IV.

FUNCIONES DE VARIABLES ALEATORIAS

Es frecuente las situaciones de interés donde un experimento realizado nos interesa principalmente
establecer la función o modelo probabilístico de resultados en oposición a los resultados en sí
propiamente.
Por ejemplo, al lanzar los dados, nos podemos interesar en la suma de los dos dados y no estamos
realmente interesados por los valores separados de cada dado, es decir, podemos estar interesados
en saber que la suma es 7 y no preocuparnos si los resultados reales fueron (1,6) (2,5) (3,4) o (4,3)
(5,2) (6,1). Estas cantidades de interés, o más formalmente, estas funciones de valor real definidas en
el mismo espacio muestral, se conocen como variables aleatorias.
Como los valores de una variable aleatoria es determinado por los resultados del experimento,
podemos asignar probabilidades para los posibles valores de la variable aleatoria.

Por tanto, lo que debemos es especificar la distribución o el modelo de distribución de probabilidades

de los posibles valores de la variable.

En términos coloquiales una variable aleatoria es una variable que toma valores numéricos
determinados por el resultado de un experimento (situación de interés) aleatorio.
Supone un espacio muestral (Ω), una función de probabilidad y una medida de probabilidad, para la
cual la variable X es función de valores reales que relaciona los elementos del espacio muestral con
una probabilidad, que lo llama variable aleatoria.

IV.A DEF. VARIABLE ALEATORIA DISCRETA

En un espacio de probabilidad (Ω,₳,P), una función de 𝑋 ∶ ₳ ⟶ ℝ es una variable aleatoria sí para
cualquier 𝕣 ∈ ℝ 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐴𝕣 = { 𝑊 | 𝑋(𝑊) ≤ 𝕣 } ∈ ₳. X se dice discreta sí su recorrido (Rx), es
contable.

DEF. FUNCION DE PROBABILIDAD

Para X variable aleatoria definida en (Ω,₳,P) la función P : X → [0,1], definida por p(x)=P(X=x), es una
función de probabilidad o cuantía SI Y SOLO SI satisface las siguientes condiciones:
o 0 ≤ p(x) ≤ 1 para todo x ϵ X
o ∑𝑥 ∈𝑅𝑋 𝑝(𝑥) = 1

DEF. FUNCION DE PROBABILIDAD ACUMULATIVA

Para X variable aleatoria discreta, la función de distribución de probabilidad acumulada 𝐹(𝑥): ℝ → [0,1]
Se define como:
𝐹(𝑥) = 𝑝(𝑋 ≤ 𝑥) = 𝑃({𝑊 |𝑋(𝑊) ≤ 𝑥})
Con propiedades
o 𝐹(𝑘) = 𝑝(𝑥 ≤ 𝑘) = ∑𝑥 ∈𝑅𝑋 𝑝(𝑥)
o 𝑝(𝑥 > 𝑘) = 1 − 𝐹(𝑘)
o 𝑝(𝑎 < 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)

De la variable aleatoria nos interesa determinar su modelo de probabilidades y su función acumulativa

de probabilidades, además el valor de algunas medidas semejantes a las de la estadística descriptiva,
como su valor esperado y su varianza.

DEF. VALOR ESPERADO

El valor esperado E(X), para X variable aleatoria discreta, se define como;
 𝐸(𝑋) = 𝜇𝑋 = ∑ 𝑥 ∗ 𝑝(𝑥)
𝑥 ∈𝑅𝑋
Propiedad
o E(aX)= aE(X)=aΣx*p(x) con a constate
o E(Ax+b)=aE(X)+b con a,b constantes

TEOREMA: Sea g(X) una función de X variable aleatoria discreta con p(x) su función de probabilidad.
El valor esperado de g(X) está dado por:
𝐸(𝑔(𝑋)) = ∑ 𝑔(𝑥)𝑝(𝑥)
𝑥 ∈𝑅𝑋

DEF. VARIANZA
La varianza σ²X , para X variable aleatoria discreta se define como:

2
𝑉(𝑋) = 𝜎𝑋2 = ∑𝑥 ∈𝑅𝑋(𝑥 − 𝜇𝑥 ) ∗ 𝑝(𝑥) = [∑𝑥 ∈𝑅𝑋 𝑥2 ∗ 𝑝(𝑥)] − 𝜇2𝑋 = 𝐸(𝑋2 ) − 𝐸(𝑋)2
𝐷𝑜𝑛𝑑𝑒 𝐸(𝑋 2 ) = ∑ 𝑥 2 ∗ 𝑝(𝑥)
𝑥 ∈𝑅𝑋

EJEMPLO 1.
La distribución de probabilidades de una variable aleatoria X es:
X 20 25 30 35
35
p(X=x) 0,20 0,15 0,25 0,4 ∑ 𝑝(𝑋 = 𝑥𝑖 ) = 1
𝑖=20

a.- Pruebe que p(X=x) es función de probabilidad.

b.- responder: P(X=30); p(X≤25); p(X>30)
c.- Determine E(X); σ²X; C.V(X).
DESARROLLO
𝑖)𝑓(𝑥) ≥ 0
a.- Debe satisfacer {
𝑖𝑖) ∑ 𝑓(𝑥) = 1
luego cada p(X=x) = f(x) es mayor o igual a 0.
La suma total de f(x) es igual a 1.
b.- p(X=20) = 0,2 ; p(X≤25)=0,35 ; p(X>30)=0,4
c.-
𝐸(𝑋) = ∑ 𝑥 ∗ 𝑝(𝑥) = (20 ∗ 0,2) + (25 ∗ 0,15) + (30 ∗ 0,25) + (35 ∗ 0,4) = 29,25
𝑥 ∈𝑅𝑋

𝑉(𝑋) = 𝜎𝑋2 = [∑ 𝑥2 ∗ 𝑝(𝑥)] − 𝜇2𝑋 =

𝑥 ∈𝑅𝑋
= [(202 ∗ 0,2) + (252 ∗ 0,15) + (302 ∗ 0,25) + (352 ∗ 0,4)] − (29,25)2 = 33,186
𝜎𝑋
𝐶. 𝑉(𝑋) = ∗ 100 = 19,6%
𝜇𝑋

EJEMPLO 2.-
Para una variable aleatoria discreta X con p(x), su función de probabilidad dada en la siguiente tabla,
sea Y=g(X)=X²
 determine p(Y=y) ; p(Y ≤ y) ; E(Y) ; σ²y; C.V(Y)
 X -1 -2 1 2 5 Y 1 4 25
p(x) 0,1 0,5 0,2 0,1 0,1 Σp(xi)=1 p(y) 0,3 0,6 0,1 Σp(yi)=1
F(x) 0,1 0,6 0,8 0,9 1 F(y) 0,3 0,9 1

𝐸(𝑔(𝑋)) = 𝐸(𝑋 2 ) = ∑ 𝑔(𝑥)𝑝(𝑥) = ∑ 𝑦 ∗ 𝑝(𝑦) = (1 ∗ 0,3) + (4 ∗ 0,6) + (25 ∗ 0,1) = 5,2

𝑥 ∈𝑅𝑋 𝑦 ∈𝑅𝑌

𝜎𝑋2 = [∑ 𝑦2 ∗ 𝑝(𝑦)] − 𝜇2𝑌 = [(12 ∗ 0,3) + (42 ∗ 0,6) + (252 ∗ 0,1)] − (5,2)2 = 45,36
𝑦 ∈𝑅𝑌

C.V(Y)=129,5%

EJEMPLO 3.-
1 12 48 64
Sí X variable aleatoria asume valores 0, 1, 2 y 3 con probabilidades , , 𝑦 , encuentre:
125 125 125 125
a.- E(X) y σ²X
b.- Determine E[g(x)] y σ²g(X) sí g(X)=(3x+2)2.

EJEMPLO 4.-
Sea X variable aleatoria con función de probabilidades:

X 1 2 3 4
P(X=x) 0,3 0,25 0,1 0,35

a.- Determine E(X); σ²X

b.- Si se realiza un cambio de origen a la izquierda de 2 unidades, determine el valor esperado,
varianza y coeficiente de variación del cambio de origen.
c.- Sí se realiza un cambio de escala de 3 unidades (÷ 3); determine valor esperado, varianza,
coeficiente de variación del cambio de escala.
d.- Sí se realiza tanto el cambio de origen como el de escala; determine valor esperado, varianza y
coeficiente de variación del cambio.
DESARROLLO
a.-
E(x)= (1*0,3) + (2*0,25) + (3*0,1) + (4*0,35) =2,5
σ²X=E(X²) −E(X)² = 7,8 − 2,52 = 1,55
E(X²) = (12*0,3) + (22*0,25) + (32*0,1) + (42*0,35) = 7,8
C.V(X) = 49,8%
b.- Y 3 4 5 6
Y=X−(−2) = X+2 → E(Y) = E(X+2) = E(X)+2 = 4,5
σ²Y= σ²(X+2) = σ²X = 1,55 P(Y=y) 0,3 0,25 0,1 0,35
C.V(Y)=53,4%
c.-
𝑋 𝑋 1 Z 0,333 0,667 1,0 1,333
𝑍 = → 𝐸(𝑍) = 𝐸 ( ) = 𝐸(𝑋) = 0,833
3 3 3 P(Z=z) 0,3 0,25 0,1 0,35
2
1
𝜎𝑍2 = 𝜎 2𝑋 = ( ) ∗ 𝜎𝑋2 = 0,172
( )
3 3
C.V(Z)=49,8%

d.-
𝑋+2 𝑋+2 1 T 1 1,333 1,667 2
𝑇= → 𝐸(𝑇) = 𝐸 ( ) = [𝐸(𝑋 + 2)] = 1,5
3 3 3 P(T=t) 0,3 0,25 0,1 0,35
1 2
𝜎𝑇2 = 𝜎 2𝑋+2 = (3) ∗ 2
𝜎(𝑋+2) = 0,172
( )
3
C.V(T)= 27,6%

IV.B DEF. VARIABLE ALEATORIA CONTINUA

DEF. En un espacio de probabilidad (Ω,₳,P), una función X : ₳ → R, es una variable aleatoria sí para
cualquier (a ≤ r ≤ b) ϵ R, el conjunto 𝐴𝕣 = { 𝑊 | 𝑎 ≤ 𝑋(𝑊) ≤ 𝑏 } ∈ ₳ , se dice que X es continua sí
(a ≤ r ≤ b) ϵ R.

DEF. FUNCION DE PROBABILIDAD

X se dice variable aleatoria continua sí existe una función f(x) tal que:
𝑥
𝐹(𝑥) = 𝑝(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑢)𝑑𝑢
−∞
f(x) se denomina función de densidad de probabilidad para x y satisface las siguientes propiedades:

+∞
1.- f(x)≥0 para todo x ϵ R 2.- ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑘 𝑘
3.- 𝑝(𝑥 ≤ 𝑘) = ∫−∞ 𝑓(𝑥)𝑑𝑥 4.- 𝑝(𝑥 ≥ 𝑘) = 1 − ∫−∞ 𝑓(𝑥)𝑑𝑥
𝑘 𝑘
5.- 𝑝(𝑘1 ≤ 𝑥 ≤ 𝑘2 ) ∫𝑘 2 𝑓(𝑥)𝑑𝑥 6.- 𝑝(𝑥 = 𝑘) = ∫𝑘 𝑓(𝑥)𝑑𝑥 = 0
1

En consecuencia la probabilidad del evento A para x → P(x ϵ A) = ∫𝐴 𝑓(𝑥)𝑑𝑥

Además, sí X es variable aleatoria, F(X) es función continua que satisface:

1.- 𝐹(−∞) = lim 𝐹(𝑥) = 0 2.- 𝐹(∞) = 𝑙𝑖𝑚 𝐹(𝑥) = 1

𝑥→−∞ 𝑥→∞

3.- F(a) ≤ F(b) sí a<b 𝒅𝑭(𝒙)

4.- F(x) es función continua y = 𝒇(𝒙)
𝒅𝒙

DEF. FUNCION ACUMULATIVA DE PROBABILIDAD CONTINUA

Para X una variable aleatoria continua la función de distribución de probabilidad acumulada

𝑥
𝐹(𝑥): ℝ → [0,1] 𝑠𝑒 𝑑𝑒𝑓𝑖𝑛𝑒 𝐹(𝑥) = 𝑝(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑢)𝑑𝑢

DEF. VALOR ESPERADO

El valor esperado E(X), para X variable aleatoria continua se define como:
+∞
𝐸(𝑋) = 𝜇𝑋 = ∫ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥
−∞
Propiedad
o Sí 𝑎 ∈ ℝ → 𝐸(𝑎𝑋) = 𝑎𝐸(𝑋)
o Sí 𝑎, 𝑏 𝜖 ℝ → 𝐸(𝑎𝑥 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏
TEOREMA: Sea g(X) una función de X variable aleatoria continua con p(x) su función de probabilidad,
sí Y=g(X) es una función tal que Y es una variable aleatoria entonces el valor esperado de g(X) está
dado por:
+∞
𝐸(𝑔(𝑋)) = 𝜇𝑌 = ∫ 𝑔(𝑥)𝑝(𝑥)𝑑𝑥
−∞
DEF. VARIANZA
La varianza de σ²X, para X variable aleatoria continua es:

+∞ +∞ +∞ 2
𝑉(𝑋) = 𝜎𝑋2 =∫ (𝑥 − 𝜇𝑋 )2 𝑓(𝑥)𝑑𝑥 = ∫ 2
𝑥 ∗ 𝑓(𝑥)𝑑𝑥 − [∫ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥]
−∞ −∞ −∞

Propiedades
1.- 𝜎𝑋2 ≥ 0 2.- 𝜎𝑋2 = [∑𝑥 ∈𝑅𝑋 𝑥 2 𝑝(𝑥)] − 𝜇𝑋2

3.- Sí a ϵ R → σ²aX=a²σ²X 4.- Si b ϵ R → σ²x+b=σ²X

TEOREMAS IMPORTANTES DE CAMBIO DE VARIABLES.

EJEMPLO 5.-
Sea X variable aleatoria con función de probabilidad 𝑓(𝑥) = { 6𝑥(1 − 𝑥) 𝑠í 0 < 𝑥 < 1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a.- Pruebe que f(x) es función de probabilidad
b.- Determine E(X); σ²X ; C.V(X).
DESARROLLO
𝑖)𝑓(𝑥) ≥ 0
a.- Debe satisfacer {
𝑖𝑖) ∑ 𝑓(𝑥) = 1
𝑖 𝑥 ∈𝑅𝑋 0,5 𝑥 2 0,5 𝑥 3 0,5
para i) se determina ∫−∞ 6𝑥(1 − 𝑥) 𝑑𝑥 = ∫−∞ 6𝑥(1 − 𝑥) 𝑑𝑥 = 6 | −6 | = 0,5 ≥ 0
2 0 3 0
1 𝑥2 𝑥3
para ii) se determina ∫0 6𝑥(1 − 𝑥) 𝑑𝑥 = 6 |1
2 0
−6 |1
3 0
= 1 .-
b.-
1 1
𝑥3 𝑥4 1 1 1
𝐸(𝑋) = ∫ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 ∗ 6𝑥(1 − 𝑥)𝑑𝑥 = 6 ( |10 − |10 ) = 6 ( − ) =
0 0 3 4 3 4 2
 2
1 +∞ 1
1 2
𝜎𝑋2 2
= ∫ 𝑥 ∗ 6𝑥(1 − 𝑥) 𝑑𝑥 − [∫ 𝑥 ∗ 6𝑥(1 − 𝑥) 𝑑𝑥] = 6 ∫ (𝑥 3 − 𝑥 4 ) 𝑑𝑥 − ( ) =
0 −∞ 0 2
4 5
𝑥 𝑥 1 1 1
= 6 ( |10 − |10 ) − = 6 ( ) − = 0,2
4 5 4 20 4
0,04
C. V(X) = ∗ 100 = 8%
0,5

EJEMPLO 6.-
3
Sea x una variable aleatoria con función de probabilidad 𝑓(𝑥) = {𝑐𝑥 𝑠í 0 < 𝑥 < 3 . Determine c; E(X);
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
σ²X.
2 3 𝑥4 𝑐81 4
∫0 𝑐𝑥 3 𝑑𝑥 = 1 → 𝑐 ∫0 𝑥 3 𝑑𝑥 = 𝑐 │30 = → 𝑐 = 81
4 4
+∞ 3 𝑥5 4 243 12
𝐸(𝑋) = ∫−∞ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥 = ∫0 𝑥 ∗ 𝑐𝑥 3 𝑑𝑥 = 𝑐 ( 5 │30 ) = 81 ( )=
5 5
2 2
3 3
12 4 𝑥7 3 12 2 3
4 2187 144
𝜎𝑋2 2 3
= ∫ 𝑥 ∗ 𝑐𝑥 𝑑𝑥 − [∫ 𝑥 ∗ 𝑐𝑥 𝑑𝑥] = 𝑐 ∫ 𝑥 𝑑𝑥 − ( ) =3
( │0 ) − ( ) = ( 6
)−
0 0 0 5 81 7 5 81 7 25
1692
=
175

EJEMPLO 7.-
La función de distribución asociada a la producción de una maquina en (miles unidades) es:
0 𝑥<0
𝐹(𝑥) = {𝑥(2 − 𝑥) 𝑠í 0 ≤ 𝑥 ≤ 𝑘
1 𝑠í 𝑥 ≥ 𝑘
a.- Determine k para F(x)
b.- Determine la función de densidad f(x)
c.- sí Y=6X – 3; determine f(y); F(y).
DESARROLLO
a.-
𝐹(∞) = 𝑙𝑖𝑚 𝐹(𝑥) = 1 → lim+ 𝐹(𝑥) = lim− 𝐹(𝑥) = 1 → lim+ 𝑥(2 − 𝑥) = 𝑘(2 − 𝑘) = 1
𝑥→∞ 𝑥→𝑘 𝑥→𝑘 𝑥→𝑘
→ 2𝑘 − 𝑘 2 = 1 → −𝑘 2 + 2𝑘 − 1 = 0 → 𝑘 2 − 2𝑘 + 1 = 0 → (𝑘 − 1)(𝑘 − 1) = 0 → 𝒌 = 𝟏
b.-
𝒅𝑭(𝒙)
=𝟎 𝑝𝑎𝑟𝑎 𝑥 < 0
𝒅𝒙
𝒅𝑭(𝒙) 𝒅𝑭(𝒙) 𝒅 𝑥(2−𝑥) 2 − 2𝑥 𝑠í 0 ≤ 𝑥 ≤ 1
= 𝒇(𝒙) → = = 2 − 2𝑥 𝑠í 0 ≤ 𝑥 ≤ 1 𝒇(𝒙) = {
𝒅𝒙 𝒅𝒙 𝒅𝒙 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝒅𝑭(𝒙)
{ = 𝟎 𝑝𝑎𝑟𝑎 𝑥 ≥ 1
𝒅𝒙

0,3
∫ (2 − 2𝑥) 𝑑𝑥 = 2𝑥│0,3 2 0,3
0 − 𝑥 │0 = 0,51 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑞𝑢𝑒 f(x) ≥ 0 para todo x ϵ R
0

1 +∞
∫0 (2 − 2𝑥) 𝑑𝑥 = 2𝑥│10 − 𝑥 2 │10 = 1 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑞𝑢𝑒 ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

c.- se emplea teorema 1 ó también

 𝑌+3
h(y) = 6X – 3 → 𝑌 + 3 = 6𝑋 → = 𝑋 𝑒𝑠𝑡𝑎 𝑒𝑠 𝑓 −1 (𝑥) ó ℎ−1 (𝑦)
6

𝑌+3
𝑑ℎ−1 (𝑦) 𝑑( 6 ) 1 𝑠𝑖 𝑥 = 0 → 𝑦 = −3
= = ; 𝑒𝑙 𝑑𝑜𝑚𝑖𝑛𝑖𝑜 𝑑𝑒 𝑑𝑒 ℎ(𝑦) {
𝑑𝑦 𝑑𝑦 6 𝑠𝑖 𝑥 = 1 → 𝑦 = 3

𝑌+3 𝟑−𝒀
𝑌+3 𝑑( 6 ) 𝑌+3 1 3−𝑌
ℎ𝑌 (𝑦) = 𝑓𝑋 ( )| | = (2 − 2 ( )) | | = → 𝒉(𝒚) = { 𝟏𝟖 𝒔𝒊 − 𝟑 < 𝒚 < 𝟑
6 𝑑𝑦 6 6 18
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

𝟎 𝒔í 𝒚 < −𝟑
𝑦 𝑦 2
3−𝑡 1 6𝑦 − 𝑦 + 27 𝟔𝒚 − 𝒚 + 𝟐𝟕 𝟐
𝐻(𝑦) = ∫ 𝑑𝑡 = ∫ (3 − 𝑡)𝑑𝑡 = → 𝐻(𝑦) = 𝒔𝒊 − 𝟑 ≤ 𝒚 ≤ 𝟑
−∞ 18 18 −3 36 𝟑𝟔
{ 𝟏 𝒚>𝟑

EJEMPLO 8.-
3𝑥 2
Para X variable aleatoria continua con función de probabilidad 𝑓(𝑥) = { 26 𝑠í 1 < 𝑥 < 3 .
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Para Y=3X – 8, determinar f(y);F(y); E(Y); σ²Y.

Entonces
𝑌+8
h(y) = 3X − 8 → 𝑌 + 8 = 3𝑋 → = 𝑋 𝑒𝑠𝑡𝑎 𝑒𝑠 𝑓 −1 (𝑥) ó ℎ−1 (𝑦)
3
𝑌+8
𝑑ℎ−1 (𝑦) 𝑑( 3 ) 1 𝑠𝑖 𝑥 = 1 → 𝑦 = −5
= = ; 𝑒𝑙 𝑑𝑜𝑚𝑖𝑛𝑖𝑜 𝑑𝑒 𝑑𝑒 ℎ(𝑦) {
𝑑𝑦 𝑑𝑦 3 𝑠𝑖 𝑥 = 3 → 𝑦 = 1

𝑌+8 𝑌+3 (𝑌 + 8)2

𝑌+8 𝑑( 3 ) 3( 6 ) 1 (𝑌 + 8)2
ℎ𝑌 (𝑦) = 𝑓𝑋 ( )| |=( )| | = → 𝒉(𝒚) = { 𝟐𝟑𝟒 𝒔𝒊 − 𝟓 < 𝒚 < 𝟏
3 𝑑𝑦 26 3 234
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

𝑦
(𝑡 + 8)2 𝑦
1 2
𝑦 3 + 24𝑦 2 + 192𝑦 + 435
𝐻(𝑦) = ∫ 𝑑𝑡 = ∫ (𝑡 + 8) 𝑑𝑡 = →
−∞ 𝟐𝟑𝟒 234 −3 702

𝟎 𝒔í 𝒚 ≤ −𝟓
𝑦 + 24𝑦 2 + 192𝑦 + 435
3
𝐻(𝑦) = { 𝒔𝒊 − 𝟓 < 𝒚 < 𝟏
702
𝟏 𝒚≥𝟏
 +∞ 1 (𝑌 + 8)2 1 𝑦4 1 8𝑦 3 1 𝑦2 1
𝐸(𝑋) = ∫ 𝑦 ∗ 𝑓(𝑦)𝑑𝑦 = ∫ 𝑦 ∗ 𝑑𝑦 = ( │−5 + │−5 + 64 │1−5 ) = (−563)
−∞ −5 𝟐𝟑𝟒 234 4 4 2 234
= −2,4059

3 3 3 2
(𝑌 + 8)2 (𝑌 + 8)2 1
𝜎𝑋2 =∫ 𝑦 ∗ 2
𝑑𝑦 − [∫ 𝑦 ∗ 𝑑𝑦] = ∫ (𝑦 4 + 16𝑦 3 + 64𝑦 2 ) 𝑑𝑦 − (−2,4059)2 =
0 𝟐𝟑𝟒 0 𝟐𝟑𝟒 234 0
1
= (61202) − (−2,4059)2 = 255,76
234

EJEMPLO 9.-
Sí la función de probabilidad de X variable aleatoria está dada por:
1
𝑠í 1 < 𝑥 < 3
𝑓(𝑥) = { 𝑥(ln 3)
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

a.- Determine E(X); σ²X; C.V(X)

b.- Sí g(x)= x2+2x2-3x+1 . Determine E[g(x)]; σ²g(x) .

IV.C MOMENTOS Y FUNCION GENERATRIZ DE MOMENTOS

Los momentos (o momentos netos) de una variable o de una distribución son los valores esperados
de la potencia de la variable aleatoria que tiene distribución conocida.

DEF. Momentos (central alrededor de cero): Si X es una variable aleatoria, el r-ésimo momento de X
usualmente denotado por 𝜇𝑟′ , es definido por 𝜇𝑟′ = 𝐸[𝑋 𝑟 ] sí la esperanza existe. Note que 𝜇𝑟′ = 𝐸[𝑋 𝑟 ] =
𝜇𝑟 el promedio o media de X.
Entonces el r-ésimo momento de alrededor del origen de la variable aleatoria X esta dado por:
∑ 𝑥 𝑟 𝑓(𝑥) 𝑠í 𝑥 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝑥
𝜇𝑟′ = 𝐸[𝑋 𝑟]
= +∞
∫ 𝑥 𝑟 𝑓(𝑥)𝑑𝑥 𝑠í 𝑥 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
{ −∞

Así tendremos que sí

r=1→ E[X1] = μ1 = μ → primer momento es de posición
r=2→ E[X2] = μ2 → σ²=E[X2] – E[X]2 → segundo momento es de dispersión
r=3→ E[X3] = σ³/μ³ → tercer momento es de asimétria
r=4→ E[X4] = σ4/μ4 → cuarto momento es de kurtosis

DEF. MOMENTOS CENTRALES : Sí X es una variable aleatoria, el r-ésimo momento central de X

alrededor de a esta definido como 𝐸[ (𝑋 − 𝑎)𝑟 ]. Si a=μX, definimos el r-ésimo momento central de X
alrededor de μX, denotado por μr como 𝜇𝑟 = 𝐸[ (𝑋 − 𝜇𝑟 )𝑟 ] .
Note que 𝜇1 = 𝐸[(𝑋 − 𝜇𝑟 )1 ] = 0 𝑦 𝜇2 = 𝐸[(𝑋 − 𝜇𝑟 )2 ] es la varianza de X. Además, todos los momentos
probables de X alrededor de μX son 0 sí la función de densidad de probabilidades de X es simétrica
alrededor de μX, siempre que existan tales momentos.

DEF. FUNCION GENERATRIZ DE MOMENTOS (f.g.m)

Sea X variable aleatoria con función de densidad f(x). El valor esperado de e tX es definido la función
generatriz de momentos de X sí el valor esperado existe por cada valor de t en algún intervalo
–h<t<h ; h>0 .La función generatriz de momentos, denotada por:

𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∑𝑥 𝑒 𝑡𝑋 p(x) sí la variable aleatoria es discreta.

+∞
𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∫−∞ 𝑒 𝑡𝑋 𝑓(𝑥)𝑑𝑥 sí la variable aleatoria es continua.

La variable independiente es t, y por lo general nos centramos en los valores de t en la vecindad o

cercanía de 0.
Para explicar porque se refiere a la función generatriz de momentos, se sustituye e tx por su expansión
en la serie de Maclaurin, así
𝑡2𝑥2 𝑡3 𝑥3 𝑡𝑟 𝑥𝑟
𝑒 𝑡𝑋 = 1 + 𝑡𝑥 + + + ...+ +⋯
2! 3! 𝑟!
Para X discreta, se tiene
𝑡 2 𝑥2 𝑡 3 𝑥3 𝑡 𝑟 𝑥𝑟
𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∑ [1 + 𝑡𝑥 + + +...+ + ⋯ ] p(x)
2! 3! 𝑟!
𝑥
𝑡2 𝑡𝑟 𝑡2 𝑡𝑟
= ∑ 𝑝(𝑥) + 𝑡 ∑ 𝑥 ∗ 𝑝(𝑥) + ∑ 𝑥 2 𝑝(𝑥) + … + ∑ 𝑥 𝑟 𝑝(𝑥) + … = 1 + 𝜇𝑡 + 𝜇2′ + ⋯ + 𝜇𝑟′ + ⋯
2! 𝑟! 2! 𝑟!
𝑥 𝑥 𝑥 𝑥
𝑡𝑟
y se observa que la serie de Maclaurin de la función generatriz de momentos de X el coeficiente de 𝑟!
es 𝜇𝑟′ , el r-ésimo momento alrededor del origen (0). Pero la gran dificultad de expandir la serie de Maclaurin y
no en determinar la función, es decir, determinar la función para expandir.

Entonces se tiene que sí la función generatriz de momentos existe, y garantiza la existencia de todos
los momentos de orden r de cero de X, entonces mX(t) es continua y diferenciable en la vecindad ó
cercanía del origen (0) y satisface que:
𝑑𝑟
𝑀 𝑡│ = 𝐸[𝑋 𝑟 ] = 𝜇𝑟′
𝑑𝑡 𝑟 𝑋 𝑡=0

Una propiedad muy importante de la f.g.m de una variable aleatoria que, cuando existe, la f.g.m
caracteriza la distribución de la variable.

De acuerdo a lo expuesto, la función generadora de momentos de una variable aleatoria es muy

importante porque nos permite caracterizar a la variable, pero cuando existe. En las circunstancias en
que no se pueda determinar o exista, es necesario utilizar una nueva función que garantice que
siempre exista.

DEF. FUNCION CARACTERISTICA

Sea X variable aleatoria, la función característica de X es la función 𝜑𝑋 : ℝ → ℂ definida por:
𝜑𝑋 (𝑡) = 𝐸[𝑒 𝑖𝑡𝑋 ] = 𝐸(cos 𝑡𝑋) + 𝑖𝐸(𝑠𝑒𝑛 𝑡𝑋) 𝑑𝑜𝑛𝑑𝑒 𝑖 = √−1
Ejemplo 1.
Sea X variable aleatoria con función de densidad de probabilidad:
1 𝑠í 0 < 𝑥 < 1
𝑓(𝑥) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Entonces para t ≠ 0 se tiene
1 1
1 1
𝜑𝑋 (𝑡) = ∫ cos(𝑡𝑥) 𝑑𝑥 + 𝑖 ∫ 𝑠𝑒𝑛(𝑡𝑥) 𝑑𝑥 = (𝑠𝑒𝑛 𝑡 − 𝑖𝑐𝑜𝑠𝑡 + 𝑖 ) = (𝑒 𝑖𝑡 − 1)
0 0 𝑡 𝑖𝑡
0
Para t = 0 → 𝜑𝑋 (0) = 𝐸[𝑒 ] = 1
IV.C.1 PROPIEDADES DE LA FUNCION GENERATRIZ DE MOMENTOS
Si a, b son constantes, se tiene:
1.- 𝑀𝑋 (𝑡) = 𝐸[𝑒 (𝑋+𝑎)𝑡 ] = 𝑒 𝑎𝑡 𝑀𝑋 (𝑡)
2.- 𝑀𝑏𝑋 (𝑡) = 𝐸[𝑒 (𝑏𝑋)𝑡 ] = 𝑀𝑋 (𝑏𝑡)
𝑋+𝑎 𝜇𝑡
𝑡
3.- 𝑀𝑋+𝑎 (𝑡) = 𝐸 [𝑒 ( )𝑡
𝑏 ] = 𝑒 𝑏 𝑀𝑋 (𝑏)
𝑏
Resultado

𝑋−𝜇 −𝜇𝑡
𝑡
De especial importancia 𝑀𝑋−𝜇 (𝑡) = 𝐸 [𝑒 ( )𝑡
𝜎 ]= 𝑒 𝜎 𝑀𝑋 (𝜎)
𝜎

EJEMPLO 2.-
Encuentre μ, μ² y σ² para la variable aleatoria X que tenga la distribución de probabilidad
1
𝑠í 𝑥 = −2 𝑦 𝑥 = 2
𝑓(𝑥) = {2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1 1
𝜇 = 𝐸(𝑥) = ∑𝑥 𝑥 𝑓(𝑥) = (−2) 2 + (2) 2 = 0
1 1
𝜇2′ = 𝐸[𝑋 2 ] = ∑ 𝑥 2 𝑓(𝑥) = −22 + 22 = 4
𝑥 2 2
2 2) 2
𝜎 = 𝐸(X − [𝐸(𝑋)] = 4 − 0 = 4

EJEMPLO 3.-
Encuentre la función generatriz de momentos de la variable aleatoria discreta X con función de
1 𝑥
probabilidad 𝑓(𝑥) = 2 (3) 𝑝𝑎𝑟𝑎 𝑥 = 1, 2, 3, … … . 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑒 𝜇1′ 𝑦 𝜇2′ .
𝑥
∞ 1 𝑥 ∞ 𝑒𝑡 𝑒 𝑡 𝑒 𝑡2 𝑒 𝑡𝑘
𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∑ 𝑒 𝑡𝑥 𝑝(𝑋 = 𝑥) = ∑ 𝑒 𝑡𝑥 2 ( ) = 2 ∑ ( ) = 2 ( + 2 + ⋯ + 𝑘 + ⋯ ) = ∗
𝑥 𝑥=1 3 =1 3 3 3 3
Como es una serie geométrica con r=et/3

La serie geométrica es
1−𝑟 𝑛
Sn=a+ar+ar2+…+arn-1 ; rSn=ar+ar2+ar3+…+arr ; Sn – rSn= = a(1- arn) entonces 𝑠𝑛 = 𝑎 ( )→
1−𝑟
1−𝑟 𝑛 𝑎
→ lim 𝑎 ( ) 𝑠í |𝑟| < 1 ⇛ 𝑟 𝑛 → 0 entonces la suma de los n términos es 𝑠𝑛 =
𝑛→∞ 1−𝑟 1−𝑟

𝑒𝑡 𝑡
𝑎 3 ) = ( 3𝑒 𝑒𝑡
𝑠𝑛 = ⇛ ( 𝑡 𝑡 )=
1−𝑟
1−𝑒 3(3 − 𝑒 ) 3 − 𝑒𝑡
3

𝑒𝑡 2𝑒𝑡
∗= 2 (3−𝑒𝑡 ) = 3−𝑒𝑡 = 𝑀𝑋 (𝑡)
𝑑𝑟 𝑑1 2𝑒𝑡 (3−𝑒𝑡 )−(−𝑒𝑡 )2𝑒𝑡 6𝑒𝑡 −2𝑒𝑡 +2𝑒𝑡 2
𝜇𝑟′ = 𝑑𝑡 𝑟 𝑀𝑋 𝑡│𝑡=0 ⇛ 𝜇1′ = 𝑑𝑡 1 𝑀𝑋 𝑡│𝑡=0 = (3−𝑒𝑡 )2
= (3−𝑒𝑡 )2
│𝑡=0 =3
𝑑2 𝑑2 2𝑒𝑡 𝑑1 6𝑒𝑡 6𝑒𝑡 (3−𝑒𝑡 )2 −2(3−𝑒𝑡 )(−𝑒𝑡 )(6𝑒𝑡 )
𝜇2′ = 𝑑𝑡 2 𝑀𝑋 𝑡│𝑡=0 = 𝑑𝑡 2 (3−𝑒𝑡 ) = 𝑑𝑡 1 (3−𝑒𝑡 )2 = (3−𝑒𝑡 )4
│𝑡=0 =3

EJEMPLO 4.-
𝑒 −𝑥 𝑠í 𝑥 ∈ [0, +∞)
Sea X variable aleatoria con función de densidad 𝑓(𝑥) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Determine f.g.m , E(X),σ²X
 +∞ +∞
𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∫0 𝑒 𝑡𝑥 𝑒 −𝑥 𝑑𝑥 = ∫0 𝑒 −(1−𝑡)𝑥 𝑑𝑥 = * Sustitución: u=(1-t)x du=(1-t)dx
Si x=0 → u=0 ; si x=+∞ → u=+∞
1 +∞ 1 +∞ 1
∗= ∫ 𝑒 −𝑢 𝑑𝑢 = [−𝑒 −𝑢 ]│0 =
1−𝑡 0 1−𝑡 1−𝑡

𝑑1 −(1)(−1)
𝜇1′ = 𝑑𝑡 1 𝑀𝑋 𝑡│𝑡=0 = (1−𝑡)2
│𝑡=0 = 1 = 𝐸(𝑋)
𝑑2 𝑑1 1 −(1)(2(1−𝑡)(−1)) 2−2𝑡
𝜇2′ = 𝑑𝑡 2 𝑀𝑋 𝑡│𝑡=0 = = = (1−𝑡)4 │𝑡=0 = 2
𝑑𝑡 1 (1−𝑡)2 (1−𝑡)4
σ²X=E(X2) - E(X)2= 2 – 12 = 1