VARIABLES

ALEATORIAS
Cap. 4
EXPERIMENTO ALEATORIO

EL término “experimento aleatorio” se utiliza en la teoría de la

probabilidad para referirse a un proceso cuyo resultado no es
conocido de antemano con certeza.

“Suma de valores en el lanzamiento de 2 dados.”

VARIABLE ALEATORIA

Dado un experimento aleatorio Ɛ y Ω el espacio muestral asociado a Ɛ . Una función X que asigna a cada
elemento w en Ω uno y solamente un número real x = X(w), se llama variable aleatoria, es decir, X es una
función real, X: Ω →ℝ

Una variable aleatoria, es una función que asigna un número real a cada uno de los resultados del
experimento aleatorio.

X(s) ≡Número de CARAS

X(s) CC→ 2
CX → 1
XC → 1
XX → 0
Lanzamiento de 2 monedas
Se sacan dos bolitas de sin reemplazo de una urna que contiene 5 bolitas
negras y 4 bolitas rojas

El numero de personas que llegan a un local en un periodo de tiempo dado

El tiempo que tardan en ser atendidas las personas que llegan a un banco
El resultado obtenido al lanzar un dado.
El número de piezas defectuosas obtenidas en una muestra de 200 unidades de un proceso productivo
Los pesos de los novillos que salen a la venta en una estancia
Los tiempos de producción de piezas seriadas
La resistencia a la rotura de distintas muestras de hilos
El dominio de la variable aleatoria X es Ω y el rango es un subconjunto de ℝ que se lo denotara por “RX”

El RX de la variable aleatoria X está dado por el siguiente conjunto de números reales.

RX = {x Ꞓ ℝ / X (w) = x, w Ꞓ Ω} = X(Ω)

Cada elemento del RX de la variable aleatoria X tiene una probabilidad que han sido inducidas por las
probabilidades asignadas a los posibles resultados del espacio muestral Ω a través de la función X, es decir, se
puede utilizar la teoría de probabilidades en RX.
EVENTOS EQUIVALENTES

Sea Ω un espacio muestral asociado a un experimento aleatorio Ɛ, y X una variable aleatoria con rango RX
definida sobre Ω. Un evento A en Ω y un evento Ex en RX se dice que son eventos equivalentes si:
A = {x Ꞓ Ω/ X(w) Ꞓ EX} Ω RX
A EX
w x X(w)
Simplemente, si A es un evento en Ω que consiste de
todos los resultados posibles para el cual X(w) Ꞓ EX
son equivalentes

NOTA: Nótese que A y EX son eventos asociados a diferentes espacios. Si A es un evento en Ω tal
que A={ w Ꞓ Ω/ X(w)=a} su evento equivalente en RX es Ex= {a}, lo cual se denota por [X=a], ósea, el
evento [X=a= es el conjunto de puntos en el espacio Ω que son aplicados en el número real “a” por
la función X.

Si A es un evento en el espacio muestral Ω y Ex un evento en el rango RX de la variable aleatoria X,

entonces se define la probabilidad EX como:

P[Ex] = P[A], donde A={ w Ꞓ Ω/ X(w) Ꞓ Ex}

CLASIFICACIÓN DE LAS VARIABLES ALEATORIAS

Si esta asociada a un Si esta asociada a un

espacio muestral con un espacio muestral con un
número finito de elementos número finito de puntos
o una cantidad infinita de igual al número de puntos
elementos en un segmento de línea
1) VARIABLE ALEATORIA DISCRETA

Cuando los valores que toma una variable aleatoria son finitos o infinitos numerables se dice que es
discreta.

RX = {x1, x2.x3,…}

Resultado obtenido al lanzar un dado {1,2,3,4,5,6}

Número de veces que hay que lanzar una moneda hasta

obtener una CARA {1,2,3,4, ...}
DISTRIBUCIÓN DE PROBABILIDAD
Sea { x1 , x2 , ..., xn } los valores que puede tomar la variable aleatoria X. Se denomina distribución de
probabilidad de la variable aleatoria a P( X=xi ) que cumple:
P ( X = xi ) ≥ 0

ΣPi=1 P ( X = xi ) = 1.
Una VA discreta toma uno de sus valores con cierta probabilidad
Dicha probabilidad es la misma que la probabilidad con que ocurre el suceso que genera el valor
de la variable
Sea X una variable aleatoria discreta con rango RX una función definida por:
P (x ) = P[X = x] = σ{𝑤∈Ω\𝑋 𝑤 =𝑥} 𝑃[ 𝑤 ]

Satisfaciendo las siguientes condiciones:

1) p(x) > 0, Ɐ x ∈ RX 2) σ𝑥∈R 𝑝 𝑥 = σ𝑥∈R 𝑃 𝑋 = 𝑥 = 1

X X

Se llama función de probabilidad o ley de probabilidad o función de cuantía de la variable aleatoria X.

La colección de pares [(x, p(x)), Ɐ x ∈ RX], se llama distribución de probabilidad de X.

Se prueban tres componentes electrónicos, y se
observa el carácter de defectuoso o no. Supongamos
que la probabilidad de que la componente este
defectuosa sea p

Suceso
elemental
Probabilidad
 P[x] 3/5

1/2
Número de caras al lanzar 2
2/5

Probabilidad
monedas

2/7

x P(X=x) 1/5
0→ 1/4
0
1→ 1/2
0
2 → 1/4 0 0,5 1 1,5 2 2,5
# de caras
Lanzamiento de un dado

1/6

1/6

1/6

1/6

1/6

1/6
(x) P[X = x]
1 1/6

P[X]
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
1 2 3 4 5 6
NÚMERO

Distribución uniforme
 Distribución Hipergeométrica

Supóngase que se tiene “n” artículos (n finito) de los cuales “r” son defectuosos. Se extrae una muestra
aleatoria de tamaño “m” sin reemplazamiento. Sea X el número de artículos defectuosos en la muestra.
Hallar la función de probabilidad de la variable aleatoria X.

𝑟 𝑛−𝑟
𝑥 𝑚−𝑥
𝑝 𝑥 =𝑃 𝑋=𝑥 = 𝑛 , 𝑥 = 0,1,2,3 … .
𝑚
FUNCIÓN DE DISTRIBUCIÓN Ó FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA DE UNA VARIABLE ALEATORIA
DISCRETA

La función de distribución FX(x) de una variable aleatoria X se define para todo número real x como:

FX(x) = P[x] P[x] (X ≤ x)

La función de distribución asocia a cada valor de la variable aleatoria la probabilidad acumulada hasta ese
valor.

Sea X una variable aleatoria discreta con rango RX = {x1, x2,…} y función de probabilidad, p(xi) = P[X=xi], sea x
un número real cualquiera, la función de Distribución de X se denota por F(x) y se define como:

F(x) = P[X ≦ x] = σ𝑥𝑖≦𝑥 𝑝 𝑥𝑖 = σ𝑥𝑖 ≦𝑥 𝑃[𝑋 = 𝑥𝑖 ]

NOTA: En general si, x ∈ [[𝑥𝑘 , 𝑥𝑘+1 ۧ, se verifica que F(x) = F(𝑥𝑘 ), donde 𝑥𝑘 y 𝑥𝑘+1 son elementos del rango.
 x pi
x <1 0
1≤ x < 2 1/6
2≤ x < 3 2/6
3≤ x < 4 3/6
4≤ x < 5 4/6
5≤ x < 6 5/6
6≤ x 1
PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN
Notación:
F(∞) en vez de lim 𝐹(𝑥) y F(-∞) en vez de lim 𝐹(𝑥)
𝑥→∞ 𝑥→−∞
Propiedad 1
0 ≦ F(x) ≦ 1, Ɐ x Ɛ ℝ, pues F(x) es una probabilidad para cualquier x real y las probabilidades están
limitadas por 0 y 1.

Propiedad 2
F(x) es una función no decreciente.
En efecto, sean x1, x2 Ɛ ℝ tales que x1 ≦ x2, entonces se tiene: {x/X ≦ x1} ⊂ {x/X ≦ x2}
Por lo tanto, F(x1) ≦ F(x2)

Propiedad 3
a) F(∞) = P[{x/X < ∞}] =P[X< ∞] = 1 púes el evento {x/X < ∞ } es el conjunto de todos los números reales.
b) F(-∞) = P[{x/X < -∞}] =P[X< -∞] = 0 púes el evento {x/X <- ∞ } es un conjunto nulo.
Propiedad 4
Sea 𝑥𝑘 , 𝑥𝑘+1 ∈ RX, si x es tal que: 𝑥𝑘 < 𝑥 < 𝑥𝑘+1 , entonces F(x) = F(𝑥𝑘 )

Es decir, la función F(x) es constante e igual a F(𝑥𝑘 ) para todo x ∈ [𝑥𝑘 , 𝑥𝑘+1 ۧ

Esto implica que si X es una variable discreta, F(x) es una función escalonada (escalera), y la altura de un
escalón en 𝑥𝑘 (𝑥𝑘 ∈ RX) es igual a la P[X= 𝑥𝑘 ]
NOTA:
a) La función de distribución da directamente:

P[X ≦ a] = F(a)
b) P[X ≧ a] = 1- P[X < a] = 1- F(a - 1), si a es entero y
P[X ≧ a] = 1- F( 𝑎 - 1), si a NO es entero
c) La función de distribución F(x) se puede usar para determinar probabilidades de cualquier clase con
relación a X; en particular consideremos el evento:
(a < X < b), a, b ∈ ℝ y a < b

P[a < X ≦ b] = F(b) – F(a)

P[a ≦ X ≦ b] = F(b) – F(a) + P[X = a]

P[a < X < b] = F(b) – F(a) –P[X = b]

P(xi) = P[X = xi] = F(xi) – F(xi - 1)

 2) VARIABLES ALEATORIAS CONTINUAS
Una variable aleatoria X es continua si su función de distribución FX ( x ) es continua.

FX(x)= x X ∈ [0,1)

Si el Rx de una variable aleatoria X es un intervalo sobre la recta de los números reales, se llama variable
aleatoria continua.
En la práctica, se corresponden con variables asociadas con experimentos en los cuales la variable medida
puede tomar cualquier valor en un intervalo: mediciones biométricas, intervalos de tiempo, áreas, etc.

Estatura de una persona elegida al azar en una población. El valor que se obtenga será una medición en
cualquier unidad de longitud (m, cm, etc.) dentro de unos límites condicionados por la naturaleza de la
variable. El resultado es impredecible con antelación, pero existen intervalos de valores más probables que
otros debido a la distribución de alturas en la población.
 FUNCIÓN DE DENSIDAD DE PROBABILIDAD

Sea X una variable aleatoria continua con rango Rx, la función de densidad de probabilidad asociado a la
variable aleatoria, es una función f(x) integrable que satisface las siguientes condiciones:

1) f(x) ≧ 0, para todo x ∈ ℝ o f(x) > 0, x ∈ Rx

2 ) න f(x) 𝑑𝑥 = 1 o න f(x) 𝑑𝑥 = 1
𝑅𝑥 −∞

Si tenemos dos puntos a y b( [a,b] ⊂ Rx) y queremos calcular la probabilidad, de este evento denominado A,
se tiene:
𝑏
P[A] = P[a ≦ X ≦ b] = න f(x) 𝑑𝑥
𝑎
La función de densidad de probabilidad fX(x) de una variable aleatoria continua X es la función que verifica

𝑥
FX(x) = ‫׬‬−∞ fX(t) 𝑑𝑡, Ɐ 𝑥

Si FX(x) es derivable, además:

𝑑
fX(x) = 𝑑 𝐹X(x)
𝑥
Observaciones:

1) Es importante darse cuenta que f(x) no representa la probabilidad de algo y que solamente cuando la
función se integra entre 2 puntos produce una probabilidad.

2) Una consecuencia de la definición de probabilidad de un evento (ecuación) es que para cualquier

valor especifico de X, digamos xo, P[X= xo] = 0 puesto que
xo
P[X = xo] = P[xo < X ≦ xo] = ‫׬‬x f(x) 𝑑𝑥 = 0
o

3) La consecuencia inmediata del punto anterior es:

P[a ≦ X ≦ b] = P[a < X ≦ b] = P[a < X < b] = P[a ≦ X < b]

FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA CONTINUA
F(∞) en vez de lim 𝐹(𝑥) y F(-∞) en vez de lim 𝐹(𝑥)
𝑥→∞ 𝑥→−∞

Sea X una variable aleatoria continua con función de densidad f(x). La función de distribución (o función
de distribución acumulada) de la variable aleatoria X, denotado por F(x), se define por

x
F(x) =P[X=x] = ‫׬‬−∞ f(t) dx, Ɐ x ∈ ℝ

PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN

1) 0 ≦ F(x) ≦ 1, Ɐ x Ɛ ℝ

2) F(-∞) = lim 𝐹(𝑥)= lim 𝐹(𝑥) ‫ 𝑥׬‬f(t) 𝑑𝑡 = 0

𝑥→−∞ 𝑥→−∞ −∞
𝑥
F(-∞) = lim 𝐹(𝑥)= lim 𝐹(𝑥) ‫ ∞׬‬f(t) 𝑑𝑡 = 1
𝑥→∞ 𝑥→∞

3) La función de distribución no es decreciente, esto es si a ≦ b, entonces F(a) ≦ F(b).

 4) lim 𝐹(𝑥 + ℎ)= F(x), Ɐ x ∈ ℝ, con h >0; ósea F es continua por la derecha, en todos los puntos.
ℎ→−∞

5) 𝑑
Si F(x) es una función variable, entonces: 𝑓 𝑥 = 𝑑𝑥 𝐹(𝑥)

3) DISTRIBUCIONES MIXTAS

La distribución de probabilidad de este tipo de variables aleatorias, se llaman distribuciones mixtas, se obtiene
combinando la definición de distribución de una variable aleatoria discreta y la de función de densidad de una
variable aleatoria continua de la siguiente manera:
1) A cada uno de los valores xi, se le asigna un número p(xi) >0 y se define una función f tal que f(x) >0, Ɐ x ∈
[a,b] pues el rango (los valores que toma) de X es:

RX = [x1, x2….xn] U [a,b]

2) 𝑛 𝑏
La probabilidad de
෍ 𝑝 𝑥𝑖 + න 𝑓 𝑥 𝑑𝑥 = 1 un evento P[a]=σ𝑥𝑗 ∈𝐴 𝑝 𝑥𝑗 + ‫𝑥𝑑 𝑥 𝑓 𝐴⊂𝐸׬‬
𝑥=1 𝑎 cualquiera A se
define:
 FUNCIÓN DE UNA VARIABLE ALEATORIA
Se esta interesado en el comportamiento de una VA X, Y=H(X) y cada valor de Y se determina conociendo
los valores de X.
Ya que X es una VA, Y también es una VA y la distribución de Y , se determina conociendo la
distribución de X
Eventos equivalentes
X RX H Ry
Ω

w x=X(w) Y=H(x)

Y=H(X)=H(X(w))

Sea EX un evento en RX(EX ⊂ RX) y Fy un evento en Ry(Fy ⊂ Ry), EX y Fy son equivalentes si:
EX = { x Ꞓ RX / H(x) Ꞓ Fy } Si la ocurrencia de uno implica la ocurrencia del otro, es decir, cuando
ocurre EX ocurre Fy y recíprocamente
NOTA: Cuando hablamos de eventos equivalentes, estos eventos tienen espacios diferentes
Sea X una VA definida en el espacio muestral Ω con rango RX. Sea H una función real, de modo que Y= H(X) es
una VA con rango Ry entonces para cualquier evento (Fy ⊂ Ry), definimos P[Fy] como:

P[Fy] = P[{x Ꞓ RX / H(x) Ꞓ Fy}] = P[EX]

FUNCIONES DISCRETAS DE UNA VARIABLE ALEATORIA

1° CASO Cuando X e Y son discretas

RX= { x1, x2,x3…} y PX(xi) = P[X=xi] H(xij) = yi para índices de j= [ j/j=1,2,3, Si}

La función de distribución PY(yi)= P[Y=yi ]= σy∈𝑗 𝑝𝑥 (𝑥𝑖 )

Existen casos especiales en que:

Py(Yi) = PX (Xi) Donde Yi = H(xi), i= 1,2,3….

2° CASO
Cuando la VA X es continua, pero Y=H(X) es discreta, la formulación para la función de probabilidad de Y, Py(Yi)
esta dado:
Py(Yi) = ‫𝑥𝑑 𝑥 𝑓 𝐸׬‬
𝑋

f(x) es la función de densidad de probabilidad asociada a la VA X.

FUNCIONES DE UNA VA CONTINUA
Si X es una VAC con función de densidad f y H es una función continua; entonces Y=H(X) es una VAC
La función de probabilidad de la VA Y denotada por g, se obtiene:

1° Se obtiene la función de distribución de G de Y:

G(y) = P[Y ≤ y] Encontrando el evento EX en RX, equivalente al evento (Y ≤ y) en RY

2° Derivando G(y) con respecto a “y” se obtiene g(y)

3° Se haya el rango de la nueva VA con la condición de g(y) >0

TEOREMA

Sea X una VAC con función de densidad f que satisface f(x)>0 para a<x<b, e “y”= H(x) es una función continua de
x, estrictamente creciente o estrictamente decreciente, entonces la VA Y=H(X) tienen una función de densidad
g dada por:
𝑑𝑥
G(y) = f(x) 𝑑𝑦

Con x= H-1 (y) expresado en función de y. Si H es creciente, g(y) > 0, si H(a) < y < H(b), si H es creciente g(y) > 0 si
H(b) < y < H(a)
4) ESPERANZA MATEMÁTICA

Se define esperanza o media de una variable aleatoria discreta X y se representa por E[X] al valor:

E[X] = σ𝑛𝐼=𝑛 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 ]

Se define esperanza o media de una variable aleatoria continua X con función de densidad fX(x) y se
representa por E[X] al valor:
∞ ∞
E[X] = ‫𝑥𝑑 )𝑥(𝑓 𝑥 )𝑥(𝑅׬‬ E[X] = ‫׬‬−∞ 𝑥𝑖 𝑓(𝑥) 𝑑𝑥 E[X] = ‫׬‬−∞ 𝑥 𝑓(𝑥) 𝑑𝑥

Que sea absolutamente convergente

μ= E[X]

Interpretación geométrica: Es igual a la abscisa del centro de gravedad del área acotada por el la curva o
el polígono de distribución de probabilidad y el eje de abscisas.
La media poblacional, que mide el valor promedio de x en la población, también se denomina valor esperado
de la variable aleatoria x. Es el valor que se esperaría observar en promedio si el experimento se repite una y
otra vez

Lanzar dos monedas al

aire, y sea x el número
de caras observado.

x P(X=x) E[X] = σ𝑛𝐼=𝑛 𝑥𝑖 𝑃 𝑋 = 𝑥𝑖 ]

Construimos esta distribución 0→ 1/4
de probabilidad para x: E[X] = 1
1→ 1/2
2 → 1/4
 PROPIEDADES DE LA ESPERANZA MATEMÁTICA

Sea X , e Y=H(X) una función de X. El valor esperado de la función H(X), denotado por “E[H(X)], se define
por:
i) E[H(X)] = σ𝑥∈𝑅𝑥 𝐻 𝑥 𝑝 𝑥 , si x es discreta Siempre que esta serie sea absolutamente
convergente.

ii) E[H(X)] = ‫ )𝑥(𝐻 𝑅׬‬f(x) < ∞ Si X es continua H(X) puede ser discreta o continua, pero se restringirá
𝑥 en este caso que Y= H(X) es una variable aleatoria continua.
TEOREMA: Si X es una variable aleatoria, a y b constantes, entonces:

i) E[a] = a ii) E[a H(X)] = a E[H(X)] iii) E[a H(X)+ b G(X)] = a E[H(X)] + b E[G(X)]

TEOREMA: Sea X una variable aleatoria, si a y b son constantes, entonces:

E[a X ± b)] = a E[X] ± b

TEOREMA: Sean X1 ,X2 ……,X1, n variables aleatorias y ai (i= 0,1,2……,n) constantes, entonces:

E[ao + σ𝑛𝑖=1 𝑎𝑖 𝑋𝑖 = ao + σ𝑛𝑖=1 𝑎𝑖 𝐸(𝑋𝑖 )

Consecuencia, si X E Y son variables aleatorias discretas y a,b constantes, E[a X + bY)] = a E[X] + b E[Y]
entonces:
5) VARIANZA DE UNA VARIABLE ALEATORIA
Estas medidas numéricas describen la dispersión o variabilidad de la variable aleatoria usando el “promedio” o
“valor esperado” del cuadrado de las desviaciones de los valores x desde su media.

Sea x una variable aleatoria discreta con distribución de probabilidad p(x) y media. La varianza de x es
σ2 = E[ ( X - μ )2 ] =σ𝑥∈𝑅𝑥 𝑥 − μ 2 𝑝(𝑥), donde la sumatoria es sobre todos los valores de la variable aleatoria x

Sea X una variable aleatoria con media μ, se denomina varianza a:

σ2= Var ( X ) = E[ ( X - μ )2 ]
σ2 = E[ ( X - μ )2 ] =σ𝑥∈𝑅𝑥 𝑥 − μ 2 𝑝(𝑥)
H(X) = ( X - μ )2
Por lo tanto:
∞
σ2 = E[ ( X - μ )2 ] =‫׬‬−∞ ( X − μ )2 𝑓 𝑥 𝑑(𝑥)
DESVIACIÓN TÍPICA
NOTA: Media de la distribución= media de la
La desviación estándar s de una σ = Var ( X ) = σ2 VA
variable aleatoria x es igual a la raíz Varianza de la distribución= varianza de la VA
cuadrada positiva de su varianza.
PROPIEDADES DE LA VARIANZA Y DESVIACIÓN TÍPICA

Si X es una variable aleatoria con media μ, la varianza de X esta dado por:

Var (X) = σ2= E( X2) – [E(X)]= E( X2) – μ2

TEOREMA: Si X es una variable aleatoria, a y b constantes entonces:

Var (a X ± b) = a2 Var (X)
Consecuencia: i) Si a= 0 La Var(b) = 0 ii) Si b=0, Var (aX) = a2 Var (X)

TEOREMA: Si X es una variable aleatoria y c una constante entonces:

i) σcX = 𝑐 σX ii) σX+c = σX

5) MODA, MEDIANA Y PERCENTILES DE UNA VARIABLE ALEATORIA
MODA xmd: Se llama moda de una variable aleatoria discreta X a su valor más probable.
Se llama moda de una variable aleatoria continua X a su valor con función de densidad máxima. En otras
palabras, el valor xc de la variable aleatoria X es una moda de X si:

P(xc) ≧ p(x), Ɐ x ∈ RX Si X es discreta f(xo) ≧ f(x), Ɐ x ∈ RX Si X es continua

Interpretación geométrica: Es la abscisa de aquel punto de la curva o polígono de distribución de probabilidad
con ordenada máxima.
MEDIANA xme : La mediana de una variable aleatoria X es un número tal xo , tal que:
1 1 1
f(xo) = P[X≦ xo] ≧ 2 ∧ P[X≦ xo] ≧ 2 O equivalente P[X≦ xo] = P[X≦ xo] ≧ 2 para X continua

Es decir, la mediana tiene la propiedad de que la variable aleatoria tiene la misma posibilidad de estar a
cualquiera de los dos lados de este.
Interpretación geométrica: La ordenada trazada por el punto con abscisa x= xme divide por la mitad el área
acotada por la curva o polígono de distribución de probabilidad.
NOTA: Una VA X es simétrica si su función de probabilidad (o densidad de probabilidad) es simétrica.
NOTA: Si la recta x=a es en el eje de simetría de la curva de distribución de probabilidad f(x),
entonces xme =xmd = E(X) = a
PERCENTILES xk : Se llama EL 100 k-ésimo percentil de al VA X al número más pequeño posible tal que la
probabilidad de no excederlo es cuando menos k, con 0 < k < 1, es decir xk es el valor más pequeño tal que:

F(xk) =P[X ≦ xk] ≧ k ∧ P[X ≧ xk] ≧ 1 - k

Algunos percentiles reciben el nombre de Cuartiles de la distribución x0,25, x0,50 , x0,75 debido a que cortan la
función de probabilidad o función de densidad en cuatro probabilidades iguales.

El 50-ésimo percentil, x0,50 se llama también mediana de la VA.

A la diferencia x0,75 , x0,25 se lo conoce como el rango intercuartil y a veces se lo utiliza como medida de
variabilidad.
NOTA: En la definición del 100k-ésimo percentil se usa la
desigualdad, de esta maneara están seguros que se
definan los percentiles para cualquier tipo de VA. En
particular, si X es un VA discreta, su función de
distribución F8x) tiene saltos y puede no existir número
tal que F(xk) = k.Al usar la definición dada, se define el
100 k ésimo percentil como el xk en el cual salto la
función de distribución más allá de k.
 MOMENTOS 𝝁𝒌,𝒂 : Se llama momento del orden k alrededor del punto a de una VA X a la esperanza
matemática de (X-a)k entonces:

𝒌 𝒌 𝒌 𝒌
𝝁𝒌,𝒂 = 𝑬 𝑿 − 𝒂 = ෍ 𝑿−𝒂 𝒑(𝒙) 𝝁𝒌,𝒂 = 𝑬 𝑿 − 𝒂 = න 𝑿−𝒂 𝒇 𝒙 𝒅𝒙
𝒔∈𝑹𝒙 𝑹𝒙

Si X es discreta Si X es continua

Si a=0, se llaman momentos iniciales o momentos alrededor del origen de orden k de la VA a E[ X k ]

Si a=E[X] = μ , se llaman momentos alrededor de la media o momento central de orden k de una VA a
E[ X − μ k ]
Al segundo momento alrededor de la media de una VA X se denomina varianza de la VA, ósea σ2= μ2, μ
Al primer momento central (o alrededor de la media) para cualquier VA X es igual a 0
Los momentos iniciales y centrales de primer, segundo, tercer y cuarto orden están vinculados por las
relaciones:
μ 1 =0 μ 1 = μ′2 − μ1′ μ 3 = μ′3 − 3μ1′ μ′2 + 2μ1′3 μ 4 = μ′4 − 4μ1′ μ′3 + 6μ1′2 μ′2 − 3μ1′4

Si la distribución de probabilidad es simétrica respecto a la media, entonces todos los momentos centrales
de orden impar son iguales a 0, es decir:
μ 1 = μ 3 = μ 5 …….= 0
 ASIMETRÍA 𝑆𝑘 : Se llama asimetría o sesgo a la relación:

𝐸 𝑋−𝜇 3 𝜇3
𝑆𝑘 = = 3
𝜎3 𝜎
Si 𝑆𝑘 >0: La distribución esta sesgada hacia la derecha
(asimetría positiva)
Si 𝑆𝑘 <0: La distribución esta sesgada hacia la izquierda
(asimetría negativa)
Si 𝑆𝑘 = 0: La distribución es simétrica respecto a la media

CURTIOSIS 𝐶𝑘 : Se llama curtiosis o coeficiente de

curtiosis de una VA X a la relación:
𝐸 𝑋−𝜇 4 𝜇4
𝐶𝑋 = = 4
𝜎4 𝜎
Normalmente se compara a la curva de Gauss, que tiene un coeficiente de curtiosis igual a 3 y se
denomina en exceso o sea:
𝜇4
𝐸𝑋 = 4 − 3 Para la curva normal o de Gauss, 𝐸𝑋 = 0
𝜎
 DESIGUALDAD DE CHEBYSHEV

Si conocemos : Distribución de μ ; σ2
Se puede determinar
probabilidad de una VA X,

Distribución de probabilidad
Si conocemos μ ; σ2 NO puede determinar
de una VA X,

Sin embargo se puede determinar una cuota superior o inferior para la probabilidad del tipo

P[ 𝑋 − μ ≧ 𝑘𝜎 Desigualdad de Chevyshev

TEOREMA DE CHEBYSHEV
Si la VA X tiene μ y σ2 finita, entonces, para cualquier k>1, se cumple:
1 Indica que la probabilidad que X tome algún valor
P[ 𝑋 − μ ≧ 𝑘𝜎] ≦
𝑘2
fuera del intervalo 𝜇 − 𝑘𝜎, 𝜇 + 𝑘 es a lo más 1/k2