ESTADÍSTICA II Lic. Gonzalo A.

Hinojosa Mariscal

TEMA 3
VARIABLE ALEATORIA

3.1. Concepto
3.2. Funciones de distribución
3.3. Parámetros de Centralización y de
Dispersión
3.4. Función generatriz de momentos

OBJETIVOS

- Conceptualizar lo que representa el término variable aleatoria y analizar su

complemento en la distribución de probabilidades.
- Utilizar funciones representativas que nos permitan determinar parámetros
estadísticos más usuales y su comportamiento desde el punto de vista de las
probabilidades.
_________ . _________

3.1. Variable aleatoria.- En los capítulos anteriores se dieron conceptos y propiedades de

las probabilidades, a manera de un análisis general. Aunque, aun se requiere ampliar dichos
conceptos mediante modelos probabilísticos que nos permitan determinar otras medidas
o parámetros más característicos.

Una variable cuyos valores numéricos quedan determinados por los resultados de un
experimento aleatorio, se denomina variable aleatoria. Dicho de otro modo, es la
asignación numérica a cualquier resultado o elemento del espacio muestral.

Es la imagen de una función que asigna a cada evento o suceso, un determinado valor o
número real determinados bajo criterios relacionados con la probabilidad. Es una cantidad
equivalente al resultado de un experimento, y debido al azar puede tener diferentes
valores.

Las variables aleatorias se expresan por las últimas letras del abecedario (x, y, z,…).

Las variables aleatorias permiten especificar aún más lo que se pretende analizar en
cualquier fenómeno relacionado al azar. En la mayoría de los casos se utilizará su
abreviatura (al igual que en cualquier bibliografía) que es igual a: v.a.

Para una v.a. será preciso determinar su rango de valores (R), y luego poder predefinirlos
en una función representativa que permita un cálculo más directo de las probabilidades.

Las variables aleatorias pueden ser discretas o continuas.

ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Una variable aleatoria discreta es aquella que toma valores claramente identificados y
separados, siendo su rango un conjunto finito o infinito numerable de valores. Una variable
aleatoria continua es aquella que su rango es un intervalo dentro de los números reales,
siendo un conjunto infinito no numerable de valores.

Ejemplos:

v.a. discreta: Número de hijos: Rx = {0, 1, 2, 3, 4, …..10}

Número de llamadas telefónicas Rx = {0, 1, 2, 3, …….}

v.a. continua: Estatura Rx = {1,50 < x < 1,90}

Vida útil de un artefacto Rx = {0 < x < ꝏ}

3.2. Funciones de distribución.- (Funciones de probabilidad) Para cualquier v.a. se puede

obtener su probabilidad inducida mediante una representación denominada función de
distribución, que nos permite calcular de manera más directa el valor de P. Son modelos
matemáticos o funciones.

3.2.1. Función de cuantía.- Es característico para v.a. discretas, que asigna la probabilidad
para cada valor xi. Se expresa de la forma: P(X = xi). Donde X = v.a. propiamente (definida)
y xi son los probables valores de la v.a.

Debe cumplir las siguientes condiciones:

1) P(X = xi) > 0

2) ∑ P(X = xi) = 1

Ejemplo: Sea el ejemplo del lanzamiento de 3 monedas, con la v.a. número de caras.

x = v.a. número de caras 23 = 8

El espacio muestral es:

η = {(C;C,C); (C,C,S); (S,C,C); (C,S,C); (C,S,S); (S,C,S); (S,S,C); (S,S,S)}

3 caras 2 caras 1 cara 0 caras

El rango de valores es: Rx = {0, 1, 2, 3}

Su función de cuantía sería:

n
P(X = x) =
8

1 3 3 1
P(X = 0) = P(X = 1) = P(X = 2) = P(X = 3) =
8 8 8 8
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Si: X = 0, 3 n=1
Si: X = 1, 2 n=3
Otra forma:
C x3
P(X = x) =
8

Si: x = 2
C 23 3
P(X = 2) = 
8 8

Ejemplo: Para conformar una comisión de 3 estudiantes, de un grupo de 7 damas y 5

varones, determinar la función de cuantía de la v.a. número de damas en la comisión.

Solución

El número de formas de conformar en la comisión:

12!
C312   220
3!(12  3)!

x: v.a. número de damas

C x7 * C35 x
La función de cuantía será:
C x7 * C 35 x
P( X  x) 
220

Verificando las condiciones:

1) P(X = xi) > 0
2) ∑ P(X = xi) = 1

∑ P(X = xi) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)

C 07 * C 35 C17 * C 25 C 27 * C15 C 37 * C 05
=   
220 220 220 220
(1)(10) (7)(10) (21)(5) (35)(1) 220
=     1
220 220 220 220 220
10  70  105  35
=
220
220
= 1
220

Al sumar uno, se verifica que es una función de cuantía.

ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Ejemplo: Sean los datos de una v.a aleatoria discreta cuyo rango de valores son:

Rx ={-2, 1, 3, 4}. Determinar el valor de la constante c para que sea una función de cuantía:
c
P( X  x) 
x
1) Cumple
2) ∑ P(X = xi) = 1
P(X = -2) + P(X = 1) + P(X = 3) + P(X = 4) = 1
c c c c
   1
2 1 3 4
 6c  12c  4c  3c
1
12
13c
1
12
12
c
13

Ejemplo: Una variable aleatoria discreta tiene la siguiente distribución de probabilidad:

x –2 –1 0 1 2 3
P(X = x) 0,08 0,21 0,10 ? 0,23 0,04
0,34
Calcular (si es posible): P(X > 1) y P(-1,5 < X < 2).

P(X = 1) = 1 – 0,08 – 0, 21 – 0,10 – 0,23 – 0,04 = 0,34

P(X >1) = P(X = 2) + P(X = 3) = 0,23 + 0,04 = 0,27

P(-1,5 < X < 2) = P(X = -1) + P(X = 0) + P(X = 1) = 0,21 + 0,10 + 0,34 = 0,65

(*)
P (1,5  X  2)  No tiene solución

La desigualdad estricta (<) si admite solución en este caso. En otro caso (≤) no.
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Función de distribución acumulada.- Es la representación de los valores de las

probabilidades acumuladas.

Para el ejemplo de las 3 monedas (v.a. número de caras):

x P(X = x) P(X<x) =F(x)

0 1/8=0,125 -
1 3/8=0,375 0,125
2 3/8=0,375 0,5
3 1/8=0,125 0,875

F(1) = P(X < 1) = P(X=0) = 0,125

F(2) = P(X < 2) = P(X=1) + P(X=0) = 0,375 + 0,125 = 0,5
F(3) = P(X < 3) = P(X=2) + P(X=1) + P(X=0) = 0,375 + 0,375 + 0,125 = 0,875

3.2.2. Función de densidad.- Es característico para v.a. continuas, y determina la

distribución para este tipo de variables.

Siendo x la v.a., la función de densidad se expresa por f(x).

Sus propiedades o condiciones:

1) f(x) > 0

2)  f ( x)dx =1


En la segunda condición se debe cumplir de manera estricta que el área debajo de la función
debe ser igual a 1.

Si no cumple, entonces no es función de densidad y no se pueden realizar o resolver los

ejemplos, ni calcular otras variables ó parámetros.

f(x) A=1
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Ejemplo 1: Considere la siguiente función:

1 x
0<x<3
12
f(x) =
0 otro caso

Verificar si es una función de densidad legítima.

Solución

Para la segunda condición:

1  x 
3 3
1 1 x2 3
0  12 dx  12 0 (1  x)dx  12 ( x  2 )l0
1  (3) 2   (0) 2   1  9  1 15 5
 3    0     3    *  = 0,625 ≠ 1
12  2   2   12  2  12 2 8

No es función de densidad.

Ejemplo 2: Considere la v.a. cuya función de densidad es:

kx2 + x 1<x<4
f(x) =
0 otro caso

Solución

Para la segunda condición:

4

 (kx  x)dx  1
2

1
4
 x3 x2 
k   1
 3 2 1

4 4
(*)  (kx 2  x)dx  1 ≠  k ( x 2  x)dx  1
1 1

 4 3 4 2   13 12 
k    k    1
 3 2   3 2
 64k  k 1
 3  8   3  2   1
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

64k k 1
8  1
3 3 2
63k 1
 7 
3 2
13
21k  
2
13
k
42
La función de densidad es:

13 2
 x +x 1<x<4
42
f(x) =
0 otro caso

Sea X una variable aleatoria continua. Entonces, una función de densidad de probabilidad
de X es una función f(x) tal que para dos números cualesquiera a y b con a ≤ b,

La probabilidad de que X asuma un valor en el intervalo [a, b] es el área sobre este intervalo
y bajo la gráfica de la función de densidad. Se puede apreciar mejor en la siguiente gráfica:

La gráfica de f(x) se suele llamar curva de densidad.

ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Propiedad importante:
En la función de probabilidad de una variable aleatoria continua sucede algo bien
interesante si queremos calcular la probabilidad de que la variable aleatoria sea igual a un
valor puntual c.

La probabilidad se calcula mediante el área bajo la curva pero el área bajo una curva de
densidad situada sobre cualquier valor único es 0:

El hecho de que P(X = c) = 0 cuando X es continua nos permite afirmar que la probabilidad
de que X quede en algún intervalo entre a y b no depende de si límite inferior a o el límite
superior b está incluido en el cálculo de la probabilidad:

Los gráficos extremos son:

a a
a 
P( x  a)  

f ( x)dx P( x  a)   f ( x)dx
a

- Función de distribución acumulada para v.a. continua.- Se expresa de la forma:

F(x) = P(X < xi)

Para hallar ésta función:
x
F ( x)   f (t )dt

t = variable de referencia para la evaluación.
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Ejemplo 1: Considere la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

a) Hallar las siguientes probabilidades:

P(X < 1) P(X > 0,5) P(0,8 < X < 1,6)

b) Repetir los cálculos del inciso a) hallando la función de distribución.

Solución

Verificando si es función de densidad legítima:

2
1   x2  
     
2 2
1
0 6
1 1 2 1 2 1
6  0  1
6 0
 
2
( 2 x  1) dx  ( 2 x  1) dx   2  x   x  x  2  2  0 2
 0 
6   2   0 6
0
6 6

a)

  
P( X  1)   (2 x  1)dx   (2 x  1)dx  x 2  x 0  12  1  0 2  0   2  0    
1 1
1 1 1 1 1 1 1
0
6 60 6 6 6 3
Realizando similar procedimiento (solo cambiando datos):

     
2 2
1 1 1 1
P( X  0,5)   (2 x  1)dx   (2 x  1)dx  x 2  x 0,5  2 2  2  (0,5) 2  (0,5)
2

0, 5
6 6 0, 5 6 6


1
6  0,75  0,875
6

     
1, 6 1, 6
1 1 1 1
P(0,8  X  1,6)   (2 x  1)dx   (2 x  1)dx  x 2  x 0,8  (1,6) 2  (1,6)  (0,8) 2  (0,8)
1, 6

0 ,8
6 6 0 ,8 6 6


1
4,16  1,44  0,453
6
b) Hallando la función de distribución:

 
F ( x)   f (t )dt   (2t  1)dt  (t 2  t ) 0x   x 2  x  0  ( x 2  x)
x x
1 1 1 1
 0
6 6 6 6
Luego:
1 2 1 1
P ( X  1)  F (1)  (1  1)  (2) 
6 6 3
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Por definición:
1 1
P( X  0,5)  1  P( X  0,5)  1  F (0,5)  1  (0,5 2  0,5)  1  (0,75)  1  0,125  0,875
6 6
De igual forma:
1 1 1 1
P(0,8  X  1,6)  F (1,6)  F (0,8)  (1,6 2  1,6)  (0,8 2  0,8)  (4,16)  (1,44)  0,453
6 6 6 6

3.3. Parámetros de Centralización y de Dispersión.- Son valores representativos de la

distribución de probabilidades. Son medidas equivalentes a las medidas de Estadística
Descriptiva (medidas de tendencia central y medidas de dispersión).

En Estadística I, teníamos distribuciones de frecuencias; ahora en este caso trabajaremos

con la distribución de probabilidades.

3.3.1. Parámetros de centralización.- Los más tradicionales son: la esperanza matemática,

la moda y la mediana.

a) Esperanza matemática.- También se denomina valor esperado, promedio esperado o

media teórica. Es el valor promedio en términos probabilísticos. Se simboliza por:

E(x), μ

Las fórmulas para calcular su valor son:

E(x) = ∑xi*P(X = xi) (v.a. discreta)


E ( x)   x  f ( x)dx (v.a. continua)


Ejemplos:

1) Sea el experimento de lanzar 4 monedas, con la v.a. número de sellos. Calcular el valor
de la esperanza matemática.

Solución

Para el espacio muestral: 2*2*2*2 = 16

Ω = {CCCC, CCCS, CCSC, CSCC, SCCC, CCSS, CSCS, SCCS, SSCC, SCSC, CSSC, CSSS, SCSS, SSCS,
SSSC, SSSS}
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

X = v.a. número de sellos

xi P(X=xi)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16

Para E(x):
E(x) = ∑xi*P(X = xi)
E(x) = (0)((1/16) + (1)(4/16) + (2)(6/16) + (3)(4/16) + (4)(1/16)
E(x) = 32/16 = 2

Si se repite el experimento de manera indefinida, el promedio esperado que se puede lograr

u obtener es de 2 sellos.

2) Un juego consiste en lanzar una moneda y un dado. Si se obtiene cara y número par se
gana 100 Bs., caso contrario se pierde 50. ¿Conviene jugar dicho juego? Justifique su
respuesta.

x: v.a. ganancias Ω = {C1, C2, C3, C4, C5, C6, S1, S2, S3, S4, S5, S6}

xi P(X=xi)
+100 3/12
-50 9/12

E(x) = ∑xi*P(X = xi) = (+100)(3/12) + (-50)(9/12) = -150/12 = -12,5 < 0

No conviene jugar, porque se pierde aproximadamente 12,5 Bs.

3) Considere la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

Hallar el valor de E(x).

Solución
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal


E ( x)   x  f ( x)dx

2
1  1  x3 x2 
2 2
1
E ( x)   x   (2 x  1) dx   (2 x 2  x)dx  2  
0 6  60 6 3 2 0
1  (2) 3 (2) 2   1 16   22 11
E ( x)  2    0    2     1,22
6  3 2   6   3   18 9

Si las condiciones no cambian, el promedio esperado llegará a ser de 1,22.

- Propiedades de la esperanza matemática.-

1) E(C) = C
Demostración

E ( x)   x  f ( x)dx

  oo
E (C )   C  f ( x)dx  C  f ( x)dx  C (1)  C
 
2) E(Cx) = c*E(x)
Demostración
  oo
E (Cx )   (Cx )  f ( x)dx  C  x * f ( x)  C * E ( x)
  oo

3) E(x + C) = E(x) + C
Demostración
  oo  oo  oo
E ( x  C )   ( x  C )  f ( x)dx 

 x  f ( x)  Cf ( x)dx   x  f ( x)dx   C  f ( x)dx
 oo  oo  oo

E(x + C) = E(x) + C

4) E(x + y) = E(x) + E(y) (x, y son v.a.)

5) E(x*y) = E(x)*E(y) (x, y son variables independientes)

Ejemplos:
1) Para la función: y = 5x + 7, determinar el valor de E(y) sabiendo que E(x) = 4

Solución
E(y) = E(5x + 7)
E(y) = E(5x) + E(7)
E(y) = 5*E(x) + 7 = 5(4) + 7 = 27
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

x
2) Sea: z  Donde μ = E(x)
a
Hallar E(z).

Solución
x
E ( z)  E ( )
a
1  1
E ( z )  E  x     E ( x   )  E ( x)  E ( )
1
a  a a
E ( z )  E ( x)     E ( x)  E ( x)  0  0
1 1 1
a a a

b) La Moda.- Se conoce como el valor más frecuente de un conjunto de datos en Estadística

Descriptiva. En el ámbito de las probabilidades, eventos y/o variables aleatorias es aquel
valor de la v.a. que tiene mayor valor de probabilidad. Se denota por Mo.

Ejemplo: Sea el ejemplo del lanzamiento de 4 monedas con la v.a. número de sellos.
Calcular la moda.

X: v. a. número de sellos
Mo = 2
xi P(X=xi)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Se puede dar el caso de que existan dos modas (bimodal) o mas.

(*) Al lanzar una moneda con la v.a. número de sellos. {C, S} Mo1 = 0 Mo2 = 1
xi P(X = xi)
0 0,50
1 0,50
Para v.a. continua, se toma en cuenta la función de densidad. En este caso se debe hallar el
valor de x que define al valor más alto de f(x); entonces se deberá derivar la función de
densidad e igualar a cero.
df ( x)
0
dx
X = Mo
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

En caso de no poder determinar el valor de la moda con este procedimiento, se deberá

graficar la función de densidad y ver el punto más alto, obviamente en el intervalo que se
define f(x).

Ejemplo: Considere la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

Determinar el valor de la moda.

Solución

1
Siendo: f ( x)  (2 x  1)
6
df ( x) 1 1
 ( 2)   0
dx 6 3

Para el gráfico: f(x)

1
y = f ( x)  (2 x  1)
6

x y 0,8
0 0,17 0,6
1 0,5
2 0,83 0,4

0,2
x
0 0,5 1 1,5 2

Del gráfico: Mo = 2
c) La Mediana.- Es el valor o parámetro que divide al conjunto de datos en dos partes iguales
(Estadística Descriptiva). En términos probabilísticos es aquel punto o intervalo donde la
probabilidad alcanza a 0,50.

Para v.a. discretas se consideran las probabilidades acumuladas P(X ≤ xi), hasta llegar a 0,5.

Para v.a. continuas, la integral será:

ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Me
1

 oo
f ( x)dx  0,5 
2

Ejemplo: Para el lanzamiento de 4 monedas v.a. número de sellos, determinar la mediana

(Me).

Solución

X = v.a. número de sellos

xi P(X = xi) P(X≤xi)

0 1/16 1/16 = 0,0625
1 4/16 5/16 = 0,3125
2 6/16 11/16 = 0,6875
3 4/16 15/16 = 0,9375
4 1/16 1
1

La mediana es: Me = 2 sellos

Ejemplo: Considere la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

Determinar el valor exacto de la mediana.

Solución

Me

 f ( x)dx  0,5
 oo
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Me
1
0 6 (2 x  1)dx  0,5
1 2
6
 Me
x  x 0  0,5 
1
6

Me2  Me  0  0,5   /*6

Me 2  Me  3
Me2 + Me – 3 = 0

 b  b 2  4ac  1  12  4(1)(3)
Me  
2a 2(1)
Me1 = 1,30 Me2 = -2,30

Por tanto: Me = 1,30

B) Parámetros de dispersión.- Son aquellos parámetros que determinan el grado de

dispersión de los valores de la v.a. alrededor de un parámetro de centralización. Entre los
más usuales se tiene la varianza y la desviación típica.

- Varianza y desviación típica.- Mide la dispersión con margen de probabilidad de 68%, en

base la esperanza matemática. Se simboliza por:

Var (X) ; σ2 ; s2

Es igual a: Var (X) = ∑(xi – X)2/n

Var(X) = E{x – E(x)}2

Este valor representa una dispersión probabilística o teórica.

Desarrollando la varianza:
Var(X) = E{x – E(x)}2
Var (X) = E{x2 – 2x*E(x) + [E(x)]2}
Var(X) = E(x2) – E[2x*E(x)] + E{[E(x)]2}
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Var(X) = E(x2) – 2E(x)*E(x) + [E(x)]2

Var(X) = E(x2) – 2[E(x)]2 + [E(x)]2
Var(X) = E(x2) – [E(x)]2

La varianza es igual a la esperanza de la v.a. cuadrática menos la esperanza elevada al

cuadrado.

Por definición:
E(x2) = ∑xi2*P(X =xi) v.a. discreta

E(x 2 )  x  f ( x)dx v.a. continua
2



La desviación típica (o estándar) es la que realmente mide el grado de dispersión (por las
unidades).
σ = Var (X )

Ejemplo: Para el lanzamiento de 4 monedas v.a. número de sellos, determinar la varianza y

la desviación típica.

Solución

X = v.a. número de sellos Se conoce que: E(x) = 2

xi P(X = xi) xi2 xi2 *P(X = xi)

0 1/16 0 0
1 4/16 1 4/16
2 6/16 4 24/16
3 4/16 9 36/16
4 1/16 16 16/16
1 80/16 = 5 = E(x2)

E(x2) = ∑xi2*P(X =xi) = (0)2*(1/16) + (1)2*(4/16) + (2)2*(6/16) + (3)2*(4/16) + (4)2*(1/16)

E(x2) = 5

Entonces:
Var(X) = E(x2) – [E(x)]2
Var(X) = 5 – (2)2 = 1
σ = Var ( X )  1  1 sello
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Ejemplo: Considere la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

Calcular la varianza y la desviación típica.

Solución

Siendo E(x) = 1,22


E(x )  x  f ( x)dx
2 2



1 
2
E ( x 2 )   x 2 *  (2 x  1) dx
0 6 
2
1
E ( x )   (2 x 3  x 2 )dx
2

60
1  x 4 x 3  1  (2) 4 (2) 3   1  8
2

E ( x )   2 *    
2
   0  8    1,78
6  4 3  0 6  2 3   6  3

Para la varianza:
Var(X) = E(x2) – [E(x)]2
Var(X) = 1,78 – (1,22)2 = 0,29

Para la desviación típica:

σ = Var( X )  0,29  0,54

Para la interpretación:
E(x) + σ = 1,22 + 0,54 = 1,76
E (x)  
E(x) – σ = 1,22 – 0,54 = 0,68
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Gráficamente:
f(x)

E(x)-σ E(x) E(x)+σ x

0,68 1,22 1,76

El área sombreada representa el 68,3 %; pero de probabilidad.

(*) Para el ejemplo del lanzamiento de 4 monedas (v.a. numero de sellos)

E(x) + σ = 2 + 1 = 3
E (x)  
E(x) – σ = 2 - 1 = 1

Siendo la dispersión de 1 sello, el 68% es probable que se encuentre entre 1 y 3 sellos del
total de los lanzamientos de las 4 monedas.

O también: al lanzar 4 monedas, la probabilidad de que se obtengan entre 1 y 3 sellos será

aproximadamente de 68%.

- Propiedades de la varianza.-

1) Var (c) = 0
Demostración
Var(X) = E(x2) – [E(x)]2
Var(X) = E(c2) – [E(c)]2 = c2 – (c)2 = 0

2) Var (cx) = c2*Var(x)

Demostración
Var(X) = E(x2) – [E(x)]2
Var(cx) = E[(cx)2] – [E(cx)]2
Var(cx) = E[c2x2] – [c*E(x)]2 = c2*E(x2) – c2*[E(x)]2 = c2{E(x2) – [E(x)]2}
Var(cx) = c2*Var(x)
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

3) Var(x + c) = Var(x)

Demostración
Var(X) = E(x2) – [E(x)]2
Var(x + c) = E[(x + c)2] – [E(x + c)]2
Var(x + c) = E[x2 + 2cx + c2] – [E(x) + c]2
Var(x + c) = E(x2) + E(2cx) + E(c2) – {[E(x)]2 + 2c*E(x) + c2}
Var(x + c) = E(x2) + 2c*E(x) + c2 - [E(x)]2 - 2c*E(x) – c2
Var(x + c) = E(x2) – [E(x)]2 = Var(x)

4) Var(x + y) = Var(x) + Var(y) x, y son v.a. independientes

Ejemplo: Si: y = 7x + 10 donde Var(x) = 2/3. Calcular Var(y)

Solución
Var(y) = Var(7x + 10)
Var(y) = Var(7x)
Var(y) = 72*Var(x)
Var(y) = 49*(2/3) = 98/3 = 32,67

Ejemplo: Si:
x
z


Donde: μ = E(x), σ = desviación típica

Hallar: Var(z)

Solución
x
Var( z )  Var 
  
1 
Var ( z )  Var  ( x   )
 
2
1
Var ( z )    * Var ( x   )
 
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

1 1
Var ( z )  * Var ( x)  * Var ( x)  1
 2
Var ( x)

4.4. Función generatriz de momentos.-

- Momentos.- Se define como los promedios esperados de la v.a. x con

respecto a un parámetro K.

Siendo:
μr = momento r – ésimo

Su expresión general es:

μr = E[(x – K)r]

Se tienen dos tipos de momentos:

i) Momentos ordinarios (o respecto al origen)

En este caso: K = 0
μr* = E[xr]
Por definición:
μr* = ∑xir∙P(X = xi) v.a. discreta


x  f ( x)dx
r
μr* = v.a. continua

Es lógico que:
μ0* = 1 μ1* = E(x) μ2* = E(x2)

ii) Momentos centrales (o respecto a la esperanza matemática)

K = E(x)
μr = E[x – E(x)]r
De donde:
μ0 = 1 μ1 = E[x – E(x)] = E(x) – E(x) = 0
De igual forma:
μ2 = E[x – E(x)]2 = Var(x)
μ2 = E(x2) – [E(x)]2
μ2 = μ2* - (μ1*)2
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

μ3 = E[x – E(x)]3
μ3 = E{x3 – 3x2*E(x) + 3x*[E(x)]2 – [E(x)]3}
μ3 = E(x3) – E{3x2*E(x)} + E{3x*[E(x)]2} – E{[E(x)]3]
μ3 = E(x3) – 3*E(x)*E(x2) + 3*[E(x)]2*E(x) - [E(x)]3
μ3 = E(x3) – 3*E(x)*E(x2) + 3*[E(x)]3 – [E(x)]3
μ3 = E(x3) – 3*E(x)*E(x2) + 2*[E(x)]3
μ3 = μ3* - 3 μ1* μ2* + 2(μ1*)3

μ4 = E[x – E(x)]4
μ4 = E{x4 – 4x3*E(x) + 6x2*[E(x)]2 + 4x*[E(x)]3 - [E(x)]4}
μ4 = E(x4) – 4E(x)*E(x3) + 6*[E(x)]2*E(x2) - 4*[E(x)]3*E(x) + [E(x)]4
μ4 = E(x4) – 4E(x)*E(x3) + 6*[E(x)]2*E(x2) - 3[E(x)]4
μ4 = μ4* - 4 μ1* μ3* + 6(μ1*)2 μ2* - 3(μ1*)4

Ejemplo: Para el caso del lanzamiento de las 4 monedas con la v.a. número de
sellos, determinar el coeficiente de asimetría por momentos.

Solución
3
a3 
3
μ3 = μ3* - 3 μ1* μ2* + 2(μ1*)3

X = v.a. número de sellos

xi P(X = xi) xi2 xi2 *P(X = xi)
0 1/16 0 0
1 4/16 1 4/16
2 6/16 4 24/16
3 4/16 9 36/16
4 1/16 16 16/16
1

Sabiendo que:
E(x) = 2 = μ1* E(x2) = 5 = μ2*
Para μ3*:
μ3* = ∑xi3 P(X = xi)
μ3* = (0)3*(1/16) + (1)3*(4/16) + (2)3*(6/16) + (3)3*(4/16) + (4)3*(1/16)
μ3* = 14
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

μ3 = μ3* - 3 μ1* μ2* + 2(μ1*)3

μ3 = 14 – 3(2)(5) + 2(2)3 = 0

3 0
a3   0
 3
(1) 2 Distribución simétrica

Ejemplo: Para la siguiente función:

1
( 2 x  1) 0<x<2
6
f(x) =
0 otro caso

Calcular los coeficientes de asimetría y de curtosis.

Solución

Para el coeficiente de asimetría:

3
a3 
3
μ3 = μ3* - 3 μ1* μ2* + 2(μ1*)3



x  f ( x)dx
r
μr* =


3 1 
2

μ3* =  x   2 x  1 dx
0 6 
2
1  x5 x 4 
 
2
1
μ3* =  2 x  x dx  2  
4 3

60 6 5 4 0
1  (2)5 2   1
4

μ3* =  2    0   12,8  4  2,8

6  5 4   6
Luego:
μ3 = 2,8 – 3(1,22)(1,78) + 2(1,22)3
μ3 = - 0,083 (Asimetría negativa o sesgado a la izquierda)
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Para el coeficiente de curtosis:

4
a4  K 
4
μ4 = μ4* - 4 μ1* μ3* + 6(μ1*)2 μ2* - 3(μ1*)4


x  f ( x)dx
r
μr* =


μ4* =  x   (2 x  1) dx   2 x  x dx

1 
2 2
4 1 5 4

0 6  60
1  x 6 x5  1  (2)6 (2)5  
2

μ4* = 2          4,62
5 
0
6  6 5  0 6  3 
Entonces:
μ4 = 4,62 – 4(1,22)(2,8) + 6(1,22)2*(1,78) – 3(1,22)4
μ4 = 0,206 < 3 (Distribución platicúrtica)

La función generatriz de momentos es una función asociada a una distribución

de probabilidades, que permite calcular cualquier momento ordinario. De
manera general, caracteriza a una distribución de probabilidades con sus
diferentes parámetros.

Su fórmula es:
Mx(t) = E(etx)

Para la demostración nos basamos en la serie de McLaurin:

xi  x n
n

e =  
x
i 0 i! n0 n!

x 0 x1 x 2 x 3 x 4
e =      ...
x
0! 1! 2! 3! 4!
2 3 4
x 1  x  x  x  x  ...
e =
2! 3! 4!
Aplicando a la función generatriz:
 (tx) 2 (tx)3 (tx) 4 
Mx(t) = E 1  tx     ... t=cte.
 2! 3! 4! 
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

t2 t3 t4
Mx(t) = 1  t * E ( x)  * E ( x 2 )  * E ( x 3 )  * E ( x 4 )  ...
2! 3! 4!

Derivando la función generatriz de momentos (f.g.m.) con respecto a t:

dM x (t ) 2t 3t 2 4t 3
 0  (1) * E ( x)  * E ( x 2 )  * E ( x3 )  * E ( x 4 )  ...
dt 2! 3! 4!

Evaluando en: t = 0

dM x (0) 2(0) 3(0) 2 4(0)3

 E ( x)  * E(x ) 
2
* E(x ) 
3
* E ( x 4 )  ...
dt 2 6 24
dM x (0)
 E ( x)  1 *
dt

Para la segunda derivada:

d 2 M x (t ) 2 6t 12t 2
2
 0  * E(x )  * E(x ) 
2 3
* E ( x 4 )  ...
dt 2! 3! 4!
t=0
d 2 M x (0) 2 6(0) 12(0) 2
2
 * E ( x 2
)  * E ( x 3
)  * E ( x 4 )  ...
dt 2 6 24

d 2 M x (0)
2
 E ( x 2 )  2 *
dt
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Ejemplo:

X = v.a. número de sellos

xi P(X = xi)
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
1
a) Determinar su f.g.m.
b) Con la función hallada en a), calcular la esperanza matemática y la varianza.

Solución
a) De la expresión: E(x) = ∑xi*P(X=xi)
tx
Mx(t) = E(e )
Mx(t) = ∑etx*P(X = x)
Sustituyendo los valores de la v.a. con sus probabilidades:

Mx(t) = et(0)*(1/16) + et(1)*(4/16) + et(2)*(6/16) + et(3)*(4/16) + et(4)*(1/16)

1 4 t 6 2 t 4 3t 1 4 t
Mx(t) = 16  16 e  16 e  16 e  16 e
1
Mx(t) = 16 (1  4e  6e  4e  e )
t 2t 3t 4t
Función generatriz
De momentos (f.g.m.)

b) Derivando: (eu)’=euu’ (enx)’=enx(n)

dM x (t ) 1
 (0  4e t  12e 2t  12e 3t  4e 4t )  1
*

dt 16

t=0 1
dM x (0) 1
 (0  4e ( 0 )  12e 2 ( 0 )  12e 3( 0 )  4e 4 ( 0 ) )
dt 16
dM x (0) 1 1
 (0  4  12  12  4)  (32)  2  E ( x)
dt 16 16
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Para la segunda derivada:

dM x (t ) 1
 (0  4e t  12e 2t  12e 3t  4e 4t )
dt 16
d 2 M x (t ) 1
2
 (4e t  24e 2t  36e 3t  16e 4t )
dt 16
t=0
d 2 M x (t ) 1
2
 (4e ( 0)  24e 2( 0)  36e 3( 0)  16e 4( 0) )
dt 16
2
d M x (t ) 1 1
2
 ( 4  24  36  16 )  (80)  5  E ( x 2 )
dt 16 16
Luego:
Var(X) = E(x2) – [E(x)]2 = 5 – (2)2 = 1

Ejemplo: Sea la v.a. con función de densidad:

x
1 7
*e x>0
7
f(x) =

0 otro caso

Halle su f.g.m.

Solución
e nx
 e dx  n
nx
Verificando si es función de densidad:
 oo

 f ( x)dx  1
 oo
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

oo
 1 x 
 oo
 1 7 
x
1
 oo 1
 x 1 e 7  1 oo
 x
0  7 e dx  7 0 e 7 dx  7  1   e 7 0
 
 7 0
1 1
 (0)
 ( oo ) 1 1
 e  (e )  e oo  e0      1 1
7
7
1
eoo oo
0
Para la f.g.m.:
Mx(t) = E(etx)
 oo

Mx(t) = 
tx
e * f ( x)dx
oo
Con los datos del ejemplo:
 oo
 1  71 x 
 e *  e dx
tx
Mx(t) = 7 
0  
 oo 1
1 tx  x
Mx(t) = 7 
0
e 7
* dx

 oo  1
1 t x

Mx(t) = 7 e
0
 7
* dx

  t  1  x 
1  e 7  
* 
Mx(t) = 7   1 
t 
  7   0
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal


   1  t  x 
1  e 7  
* 
Mx(t) = 7   7t  1  
  7  
0


 
* 1  
1 1
Mx(t) = 7t  1    t  x 
 e 7   0
 
*  1  
1 1 1
Mx(t) = 7t  1   1  t  (  )  t (0) 
 e 7  e 7  

1 1 1
* 
Mx(t) = 7t  1  e e0 
 
1  1 1
Mx(t) = 7t  1    1
*
 
0

Mx(t) = 7t  1 *  1
1

1 1
 
Mx(t) = 7t  1 1  7t f.g.m.

Para cualquier función de esta naturaleza (generalizando):

x
1 

*e
 x>0

f(x) =

0 otro caso
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

Su f.g.m. sería:
1

Mx(t) 1  t f.g.m.

 u  u ' v  uv'
'

Derivando:   
v v2

dM x (t ) (0)(1  t )  (1)(  ) 
 
dt (1  t ) 2 (1  t ) 2

t=0
dM x (0) 
   =μ1*
dt (1   * 0) 2

2da. derivada

d 2 M x (t ) (0)(1  t ) 2  (  )2(1  t )(  ) 2 2 (1  t )

 
dt 2 [(1  t ) 2 ]2 (1  t ) 4
d 2 M x (t ) 2 2

dt 2 (1  t )3
t=0

d 2 M x (0) 2 2
  2 2 =μ2*
dt 2
(1   * 0) 3

Para la varianza:
Var(X) = μ2* - (μ1*)2
Var(X) = 2β2 – β2 = β2
  Var(X )   2  
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

EJERCICIO.- Considere el siguiente modelo de distribución:

k
1<x<3
3
4
f(x) = kx  4 4<x<5
3
0 otro caso

Calcular (si es posible):

a) P(3 < x < 4,5)

b) E(x) y Var(X)
c) Mo y Me.

Solución

Hallando el valor de “k”:

 oo

 f ( x)dx  1
 oo

4 
3 5
k
1 3 4  3
dx   kx  4 dx  1

5
k 3  4  x2  
x 1   k    4 x  1
3 3  2  4
k
 
3  1   2 k 52  4(5)   2 k (42 )  4(4)  1
3 3  3 
2k  50k   32k 
  20    16  1
3  3   3 
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

2k 50k 32k
  20   16  1
3 3 3
20k
5
3
5(3) 3
k 
20 4
La función de densidad será:

1
1<x<3 (f1)
4
f(x) = x4 4<x<5 (f2)

0 otro caso

a)

0 1 2 3 4 5

f1 f2

0
4,5 4 4,5

P(3 < x < 4,5) =  f ( x)dx   f ( x)dx   f ( x)dx

3 3 4
ESTADÍSTICA II Lic. Gonzalo A. Hinojosa Mariscal

4,5
x 
4,5 2
  ( x  4)dx    4 x
4 2 4
 (4,5) 2   (4) 2 
  4(4,5)    4(4)
 2   2 

 10,125  18  8  16  [7,875]  [8]  0,125