiento no afectara a la dispersion de la distribucion
alrededor de su media.
2.2. VarX = Var(X)
3) VarX < E[(X c)2 ], c 6= EX. Esto indica que si se mide la dispersion de una variable
por la desviacion cuadratica media alrededor de un punto c arbitario, esta es mnima si
c = EX.
E[(X c)2 ] = E[(X EX + EX c)2 = VarX + (EX c)2 + 2 E[(X EX)] [EX c]
=0
Luego,
E[(X c)2 ] = VarX + (EX c)2 , c R
y queda probado el resultado.
Nota.- Para c = 0, se obtiene VarX = EX 2 (EX)2 (expresion ya obtenida a partir de

la relacion entre los momentos)
Hay que indicar que la varianza de una variable se mide en unidades cuadradas, por lo que es
comun usar como medida de dispersion su raz cuadrada o DESVIACION TIPICA, expresada
en la misma unidad de medida que la variable.
La varianza, y por tanto la desviacion tpica, es muy influenciable por valores extremos.
Tal y como ocurra para la esperanza, la varianza de cualquier distribucion se puede hacer
arbitrariamente grande colocando una masa de probabilidad positiva, aunque sea pequena,
suficientemente lejos del centrode los datos.
TIPIFICACION: Dada una variable aleatoria X siempre se puede obtener otra, Z, a partir de
ella, con media cero y varianza uno,
X E[X]
Z=
V arX

A este proceso se le llama tipificacion de la variable aleatoria X y a la nueva variable aleatoria

Z, variable tificada.
DESVIACION ABSOLUTA MEDIA RESPECTO DE LA MEDIANA
E|X M eX |
Su uso queda justificado por la siguiente propiedad
E[|X M eX |] < E[|X c|] c 6= M eX

RANGO O RECORRIDO: Diferencia entre el mayor y el menor valor de la variable aleatoria.
RANGO O RECORRIDO INTERCUARTILICO Q3 Q1

Es la medida de dispersion usual asociada a los cuartiles. La ventaja de esta frente a la anterior es
que disminuye los efectos distorsionantes que pueden provocar en el rango los valores extremos.
Todas la anteriores medidas de dispersion son absolutas en el sentido de que dependen de la

unidad de medida de la variable y no son apropiadas, por tanto, para comparar distribuciones
medidas en escalas diferentes. Ademas, una dispersion medida, por ejemplo, por una desviacion
tpica igual a 10 puede tener significado distinto (es pequena o grande) en funcion del valor de
la media (es mucho menor una desviacion tpica de 10 en una distribucion de media 1000 que
en una de media 20).
Por ello, para comparar dos distribuciones, debe usarse una medida de dispersion relativa,
que tiene como ventaja el no verse afectada por cambios en las unidades de medida
COEFICIENTE DE VARIACION (DE PEARSON)

Se define para variables aleatorias con E[X] 6= 0 como
X
CVX =
EX
Es adimensional
|CVaX | = |CVX |
p
aX Var[aX] |a| VarX
CVaX = = = | = CVX
|E[aX]| |aEX| |a||EX
Ejemplo
2 5
EX = 100 y X = 25 CVX = 100 = 0,05
2 4
EY = 30 y Y = 16 CVY = 30 = 0,13
2
X > Y2 y, sin embargo, CVX < CVY

O sea, la distribucion de X tiene una menor dispersion relativa que la de X aunque la dispersion
absoluta sea mayor.
Medidas de forma
Para describir una distribucion son tambien interesantes ciertas medidas de forma, que
proporcionan indicadores de la simetra de la funcion masa de probabilidad o de la funcion de
densidad de una variable aleatoria y del apuntamiento (aplastamiento) de dichas funciones.
SIMETRIA
Definicion.- Una variable aleatoria (distribucion) es simetrica alrededor de un punto R
si
x R P[X x] = P[X + x]
o equivalentemente, las variables aleatorias X y X tienen la misma distribucion.
Si X es simetrica alrededor del origen, se dira simplemente simetrica.

Definicion para variables discretas. X discreta, es simetrica alrededor de R si y solo si
P[X = x] = P[X = + x] x R.
Demostracion: Inmediata de la definicion.
Definicion para variables continuas. X continua, es simetrica alrededor de R si y solo

si
fX ( x) = fX ( + x) x R.
Demostracion
=] En el caso continuo, la definicion de simetra equivale a FX ( +x) = 1FX ( x), x R
y derivando se obtiene la condicion anterior.
Rt Rt
=] fX ( x) = fX ( + x) x R = t R fX ( x)dx = fX ( + x)dx
Z t Z t Z +
y =x
fX ( x)dx = = fX (y)dy = fX (y)dy = 1 FX ( t)
dy = dx + t
Z t Z +t
y =+x
fX ( + x)dx = = fX (y)dy = FX ( + t)
dy = dx

Propiedades de las distribuciones simetricas
1) Si X es simetrica alrededor de R, todos los momentos centrados en de orden impar,

si existen, son nulos.
Dem.- Por la definicion de simetra E[(X )2k+1 ] = E[( X)2k+1 ] y ya que E[(
X)2k+1 ] = E[(X )2k+1 ] se tiene la propiedad.
2) Si X es simetrica alrededor de un punto R y EX, entonces EX = .
Dem.- Consecuencia inmediata de 1).
3) Si X es simetrica alrededor de un punto R, es Mediana.
Dem.- Haciendo x = 0 en la condicion de simetra: P[X ] = P[X ]. Entonces, esa

probabilidad no puede ser menor de 1/2, porque, en tal caso,
P[X ] + P[X ] < 1 absurdo
4) Si X es simetrica alrededor de un punto R y es unimodal, Moda= .
A continuacion definimos un coeficiente que proporciona un indicador de la asimetra de

una distribucion.
Coeficiente de asimetra de Fisher
3
3
X
El uso de este coeficiente se basa en el hecho de que en distribuciones simetricas todos los
momentos de orden impar y, en particular, 3 , son cero. Entonces, una distribucion sera mas
asimetrica cuanto mayor sea |3 |, esto es, cuanto menos se compensen las desviaciones (X
EX)3 (se usa 3 porque 1 siempre vale cero).
3
Con objeto de obtener una medida adimensional, se divide por X . Con ello se consigue,
ademas, que el coeficiente sea invariante (realmente, su valor absoluto) frente a cambios de
escala y origen en las unidades de medida de la variable:
3
X 3
X
E[(aX + b (aEX + b))3 ] a3 3 a3 3 3

aX + b 3 = 3 = 3 3 = 3
|a| X X
p
Var(aX+b) a2 VarX

Ejemplo. P[X = 1] = 1/4, P[X = 0] = 1/2, P[X = 3] = 1/4

EX = 1/2
3 = E[(X 1/2)3 ] = 3 p
VarX = E[(X 1/2)2 ] = 17/8 x = 17/8
3 3
3
= p >0
X ( 17/8)3
Observamos que la funcion masa de probabilidad es asimetrica por la derecha: las desvia-
ciones a la derecha de EX estan mas cargadas que las desviaciones a la izquierda: (3 EX)
mas carga que (EX 0) y (EX + 1), desviaciones a la izquierda.
En general:
3
Distribuciones simetricas 3
=0
X
3
Distribuciones asimetricas a la derecha 3
>0
X
3
Distribuciones asimetricas a la izquierda 3
<0
X

CURTOSIS (APUNTAMIENTO)
Para distribuciones unimodales, moderadamente asimetricas y campaniformes, Fisher dio
una medida del apuntamiento de la distribucion que indica mayor o menor concentracion de la
variable respecto de su media.
Esta medida se define en relacion a una distribucion patron, la distribucion normal (campana
de Gauss), mediante el siguiente coeficiente
Coeficiente de curtosis de Fisher
4
4
3
X
que vale cero para la distribucion patron.
4
4
3=0 DISTRIBUCION MESOCURTICA
X
4
4
3 > 0 DISTRIBUCION LEPTOCURTICA (Mas apuntada (menos
X
aplastada) que la normal Mas concentracion)
4
4
3 < 0 DISTRIBUCION PLATICURTICA (Menos apuntada (mas aplastada)
X
que la normal Menos concentracion)
No esta afectado por cambios de escala y origen

4
X 4
3
X
E[((aX + b) (aEX + b))4 ] a4 4

aX + b 3 = 3
(Var(aX + b))2 a4 VarX
Ejemplo
P[X = 1] = 1/4, P[X = 0] = 1/2, P[X = 1] = 1/4
EX = 0
EX 2 = 1/2 VarX = 1/2
4 = 1/2
4 1/2
4
3= 3 = 1 < 0 Platicurtica (menos apuntada que la normal)
X (1/2)2
P[X = 1] = 1/5, P[X = 0] = 3/5, P[X = 1] = 1/5
EX = 0
EX 2 = 2/5 VarX = 2/5
4 = 2/5
4 2/5
4
3= 3 = 5/2 3 = 0.5 < 0 Platicurtica, pero menos que la anterior.
X (2/5)2

Tema5 PDF

Cargado por

Copyright:

Formatos disponibles

Tema5 PDF

Cargado por

Información del documento

Título original

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

Tema5 PDF

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA DESCRIPTIVA E INTRODUCCION A LA PROBABILIDAD

Doble Grado en Ingeniera Informatica y Matematicas

Cuantitativo, como el asociado al lanzamiento de un dado ( = {1, 2, . . . , 6}).

Cualitativo, como en los siguientes ejemplos:

Lanzamiento de dos monedas ( = {cc, cx, xc, xx}).

Es evidente que el tratamiento matematico de un espacio muestral de tipo cualitativo no es

En el lanzamiento de tres monedas: numero de caras o de cruces, diferencia entre el

En la extraccion de bolas de una urna: numero de bolas de un determinado color, etc.

En la eleccion de un individuo: estatura, peso, etc.

Patricia Roman Roman 1

Para introducir de manera formal el concepto de variable aleatoria, comenzaremos definiendo

2. Espacio de Borel unidimensional

3. Si A P(R) es una -algebra, tal que A Y, entonces A B.

Al par (R, B) se le denomina Espacio de Borel. Los elementos de B se denominan Conjuntos

Todo conjunto numerable y, en particular, todo conjunto finito, es un conjunto de Borel.

Todo conjunto formado a partir de las operaciones de uniones numerables, intersecciones

Patricia Roman Roman 2

As, la definicion formal de variable aleatoria es

(Notacion: X : (, A, P ) (R, B).)

Teorema: Caracterizacion de variables aleatorias

1. X 1 ((, x]) = {/X() x} = {X x} A, x R.

2. X 1 ((, x)) = {/X() < x} = {X < x} A, x R.

3. X 1 ([x, +)) = {/X() x} = {X x} A, x R.

4. X 1 ((x, +)) = {/X() > x} = {X > x} A, x R.

5. X 1 ((a, b]) = {/a < X() b} = {a < X b} A, a, b R.

6. X 1 ([a, b)) = {/a X() < b} = {a X < b} A, a, b R.

7. X 1 ((a, b)) = {/a < X() < b} = {a < X < b} A, a, b R.

8. X 1 ([a, b]) = {/a X() b} = {a X b} A, a, b R.

Patricia Roman Roman 3

Ejemplos de variables aleatorias

Ejemplo 1: Funciones indicadoras de conjuntos medibles

donde A , se denomina funcion indicadora del conjunto A.

Ejemplo 2: Funciones simples

Ejemplo 3: En el lanzamiento de un dado, se asigna el valor 1 a los resultados pares, y el

= {1, 2, 3, 4, 5, 6}; A = P(); P uniforme.

Patricia Roman Roman 4

llegando a la misma conclusion.

Notamos cada resultado elemental por (i, j), donde i es la puntuacion de A y j la de B.

= {(i, j)/i, j = 1, . . . , 6}; A = P(); P ((i, j)) = 1/36

Patricia Roman Roman 5

Se se ha convenido que el que obtenga menor puntuacion paga al contrario la diferencia:

A gana al menos 4 monedas: {U 4} = {(5, 1), (6, 1), (6, 2)}.

4. Operaciones algebraicas con variables aleatorias

Teorema 1: Si X es una variable aleatoria sobre (, A, P ), y a, b R, entonces la

Teorema 2: Si X e Y son variables aleatorias sobre (, A, P ), y a, b R, entonces la

Corolario 1: Si X1 , X2 , . . . , Xn son variables aleatorias definidas sobre (, A, P ),

Patricia Roman Roman 6

Teorema 3: Si X es una variable aleatoria sobre (, A, P ), y a, b R, entonces la

El recproco no es cierto: Si |X| es variable aleatoria, X no tiene por que serlo.

|X| 1 es una variable aleatoria, sin embargo, X 1 ({1}) = {1, 3}

5. Distribucion de probabilidad de una variable aleatoria

Patricia Roman Roman 7

Las probabilidades de estos sucesos describen completamente el comportamiento de la va-

B 7 PX (B) = P (X 1 (B)) = P ({X B})

Ejemplo En el ejemplo 3 de la seccion anterior asociado al lanzamiento de un dado se haba

Por tanto la distribucion de probabilidad de X es

Patricia Roman Roman 8

6. Funcion de distribucion de una variable aleatoria

3) lim F (x) = 1 y lim F (x) = 0