Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

• Variables aleatorias. Variable aleatoria discreta: rango y
distribución de probabilidad.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Variable aleatoria

Es una función del espacio muestral en los números reales, es

decir:
𝑋: Ω ⟶ ℝ
La variable aleatoria atribuye a cada elemento del espacio
muestral 𝛀 un número que no es aleatorio o imprevisible, sino
fijo y predeterminado.
Lo que es aleatorio es el experimento sobre cuyo espacio
muestral se define la variable aleatoria.
Rango de la variable aleatoria

Es el conjunto de los valores posibles de la variable aleatoria,

es decir:

𝑅𝑋 = 𝑋 𝑤 / 𝑤 ∈ Ω
Tipos de variable aleatoria

Una variable aleatoria es discreta

 Si puede asumir un conjunto finito o infinito numerable
de valores diferentes.

Una variable aleatoria es continua

 Si puede asumir cualquier valor en un intervalo.
 Ejercicio
Indique el tipo de variable y su rango
Variable aleatoria Tipo Rango
𝑊 = número de libros defectuosos en
discreta 0, 1, … , 100
un lote de 100 unidades
𝑋 = número de veces que debe
picarme mosquitos hasta contraer el discreta 1, 2, …
dengue
𝑌 = tiempo que puede pasar un humano
debajo del agua sin respirar (en continua ]0, 15[
minutos)
𝑍 =resnickscity.wordpress.com
dinero gastado en almorzar por un
5.00, 5.01, 5.02,
alumno el presente día, en nuevos discreta
5.03, 5.04, 5.05,…
soles
Evento (𝑋 = 𝑎)

El evento (𝑋 = 𝑎) se define como:

𝑋=𝑎 = 𝑤∈Ω / 𝑋 𝑤 =𝑎
Variable aleatoria discreta

Una variable aleatoria es discreta si el conjunto de valores que

puede tomar es finito o infinito numerable.

Una variable aleatoria discreta asume cada uno de los valores

con cierta probabilidad que se denota:

𝑃 𝑋=𝑥
Variable aleatoria discreta
Ejemplo de variables aleatorias discretas:

 Número de barcos que llegan

a un puerto diariamente.
 Cantidad de preguntas
correctamente contestadas
en una prueba de evaluación.
 Cantidad de guacamayos que viven en la
reserva nacional Pacaya y Samiria.
Ejemplo de Variable aleatoria discreta

Sea Ω el espacio obtenido al lanzar Ω

una moneda dos veces y observar si
sale cara (𝑐) o sello (𝑠) cada vez.

Ω = {(𝑐, 𝑐), (𝑐, 𝑠), (𝑠, 𝑐), (𝑠, 𝑠)}

Definimos 𝑋 como el número de Sus

caras obtenidas. Los eventos: probabilidades:
1
(𝑋 = 0) = {(𝑠, 𝑠)} 𝑃 𝑋=0 =
4
El rango de 𝑅𝑋 = {0, 1, 2}. (𝑋 = 1) = {(𝑐, 𝑠), (𝑠, 𝑐)} 𝑃 𝑋=1 =
2
4
1
(𝑋 = 2) = {(𝑐, 𝑐)} 𝑃 𝑋=2 =
4
𝑋 es una variable aleatoria discreta.
 Función de Probabilidad de Variable aleatoria discreta

Si 𝑿 es una variable aleatoria La función de distribución

discreta, la función de probabilidad acumulada de 𝑿 es dada por:
de 𝑿 es dada por:
𝑓𝑋 (𝑥) = 𝑃 𝑋 = 𝑥 𝐹𝑋 (𝑥) = 𝑃 𝑋 ≤ 𝑥

= 𝑃({𝑤 ∈ Ω / 𝑋(𝑤) = 𝑥})

= 𝑃 𝑤 ∈ Ω/𝑋 𝑤 ≤ 𝑥

Se cumple: = 𝑓𝑋 𝑢
0 ≤ 𝑓𝑋 (𝑥) ≤ 1 𝑥∈𝑅𝑋 / 𝑢≤𝑥

𝑓𝑋 𝑥 = 1
𝑥∈𝑅𝑋

Si 𝑥 ∉ 𝑅𝑋 : 𝑓𝑋 𝑥 = 0
Valor Esperado de una Variable aleatoria discreta

El valor esperado 𝑬 𝑿 de una variable aleatoria discreta 𝑋

con distribución de probabilidad 𝑓𝑋 (𝑥) se define por:

𝜇𝑋 = 𝐸 𝑋 = 𝑥 𝑓𝑋 𝑥
𝑥∈𝑅𝑋

El valor esperado 𝑬 𝑿 , denotado por 𝜇𝑋 , también se le

conoce como la media o el promedio de la variable 𝑿
Se utiliza como el valor que representa la v.a. 𝑿
Función de variable aleatoria discreta
Sea 𝑮(𝑿) una función de la variable aleatoria 𝑿.

Ejemplo: 𝑿 =la cantidad de naranjas compradas.

𝒀 =Cantidad de naranjas podridas
El supermercado cobra 𝟎. 𝟐𝟓 𝒑𝒐𝒓 𝒏𝒂𝒓𝒂𝒏𝒋𝒂, y
por cada naranja podrida se pierde 𝑺/. 𝟎. 𝟏𝟎.
Entonces el costo:
𝑮 𝑿, 𝒀 = 𝟎. 𝟐𝟓𝑿 + 𝟎. 𝟏𝟎𝒀
Es una función de las variables aleatorias 𝑿 y 𝒀
que representa el costo por la compra.
Valor Esperado de una Función de Variable aleatoria discreta

Sea 𝑮(𝑿) una función que transforma una variable aleatoria discreta X
en una nueva variable aleatoria. El valor esperado de 𝑮(𝑿) es:
𝐸 𝐺(𝑋) = 𝐺(𝑥)𝑓𝑋 (𝑥)
𝑥𝜖𝑅𝑋

Si 𝐺(𝑥) = 𝑥 − 𝜇𝑋 2
Si 𝐺(𝑥) = 𝑥
𝐸𝐺 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
𝐸𝐺 𝑥 =𝐸 𝑋
= 𝑥 𝑓𝑋 (𝑥) = 𝑥 − 𝜇𝑋 2𝑓𝑋 𝑥 = 𝑉 𝑋
𝑥∈𝑅𝑋 𝑥∈𝑅𝑋
= 𝜇𝑋 = 𝐸 𝑋2 − 𝜇𝑋 2 = 𝜎𝑋2
Es la media ponderada de X, utilizada como un valor Es la Varianza de X, y su raíz es la desviación estándar de
representativo de la v.a. X X, ambas son medidas de dispersión
Ejemplo – Trabajadores faltantes
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria 𝑋
con función de distribución:
𝑋 = número de trabajadores que faltan por día
𝑥 0 1 2 3 4
Determine 𝒌, donde 𝒌 = 𝒇(𝟒)
𝑓𝑿 (𝑥) 0.08 0.12 0.40 0.25 𝑘

Como:  f x   1 , entonces: k  f 4 
x  0 ,..., 4  1  f (0)  f (1)  f (2)  f (3)
 1  0.08  0,12  0,40  0.25
 0.15
Ejemplo – Trabajadores faltantes
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria 𝑋
con función de distribución:
𝑋 = número de trabajadores que faltan por día
𝑥 0 1 2 3 4
Calcule el valor esperado de 𝑿
𝑓𝑿 (𝑥) 0.08 0.12 0.40 0.25 0.15

𝜇𝑋 = 𝐸 𝑋 = 𝑥 𝑓𝑋 𝑥
𝑥∈𝑅𝑋
= 0 × 0.08 + 1 × 0.12 + 2 × 0.40 + 3 × 0.25 + 4 × 0.15
= 2.27
 Ejemplo – Trabajadores faltantes
El número de trabajadores que faltan por día por razones de
salud en una empresa se modela con una variable aleatoria 𝑋
con función de distribución:
𝑋 = número de trabajadores que faltan por día
𝑥 0 1 2 3 4 Calcule la varianza y desviación
𝒇𝑋 (𝑥) 0.08 0.12 0.40 0.25 0.15 estándar de 𝑿
𝜎𝑋2 = 𝐸 𝑋 2 − 𝜇𝑋2
𝐸 𝑋2 = 𝑥 2 𝑓𝑋 𝑥 = 6.37 − 2.272
𝑥∈𝑅𝑋
= 1.2171
= 02 × 0.08 + 12 × 0.12 + 22 × 0.40 + 32 × 0.25 + 42 × 0.15
𝜎𝑋 = 𝜎𝑋2
= 6.37
= 1.1032
Ejemplo – Juego de lanzar un dado

Un jugador lanza un dado, si sale un número de puntos mayor

a cuatro gana 10 nuevos soles, si no, pierde cinco nuevos
soles. Calcule e interprete el valor esperado de la ganancia.
𝑋 = Número de la cara Superior 𝑥 1 2 3 4 5 6
𝑓(𝑥) 1/6 1/6 1/6 1/6 1/6 1/6
𝐸𝐺 𝑋 = 𝐺 𝑥 𝑓𝑋 𝑥 𝐺(𝑥) -5 -5 -5 -5 10 10
𝑥∈𝑅𝑋

= −5 × 1/6 + −5 × 1/6 + −5 × 1/6 + −5 × 1/6 + 10 × 1/6 + 10 × 1/6

=0

Interpretación:
En este juego, lo que se espera es ni ganar ni perder.
Ejercicio – Demanda de producto perecible
La demanda diaria de un producto perecible puede modelarse por una variable aleatoria discreta 𝑋 cuya
distribución de probabilidad está dada por la tabla:
𝑥 12 24 36 48 60
𝑓(𝑥) 0.15 0.25 0.30 0.20 0.10
𝐺(𝑥) 240 480 720 1056 1320
Se obtiene por cada unidad demandada de producto 20 nuevos soles de utilidad. Si la cantidad demandada en
un día es mayor a 36 unidades, se obtiene una utilidad adicional de dos nuevos soles por unidad demandada
de producto. Se tiene siempre más de 60 productos en su almacén al inicio del día.
Calcule la desviación estándar de la utilidad por la demanda diaria de productos.
Sea 𝑌 = 𝐺 𝑋 = la utilidad diaria de productos
𝜎𝑌2 = 𝐸 𝐺 𝑋 2 − μ2𝑌
𝜇𝑌 = 𝐸 𝐺 𝑋 = 𝐺 𝑥 𝑓𝑋 𝑥 = 619027.2 − 715.22
𝑥∈𝑅𝑋 = 107516.2
= 240 × 0.15 + 480 × 0.25 + 720 × 0.30 + 1056 × 0.20 + 1320 × 0.10 = 715.2

𝐸𝐺 𝑋 2
= 𝐺 𝑥 2
𝑓𝑋 𝑥 𝜎𝑌 = 𝜎𝑌2
𝑥∈𝑅𝑋 = 327.897
= 2402 × 0.15 + 4802 × 0.25 + 7202 × 0.30 + 10562 × 0.20 + 13202 × 0.10 = 619027.2
Tarea - Almacén

Un almacén cuenta con un stock de 12 productos, de los

cuales 3 tienen pasada su fecha de vencimiento, pero el
almacenero lo desconoce. Si ante un pedido de 4 de estos
productos el almacenero los elige al azar,
a) Halle la función de probabilidad y la función de distribución
acumulada del número de productos vencidos que él
seleccionará en la muestra.
b) Grafique ambas funciones.
c) Halle e interprete la media y la desviación estándar.
Variables Aleatorias Independientes

En la práctica, uno encuentra más de una variable definida

sobre un mismo espacio muestral.
Diremos que dos variables aleatorias X e Y son
independientes, si para cualesquiera subconjuntos A y B del
rango de estas variables que no tengan probabilidad 0 se
cumple que:

Naturalmente, esta definición puede extenderse a más de dos

variables.
 Ejercicio – Mayor valor de 2 dados
Suponga que se lanzan dos dados y se define la v.a. 𝑿 como el mayor valor
obtenido. Muestre que la función de probabilidad de 𝑿 tiene la forma:
1 Ω {1,1} {1,2} {1,3} {1,4} {1,5} {1,6}
𝒇𝑋 𝑥 = 2𝑥 − 1 {2,1} {2,2} {2,3} {2,4} {2,5} {2,6}
36 {3,1} {3,2} {3,3} {3,4} {3,5} {3,6} 𝑛 Ω = 36
𝑋 1 2 3 4 5 6 {4,1} {4,2} {4,3} {4,4} {4,5} {4,6}
𝑃(𝑋 = 𝑥) 1/36 3/36 5/36 7/36 9/36 11/36 {5,1} {5,2} {5,3} {5,4} {5,5} {5,6}
𝐹𝑥 1/36 4/36 9/36 16/36 25/36 36/36 {6,1} {6,2} {6,3} {6,4} {6,5} {6,6}

1 𝑥−1 𝑥−1 1 11 1
𝑃 𝑋 = 𝑥 = 𝑃 𝑋1 = 𝑥 𝑃(𝑋2 < 𝑥) + 𝑃 𝑋1 < 𝑥 𝑃(𝑋2 = 𝑥) + 𝑃 𝑋1 = 𝑥 𝑃(𝑋2 = 𝑥) = 6 + + 6 6 = 36 2𝑥 − 1
6 6 6

Halle su valor esperado y desviación estándar y Grafique de su función de

distribución acumulada.
E 𝑋 = ∑6𝑥=1 𝑥 𝑓 𝑥 𝑉 𝑋 = E 𝑋2 − E 𝑋 2 𝜎𝑋 = 𝑉 𝑋
= 21.97 – (4.47)2 = 1.4
= 4.47
= 1.97
Propiedades del Valor Esperado y de la Varianza de
Variables Aleatorias
Las siguientes son alguna de las propiedades del valor esperado
de la varianza. Aquí 𝑿 e 𝒀 son v.a's y 𝒂 y 𝒃 son constantes:
Ejemplo - Estandarización

Sea 𝑿 una variable aleatoria con media 𝝁𝒙 y desviación

estándar 𝝈𝒙. Se define la variable aleatoria estandarizada:

𝑋 − 𝜇𝑋
𝑍=
𝜎𝑋

Luego:
𝐸[𝑍] = 0
𝑉[𝑍] = 1
Ejemplo – Variables aleatorias independientes
Sean 𝑋, 𝑌, 𝑊 variables aleatorias independientes tales que:
 𝐸 𝑋 = 10 y 𝑉 𝑋 = 4;
 𝐸 𝑌 = 25 y 𝑉 𝑌 = 9;
 𝐸 𝑊 = 50 y 𝑉 𝑊 = 16.

Calcule la esperanza y varianza de las siguientes variables

aleatorias:
• 𝑅 = 3𝑋 + 8 𝐸[𝑅] = 3𝐸[𝑋] + 8 = 38 𝑉[𝑅] = 32 𝑉[𝑋] = 36

• 𝑇 =𝑋+𝑌+𝑊 𝐸[𝑇] = 𝐸[𝑋] + 𝐸[𝑌] + 𝐸[𝑊] = 85 𝑉[𝑇] = 𝑉[𝑋] + 𝑉𝑎𝑟[𝑌] + 𝑉𝑎𝑟[𝑊] = 29

• 𝑆 = 2𝑋 − 3𝑌 𝐸[𝑆] = 2𝐸[𝑋] − 3𝐸[𝑌] = −55 𝑉[𝑆] = 22 𝑉[𝑋] + −3 2

𝑉[𝑌] = 97

• 𝑉 = 5𝑋 + 𝑌– 2𝑊 𝐸[𝑉] = 5𝐸[𝑋] + 𝐸[𝑌] − 2𝐸[𝑊] = −25 𝑉[𝑉] = 52 𝑉[𝑋] + 12 𝑉[𝑌] + −2 2 𝑉[𝑊] = 173
Tarea – Construcción de puente
El tiempo necesario (en meses) para la construcción de un puente se considera una variable
aleatoria. Una empresa constructora ha determinado que dicha variable tiene la siguiente
distribución de probabilidades:

𝑥 5 6 7 8 9 10
𝑓(𝑋) 0.05 0.15 0.30 0.25 0.20 0.05

Calcule e interprete el valor esperado y la varianza.

𝐸 𝑋 = 7.55
𝐸 𝑋 2 = 58.55
𝑉 𝑋 = 1.5475
𝜎𝑋 = 1.24398553
Suponga que decide contratar a la empresa constructora mencionada acordándose pagarle 20000
dólares por la construcción del puente en un tiempo máximo de 10 meses. Sin embargo, si se
terminara antes del tiempo pactado la empresa recibe 5000 dólares adicionales por cada mes
ahorrado. Calcule el valor esperado y la desviación estándar del pago obtenido por la empresa por
la construcción del puente.
Programa del Curso

VARIABLES ALEATORIAS CONTINUAS

• Variable aleatoria continua
rango y función de densidad. Función de distribución acumulada.
Esperanza y Varianza. Propiedades.

MODELOS DE DISTRIBUCIÓN DE VARIABLES ALEATORIAS CONTINUAS

• Distribución Uniforme.
• Distribución Normal.
Estandarización de una variable normal. Uso de la tabla normal estándar.
Propiedad reproductiva de la Normal.
Teorema del límite central.
Variable aleatoria continua

Es una variable cuyo rango es un conjunto continuo, infinito

no numerable de valores. O sea, si su rango es un intervalo o
la unión de intervalos.
Ejemplos:
 peso, en kilos, de una persona,
 tiempo en resolver la primera pregunta del examen
parcial de un curso
 volumen, en decibeles, en una discoteca a una hora
determinada.
Variable aleatoria continua

Si 𝑿 es una variable aleatoria continua es claro e intuitivo que

la probabilidad de que ésta variable tome algún valor
específico es siempre 0, dada la infinita cantidad de posibles
valores que 𝑿 pudiera tomar.
Por lo tanto, no se puede hablar aquí de una función de
probabilidad, pero si de lo que se conoce como la función de
densidad de 𝑿, la cual es sino un modelo matemático que nos
permite obtener probabilidades de que la v.a. 𝑿 toma valores
en un intervalo.
Función de densidad de una variable aleatoria continua

Se denomina función de densidad de probabilidad 𝒇(𝒙) de

una variable aleatoria continua 𝑿 a la función que satisface lo
siguiente:
𝑓 𝑥 ≥ 0 ∀𝑥 ∈ 𝑅𝑋

𝑓 𝑥 ⅆ𝑥 = 1 Á𝑟𝑒𝑎 = 1

𝑅𝑋

El dominio de la función 𝑓(𝑥) se puede extender a todos los números

reales, si se define 𝑓(𝑥) = 0 para todo 𝑥 𝜖 ℝ − 𝑅𝑋
Función de densidad de una variable aleatoria continua

Siendo 𝒇(𝒙) una función de densidad de probabilidad de una

variable aleatoria continua 𝑿, se cumple que:

𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑥 𝛿𝑥
𝑎

Se cumple que:
𝑃 𝑎≤𝑋≤𝑏 =𝑃 𝑎≤𝑋<𝑏 =𝑃 𝑎<𝑋≤𝑏 =𝑃 𝑎<𝑋<𝑏
𝑎

𝑃 𝑋=𝑎 = 𝑓 𝑥 𝛿𝑥 = 0
𝑎
Ejemplo
Una variable aleatoria continua tiene la siguiente función de
densidad de probabilidad:
𝑓(𝑥)

𝑎𝑥 ,0 ≤ 𝑥 ≤ 5 𝑎5
𝑓 𝑥 =
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝑥
0 1 2 3 4 5
Determine el valor de 𝒂:

base×𝑎𝑙𝑡𝑢𝑟𝑎 5 × 𝑎 5 25
1 = Área azul = = = 𝑎  𝑎 = 2/25 = 0.08
2 2 2
Ejemplo
Una variable aleatoria continua tiene la siguiente función de
densidad de probabilidad:
𝑓(𝑥)

0.4
2
𝑓 𝑥 = 25 𝑥 ,0 ≤ 𝑥 ≤ 5
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥
0 1 2 3 4 5
Calcule la probabilidad de 𝑷(𝑿 < 𝟑)
2
𝑏𝑎𝑠𝑒 × 𝑎𝑙𝑡𝑢𝑟𝑎 3× 3 9
25
𝑃 𝑋 < 3 = Área verde = = = = 0.36
2 2 25
Ejemplo
Una variable aleatoria continua tiene la siguiente función de
densidad de probabilidad:
𝑓(𝑥)

2 0.4
𝑓 𝑥 = 25 𝑥 ,0 ≤ 𝑥 ≤ 5
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥
0 1 2 3 4 5
Calcule la probabilidad de 𝑷(𝟏. 𝟓 < 𝑿 < 𝟑. 𝟓)
𝑃 1.5 < 𝑋 < 3.5 = Á𝑟𝑒𝑎 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑎
= 𝑃(𝑋 < 3.5) – 𝑃(𝑋 < 1.5)
2 2
3.5 × 3.5 1.5 × 1.5 10
= 25 – 25 = = 0.4
2 2 25
Distribución de probabilidad

La distribución de probabilidad 𝒇(𝒙) de una variable aleatoria 𝑿:

 es la función de probabilidad de 𝑿, si 𝑿 es discreta y
 es la función de densidad de probabilidad de 𝑿, si 𝑿 es continua.

NOTA:
Todas las definiciones y propiedades anteriormente dadas para la v.a.
discreta también para v.a. continua.
La única salvedad es que estos esperados se calculan ahora no a través de
sumas sino de integrales!
Función de distribución acumulada

La función de distribución acumulada de la variable aleatoria 𝑿, es una

función:
𝐹𝑋 : 𝑅𝑋 ⟶ ℝ
tal que:
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥

Propiedad interesante exclusiva para el caso continuo: es que se puede

reconstruir la función de densidad de 𝑿 a partir de la función de ⅆ
distribución (que acumula áreas). En efecto, por el segundo teorema 𝑓𝑋 (𝑥) = 𝐹𝑋 𝑥
fundamental del calculo se cumple que:
ⅆ𝑥
Función de distribución acumulada

Si 𝑋 es una variable discreta con Si 𝑋 es una variable continua con

función de probabilidad 𝑓(𝑥) función de densidad de
probabilidad 𝑓(𝑥)
𝐹 𝑎 =𝑃 𝑋≤𝑎 = 𝑓 𝑥 𝐹 𝑎 =𝑃 𝑋≤𝑎 = 𝑓 𝑥 𝛿𝑥
𝑥≤𝑎 𝑥≤𝑎

Se cumple que: 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹(𝑏) – 𝐹(𝑎)

Valor esperado de una variable aleatoria continua

El valor esperado 𝑬[𝑿] de una variable aleatoria continua 𝑿 con

distribución de probabilidad 𝒇(𝒙) se define por:

𝐸𝑋 = 𝑥 𝑓𝑋 𝑥 𝛿𝑥 = 𝜇𝑋
𝑅𝑋

El valor esperado 𝑬(𝑿), también, se le conoce como media de la

variable 𝑿, denotada por 𝝁𝑿.
Valor esperado de una función de variable aleatoria
continua
Sea 𝑮(𝑿) una función de la variable aleatoria 𝑿.

Ejemplo: El tiempo de reparación de una

máquina en un taller v.a. 𝑿 ~𝑵(𝟓 , 𝟗) en horas.
El taller cobra 𝑪 = 𝟐𝟓 + 𝟑𝟎𝑿𝟐 , y por cada hora
de reparación se pierde 𝑺/. 𝟓𝟎. 𝟎𝟎.
Entonces:
𝑮 𝑿 = 𝟐𝟓 + 𝟑𝟎𝑿𝟐 + 𝟓𝟎𝑿
Es una función de la variable aleatoria 𝑿 que
representa el gasto por a reparación.
 Valor esperado de una función de variable aleatoria
continua
Sea 𝑮(𝑿) una función de la variable aleatoria 𝑿.
El valor esperado de 𝑮(𝑿) es:

𝐸 𝐺(𝑋) = 𝐺(𝑥)𝑓𝑋 (𝑥)𝛿𝑥

𝑅𝑋

Si 𝐺(𝑥) = 𝑥 − 𝜇𝑋 2
Si 𝐺(𝑥) = 𝑥
𝐸 𝐺 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
𝐸 𝐺 𝑥 =𝐸 𝑋
= 𝑥 − 𝜇𝑋 2𝑓𝑋 𝑥 ⅆ𝑥 = 𝐸 𝑋2 − 𝜇𝑋 2
= 𝑥 𝑓𝑋 (𝑥)𝛿𝑥 𝑅𝑋
𝑅𝑋
= V 𝑋 = 𝜎𝑋2
= 𝜇𝑋
Es la media, utilizada como un valor Es la Varianza de X, y su raíz es la desviación estándar
representativo de la v.a. X de X, ambas son medidas de dispersión
Propiedades del Valor Esperado y de la Varianza de
Variables Aleatorias
Las siguientes son alguna de las propiedades del valor esperado
de la varianza. Aquí 𝑿 e 𝒀 son v.a's y 𝒂 y 𝒃 son constantes:
Variable Estandarizada
Sea X una variable aleatoria con media 𝝁𝒙 y desviación estándar
𝝈𝒙. Se define la variable aleatoria estandarizada:

𝑋 − 𝜇𝑋
𝑍=
𝜎𝑋

Luego, se cumple que:

𝐸 𝑍 =0
𝑉 𝑍 =1