FUNDAMENTOS DE ESTADÍSTICA

Código: 761001M

Luis Carlos Bravo Melo

[Link]@[Link]

Universidad del Valle

Cali - Colombia
 MODELOS PROBABILÍSTICOS

Variables aleatorias y distribuciones de probabilidad

• Concepto de variable aleatoria.
• Distribuciones de probabilidad de variables aleatorias discretas.
• Distribuciones de probabilidad de variables aleatorias continuas.
• Momentos de una variable aleatoria (Valor esperado y varianza).

Algunas distribuciones de probabilidad discretas y continuas

Distribuciones discretas: Distribuciones continuas:
Distribución Uniforme Discreta. Distribución Normal.
Distribución Binomial. Distribución Uniforme.
Distribución Poisson. Distribución Exponencial.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MODELOS PROBABILÍSTICOS

Modelo
Un modelo es una traducción de la realidad para poder aplicar los
instrumentos y técnicas de las teorías matemáticas, para estudiar el
comportamiento de sistemas complejos. Simplificación de la realidad.

 Modelo Determinista: Se conoce de manera exacta la forma del resultado

ya que no hay incertidumbre.
 Modelo Probabilístico: No se conoce el resultado de manera exacta, sino
probabilísticamente y existe por tanto incertidumbre. Tiene como objetivo
estudiar los resultados de un experimento aleatorio y predecir su
comportamiento futuro, cuando se realiza bajo las mismas condiciones
dadas inicialmente.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 VARIABLES ALEATORIAS

Variable aleatoria
Sea S un espacio muestral sobre el que se encuentra definida
una función de probabilidad. Sea X una función de valor real
definida sobre S, de manera que transforme los resultados de S
en puntos sobre la recta de los reales. Se dice entonces que X es
una variable aleatoria.

 El concepto de variable aleatoria proporciona un medio para relacionar

cualquier resultado con una medida cuantitativa.

 Se dice que X es “aleatoria” porque involucra la probabilidad de los

resultados del espacio muestral, X es una función definida sobre el
espacio muestral, de manera que transforma todos los posibles resultados
del espacio muestral en cantidades numéricas.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 VARIABLES ALEATORIAS

Variable aleatoria
Sea S un espacio muestral sobre el que se encuentra definida
una función de probabilidad. Sea X una función de valor real
definida sobre S, de manera que transforme los resultados de S
en puntos sobre la recta de los reales. Se dice entonces que X es
una variable aleatoria.

 Variable aleatoria discreta: Se dice que una variable aleatoria X es

discreta si el número de valores que puede tomar es contable (ya sea
finito o infinito), y si éstos pueden arreglarse en una secuencia que
corresponde con los enteros positivos.

 Variables aleatoria continua: Se dice que una variable aleatoria X es

continua si sus valores consisten en uno o más intervalos de la recta de los
reales.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 VARIABLES ALEATORIAS
EJEMPLO DE VARIABLE ALEATORIA:

Supóngase que se lanzan dos monedas legales al aire. El espacio

muestral asociado a este experimento, es decir, el conjunto de
resultados posibles asociado al experimento es:
S  {SS , SC, CS , CC}
Sea el evento: Número de caras obtenidas.
De este modo se definiría la variable aleatoria X como la función:
X :S R
Dada por:
SS  0

SC , CS  1   X  0,1, 2.
CC  2 
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 VARIABLES ALEATORIAS
EJEMPLOS DE VARIABLES ALEATORIAS DISCRETAS:

 La suma de las caras del lanzamiento de dos dados.

x = 2, 3, …, 12.

 El número de llamadas telefónicas que recibe un conmutador en un

intervalo de cinco minutos.
x = 0, 1, 2, ...

 El número de artículos defectuosos en un lote de 100 artículos.

x = 0, 1, 2, ..., 99, 100.

 El número de estudiantes atendidos en la cafetería central de la

universidad durante un día.
x = 0, 1, 2, ...

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 VARIABLES ALEATORIAS
EJEMPLOS DE VARIABLES ALEATORIAS CONTINUAS:

 Tiempo en minutos, entre dos llegadas consecutivas de clientes a un

banco.
x ≥ 0.

 Proporción de accidentes de transito en Cali durante el 2014.

0 ≤ x ≤ 1.

 Tiempo en minutos necesario para reparar un articulo por una

reclamación de garantía.
x > 0.

 Cantidad de llenado de una bebida en un vaso de 30 onzas.

0 ≤ x ≤ 30.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 VARIABLES ALEATORIAS

Distribución de probabilidad
La distribución de probabilidad de una variable aleatoria describe
como se distribuyen las probabilidades de los diferentes valores
de la variable aleatoria.

Algunos valores de una variable aleatoria pueden ser más

probables que otros, lo que da origen al concepto de
distribución de probabilidad de una variable aleatoria.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS

Variable aleatoria discreta x

Una variable aleatoria X está caracterizada por la

función de distribución de probabilidad puntual p(x), la
cual determina la probabilidad puntual de que X = x.

Y por la función de distribución acumulativa F(x), que

representa la suma de las probabilidades puntuales
hasta el valor x de X inclusive.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD (fdp):

Definición:
Sea X una variable aleatoria discreta, que toma los posibles
valores x1, x2, …, xn, se llamará a p(x) = P(X = x) función de
distribución de probabilidad (fdp) de la variable aleatoria X, si
cumple las siguientes propiedades:
1. 0  p  xi   1
n
2.  px  1
i 1
i

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD (fdp):

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE DISTRIBUCIÓN DE ACUMULADA (fda):

Definición:
La función de distribución acumulada (fda) de la variable
aleatoria X, es la probabilidad de que X sea menor o igual a un
valor especifico de xj y está dada por:
F  x j   P  X  x j    P  xi 
j

i 1
Y cumple las siguientes propiedades:
1. 0  F  x   1 para cualquier x 4. P  X  x   F  x   F  x  1
2. F  xi   F  x j  si xi  x j 5. P  xi  X  x j   F  x j   F  xi  1
3. P  X  x   1  F  x 

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE DISTRIBUCIÓN DE ACUMULADA (fda):

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
X: La suma de las caras del lanzamiento de dos dados.
Resultado Valores de X Número de ocurrencias P(x)
(1,1)
(1,2), (2,1)
(1,3), (2,2), (3,1)
(1,4), (2,3), (3,2), (4,1)
(1,5), (2,4), (3,3), (4,2), (5,1)
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)
(2,6), (3,5), (4,4), (5,3), (6,1)
(3,6), (4,5), (5,4), (6,3)
(4,6), (5,5), (6,4)
(5,6), (6,5)
(6,6)
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
X: La suma de las caras del lanzamiento de dos dados.
Resultado Valores de X Número de ocurrencias P(x)
(1,1) 2
(1,2), (2,1) 3
(1,3), (2,2), (3,1) 4
(1,4), (2,3), (3,2), (4,1) 5
(1,5), (2,4), (3,3), (4,2), (5,1) 6
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7
(2,6), (3,5), (4,4), (5,3), (6,1) 8
(3,6), (4,5), (5,4), (6,3) 9
(4,6), (5,5), (6,4) 10
(5,6), (6,5) 11
(6,6) 12
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
X: La suma de las caras del lanzamiento de dos dados.
Resultado Valores de X Número de ocurrencias P(x)
(1,1) 2 1
(1,2), (2,1) 3 2
(1,3), (2,2), (3,1) 4 3
(1,4), (2,3), (3,2), (4,1) 5 4
(1,5), (2,4), (3,3), (4,2), (5,1) 6 5
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 6
(2,6), (3,5), (4,4), (5,3), (6,1) 8 5
(3,6), (4,5), (5,4), (6,3) 9 4
(4,6), (5,5), (6,4) 10 3
(5,6), (6,5) 11 2
(6,6) 12 1
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
X: La suma de las caras del lanzamiento de dos dados.
Resultado Valores de X Número de ocurrencias P(x)
(1,1) 2 1 1/36
(1,2), (2,1) 3 2 2/36
(1,3), (2,2), (3,1) 4 3 3/36
(1,4), (2,3), (3,2), (4,1) 5 4 4/36
(1,5), (2,4), (3,3), (4,2), (5,1) 6 5 5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 7 6 6/36
(2,6), (3,5), (4,4), (5,3), (6,1) 8 5 5/36
(3,6), (4,5), (5,4), (6,3) 9 4 4/36
(4,6), (5,5), (6,4) 10 3 3/36
(5,6), (6,5) 11 2 2/36
(6,6) 12 1 1/36
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
1. ¿Cuál es la probabilidad de que X sea igual 5?
2. ¿Cuál es la probabilidad de que X sea menor o igual a 5?
3. ¿Cuál es la probabilidad de que X sea mayor a 5?
4. P(X > 7)
5. F(1)
6. P(5 ≤ X ≤ 7)

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
1. ¿Cuál es la probabilidad de que X sea igual 5?
6 | 7  5 | 6  | 2 | 4
P  X  5   
36 36 36

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
2. ¿Cuál es la probabilidad de que X sea menor o igual a 5?
5
P  X  5   F  5    P  xi   P  x2   P  x3   P  x4   P  x5 
i 2

 P  X  2   P  X  3  P  X  4   P  X  5 
6 | 7  2 | 6  | 7  3 | 6  | 7  4 | 6  | 7  5 |
   
36 36 36 36
65 64 63 62 1 2 3 4 10
        
36 36 36 36 36 36 36 36 36
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
3. ¿Cuál es la probabilidad de que X sea mayor a 5?
10 26
P  X  5  1  F  5  1  
36 36

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
4. P(X > 7)
P  X  7  1 F 7
7
F  7    P  xi   P  x2   P  x3   P  x4   P  x5   P  x6   P  x7 
i 2
F  5

10 10 6 | 7  6 | 6 | 7  7 | 10 5 6 21
  P  x6   P  x7        
36 36 36 36 36 36 36 36
21 15
P  X  7  1 
36 36
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
5. F(1)
F 1  P  X  1  0

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
Sea X la variable aleatoria que representa la suma de las caras del
lanzamiento de dos dados, la fdp de X es:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

Encontrar:
6. P(5 ≤ X ≤ 7)
P 5  X  7  P  X  7  P  X  4  F 7   F  4
21
F 7 
36
10 6 | 7  5 | 10 4 6
F  4   F  5  P  X  5     
36 36 36 36 36
21 6 15
P 5  X  7   
36 36 36
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
La distribución de probabilidad de la variable aleatoria X aparece en la
siguiente tabla:
x p(x)
20 0.20
25 0.15
30 0.25
35 0.40

a. ¿Es correcta está distribución de probabilidad?

b. ¿Cuál es la probabilidad de que X sea igual a 30?
c. ¿Cuál es la probabilidad de que X sea menor o igual a 25?
d. ¿Cuál es la probabilidad de que X sea mayor a 30?

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
La distribución de probabilidad de la variable aleatoria X aparece en la
siguiente tabla:
Solución:
a. ¿Es correcta está distribución de probabilidad?
Si.
Propiedades: x p(x)
1. 0  p  xi   1 20 0.20
n 25 0.15
2.  px  1
i 1
i 30 0.25
35 0.40

b. ¿Cuál es la probabilidad de que X sea igual a 30?

P(X = 30) = 0.25.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
La distribución de probabilidad de la variable aleatoria X aparece en la
siguiente tabla:
Solución:
c. ¿Cuál es la probabilidad de que x sea menor o igual a 25?
P(X ≤ 25) = 0.20 + 0.15 = 0.35.
x p(x)
20 0.20
25 0.15
30 0.25
35 0.40

d. ¿Cuál es la probabilidad de que X sea mayor a 30?

P(X > 30) = 0.40

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
EJERCICIO_1:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
Cursos Cantidad de estudiantes

1 150
2 450
3 1950
4 3750
5 5850
6 2550
7 300
Total 15000

a. Con estos datos calcule la fdp y la fda.

b. Encuentre P(3 ≤ X ≤ 6), P(X ≤ 4) y P(X ≥ 5).

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
SOLUCIÓN_1:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
a. Con estos datos calcule la fdp y la fda.
Cursos Cantidad de estudiantes fdp fda
1 150 0,01 0,01
2 450 0,03 0,04
3 1950 0,13 0,17
4 3750 0,25 0,42
5 5850 0,39 0,81
6 2550 0,17 0,98
7 300 0,02 1,00
Total 15000

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS DISCRETAS
SOLUCIÓN_1:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
b. Encuentre P(3 ≤ X ≤ 6), P(X ≤ 4) y P(X ≥ 5).
Cursos Cantidad de estudiantes fdp fda
1 150 0,01 0,01
2 450 0,03 0,04
3 1950 0,13 0,17
4 3750 0,25 0,42
5 5850 0,39 0,81
6 2550 0,17 0,98
7 300 0,02 1,00
Total 15000

P(3 ≤ X ≤ 6) = 0.13 + 0.25 + 0.39 + 0.17 = 0.94.

P(X ≤ 4) = 0.42 y P(X ≥ 5) = 1 - P(X ≤ 4) = 1 - 0.42 = 0.58.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS

Variable aleatoria continua x

La distribución de probabilidad de una variable aleatoria

continua X está caracterizada por una función f(x) que recibe
el nombre de función de densidad de probabilidad. En este
contexto la probabilidad de que X = x es cero, por lo que en
su lugar se calcula la probabilidad de un intervalo a ≤ X ≤ b.

Y por la función de distribución acumulativa F(x), que

representa la suma de las probabilidades puntuales
hasta el valor x de X inclusive.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
FUNCIÓN DE DENSIDAD DE PROBABILIDAD (fdp):

Definición:
Sea X una variable aleatoria continua, entonces una función de
densidad de probabilidad (fdp) de X es una función f(x) tal que
para dos números cualesquiera a y b con a ≤ b.
P  a  X  b    f  x  dx
b

Es decir que la probabilidad de que X tome un valor en el intervalo

(a, b) es el área bajo la curva de la función de densidad. Además
f(x) debe cumplir:
1. f  x   0,   x  

2.  f  x  dx  1


Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
FUNCIÓN DE DENSIDAD DE PROBABILIDAD (fdp):

P  a  X  b    f  x  dx
b

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
FUNCIÓN DE DISTRIBUCIÓN DE ACUMULADA (fda):

Definición:
La función de distribución acumulada (fda) de la variable
aleatoria X, es la probabilidad de que X sea menor o igual a un
valor especifico de x y está dada por:
F  x  P  X  x   f  t  dt
x



Donde t es una variable artificial de integración y cumple las

siguientes propiedades:
1. F     0 y F     1 4. dF  x  dx  f  x 
2. P  X  a   1  P  X  a   1  F (a ) 5. P  X  x    f  t  dt  0
x

3. P  a  X  b   F  b   F  a 
x

6. P  X  x   P  X  x   F  x 

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
FUNCIÓN DE DISTRIBUCIÓN DE ACUMULADA (fda):

F  x  P  X  x   f  t  dt
x



Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

1. El valor de k que hace que f(x) sea una fdp.
2. La función de distribución acumulada (fda).
3. La probabilidad de que 2 < X < 6.
4. La probabilidad de que X ≤ 8, es decir, P(X ≤ 8).

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

1. El valor de k que hace que f(x) sea una fdp.
De las propiedades de f(x) se tiene que está función es una fdp si
cumple con: 
 f  x  dx  1


Y dado que f(x) = 0 si x ≤ 0, entonces:


 k exp   x / 4 dx  1
0

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

1. El valor de k que hace que f(x) sea una fdp.
 
 k exp   x / 4  dx  1  k  exp   x / 4  dx  1
0 0

1
 1  4k 0  1  1 k 

4k exp   x / 4  0
4

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

1. El valor de k que hace que f(x) sea una fdp.
1
 exp   x / 4  , x0
f ( x)   4

 0, en cualquier otro caso

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

2. La función de distribución acumulada (fda).
Dado que F(x) = 0 si x ≤ 0, entonces:
1 1 x
F  x   P  X  x    f  t  dt   exp  t / 4  dt   exp  t / 4  dt
x x

0 0 4 4 0
1
 4 exp  t / 4     exp   x / 4   exp  0 / 4     exp   x / 4   1
x

4 0

F  x   1  exp   x / 4  , x0

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

3. La probabilidad de que 2 < X < 6.
La probabilidad de que un intervalo entre dos llegadas consecutivas
se encuentre entre dos y seis minutos es:
1 6
P  2  X  6    exp   x / 4  dx  F  6   F  2 
4 2
 1  exp  6 / 4    1  exp  2 / 4  
 1  0.2231  1  0.6065  0.3834
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa el intervalo de tiempo entre
dos llegadas consecutivas a un puesto de venta de minutos y su función
de densidad de probabilidad está dada por:
k exp   x / 4  , x0
f ( x)  
 0, en cualquier otro caso

Para una constante k apropiada. Encontrar:

4. La probabilidad de que X ≤ 8, es decir, P(X ≤ 8).
La probabilidad de que transcurran ocho minutos o menos entre dos
llegadas consecutivas es:
P X  8  F 8  1  exp  8 / 4
 1  0.1353  0.8647

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Primero comprobemos que f(x) sea una función de densidad:

 f  x  dx  1


0   0       dx

1 1
    
5 2 2
42 x 1 x dx 42 x 1 x 1 x 1 x

 42 x 1  x  1  2 x  x 2 1  2 x  x 2   dx

1

0
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Primero comprobemos que f(x) sea una función de densidad:
       dx
1 1
          
5 2 2
42 x 1 x dx 42 x 1 x 1 2 x x 1 2 x x
0 0

 42  x  x 2 1  2 x  x 2  2 x  4 x 2  2 x 3  x 2  2 x 3  x 4   dx

1

 42  x  x 2 1  4 x  6 x 2  4 x3  x 4   dx

1

0
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Primero comprobemos que f(x) sea una función de densidad:
    dx
1 1
0   0 
         
5 2 3 4 5 2 3 4 5 6
42 x 1 x dx 42 x 4 x 6 x 4 x x x 4 x 6 x 4 x x

 42  x  5 x 2  10 x3  10 x 4  5 x5  x 6   dx
1

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Primero comprobemos que f(x) sea una función de densidad:
    dx
1 1
0   0 
     
5 2 3 4 5 6
42 x 1 x dx 42 x 5 x 10 x 10 x 5 x x
1
 1 2 5 3 10 4 10 5 5 6 1 7 
 42  x  x  x  x  x  x 
2 3 4 5 6 7 0

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Primero comprobemos que f(x) sea una función de densidad:
 1 5 10 10 5 1  1
0 42 x 1  x  dx  42  2  3  4  5  6  7   42  42   1
1 5

Por lo tanto f(x) es una fdp.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Para encontrar está probabilidad podríamos emplear parte de la
demostración anterior para construir F(x), es decir emplear el resultado
antes de evaluar los limites de integración y se puede obtener:
x
 1 2 5 3 10 4 10 5 5 6 1 7 
F  x    42t 1  t  dt  42  t  t  t  t  t  t 
x 5
0
2 3 4 5 6 7 0
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Por lo cual F(x), está dada por:
1 5 10 10 5 1 
F  x   42  x 2  x3  x 4  x5  x 6  x 7 
2 3 4 5 6 7 
 21x 2  70 x3  105 x 4  84 x5  35 x 6  6 x 7 , 0  x  1.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
Ejemplo:
Sea X la variable aleatoria que representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, la cual tiene por función de
densidad:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

¿Cuál es la probabilidad de que no más del 25% de los accidentes

automovilísticos sean fatales? Es decir ¿Cuál es P(X ≤ 0.25)?.
Por lo tanto, la probabilidad de que la proporción de accidentes
automovilísticos fatales sea menor del 25% es:
2 3 4 5 6 7
1 1 1 1 1 1
F x  0.25  21   70   105   84   35   6 
4 4 4 4 4 4
 0.5551
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
EJERCICIO_2:

1. Sea X una variable aleatoria continua con función de densidad de

probabilidad dada por:
3x 2 , 0  x 1
f ( x)  
 0, en cualquier otro caso
Encuentre F(x) y calcule P(X ≥ 1/4).
2. Sea X una variable aleatoria continua con función de densidad de
probabilidad dada por:
cx 2 , 0 x2
f ( x)  
 0, en cualquier otro caso
Encuentre el valor de c para el cual f(x) es una función de densidad válida.
Calcule también la P(1 ≤ X ≤ 2).

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
SOLUCIÓN_2:

1. Sea X una variable aleatoria continua con función de densidad de

probabilidad dada por:
3x 2 , 0  x 1
f ( x)  
 0, en cualquier otro caso
Encuentre F(x) y calcule P(X ≥ 1/4).
Solución:

F x    3t dt  t
x
3 x
2
 x3 , 0  x  1.
0 0

P X  1 / 4  1  P X  1 / 4
3
1
 1  F 1 / 4  1     1 
1
 0.9844
4 64
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS
SOLUCIÓN_2:

2. Sea X una variable aleatoria continua con función de densidad de

probabilidad dada por:
cx 2 , 0 x2
f ( x)  
 0, en cualquier otro caso
Encuentre el valor de c para el cual f(x) es una función de densidad válida.
Calcule también la P(1 ≤ X ≤ 2).

 
2

f x    cx dx  x  2  0  8  c  1  c 

2
2 c 3 c 3 3 c 8 3
0 3 0 3 3 3 8

 f x   x ,
3 2
0  x  2.
8
 
2

P1  x  2   x dx  x  2  1  8  1   0.875

23 1 3 1 3 3 1 7
2
1 8 8 1 8 8 8
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
Los momentos de una variable aleatoria X o de la distribución de
probabilidad de X, son los valores esperados de ciertas funciones
de X.

Éstos forman una colección de medidas descriptivas que pueden

emplearse para caracterizar la distribución de probabilidad de X
y especificarla si todos los momentos de X son conocidos. En
este curso trabajaremos los momentos alrededor del cero.

Cuando no se conoce la distribución de probabilidad el uso de

los momentos es de gran ayuda en la caracterización de la
misma.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO:

Todos los conceptos con respecto a los momentos se encuentran

sujetos a la existencia de las sumas o integrales que los definen.

El Valor Esperado o esperanza (media) de una variable aleatoria

tiene sus orígenes en los juegos de azar. En este sentido, el valor
esperado representa la cantidad de dinero promedio que el
jugador está dispuesto a ganar o perder después de un número
grande de apuestas.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO:

Ejemplo:
Suponga que se tiene tres oportunidades para lanzar una moneda hasta
que aparezca una cara. El juego termina en el momento en el que cae
una cara o después de los tres intentos, lo que suceda primero.
Si en el primero, segundo o tercer lanzamiento aparece cara, el jugador
recibe $2000, $4000 y $8000 pesos respectivamente.
Si no cae cara en ninguno de los lanzamientos el jugador pierde $20000.

¿Estaría usted dispuesto a jugar?

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO:

Solución:
Para saber la ganancia o pérdida promedio después de un número muy
grande de juegos, Sea X la variable aleatoria que representa la cantidad
que se gana o se pierde cada vez que se juega. Los posibles valores de X
junto con sus respectivas probabilidad se encuentran en la siguiente
tabla:
1
X P(X) P  X  2000  
2
2000 P(X = 2000) = P(C) = 1/2 1 1 1
P  X  4000    
4000 P(X = 4000) = P(S∩C) = 1/4 2 2 4
1 1 1 1
8000 P(X = 8000) = P(S∩S∩C) = 1/8 P  X  8000     
2 2 2 8
-20000 P(X = -20000) = P(S∩S∩S) = 1/8 1 1 1 1
P  X  20000     
2 2 2 8

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO:

Solución:
Interpretemos los anteriores resultados:
Después de un número grande de juegos se espera ganar $2000 en
cualesquiera de dos lanzamientos, $4000 en cualesquiera de cuatro
lanzamientos, $8000 una vez cada ocho lanzamientos y se espera
perder $20000 una vez cada ocho lanzamientos.

El valor esperado o la cantidad promedio que se ganaría en cada juego

después de un número muy grande de éstos, se determina
multiplicando cada cantidad que se gana o se pierde por su respectiva
probabilidad y sumando los resultados.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO:

Solución:
De acuerdo a lo anterior la esperanza de ganar por juego es:
1 1 1 1
E  x    $2000    $4000    $8000    $20000 
2 4 8 8
 $1000  $1000  $1000  $2500  $500
Así, el jugador esperará ganar luego de muchos juegos $500 pesos.
Cabe notar que $500 pesos no es ninguno de los posibles valores de la
variable aleatoria, así, es completamente posible que una variable
aleatoria nunca tome el valor de su esperanza.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
DEFINICIÓN DE VALOR ESPERADO:

El valor esperado de una variable aleatoria X es el promedio o

valor medio de X, se define como E(X) y está dado por:
n
E  X    xi p  xi  si X es discreta.
i 1

E  X    xf  x  dx si X es continua.


Donde p(x) y f(x) son las funciones de probabilidad y de

densidad de probabilidad, respectivamente.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
DEFINICIÓN DE VALOR ESPERADO:

En general el valor esperado de una función g(x) de la variable

aleatoria X está dado por:
n
E  g  X     g  xi  p  xi  si X es discreta.
i 1

E  g  X     g  x  f  x  dx si X es continua.


Donde p(x) y f(x) son las funciones de probabilidad y de

densidad de probabilidad, respectivamente.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES DISCRETAS:

Ejemplo:
Si la variable aleatoria X representa la suma de las caras de dos dados
cuando éstos se lanzan, encontrar el valor esperado de X.
Teníamos que la fdp de X está dada por:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

X 2 3 4 5 6 7 8 9 10 11 12
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

12
 1   2  2  1 
E  X    xi p  xi    2      3     11    12     7
i 2  36   36   36   36 

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Si la variable aleatoria X representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, determinar el valor
esperado de la proporción de accidentes fatales en Estados Unidos:
Teníamos que la fdp de X está dada por:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

E  X    xf  x dx   x 42 x 1  x  dx

1 1 5
0 0  
 42 x  x  5 x 2  10 x3  10 x 4  5 x5  x 6 dx
1

 42  x 2  5 x3  10 x 4  10 x5  5 x 6  x 7 dx
1

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Si la variable aleatoria X representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, determinar el valor
esperado de la proporción de accidentes fatales en Estados Unidos:

E  X   42  x 2  5 x 3  10 x 4  10 x 5  5 x 6  x 7 dx
1

0
1
 1 3 5 4 10 5 10 6 5 7 1 8 
 42  x  x  x  x  x  x 
3 4 5 6 7 8 0
 1 5 10 10 5 1   1 
 42         42    0.25
3 4 5 6 7 8  168 

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES DISCRETAS:

Ejemplo:
Suponga que el número de autos X que pasa por un lavado de autos
entre las 7:00 a.m. y 8:00 a.m. en un lunes soleado tiene la siguiente
distribución de probabilidad:
X 4 5 6 7 8 9
P(X = x) 1/12 1/12 1/4 1/4 1/6 1/6

Sea g(x) = 2000x - 1000, la cantidad de dinero en pesos, que el

administrador paga al dueño. Encuentre las ganancias esperadas del
dueño en este
n
periodo particular.
9
E  g  X     g  xi  p  xi     2000 xi  1000  p  xi 
i 1 i 4

1 1 1

  2000  4   1000      2000  5   1000       2000  9   1000  
 12   12  6
 12666.6667  12700
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Supóngase que el tiempo necesario para reparar un articulo por una
reclamación de garantía, es una variable aleatoria cuya función de
densidad de probabilidad es:
1
 exp   x / 5  , x0
f ( x)   5

 0, en cualquier otro caso
Si la pérdida de dinero es igual al cuadrado del número de horas
necesarias para llevar a cabo la reparación, se debe determinar el valor
esperado de las pérdidas por reparación. En este caso es necesario
calcular el valor esperado de una función que se encuentra relacionada
con la variable aleatoria (el tiempo de reparación). Esta función es:
g  x   x2
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
 x   5 exp   x / 5 dx
1
 
E  g  X     g  x  f  x  dx   2
 0

1  2
  x exp   x / 5  dx
5 0
 x  5e     5e  x /5  2 xdx 
b b
1 2  
 udv  uv a   vdu
b
 x /5

5  
a a
0 0
u  x2
1
 10  x e  x /5 dx 

du  2 xdx 2  x /5 
 5 x e
dv  e  x /5 5  0 0 

  0   10  x e  x /5 dx 
v  5e  x /5
1 

5  0 

 2  x e  x /5 dx
0
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:

E  g  X    2  x e  x /5 dx
0


 2  x  5e  x /5



 0  0  5e x /5  dx



a
b
udv  uv a   vdu
b b

a

 2  5 x e  x /5


0 0

  5 e  x /5 dx 
 
ux
 x /5 
du  dx  2  0   25e
0

dv  e  x /5  50  0  1
 x /5
v  5e
 50
El valor esperado de la pérdida por reparación es 50.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
PROPIEDADES DEL VALOR ESPERADO:

A continuación se muestran algunas propiedades importantes

del valor esperado de una variable aleatoria. Se presentarán
para el caso continuo aunque también son válidas para variables
aleatorias discretas.
Sea X una variable aleatoria continua cuya fdp es f(x), entonces:
1. El valor esperado de una constante c es el valor de la constante.
 
E  c    cf  x  dx  c  f  x  dx  c
 

2. El valor esperado de la cantidad aX + b, en donde a y b son

constantes, es el producto de a por el valor esperado de x más b.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
PROPIEDADES DEL VALOR ESPERADO:

A continuación se muestran algunas propiedades importantes

del valor esperado de una variable aleatoria. Se presentarán
para el caso continuo aunque también son válidas para variables
aleatorias discretas.
Sea X una variable aleatoria continua cuya fdp es f(x), entonces:
3. El valor esperado de la suma de dos funciones g(X) y h(X) es la
suma de los valores esperados de g(X) y h(X).

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VARIANZA:

Otro momento importante, al igual que la media, es la varianza

de la variable aleatoria. Así como la media representa
centralidad, la varianza describe dispersión.

La varianza es una medida para evaluar la cantidad de

variabilidad en la distribución de X, del mismo modo que S2 se
utilizó para medir la variabilidad en una muestra.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
DEFINICIÓN DE VARIANZA:

La varianza de una variable aleatoria X, con distribución de

probabilidad p(x) o f(x), según sea el caso, y media E(X), está
definida como:
n
V  X     xi  E  X   p  xi 
2
si X es discreta.
i 1

V  X     x  E  X   f  x  dx
2
si X es continua.


La varianza también se puede calcular como:

V X   EX    E  X 
2 2

E  X 2    xi2 p  xi  EX2 
n
ó
 x 2 f  x  dx
i 1 

si X es discreta si X es continua
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
PROPIEDADES DE LA VARIANZA:

A continuación se muestra de manera general, algunas

propiedades importantes de la varianza de una variable aleatoria
donde se tiene que V(aX + b) = a2V(X) para cualesquiera dos
constantes a y b.
V  aX  b   E  aX  b    E  aX  b  
 
2 2

 

E  aX  b      ax  b  f  x  dx
2 2
  
a x  2abx  b 2  f  x  dx

 2 2


   a 2 x 2 f  x   2abxf  x   b 2 f  x   dx

  
a 2
 x f  x  dx  2ab  xf  x  dx  b
2 2
 f  x  dx
  

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
PROPIEDADES DE LA VARIANZA:

A continuación se muestra de manera general, algunas

propiedades importantes de la varianza de una variable aleatoria
donde se tiene que V(aX + b) = a2V(X) para cualesquiera dos
constantes a y b.
V  aX  b   E  aX  b     E  aX  b  
2 2

 
  
E  aX  b    a 2  x 2 f  x  dx  2ab  xf  x  dx  b 2  f  x  dx
2
    

 a 2 E  X 2   2abE  X   b 2
  
E  aX  b     ax  b  f  x  dx  a  xf  x  dx  b  f  x  dx


 aE  x   b
 E  aX  b     aE  x   b   a  E  X    2abE  X   b 2
2 2 2 2

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
PROPIEDADES DE LA VARIANZA:

A continuación se muestra de manera general, algunas

propiedades importantes de la varianza de una variable aleatoria
donde se tiene que V(aX + b) = a2V(X) para cualesquiera dos
constantes a y b.
V  aX  b   E  aX  b     E  aX  b  
2 2

 
 a EX
2 2
  2 abE  X   b  2
a 
 E X 
2

  2
2
abE  X   b 2

 a 2 E  X 2   2abE  X   b 2  a 2  E  X    2abE  X   b 2
2


 a 2 E  X 2   a 2  E  X    a 2 E  X 2    E  X  
2 2

 a 2V  X 
De lo anterior se desprende que V(c) = 0, para una constante c.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VARIANZA DE VARIABLES DISCRETAS:

Ejemplo:
Si la variable aleatoria X representa la suma de las caras de dos dados
cuando éstos se lanzan, encontrar la varianza de X.
Teníamos que la fdp y el valor esperado de X están dados por:
 6 | 7  x |
 , x  2,3,...,12
p ( x)   36

0, en cualquier otro caso

X 2 3 4 5 6 7 8 9 10 11 12
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

12
 1   2  2  1 
E  X    xi p  xi    2      3     11    12     7
i 2  36   36   36   36 

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
VARIANZA DE VARIABLES DISCRETAS:

Ejemplo:
Si la variable aleatoria X representa la suma de las caras de dos dados
cuando éstos se lanzan, encontrar la varianza de X.
Teníamos que la fdp y el valor esperado de X están dados por:
X 2 3 4 5 6 7 8 9 10 11 12
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
n 12
V  X     xi  E  X   p  xi     xi  7  p  xi 
2 2

i 1 i 2

 1  2 2  2 2  2 1 
  2  7      3  7      11  7     12  7   
2

 36   36   36   36 
 1   2   2   1  35
  25     16      16      25    
 36   36   36   36  6
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VARIANZA DE VARIABLES DISCRETAS:

Ejemplo:
Si la variable aleatoria X representa la suma de las caras de dos dados
cuando éstos se lanzan, encontrar la varianza de X.
Teníamos que la fdp y el valor esperado de X están dados por:
X 2 3 4 5 6 7 8 9 10 11 12
X2 4 9 16 25 36 49 64 81 100 121 144
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

V X   EX    E  X   EX   7  E  X 2   49

2 2 2 2

EX    x px 
12
2 2
i i
i 2

 1   2   2   1  329
  4    9     121    144    
 36   36   36   36  6
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VARIANZA DE VARIABLES DISCRETAS:

Ejemplo:
Si la variable aleatoria X representa la suma de las caras de dos dados
cuando éstos se lanzan, encontrar la varianza de X.
Teníamos que la fdp y el valor esperado de X están dados por:
X 2 3 4 5 6 7 8 9 10 11 12
X2 4 9 16 25 36 49 64 81 100 121 144
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

V  X   E  X 2    E  X    E  X 2    7   E  X 2   49
2 2

329 329  294

  49 
6 6
35

6
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Si la variable aleatoria X representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, determinar la varianza de la
proporción de accidentes fatales en Estados Unidos:
Teníamos que la fdp y el valor esperado de X están dados por:
42 x 1  x  ,
 0  x 1
5

f ( x)  

 0, en cualquier otro caso

 1  1
E  X    xf  x dx   x 42 x 1  x  dx  42 
 
1 1

5
0  
0
 168  4
2
1
V  X   E  X    E  X    E  X      E  X  
2 2 2 2 1
4 16
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Si la variable aleatoria X representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, determinar la varianza de la
proporción de accidentes fatales en Estados Unidos:
Teníamos que la fdp y el valor esperado de X están dados por:
V X   EX2
1
16
E  X    x f  x dx   x 42 x 1  x  dx
2 
1 1 5
2 2
0 0  
 42  x3  5 x 4  10 x5  10 x 6  5 x 7  x8 dx
1

0
1
1 5 10 10 5 1 
 42  x 4  x 5  x 6  x 7  x8  x 9 
4 5 6 7 8 9 0
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
VALOR ESPERADO VARIABLES CONTINUAS:

Ejemplo:
Si la variable aleatoria X representa la proporción de accidentes
automovilísticos fatales en Estados Unidos, determinar la varianza de la
proporción de accidentes fatales en Estados Unidos:
Teníamos que la fdp y el valor esperado de X están dados por:
V X   EX2
1
16
1
1 1 
E  X 2   42  x 4  x5  x 6  x 7  x8  x9 
5 10 10 5
4 5 6 7 8 9 0
 1 5 10 10 5 1   1  1
 42         42   
4 5 6 7 8 9  504  12
1 1 16  12 4 1
V X      
12 16 192 192 48
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
DESVIACIÓN ESTÁNDAR Y COEFICIENTE DE VARIACIÓN:

Al igual que sucedía en el análisis descriptivo de datos

(Estadística Descriptiva), la raíz cuadrada positiva de la varianza
recibe el nombre de desviación estándar y se denota por De(X).

Por otra parte una medida que compara la dispersión relativa de

dos distribuciones de probabilidad es el coeficiente de variación,
que está definido por:
De  X 
CV  X  
EX 
El CV(X) expresa la magnitud de la dispersión de una variable
aleatoria con respecto a su valor esperado, es especialmente útil
para comparar dos distribuciones de probabilidad cuando la
escala de medición difiere de manera apreciable entre éstas.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
DESVIACIÓN ESTÁNDAR Y COEFICIENTE DE VARIACIÓN:

Ejemplo:
Dadas dos variables aleatorias X y Y, cuyos valores esperados y
varianzas están dadas por:
E  X   120 E Y   40
V  X   36 V Y   16
A pesar de que la dispersión de X, por su desviación estándar, es más
grande que la de Y, en un sentido absoluto, la dispersión relativa de X es
menor que la dispersión relativa de Y, puesto que:
De  X  6 De Y  4
CV  X     0.05 CV Y     0.10
E  X  120 E Y  40
Por lo tanto, la distribución de probabilidad de Y muestra una mayor
dispersión relativa con respecto a la media que la distribución de X.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
EJERCICIO_3:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
X 1 2 3 4 5 6 7
P(X) 0,01 0,03 0,13 0,25 0,39 0,17 0,02
Encuentre la media y la desviación estándar del número de cursos a los que
se inscribió un estudiante elegido al azar.

2. Sea X una variable aleatoria continua con función de densidad de

probabilidad dada por:
3x 2 , 0  x 1
f ( x)  
 0, en cualquier otro caso
Encuentre E(X) y calcule la De(X).

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
SOLUCIÓN_3:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
X 1 2 3 4 5 6 7
P(X) 0,01 0,03 0,13 0,25 0,39 0,17 0,02
Encuentre la media y la desviación estándar del número de cursos a los que
se inscribió un estudiante elegido al azar.
7
E  X    xi p  xi 
i 1

 1 0.01   2  0.03   3 0.13   4  0.25    5  0.39    6  0.17    7  0.02 

 4.57

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

 MOMENTOS DE VARIABLES
ALEATORIAS
SOLUCIÓN_3:

1. Los datos siguientes corresponden a la variable aleatoria X que representa

el número de cursos a los que se inscribió un estudiante elegido al azar:
X 1 2 3 4 5 6 7
P(X) 0,01 0,03 0,13 0,25 0,39 0,17 0,02
Encuentre la media y la desviación estándar del número de cursos a los que
se inscribió un estudiante elegido al azar.
V  X   E  X 2    E  X    E  X 2    4.57   E  X 2   20.8849
2 2

EX    x px 
n
2 2
i i
i 1

 1  0.01   2   0.03   3  0.13   4   0.25    5   0.39    6   0.17    7   0.02 

2 2 2 2 2 2 2

 1 0.01   4  0.03   9  0.13  16  0.25    25  0.39    36  0.17    49  0.02 

 22.15
V  X   22.15  20.8849  1.2651  De  X   V  X   1.2651  1.1248
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.
 MOMENTOS DE VARIABLES
ALEATORIAS
SOLUCIÓN_3:

2. Sea X una variable aleatoria continua con función de densidad de

probabilidad dada por:
3x 2 , 0  x 1
f ( x)  
 0, en cualquier otro caso
Encuentre E(X) y calcule la De(X).

E  X    xf  x  dx

1

  x  3x  dx  3 x dx  x 4  1   0     0.75
1
2
1 3 3 3 4 4 3
0 0 4 0 4  4

V  X   E  X 2    E  X    E  X 2    0.75   E  X 2   0.5625
2 2

E  X 2    x 2 f  x  dx



1

  x  3x  dx  3 x dx  x 5  1   0     0.6
1
2 2 3
1 3 4 5 5 3
0 0 5 0 5  5

V  X   0.6  0.5625  0.0375  De  X   V  X   0.0375  0.1936

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.