1

Tema 6 - Introducción

Tema 5. Probabilidad
Conceptos básicos.
Interpretación y propiedades básicas
Probabilidad condicional y reglas de cálculo.

Generalización

Tema 6. Variables aleatorias unidimensionales

Distribución.
Caracterı́sticas: media, varianza, etc.
Transformaciones.

Introducción a la Estadı́stica Andrés M. Alonso

 2

Tema 6 Variables aleatorias unidimensionales

Los contenidos a desarrollar en este tema son los siguientes:

Concepto de variable aleatoria.

Variables discretas.

La función de masa (de probabilidad) y sus propiedades.

La función de distribución y sus propiedades.

La esperanza, varianza y desviación tı́pica.

Otros momentos.

Introducción a la Estadı́stica Andrés M. Alonso

 3

Los contenidos a desarrollar en este tema son los siguientes (continuación):

Variables continuas.

Funciones de distribución y densidad.

Momentos de variables continuas.

Transformaciones.

Media y varianza de una transformación lineal.

Lecturas recomendadas: Capı́tulo 15 del libro de Peña y Romo (1997) y las

secciones 4.1 a 4.3 y 5.1 a 5.3 de Newbold (2001).

Introducción a la Estadı́stica Andrés M. Alonso

 4

Variable aleatoria

I En el tema anterior, hemos trabajado con sucesos, por ejemplo A = “la

suma de dos tiradas de un dado es 7”.

I Ahora queremos generalizar y considerar sucesos con valores no especı́ficos

o variables, por ejemplo “la suma de las dos tiradas” o “el número de llamadas
telefónicas en una hora”.

Definición 1. Una variable aleatoria es una función que asocia un valor

numérico a todos los posibles resultados de un experimento aleatorio.

Ejemplo 1. Consideramos el experimento de lanzar un dado equilibrado dos

veces. Sea X = suma de las dos tiradas.

¿Cuantos sucesos elementales tiene este experimento?

¿Cuantos y qué valores puede tomar la variable X?

Introducción a la Estadı́stica Andrés M. Alonso

 5

Variable aleatoria
Ejemplo 1. La tabla muestra los sucesos elementales asociados con cada
posible valor de X.
x Sucesos elementales
2 (1, 1)
3 (1, 2) (2, 1)
4 (1, 3) (2, 2) (3, 1)
5 (1, 4) (2, 3) (3, 2) (4, 1)
6 (1, 5) (2, 4) (3, 3) (4, 2) (5, 1)
7 (1, 6) (2, 5) (3, 4) (4, 3) (5, 2) (6, 1)
8 (2, 6) (3, 5) (4, 4) (5, 3) (6, 2)
9 (3, 6) (4, 5) (5, 4) (6, 3)
10 (4, 6) (5, 5) (6, 4)
11 (5, 6) (6, 5)
12 (6, 6)

Variable aleatoria discreta

Introducción a la Estadı́stica Andrés M. Alonso

 6

Variable aleatoria

Se denotan variables aleatorias por letras mayúsculas, por ejemplo, X, Y ,

Z, etc.

Se denotan sus posibles valores con letras minúsculas, por ejemplo, x, y, z,

etc.

Las variables pueden ser discretas, como en el ejemplo 1, y tomar valores

en un conjunto finito o infinito numerable de valores.

También pueden ser continuas, por ejemplo, el tiempo que dure una llamada
telefónica, y tomar valores en un intervalo de los números reales.

El tratamiento de los dos tipos de variable es (matemáticamente) distinto

pero comparten los conceptos claves: distribución, media, varianza, etc.

Introducción a la Estadı́stica Andrés M. Alonso

 7

Función de probabilidad de una v.a. discreta

Definición 2. Sea X una variable aleatoria discreta con posibles valores

{x1, x2, . . .}. Sean pi = Pr(X = xi) para i = 1, 2, . . . las correspondi-
entes probabilidades. Este conjunto de probabilidades se llama función de
probabilidad o función de masa de la variable.
x Pr(X = x)
1
2 36
2
3 36
3
4 36
4
5 36
Ejemplo 1. La función de probabilidad de la 5
6 36
variable X = suma de las dos tiradas es la 6
7
siguiente: 36
5
8 36
4
9 36
3
10 36
2
11 36
1
12 36

Introducción a la Estadı́stica Andrés M. Alonso

 8

Gráfico de la función de probabilidad de X

Pr(X = x)
6
7
36
6
36
5
36
4
36
3
36
2
36
1
36
0 -
0 1 2 3 4 5 6 7 8 9 10 11 12 13 x

Vemos que, en este caso, la distribución es simétrica y unimodal.

Introducción a la Estadı́stica Andrés M. Alonso

 9

Propiedades de la función de probabilidad

Propiedades de la función de probabilidad de una v.a. discreta:

1. 0 ≤ Pr(X = xi) ≤ 1 para todos los valores xi.

P
2. i Pr(X = xi ) = 1.
P
3. Pr(X ≤ x) = i, xi≤x Pr(X = xi).
4. Pr(X > x) = 1 − Pr(X ≤ x).

Ejemplo 1. Hallar las siguientes probabilidades:

1. Probabilidad de que la suma de los dados es menor o igual a 4.

2. Probabilidad de que la suma de los dados está entre 6 y 8 inclusive.
3. Probabilidad de que la suma de los dados es mayor que 3.

Introducción a la Estadı́stica Andrés M. Alonso

 10

Ejemplo 2. En ocasiones, algunas lı́neas aéreas venden más pasajes que los
disponibles en un vuelo. Una compañı́a ha vendido 205 billetes que corresponden
a un avión con 200 plazas. Sea X la variable aleatoria que expresa el número
de viajeros que se presentan en el aeropuerto para viajar en el avión. La
distribución de X es

x 198 199 200 201 202 203 204 205

Pr(X = x) ,05 ,09 ,15 ,20 ,23 ,17 ,09 ,02

Hallar la probabilidad de que todos los pasajeros que llegan a tomar el vuelo
tengan plaza. Pr(X ≤ 200)

¿Cuál es la probabilidad de que se quede sin plaza alguno de los pasajeros que
se presentan en el aeropuerto? Pr(X > 200)

Introducción a la Estadı́stica Andrés M. Alonso

 11

Función de distribución de una v.a. discreta

Definición 3. La función de distribución (acumulada) de una variable

aleatoria X es la función F (x) = Pr(X ≤ x).
x Pr(X = x) F (x)
1 1
2 36 36
2 3
3 36 36
3 6
4 36 36
4 10
5 36 36
Ejemplo 3. Volviendo al ejemplo 1, obtene- 6 5 15
36 36
mos la función de distribución de X = “la 6 21
7 36 36
suma de los dos dados”. 5 26
8 36 36
4 30
9 36 36
3 33
10 36 36
2 35
11 36 36
1
12 36 1

Introducción a la Estadı́stica Andrés M. Alonso

 12

Gráfico de la función de distribución de X

F (x)
6

5
6

4
6

3
6

2
6

1
6

0 -
0 1 2 3 4 5 6 7 8 9 10 11 12 13 x

Introducción a la Estadı́stica Andrés M. Alonso

 13

Función de distribución de una v.a. discreta

Para una variable discreta, la función de distribución es una función de tipo

escalón. F (x)
1 6
Propiedades: ,9
,8
1. F (−∞) = 0
,7
2. F (∞) = 1
,6
3. Si x ≤ y, entonces F (x) ≤ F (y). ,5
,4
,3
,2
Ejemplo 4. En el Ejemplo 2, tenemos ,1
0 -
197 198 199 200 201 202 203 204 205 206 x

x 198 199 200 201 202 203 204 205

Pr(X = x) ,05 ,09 ,15 ,20 ,23 ,17 ,09 ,02
F (x) ,05 ,14 ,29 ,49 ,72 ,89 ,98 1

Introducción a la Estadı́stica Andrés M. Alonso

 14

Esperanza de una v.a. discreta

Supongamos que se repite un experimento (tirar dos dados) n veces y que
se observan los resultados (suma de las dos tiradas) cada vez.

Supongamos que se observa ni repeticiones del valor xi.

Calculamos la media muestral, x̄ = n1

P P
i ni xi = i fi xi donde fi es la
proporción de veces que ha ocurrido xi.

Supongamos un número infinito de repeticiones, tenemos fi → Pr(X = xi)

y X
x̄ → E[X] = Pr(X = xi) × xi
i

x̄ es una medida de localización de la muestra.

y

E[X] es una medida de localización de la distribución de X.

Introducción a la Estadı́stica Andrés M. Alonso

 15

Esperanza de una v.a. discreta

Definición 4. La esperanza o media de una variable aleatoria discreta X es

X
E[X] = Pr(X = xi) × xi.
i

Ejemplo 5. Volvemos al Ejemplo 1. La media de la suma de dos dados, X,

es
1 2 3 2 1
E[X] = ×2+ ×3+ × 4 + ... + × 11 + × 12 = 7 .
36 36 36 36 36

Ejemplo 6. El número medio de pasajeros que llegan al aeropuerto es

E[X] = ,05 × 198 + ,09 × 199 + . . . + ,02 × 205 = 201.44 .

Observamos que la media no siempre es uno de los valores posibles de X.

Introducción a la Estadı́stica Andrés M. Alonso

 16

Esperanza de una función de X

Definición 5. Sea g(X) una función de X. La esperanza de g(X) es

X
E[g(X)] = Pr(X = xi) × g(xi)
i

Ejemplo 7. En el Ejemplo 2 supongamos que la compañı́a aérea recibe 250

euros por cada billete que vende pero que tiene que devolver el precio del
ticket y además pagar una multa de 1000 euros a cada pasajero que no puede
montar en el avión.
Calcular la cantidad de dinero que espera cobrar la compañı́a en este vuelo.
I Sea g(X) las ganancias de la compañı́a.
I Las ventas totales de tickets son 250 × 205 = 51250 euros.
I Si llegan x ≤ 200 personas entonces g(x) = 51250.
I Si llegan x > 200 personas, g(x) = 51250 − (x − 200) × (1250).

Introducción a la Estadı́stica Andrés M. Alonso

 17

Ejemplo 7.

E[g(X)] = 51250 × ,05 + 51250 × ,09 + 51250 × ,15

+(51250 − (201 − 200) ∗ 1250) × ,20
+(51250 − (202 − 200) ∗ 1250) × ,23
+(51250 − (203 − 200) ∗ 1250) × ,17
+(51250 − (204 − 200) ∗ 1250) × ,09
+(51250 − (205 − 200) ∗ 1250) × ,02 = 49212,5 euros

Ejercicio:
(a) Si el coste fijo de este vuelo son 20000 euros ¿cuál deberı́a ser la multa
para que la empresa no tuviese incentivos para vender más tickets que asientos
disponibles?
(b) Si la multa por overbooking es 2000 euros por pasajero ¿cuál es el número
óptimo (entre 200 y 205) de tickets a vender? Supuesto de uniformidad

Introducción a la Estadı́stica Andrés M. Alonso

 18

Esperanza de una función de X

Teorema 1.

E[c] = c para una constante c

E[bX] = bE[X]
E[g(X) + h(X)] = E[g(X)] + E[h(X)]
E[a + bX] = a + bE[X]

Demostración
X X
E[c] = Pr(X = xi) × c = c × Pr(X = xi) = c × 1 = c
i i

X X
E[bX] = Pr(X = xi) × (bxi) = b × Pr(X = xi) × xi = bE[X]
i i

Introducción a la Estadı́stica Andrés M. Alonso

 19

Esperanza de una función de X

Demostración (continuación)
X
E[g(X) + h(X)] = Pr(X = xi) × (g(xi) + h(xi))
i
X X
= Pr(X = xi) × g(xi) + Pr(X = xi) × h(xi)
i i
= E[g(X)] + E[h(X)]

Ejercicio: Pruebe el cuarto resultado del Teorema 1.

Ejemplo 8. Volvemos al ejemplo 2. Supongamos que cada pasajero que se

presenta al aeropuerto compra una bebida por 2 euros. Calcular los ingresos
por este concepto.
Queremos calcular E[2X] = 2 × E[X] = 2 × 201,44 = 402,88 euros.

Introducción a la Estadı́stica Andrés M. Alonso

 20

Varianza y desviación tı́pica

Recordamos que la varianza y la desviación tı́pica muestral son medidas de

la desviación de los datos en torno a la media. Podemos definir de manera
semejante estas medidas para una variable.

Definición 6. La varianza de una variable X que tiene media E[X] = µ es

2
 X
Pr(X = xi) × (xi − µ)2.

V [X] = E (X − µ) =
i

p
La desviación tı́pica es DT [X] = V [X].
Ejemplo 9. Retomamos el Ejemplo 1, sobre los dados. Tenemos
1 2 1
V [X] = × (2 − 7)2 + × (3 − 7)2 + . . . + × (12 − 7)2 ≈ 6,389
36 36 36
√
La desviación tı́pica es DT [X] = 6,389 ≈ 2,53.

Introducción a la Estadı́stica Andrés M. Alonso

 21

Varianza y desviación tı́pica

Teorema 2. La varianza de X es
V [X] = E X − E[X]2
 2
X
= Pr(X = xi) × x2i − E[X]2
i

Demostración V [X] = E (X − E[X])2

 
 2 2

= E X − 2XE[X] + E[X]
= E X − 2E[X]E[X] + E[X]2
 2

= E X − E[X]2
 2

Ejemplo 10. En el Ejemplo 2,

E[X 2] = ,05 × 1982 + . . . + ,02 × 2052 = 40580,88
σ 2 = E[X 2] − µ2 = 40580,88 − 201,442 = 2,8064

Luego la desviación tı́pica es σ ≈ 1,675 pasajeros.

Introducción a la Estadı́stica Andrés M. Alonso

 22

Tema 6 Variables aleatorias unidimensionales

Concepto de variable aleatoria. X

Variables discretas. X
• La función de masa (de probabilidad) y sus propiedades.
• La función de distribución y sus propiedades.
• La esperanza, varianza y desviación tı́pica.

Variables continuas .
• Funciones de distribución y densidad.
• Momentos de variables continuas.

Transformaciones.

Media y varianza de una transformación lineal.

Introducción a la Estadı́stica Andrés M. Alonso

 23

Función de distribución de una v.a. continua

Si tenemos una variable continua, X, que toma valores en un intervalo real,

podemos definir la función de distribución de la misma manera que para una
variable discreta:
F (x) = Pr(X ≤ x).

F (x) será una función suave (continua) y no de tipo escalón, pero tendrá las
mismas propiedades que la función de distribución para una variable discreta:

Propiedades:
1. F (−∞) = 0
2. F (∞) = 1
3. Si x ≤ y, entonces F (x) ≤ F (y).
4. F (x) es una función continua. En v.a. discretas solo es continua
por la derecha:
lı́mε→0+ F (x + ε) = F (x).

Introducción a la Estadı́stica Andrés M. Alonso

 24

Función de distribución de una v.a. continua

Ejemplo 11. ¿Cuáles de las siguientes funciones pueden ser funciones de

distribución para una variable continua X?

 0 si x < 0
1. F (x) = x2
para 0 ≤ x ≤ 2
 4
1 para x > 2

 0 para x < −1
x
2. F (x) = para −1 ≤ x ≤ 2
 2
1 para x > 2

0 si x ≤ 0
3. F (x) =
1 − e−x para 0 < x < ∞

Funciones 1 y 3 pueden ser funciones de distribución.

La función 2 es negativa en el rango −1 < x < 0.

Introducción a la Estadı́stica Andrés M. Alonso

 25

x2
1) F (x) = 4 . 3) F (x) = 1 − e−x.
1.0

1.0
0.8

0.8
0.6

0.6
F(x)

F(x)
0.4

0.4
0.2

0.2
0.0

0.0
0 1 2 3 4 0 2 4 6 8 10

x x

¿Pr(X = x0) cuando X es una v.a. continua?

lı́m F (x0 + ε) − F (x0) = lı́m Pr(X ≤ x0 + ε) − Pr(X ≤ x0)

ε→0+ ε→0+

= lı́m Pr(x0 < X ≤ x0 + ε) = ?

ε→0+

Introducción a la Estadı́stica Andrés M. Alonso

 26

Función de densidad de una v.a. continua

Para una variable continua, la función de probabilidad no tiene sentido pues

Pr(X = x) = 0 para todo x.
No obstante, se define otra función con propiedades semejantes:

Definición 7. Para una variable continua X con función de distribución F (x),

la función de densidad de X es
dF (x)
f (x) =
dx

Las propiedades de la función de densidad son:

f (x) ≥ 0 para todo x.
R∞
−∞
f (x) dx = 1.
Rx
F (x) = −∞ f (u) du.
Rb
Pr(a < X ≤ b) = a f (x) dx = F (b) − F (a).

Introducción a la Estadı́stica Andrés M. Alonso

 27

Función de densidad de una v.a. continua

Ejemplo 12. Volvemos al Ejemplo 11 y calculamos las funciones de densidad
en casos 1 y 3.
1.  2

d x
f (x) =
dx 4
2x x
= =
4 2
 x
2 para 0 < x < 2
f (x) =
0 si no

3. d −x


f (x) = 1−e
dx
= e−x
 −x
e para 0 < x < ∞
f (x) =
0 si no

Introducción a la Estadı́stica Andrés M. Alonso

 28

x2
1) F (x) = 4 . 3) F (x) = 1 − e−x.

1) f (x) = x
2. 3) f (x) = e−x.
1.0

1.0
0.8

0.8
0.6

0.6
f(x)

f(x)
0.4

0.4
0.2

0.2
0.0

0 1 2 3 4 0.0 0 2 4 6 8 10

x x

Introducción a la Estadı́stica Andrés M. Alonso

 29

Interpretación de la función de densidad

Pensamos en tomar una muestra muy grande y hacer un histograma de los

datos con la área normalizada a 1.

0.0 0.2 0.4 0.6 0.8 1.0

f(x)

0 2 4 6 8 10

Se ve que el histograma es similar a la función de densidad.

Introducción a la Estadı́stica Andrés M. Alonso

 30

Ejemplo - Funciones de densidad y distribución

Ejemplo 13. Una variable aleatoria Y tiene la función de densidad
 2
cy (1 − y) si 0 < y < 1
f (y) =
0 si no

a) ¿Cuál es el valor de c?
Z ∞ Z 1
1 = f (y) dy = cy 2(1 − y) dy
−∞ 0
1 3 4 1
Z  
2 3

y y
= c y −y dy = c −
0 3 4 0
 
1 1 c
= c − =
3 4 12
⇓
c = 12

Introducción a la Estadı́stica Andrés M. Alonso

 31

1.5
b) Dibuje y describa la función de

1.0
densidad.

f(y)

0.5
Es asimétrica a la izquierda.

0.0
0.0 0.2 0.4 0.6 0.8 1.0
c) Halle la función de distribución. y

Sea 0 < y < 1.

Z y Z y
F (y) = f (y) dy = 12u2(1 − u) du
−∞ 0
  3 4
y  3 4

u u y y
= 12 − = 12 −
3 4 0 3 4


  30 4  si y ≤ 0
F (y) = 12 y3 − y4 si 0 < y < 1

1 si y ≥ 1


Introducción a la Estadı́stica Andrés M. Alonso

 32

1.0
0.8
0.6
F(y)
d) Dibuje la función de distribución.

0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0

e) Calcule Pr(Y ≤ 0,5)

3 4
 
0,5 0,5
Pr(Y ≤ 0,5) = F (0,5) = 12 − = ,3125
3 4

f) Calcule Pr(0,2 < Y ≤ 0,5)

Pr(0,2 < Y ≤ 0,5) = F (0,5) − F (0,2) = ,3125 − ,0272 = ,2853

Introducción a la Estadı́stica Andrés M. Alonso

 33

Momentos de v.a. continuas

Recordamos las fórmulas para la media y varianza de una variable discreta:
X
µ = Pr(X = xi) × xi
i
X
2
σ = Pr(X = xi) × (xi − µ)2
i

En el caso de una variable aleatoria continua, la función de densidad juega el

papel de la función de probabilidad y se integra en lugar de sumar.
Definición 8. Si X es una variable continua con función de densidad f (x)
entonces, la media de X es Z
E[X] = f (x) × x dx,

la varianza de X es
Z
V [X] = f (x) × (x − E[X])2 dx,

p
y la desviación tı́pica es DT [X] = V [X].

Introducción a la Estadı́stica Andrés M. Alonso

 34

Momentos de v.a. continuas

Igual que con variables discretas, se usan los sı́mbolos µ y σ para representar
la media y desviación tı́pica respectivamente.

Se tiene un resultado análogo al Teorema 2:

Z
V [X] = E X − E[X]2 = f (x) × x2 dx − µ2
 2

Las expresiones derivadas para variables discretas son válidas para variables
continuas, sustituyendo integración por sumación.

A las medidas, E[X p], se les llama momentos de orden p de X:

• La media es el momento de orden 1.
• En el cálculo de la varianza interviene el momento de orden 2, E[X 2].

Introducción a la Estadı́stica Andrés M. Alonso

 35

Ejemplo - Media y varianza

Ejemplo 14. Calculamos la media, varianza y desviación tı́pica para la variable

del Ejemplo 13.
Z 1 Z 1
µ = 12y 2(1 − y) × y dy = 12y 3(1 − y) dy
0 0
  4
Z 1 5
1  
y y 1 1
y 3 − y dy = 12 4


= 12 − = 12 − = 0.6
0 4 5 0 4 5
Z 1 Z 1
 2
E Y = 12y 2(1 − y) × y 2 dy = 12y 4(1 − y) dy
0 0
Z 1   5 6
1  
y y 1 1
y4 − y 5


= 12 dy = 12 − = 12 − = 0,4
0 5 6 0 5 6
2
= E Y − µ2 = 0,4 − 0,62 = 0.04
 2
σ

σ = 0.2

Introducción a la Estadı́stica Andrés M. Alonso

 36

Otras medidas

El coeficiente de variación de una variable con media µ y desviación tı́pica

|µ|
σ es σ .
E [(X−µ)3]
El coeficiente de asimetrı́a es σ3
.
E [(X−µ)4]
El coeficiente de kurtosis es σ4
.

Definición 9. Para una variable continua X con función acumulada de dis-

tribución F (x), la mediana es el punto M donde F (M ) = 0,5.
RM
I Si la densidad de X es f (x), se tiene −∞ f (x) dx = 0,5.
1
I El primer cuartı́l es el punto Q1 donde F (Q1) = 4 y el tercer cuartı́l es el
punto Q3 donde F (Q3) = 34 .
I Si X es una variable discreta, entonces, la mediana es el punto mı́nimo M
donde F (M ) ≥ 0,5.

Introducción a la Estadı́stica Andrés M. Alonso

 37

Ejemplo - Mediana y Cuartiles

Ejemplo 15. Volvemos al caso 1 del Ejemplo 11. En este caso, la función de
2
distribución es: F (x) = x4 y la mediana es el punto M tal que
1
F (M ) =
2
M2 1
=
4 2
√
M = 2 ≈ 1,414.

Análogamente, los cuartiles son:

Q21 1
=
4 4
Q1 = 1
Q23 3
=
4 4
√
Q3 = 3 ≈ 1,73

Introducción a la Estadı́stica Andrés M. Alonso

 38

Tema 6 Variables aleatorias unidimensionales

Concepto de variable aleatoria. X

Variables discretas. X
• La función de masa (de probabilidad) y sus propiedades.
• La función de distribución y sus propiedades.
• La esperanza, varianza y desviación tı́pica.

Variables continuas. X
• Funciones de distribución y densidad.
• Momentos de variables continuas.
 Transformaciones.
 Media y varianza de una transformación lineal.

Introducción a la Estadı́stica Andrés M. Alonso

 39

Transformaciones de variables

Si X es una variable discreta e Y = g(X) es una transformación, se calcula la

función de probabilidad de Y mediante

Pr(Y = y) = Pr(g(X) = y) = Pr(X = g −1(y)).

Si g es una función biyectiva el cálculo es sencillo, pues existirá un único x

tal que y = g(x) o equivalentemente x = g −1(y).
Por ejemplo, g(x) = exp(x).

Si g no es una función biyectiva entonces tendremos que obtener todas las

soluciones de g(x) = y.
Por ejemplo, si X toma valores en Z y g(x) = x2 entonces tendremos que
√ √
x = y y x = − y que son soluciones de x2 = y.

Introducción a la Estadı́stica Andrés M. Alonso

 40

Transformaciones de variables

Si X es una variable continua e Y = g(X) es una transformación monótona

creciente, se calcula la función de distribución de Y mediante
FY (y) = Pr(Y ≤ y) = Pr(g(X) ≤ y) = Pr(X ≤ g −1(y)) = FX (g −1(y))

Si X es una variable continua e Y = g(X) es una transformación monótona

decreciente, se calcula la función de distribución de Y mediante
FY (y) = Pr(Y ≤ y) = Pr(g(X) ≤ y) = Pr(X ≥ g −1(y)) = 1−FX (g −1(y))

De las expresiones anteriores se puede obtener la función de densidad de Y .

Ejemplo 16. Sea Y = exp(X), entonces:

FY (y) = Pr(Y ≤ y) = Pr(exp(X) ≤ y) = Pr(X ≤ log(y)) = FX (log(y)),

dFX (log(y)) 1
fY (y) = = fX (log(y)) .
dy y

Introducción a la Estadı́stica Andrés M. Alonso

 41

Transformación lineal

Sea Y = a + bX una transformación lineal. Su función de distribución es:

FY (y) = Pr(Y ≤ y)
= Pr(a + bX ≤ y)
 
y−a
= P X≤ si b > 0
b
 
y−a
= FX .
b

La media y la desviación tı́pica de Y son:

E[Y ] = a + b E[X],
DT [Y ] = b DT [X].

Introducción a la Estadı́stica Andrés M. Alonso

 42

Transformación lineal

La transformación lineal más utilizada es:

X − µX
Y = .
σX

µ
En tal caso se tiene que a = − σX y b = σ1 y por tanto
X X

E[Y ] = 0 y DT [Y ] = 1.

La variable Y se denomina variable tipificada.

Introducción a la Estadı́stica Andrés M. Alonso

 43

Ejemplo - Transformación lineal

Ejemplo 17. (Examen de septiembre 2003) Un asesor financiero ha estimado

que las ventas y los costes de algunos productos están relacionados con un
ı́ndice I a través de las siguientes relaciones:

I +5 25 − I
Costes: C = ; Ventas: V = .
7 4

Si el ı́ndice I es una variable aleatoria X con función de densidad:

x

108 , 3 ≤ x ≤ 15,
f (x) =
0, en caso contrario.

a) Calcular la función de distribución del ı́ndice I.

b) Calcular las medias y varianzas de los costes, las ventas y los beneficios.
c) Calcular la probabilidad de que el beneficio sea negativo.

Introducción a la Estadı́stica Andrés M. Alonso

 44

a) Sea 3 ≤ x ≤ 15.
x 2
x
x2 − 9
Z 
u u
F (x) = du = =
3 108 216 3 216

Por tanto, 
0 si x < 3

F (x) = x2 −9
216 si 3 ≤ x ≤ 15

1 si x > 15
b) En primer lugar, calculamos la media y varianza de X:
Z 15 Z 15 2  3 15
x x x 153 − 33
E[X] = × x dx = dx = = = 10,33̇
3 108 3 108 324 3 324
Z 15 3  4 15
 2 x x
E X = dx = = 117
3 108 432 3
2 92
V [X] = 117 − 10,33̇ = = 10,22̇
9

Introducción a la Estadı́stica Andrés M. Alonso

 45

b) Para los costes tenemos

 
I +5 1 5 1 31 5
E[C] = E = E[I] + = × + ≈ 2,190
7 7 7 7 3 7
 2
1 92
V [C] = V [I] = ≈ ,209
7 441

Para las ventas,

25 − I
 
25 1
E[V ] = E = − E[I] = 3,66̇
4 4 4
1
V [V ] = V [I] = ,638̇
16
25−I
Los beneficios (B) son B = V − C = 4 − I+5
7 =
155−11I
28 ,
11 46 31
E[B] = E[V ] − E[C] = − = ≈ 1,48
3 21 21
 2
155 − 11I
 
11
V [B] = V = V [I] ≈ 1,58
28 28

Introducción a la Estadı́stica Andrés M. Alonso

 46

c)
 
155 − 11I
Pr(B < 0) = P <0
28
 
155
= P I>
11
 
155
= 1−P I ≤
11
= ˙
1 − F (14.09)
˙ 2−9
14.09
= 1− ≈ 0,122
216

Introducción a la Estadı́stica Andrés M. Alonso

 47

Recapitulación

Tema 6. Variables aleatorias unidimensionales

W Concepto clave en
Concepto de variable aleatoria.
probabilidad

Variables discretas.
• La función de masa (de probabilidad) y sus
propiedades.
• La función de distribución y sus propiedades. W Tipos de variables y su
• La esperanza, varianza y desviación tı́pica. caracterización
Variables continuas.
• Funciones de distribución y densidad.
• Momentos de variables continuas.

Transformaciones.
W Transformaciones y su
Media y varianza de una transformación
caracterización
lineal.

Introducción a la Estadı́stica Andrés M. Alonso

 48

Tema 6. Variables aleatorias unidimensionales

Distribución.
Caracterı́sticas: media, varianza, etc.
Transformaciones.

V.A. de uso frecuente

Tema 7. Modelos probabilı́sticos discretos

Bernoulli, binomial, hipergeométrica, Poisson, etcétera.

Tema 8. Modelos probabilı́sticos continuos

Uniforme, exponencial, Pareto, Normal, etcétera.

Introducción a la Estadı́stica Andrés M. Alonso