Estadística Aplicada A Las Ciencias de La Salud - (CAPÍTULO 6) PDF

Variable aleatoria
En este capítulo se formaliza el concepto de variable aleatoria y sus pro-

piedades, y se analizan las características de los operadores valor esperado y
varianza, los cuales se utilizan en múltiples ocasiones en el libro. Se aconseja
al lector leer despacio dichos temas, ya que la deducción de muchas expre-
siones está basada en la materia analizada en éste capítulo.
El capítulo termina con el teorema de Tchebychev.
6.1. VARIABLE ALEATORIA
Si a cada posible resultado elemental de un experimento aleatorio, es decir, a

cada elemento de un espacio muestral le corresponde un elemento del conjun-
to de los números reales, está definida una aplicación o función, X, de en R, de
tal forma que a cada suceso elemental del experimento le corresponderá un nú-
mero real. A dicha función o aplicación, X, se le denomina variable aleatoria.
X
⎯⎯⎯⎯→ R
Copyright © 2018. Ediciones Díaz de Santos. All rights reserved.
Si A
, X(A)
R.
El esquema anterior indica que si A es un suceso de , mediante X le corres-
ponde un número real. Al ser X una función, a todo elemento de le correspon-
de un elemento y solo uno de R, sin embargo, no todos los elementos de R tienen
que estar relacionados con elementos de . Al conjunto imagen de X, W R que
está formado por todos los posibles valores que puede tomar la variable aleatoria
X se le denomina espacio muestral sustitutivo, el cual está formado por los valo-
res que puede tomar la variable aleatoria.
133
Álvarez, Cáceres, Rafael. Estadística aplicada a las ciencias de la salud, Ediciones Díaz de Santos, 2018. ProQuest Ebook Central,
http://ebookcentral.proquest.com/lib/biblioumbsp/detail.action?docID=5426002.
Created from biblioumbsp on 2018-07-26 07:32:40.
134 ESTADÍSTICA APLICADA A LAS CIENCIAS DE LA SALUD
X es una variable, ya que puede tomar distintos valores, y es aleatoria puesto que
los elementos de toman sus valores según la ley del azar, por lo tanto, el valor que
toma X en cada caso viene determinado por el elemento de seleccionado.
EJEMPLO 6.1
Si un experimento consiste en tomar una pareja al azar de una comunidad, el es-
pacio muestral está formado por todos los posibles resultados del experimento, en
este caso por todas las parejas de la comunidad; téngase en cuenta que aunque sólo
se va a seleccionar a una pareja, puede ser elegida cualquiera. Si la variable de in-
terés para el experimento es el número de hijos de la pareja seleccionada, se asigna
un número a cada elemento de , por lo tanto, se ha definido una función de en
R, ya que a cada pareja le corresponde un número y sólo uno, que es el de hijos que
tienen.
Supóngase que en la comunidad donde se lleva a cabo el experimento el máxi-
mo número de hijos que tiene una pareja es 6, en este caso el conjunto W {0, 1, 2,
3, 4, 5, 6}, W R, es el conjunto de valores que puede tomar la variable aleatoria X.
Al elegir una pareja la única característica de interés es el número de hijos; el con-
junto de posibles resultados definidos por la variable aleatoria X forman el espacio
muestral sustitutivo:
W {0, 1, 2, 3, 4, 5, 6}
En un mismo espacio muestral es posible definir varias variables aleatorias; en

el ejemplo anterior de cada pareja interesa únicamente el número de hijos que tie-
nen. En otro experimento se puede seleccionar una pareja al azar en la misma co-
munidad que en el ejemplo anterior, pero ahora el parámetro de interés es la edad
media de la pareja. En este caso el espacio muestral es el mismo que en el ejem-
plo 6.1, pero al asignar a cada pareja la edad media de la misma se define otra fun-
ción de en R, que asignará a todo elemento de un número y sólo uno, dicha
función es otra variable aleatoria Y definida sobre el mismo espacio muestral .
Supóngase que la pareja más joven de la comunidad tiene una edad media de
18 años, y la más vieja 75, en este caso el espacio muestral sustitutivo W' está for-
mado por todas las posibles edades medias de las parejas de la comunidad entre
18 y 75 años W' {18 … 75}. En un mismo espacio muestral pueden definirse
un número indefinido de variables aleatorias; otras podrían ser colesterolemia ba-

sal, tensión arterial sistólica, etc.
6.2. PROPIEDADES
Si en un espacio muestral hay definidas una o más variables aleatorias, se

cumplen las siguientes propiedades:
Si X, Y y Z son variables aleatorias definidas en un espacio muestral , y C es
una constante distinta de cero, se cumplen las siguientes propiedades:
VARIABLE ALEATORIA 135
a) X C es una variable aleatoria.

X C es una variable aleatoria.
X : C es una variable aleatoria.
El punto a) indica que si X es una variable aleatoria definida en , cualquier
operación matemática que se haga con una constante en la que esté implicada X es
una variable aleatoria. Si en una población se toma una persona al azar y se
mide su talla en cm, en este caso X asigna a cada persona seleccionada el número
de cm de altura que tiene. Si a cada persona seleccionada se le asigna su talla mul-
tiplicada, dividida, sumada, exponenciada, etc., con una constante C el resultado
obtenido es a su vez una variable aleatoria, excepto en el caso de que C sea
igual a cero, en cuyo caso lo anterior no se cumple en algunas ocasiones. Por
ejemplo, si se multiplica una variable aleatoria por cero el resultado es siempre
cero, en otros casos como en la división, no se puede dividir por cero.
b) X Y Z es una variable aleatoria.
X Y Z es una variable aleatoria.
X : Y es una variable aleatoria.
Y log X es una variable aleatoria.
El punto b) indica que si hay varias variables aleatorias definidas sobre
cualquier operación que se haga entre ellas tiene como resultado una variable ale-
atoria. Aunque en el apartado b) sólo se han considerado 2 o 3 variables aleato-
rias, la propiedad puede extenderse a un número mayor.
EJEMPLO 6.2
Supóngase el experimento tirar un dado clásico; se definen las siguientes va-
riables aleatorias a la cara superior del dado:
– X, anotar el número de puntos.

– X 2, anotar el número de puntos y sumar una constante C 2.
– Y, si el número de puntos es impar, anotar un 1 y si el número de puntos es
par un 2.
– X Y producto de las variables aleatorias X e Y.
Los posibles valores de las variables aleatorias definidas son las siguientes:
VA Cara obtenida
X 1 2 3 4 5 6
Y 1 2 1 2 1 2
X 2 3 4 5 6 7 8
XY 1 4 3 8 5 12
Observe que tanto X C, siendo en este caso C 2 como X Y son también

variables aleatorias.
6.3. VARIABLE ALEATORIA DISCRETA
Si una variable aleatoria X definida sobre un espacio muestral toma un nú-

mero finito o infinito numerable de valores, es decir, el conjunto W R formado
por todos los posibles valores de la variable aleatoria X, es finito o infinito nu-
merable, se dice que la variable aleatoria X es discreta. Esta es la definición formal
de variable aleatoria discreta (VAD), pero en el caso de las ciencias de la salud en
rara ocasión las variables aleatorias pueden tomar un número infinito numerable
de valores, por lo tanto, se puede definir una variable aleatoria discreta como
aquella cuyo conjunto de posibles valores es finito. Son variables aleatorias dis-
cretas el número de hijos de una pareja, el número de pacientes atendidos en una
consulta médica, el número de intervenciones quirúrgicas realizadas en un hos-
pital, etc.
6.4. FUNCIÓN PROBABILIDAD DE UNA VARIABLE

ALEATORIA DISCRETA
Dada una variable aleatoria discreta X, si se define una función de W (con-

junto de posibles valores de X) en el intervalo cerrado de los números reales
[0, 1], de tal manera que todo elemento de W, o lo que es lo mismo, todo posible
valor de X tenga asociado un número y solo uno en el intervalo [0, 1], si este nú-
mero es la probabilidad de que la variable aleatoria tome un determinado valor; a
dicha función se le denomina función de probabilidad de la variable aleatoria dis-
creta f(xi).
En la figura de la página siguiente representa al espacio muestral. X es una
función que asigna un valor numérico a cada elemento del espacio muestral. W re-
presenta el conjunto de valores de la variable aleatoria. f(xi) es la función proba-
bilidad que asigna a cada elemento de W un número real del intervalo cerrado
[0, 1]; a f(xi) se le suele denotar, también, mediante P, que es el símbolo utilizado
en el gráfico. La función compuesta XP, asigna a cada elemento del espacio
muestral un número real del intervalo cerrado [0, 1], que es la probabilidad de que
un elemento del espacio muestral tome un determinado valor en la variable alea-
toria definida por X.
La función probabilidad se refiere a xi, esto quiere decir, a un determinado va-
lor de la variable aleatoria, y es la probabilidad de que la variable tome el valor xi.
Hay cierta confusión entre los distintos autores al referirse a esta función; en al-
gunos casos se denomina función densidad de probabilidad indistintamente si la
variable aleatoria es discreta o continua. En este texto, función densidad sólo se
X
W
XP
P
R
[0-1]
aplica a variables aleatorias continuas. Existen notables diferencias en las fun-

ciones de probabilidad de variables aleatorias discretas y continuas.
En cualquier caso, lo dicho en este apartado respecto a variables aleatorias, en
general sólo es válido para variables aleatorias discretas. En otras ocasiones se
hace referencia indistintamente a la función de probabilidad y a la función distri-
bución de probabilidad, lo cual es erróneo. Función de distribución de probabili-
dad es más general y se refiere al conjunto de valores de la variable aleatoria y la
distribución de probabilidad de todos ellos.
Una función de probabilidad de una variable aleatoria discreta debe cumplir
las siguientes condiciones:
a) f(xi) P(X xi).

b) f(xi) 0.
c) f(xi) 1.
La condición a) ya ha sido comentada en este mismo apartado e indica que

f(xi) es la probabilidad de que la variable aleatoria discreta tome el valor xi. Por
ejemplo, si en una población se define una variable aleatoria X, que es el número

de visitas realizadas al médico en el último año, y el 15.o individuo ha realizado
10 visitas al médico en el último año, y la probabilidad de que un individuo de la
población estudiada acuda al médico 10 veces es 0,3, x15 10 y P(x15) 0,3.
La condición b) indica que la probabilidad de que la variable aleatoria tome
un determinado valor no puede ser negativa.
La condición c) indica que la probabilidad de que la variable aleatoria tome
algún valor es 1, puesto que, si se ha definido una variable aleatoria sobre un es-
pacio muestral , dado que este conjunto está formado por cualquier resultado de
un experimento aleatorio de , y todo elemento de esta asociado con un nú-
mero de R definido por la variable aleatoria X, cualquier resultado de un experi-

mento aleatorio implica un valor del conjunto de posibles valores de X, el cual
tendrá una probabilidad no negativa de ocurrir. El hecho de que la probabilidad
sea 0, está incluido en la condición, sería la probabilidad de que la variable tome
un valor distinto de los incluidos en su conjunto de valores, por ejemplo que el nú-
mero de hijos de una pareja sea 3,5, o que al tirar un dado clásico salga el núme-
ro 8, es decir, un suceso imposible.
La función de probabilidad de una variable aleatoria discreta puede estar de-
finida por una tabla o por una función matemática. En el caso de que el conjunto
de posibles valores de la variable aleatoria sea pequeño, es factible expresar las
probabilidades en forma de tabla. En otro caso, y siempre que la distribución de
probabilidad se ajuste a alguna ley teórica conocida, puede ser expresada como
una fórmula con las consideraciones sobre los valores que puede tomar la varia-
ble, adecuados a cada caso.
Las distribuciones de probabilidad de variables aleatorias discretas más co-
nocidas son la distribución binomial, la distribución de Poisson y la distribución
hipergeométrica fundamentalmente. Estas distribuciones de probabilidad son es-
tudiadas en el próximo capítulo.
EJEMPLO 6.3
En el experimento tirar un dado clásico y definir una variable aleatoria X, que
consista en anotar el número de puntos de la cara superior. Definir el conjunto de va-
lores de la variable aleatoria y establecer la función de probabilidad.
Definir otra variable aleatoria Y que consista en dar a cada resultado posible un
1, si el número de puntos es impar y un 2, si el número de puntos es par. Establecer
la función de probabilidad de esta variable aleatoria.
En este caso la variable aleatoria X consiste en asignar a cada cara del dado el
número de puntos que tiene, X puede tomar los siguientes valores:
W(X) {1, 2, 3, 4, 5, 6}
La variable aleatoria X sólo puede tomar un número finito de valores por lo

tanto X es una variable aleatoria discreta.

La probabilidad de cada valor de la variable aleatoria se calcula aplicando la
ley de Laplace. Como a cada cara le corresponde un valor distinto de la variable
aleatoria, el número de resultados a los que corresponde el valor 1, es uno y el nú-
mero de resultados posibles 6, siendo válido el razonamiento para el resto de los
valores de X, por lo tanto:
f(1) P(X 1) 1 : 6
f(2) P(X 2) 1 : 6
f(3) P(X 3) 1 : 6
f(4) P(X 4) 1 : 6
f(5) P(X 5) 1 : 6
f(6) P(X 6) 1 : 6
En el caso de la variable aleatoria Y, que consiste en asignar al resultado del

experimento un 1 si el número de puntos de la cara superior es impar y un 2 si el
resultado es par; Y puede tomar los siguientes valores:
W(Y) {1, 2}
Aplicando la ley de Laplace el valor 1 lo toma Y en tres de los 6 resultados

posibles, y el valor 2 también lo toma en 3 de los 6 resultados posibles, por lo tan-
to, la ley de probabilidad de la variable aleatoria Y es:
f(1) P(Y 1) 1 : 2
f(2) P(Y 2) 1 : 2
En este ejemplo la función de probabilidad ha sido expresada en forma de ta-

bla, y calculadas las probabilidades según la ley de Laplace. Ha sido posible
calcular la probabilidad exacta al ser conocidos todos los posibles valores de la
variable y el número de casos en que se puede dar cada valor.
Las funciones de probabilidad definida sobre W(X) y W(Y) conjunto de todos
los posibles valores de X e Y cumplen las tres condiciones que debe cumplir
toda función de probabilidad. No hay ninguna probabilidad negativa, la suma de
las probabilidades de todos los posibles valores de las variables aleatorias (X o Y)
es igual a 1, y f(xi) P(X xi); f(yi) P(Y yi).
EJEMPLO 6.4
En un centro hospitalario, con objeto de planificar adecuadamente las urgencias
cardíacas, se lleva a cabo un estudio sobre el número atendido en los últimos 200
días de este tipo de urgencias, obteniéndose los siguientes resultados:
Urgencias cardíacas Número de días

0 10
1 20
2 30
3 50
4 40
5 30
6 20
A partir de los datos anteriores, establecer la ley de probabilidad de la variable

aleatoria X de interés.
En este caso la variable aleatoria de interés X, es el número de urgencias car-
díacas atendidas en el centro hospitalario donde se realiza el estudio. El número de
valores que puede tomar X es finito:
W(X) {0 1 2 3 4 5 6}, X es una VAD
En el presente caso, la función de probabilidad se establece basándose en la ex-

periencia acumulada hasta la fecha del estudio. La frecuencia relativa de cada valor
observado de la variable es la base para establecer la probabilidad, según aumente la
experiencia se modificará la función de probabilidad. En el capítulo de probabilidad
se vio que había dos formas de establecer las probabilidades, la basada en la expe-
riencia que es la aplicada en este ejemplo, y el método exacto basado en la proba-
bilidad clásica ley de Laplace, que solamente es aplicable cuando se conocen todos
los posibles valores que puede tomar la variable.
En este caso, hasta la fecha en que se realizó el estudio, el número máximo de
urgencias cardíacas observadas en un solo día es 6. Evidentemente, al aumentar la
experiencia se pueden establecer funciones de probabilidad más exactas.
En este caso se considerará que la probabilidad de que X tome un valor deter-
minado es igual a la frecuencia relativa correspondiente.
f(0) P(X 0) 10 : 200 0,05

f(1) P(X 1) 20 : 200 0,1
f(2) P(X 2) 30 : 200 0,15
f(3) P(X 3) 50 : 200 0,25
f(4) P(X 4) 40 : 200 0,2
f(5) P(X 5) 30 : 200 0,15
f(6) P(X 6) 20 : 200 0,1
La función probabilidad definida sobre W(X), conjunto de todos los posibles va-
lores de X, cumple las tres condiciones que debe cumplir toda función de probabi-
lidad. No hay ninguna probabilidad negativa, la suma de las probabilidades de todos
los posibles valores de X es igual a 1, y f(xi) P(X xi).
6.5. FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

DE UNA VARIABLE ALEATORIA DISCRETA
Otro concepto fundamental en el estudio de variables aleatorias es el de

función de distribución acumulativa que se representa por F(xi); es por definición
la probabilidad de que la variable aleatoría X, tome un valor menor o igual a xi, en

variable aleatoria discreta se puede expresar de la manera siguiente:
ia
F(xa) f(xi) P(X
xa) [6.1]
i1
EJEMPLO 6.5
En la siguiente tabla se representa la función de probabilidad para la variable
aleatoria X, número de urgencias oftalmológicas atendidas diariamente en un centro
hospitalario.
x 6 7 8 9 10
f(x) 0,05 0,1 0,6 0,15 0,1
La función de probabilidad ha sido construida basándose en la experiencia del

hospital; a partir de la tabla anterior se deduce que nunca ha habido menos de 6 ur-
gencias oftalmológicas por día, ni más de 10.
a) Hallar la tabla para la función de distribución acumulativa.

b) Calcular P(X
8) .
c) Calcular P (X 7) utilizando la función de distribución acumulativa.
d) Calcular P(7
X
9) utilizando la función de distribución acumulativa.
a) Según la definición de la función de distribución acumulativa y según [6.1]:
x 6 7 8 9 10
f(x) 0,05 0,1 0,6 0,15 0,1
F(X) 0,05 0,15 0,75 0,99 19,
Obsérvese que F(X) es la probabilidad de cada valor de la variable aleatoria,

más la suma de las probabilidades de todos los valores de la variable aleatoria me-
nores que dicho valor.
b) Por definición F(8) P( X

8) 0,75. F(8) es la probabilidad de que un
día haya 8 o menos urgencias oftalmológicas en el hospital en que se ha hecho el es-

tudio.
c) P(X 7) 1 P(X
7) 1 F(7) 1 0,15 0,85.
Obsérvese que P(X 7) P(X
7) 1.
d) P(7
X
9) P(X
9) P(X 7) P(X
9) P(X
6)
F(9) F(6) 0,9 0,05 0,85.
P(7
X
9) es la probabilidad de que un día haya entre 7 y 9 urgencias ambas
inclusive.
6.6. FUNCIÓN PROBABILIDAD EN VARIABLES

ALEATORIAS CONTINUAS
En los apartados anteriores se vio que la distribución de probabilidad de una

variable aleatoria discreta podía expresarse en forma de tabla o según una fórmula
que expresase la ley de probabilidad de la variable. En el caso de las variables
aleatorias continuas, expresar la distribución de probabilidad en forma de tabla de
valores individuales es imposible puesto que hay infinitos valores posibles, aun-
que sí es posible una tabla de probabilidad por intervalos, pero lo más habitual es
definir la distribución de probabilidad de una variable aleatoria continua me-
diante una fórmula matemática, lo que por otra parte permite una gran riqueza de
cálculo de probabilidades.
El espacio muestral sustitutivo, es decir, el conjunto de posibles valores que
puede tomar la variable se representa generalmente en el eje de abscisas, y la ley
de probabilidad se suele expresar en forma funcional, dicha función puede re-
presentarse gráficamente, y la probabilidad de que la variable tome un valor
dentro de un intervalo entre dos puntos determinados es igual al área entre la cur-
va (gráfica de la función) y el eje de abscisas.
El área total entre la curva y el eje de abscisas, por lo tanto debe de ser igual a
uno, puesto que esto indicaría la probabilidad de que la variable tome un valor en-
tre menos infinito y más infinito, es decir, cualquier valor, o lo que es lo mismo,
el suceso seguro, y la probabilidad del suceso seguro es igual a uno. Para que una
función represente una distribución de probabilidad, el área total entre la grafica
de la función y el eje de abscisas tiene que ser igual a uno. Matemáticamente el
área entre la gráfica de una función y el eje de abscisas se representa mediante una
integral definida. La notación mediante integrales definidas es relativamente fre-
cuente en estadística, pero, en general, se calculan sus valores consultando tablas;
aunque es conveniente entender el significado de la notación integral definida, que
es sencillo. Es frecuente que profesionales necesitados de consultar libros sobre
estadística cierren desesperados el libro al poco tiempo de iniciada la consulta ante
la aparición de los terribles símbolos de integración, horribles gusanos para al-
gunos debido a su forma. Se insiste en el hecho de que no es necesario resolver di-
rectamente las integrales, ya que las funciones integrables de uso común en esta-
dística están tabuladas. Los cálculos de probabilidades que se hacen consultando
la tabla de la curva normal o de Gauss, son cálculos de integrales definidas.
EJEMPLO 6.6
La distribución de probabilidad de que un corazón trasplantado dure un tiempo
determinado (x) puede expresarse por la función exponencial: f(x) ex para x 0.
Expresar matemáticamente las siguientes probabilidades:
a) Que el corazón dure menos de 2 años.

b) Que el corazón dure entre 2 y 4 años.
El tiempo en años que es efectivo un órgano trasplantado está sujeto a muchos

factores, algunos de ellos desconocidos, lo que hace que la efectividad y duración
del trasplante sólo pueda ser contemplado desde el punto de vista probabilístico, por
lo que el tiempo de duración (x) puede ser considerado una variable aleatoria. En
este caso, la duración vendrá representada por el eje de abscisas, eje de las x; esta va-
riable representa el tiempo que dura el trasplante. La distribución de probabilidad de
las variables continuas se representa mediante una función, en este caso es una ex-
ponencial negativa; en el gráfico siguiente se representa esta función con la condi-
ción x 0. Una exponencial negativa indica en una primera visión que la probabi-
lidad disminuye según aumenta el tiempo (x) ¡lógico! La probabilidad de que un
trasplante dure mucho es menor de que dure poco. La condición de que x sea mayor
de cero es evidente, puesto que un transplante por muy poco tiempo que dure, tiene
que ser mayor de cero.
Y ex
FIGURA 6.1. Curva exponencial negativa.
El área total bajo la curva representa la probabilidad de que el corazón tras-

plantado tenga una duración mayor que 0, puesto que esto representa el suceso se-
guro el área total bajo la curva debe ser igual a 1.
a) La primera cuestión pide expresar matemáticamente la probabilidad de que

el corazón dure 2 años o menos, es decir, la variable X debe estar comprendida en-
tre 0 y 2; esto se expresa de la siguiente manera P(0
x
2). El área entre la cur-
va y el eje de abscisas entre los puntos 0 y 2 se expresa matemáticamente mediante
la siguiente expresión:
P(0
X
2) ex dx
2
La expresión anterior indica la probabilidad de que un corazón trasplantado dure

entre 0 y 2 años; esta probabilidad se representa gráficamente por el área entre la
curva y el eje de abscisas entre los puntos 0 y 2. Nótese que la integral definida re-
presenta el área entre la curva y el eje de abscisas entre los puntos que definen la in-
tegral.
Y ex
FIGURA 6.2. Área bajo la curva para (0

X
2).
P(0
X
2) 0,86
b) En este apartado se pide la probabilidad de que un corazón trasplantado ten-

ga una duración entre 2 y 4 años P(2
X
4); gráficamente la probabilidad pedi-
da es el área entre la curva y el eje de abscisas entre los puntos 2 y 4 (véase Figura
6.3) y matemáticamente mediante la siguiente expresión:
4
P(2
X
4) ex dx
2
Y ex
FIGURA 6.3. Área bajo la curva para (0

X
2).
P(2
X
4) 0,117
6.7. PROPIEDADES DE LA FUNCIÓN PROBABILIDAD

EN VARIABLES ALEATORIAS CONTINUAS
Si X es una variable aleatoria continua definida sobre R, lo cual quiere decir

que X toma valores sobre la recta real, debe cumplir las siguientes propiedades:
a) f(xi) 0
b)

f(xi) dx 1 [6.2]
c) b
a
f(xi) dx p(a
X
b) [6.3]
Las propiedades anteriores tienen el siguiente significado:

a) Esta propiedad indica que el área bajo la curva debe ser mayor o igual que
cero. Un área igual a cero representa un suceso imposible. Debe tenerse en

cuenta que el área bajo la curva definida por una función densidad repre-
senta la probabilidad de que ocurra un determinado suceso, y que por el
primer axioma de la probabilidad, esta no puede ser negativa.
b) Esta propiedad indica que la probabilidad de que la variable tome un valor
entre menos infinito e infinito es uno. Es evidente que esto es el suceso se-
guro, ya que esta notación indica la probabilidad de que la variable tome
cualquier valor; la variable siempre tomará algún valor y la probabilidad
del suceso seguro es uno.
c) Esta propiedad establece que la probabilidad de que la variable aleatoria

tome un valor entre dos puntos a y b es el área bajo la curva definida por la
función densidad y el eje de abscisas entre los puntos a y b. Como se in-
dicó anteriormente, los cálculos necesarios serán realizados consultando ta-
blas, sin necesidad de resolver directamente ninguna integral.
6.8. FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

EN VARIABLE ALEATORIA CONTINUA
La función de distribución acumulativa en variable aleatoria continua tiene el

mismo significado que en el caso discreto; se representa por F(a) P(X
a) y su
significado, igual que en el caso discreto, es la probabilidad de que la variable ale-
atoria tome un valor menor o igual que un determinado valor; en el caso indicado
en este párrafo el determinado valor es (a). Desde el punto de vista gráfico, la fun-
ción de distribución acumulativa es el área entre la curva y el eje de abscisas com-
prendida entre el punto determinado (a) y el menor valor que puede tomar la va-
riable.
Desde el punto de vista matemático, la función de distribución acumulativa se
define mediante la siguiente expresión:
F(a) f(x) dx
a

6.9. VALOR ESPERADO DE UNA VARIABLE ALEATORIA
La ley de distribución aporta una importante información acerca del compor-

tamiento de una variable aleatoria, pero para tener un conocimiento suficiente de
la misma es necesario conocer dos parámetros asociados a la variable. Estos pa-
rámetros son: uno de centralización, el valor esperado, y otro de dispersión, la va-
rianza. Existen otros parámetros asociados a la variable aleatoria, pero el conoci-
miento de los dos mencionados suele ser suficiente en la mayoría de los casos.
El valor esperado de una variable aleatoria E(X) es un parámetro de centrali-
zación y su significado es similar al de la media aritmética de un conjunto de da-

tos. En realidad, puede considerarse que es una generalización del concepto de
media aritmética; esta se refiere a un conjunto de datos que en la mayoría de los
casos constituyen una muestra de una población mucho mayor, E(X) coincidiría
con la medía aritmética poblacional en el caso de que pudiera estudiarse toda la
población, en este caso E(X) pero este cálculo sólo sería posible en algunas
poblaciones finitas. En el experimento tirar un dado perfecto y anotar el número
de la cara superior, ¿cuál sería el valor esperado de la variable aleatoria? En este
caso el cálculo consistiría en tirar el dado un número infinito de veces y calcular
la media aritmética, lo cual evidentemente es imposible. No obstante, en el caso
de poblaciones infinitas, conociendo la ley de probabilidad es posible calcular

E(X). Los conceptos de valor esperado de una variable aleatoria, y de media
aritmética de dicha variable, son intercambiables, y por lo tanto pueden repre-
sentarse por E(X) o por la letra griega .
En el caso de una variable aleatoria discreta, el cálculo del valor esperado se
realiza según la siguiente expresión:

E(X) xi f(xi) [6.6]
i1
La fórmula anterior indica que el valor esperado de una variable aleatoria dis-
creta es igual a la suma de todos los productos de todos los posibles valores de la
variable por sus probabilidades respectivas. Nótese que el sumatorio desde i 1
hasta infinito es una simbolización matemática, que indica todos los posibles
valores de la variable; si una variable sólo puede tener 3 valores se indicaría
desde i 1 hasta 3. En la fórmula, f(xi) indica la probabilidad de que la variable
tome el i-ésimo valor, es la función de probabilidad.
EJEMPLO 6.7
En el experimento tirar un dado clásico y anotar el número de la cara superior.
Calcular el valor esperado de X y de X2.
En el presente ejemplo se han definido dos variables aleatorias, el número que
aparece en la cara superior del dado, X, y el cuadrado del número que aparece en la
cara superior del dado, X2. En el esquema siguiente se representan los valores de las
dos variables aleatorias y su función de probabilidad.
xi 1 2 3 4 5 6
2 1 4 9 16 25 36
x
f(xi) 1/6 1/6 1/6 1/6 1/6 1/6
El valor esperado de X, E(X), se calcula aplicando [6.6]:
6
E(X) Xi f(xi)
i1
En este caso, el sumatorio tiene un campo de aplicación entre 1 y 6 ya que la va-

riable sólo tiene 6 posibles valores distintos.
E(X) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6

E(X) 3,5
El valor esperado de X E(X) 3,5 esto quiere decir que si se realiza un número
de tiradas grande con un dado perfecto, la media de las puntuaciones obtenidas se
acercará a 3,5. Por efecto del azar, si se tira un dado 4 veces se pueden obtener 4 sei-
ses, en cuyo caso la media será 6 pero la probabilidad de obtener resultados tan ale-
jados de la media es muy pequeña, incluso con un número de tiradas pequeño.
El valor esperado de X2 E(X2) se calcula aplicando [6.6]:
6
E(X2) Xi2 f(Xi)
i1
En este caso la variable puede tener 6 valores distintos, que son: 1, 4, 9, 16, 25
y 36, por lo tanto el campo de aplicación del operador sumatoria es de 1 a 6; insis-
tiendo en que en la expresión 6.6, el campo de actuación del operador sumatoria sea
de 1 a infinito, es un simbolismo matemático que quiere decir que la suma se ex-
tiende a todos los posibles valores de la variable. En este caso infinito se sustituye
por 6, que es el número de posibilidades de variación en este caso.
Desarrollando la expresión anterior:
E(X2) 1 1/6 4 1/6 9 1/6 16 1/6 25 1/6 36 1/6

E(X2) 15,17
El resultado anterior indica que si se realiza un número de tiradas grande con un

dado perfecto y se elige como variable aleatoria el cuadrado del número que aparezca
en la casilla superior, la media de los resultados obtenidos se aproximará a 15,17.
El valor esperado de una variable aleatoria continua se calcula según la si-

guiente expresión:
E(X)

X f(X) dX [6.7]
La expresión anterior permite calcular la media aritmética teórica de una va-

riable aleatoria continua, los límites de integración entre menos infinito a infinito
es una forma simbólica de indicar que la integral se extiende a todos los valores
posibles de la variable. Supóngase una variable que sólo pueda tomar valores
entre 1 y 18, en este caso los límites de integracion, se fijarían entre (1) y 18 en
lugar de () y ( ). Como se comentó anteriormente, no es necesario saber
cálculo de integrales para alcanzar un buen nivel en estadística, ya que las inte-
graciones de interés en esta materia están tabuladas, y cualquier cálculo que se
quiera realizar se hace consultando la tabla correspondiente.
6.10. PROPIEDADES DEL VALOR ESPERADO
Las propiedades del valor esperado son válidas tanto para variables discretas
como continuas, aunque por motivos didácticos los ejemplos se realizan con va-
riables discretas.
a) El valor esperado de una constante es igual a ella misma E(C) C siendo

C una constante, por ejemplo si la constante es el número 3, E(3) 3.
b) Si X e Y son variables aleatorias se cumple que:
E(X Y) E(X) E(Y) [6.8]
Esto indica que el valor esperado de la suma de dos variables aleatorias es

igual a la suma de sus valores esperados.
c) El valor esperado del producto de una constante por una variable aleatoria,
es igual al producto de la constante por el valor esperado de la variable:
E(C X) C E(X) [6.9]
Por ejemplo, E(5 X) 5 E(X).
d) Si X es una variable aleatoria e Y es otra variable aleatoria, el valor espe-

rado del producto de las variables es igual al producto de los valores esperados,
solamente en el caso de que las variables X e Y sean independientes.
E(X Y) E(X) E(Y) si X e Y son independientes
Esta importante propiedad establece una condición de independencia de va-

riables aleatorias. El concepto de independencia en variables aleatorias es con-
ceptualmente similar al establecido para sucesos en los capítulos de probabilidad.
Conceptualmente, dos variables aleatorias son independientes si los valores de una
no están relacionados con los valores de la otra. Por ejemplo, la talla y el peso de
una persona son variables aleatorias dependientes porque los valores de una están
relacionados con la otra, ya que en general a mayor talla mayor peso y viceversa.
Sin embargo, la talla y el número de la seguridad social de las personas de una po-
blación son variables independientes entre sí.
EJEMPLO 6.8
Sean X e Y dos variables aleatorias cuyos valores esperados son: E(X) 8 y

E(Y) 7.
Calcular E(3X 5Y 4).
Se pide calcular el valor esperado de una combinación de variables aleatorias;
recuérdese que una combinación de variables aleatorias es a su vez una variable ale-
atoria, y por lo tanto tiene su valor medio correspondiente. Aplicando las propieda-
des del valor esperado:
E(3X 5Y 4) E(3X) E(5Y) E(4)
Se ha aplicado la propiedad b), el valor esperado de la suma es la suma de los

valores esperados.
E(3X) 3E(X). Aplicando la propiedad c).
E(5Y) 5E(Y). Aplicando la propiedad c).
E(4) 4. Aplicando la propiedad a).
E(3X 5Y 4) 3 8 5 7 4 24 35 4 63
6.11. VARIANZA DE UNA VARIABLE ALEATORIA
La varianza de una variable aleatoria es una medida de dispersión. Mide la

dispersión media de los valores de una variable. La varianza de una variable
aleatoria se suele indicar por: Var (X) 2; como se indicó en el capítulo de es-
tadística descriptiva cuando se hizo referencia a la varianza poblacional se repre-
senta por la letra griega sigma elevada al cuadrado. La desviación típica de una
variable aleatoria es la raíz cuadrada de la varianza, y se representa por la letra
griega sigma . El cálculo de la varianza de una variable aleatoria se realiza según
la siguiente expresión:
Var (X) E[(X E(X))2]
teniendo en cuenta que E(X) :
Var (X) E[(X )2] [6.10]
Teniendo en cuenta las propiedades del operador valor esperado:
Var (X) E[(X E(X))2] E{X2 2X E(X) [E(X)]2}

E{X2 2X E(X) [E(X)]2} E(X2) 2E(X) E(X) [E(X)]2
[6.11]
E(X2) 2E(X) E(X) [E(X)]2 E(X2) [E(X)]2
Var (X) E(X2) [E(X)]2
La expresión [6.11] es la más utilizada para el cálculo de la varianza, por ser

menos laboriosos los cálculos que [6.10].
EJEMPLO 6.9
Los posibles valores y la función de probabilidad de una variable aleatoria están
expresados en la siguiente tabla.
xi 2 5 7
f(xi) 0,3 0,5 0,2
Calcular la varianza y la desviación típica de X.
Para el cálculo de la varianza se aplica la fórmula [6.11] pero para ello se ne-
cesita conocer E(X) y E(X2).
3
E(X) Xi f(Xi) 2 0,3 5 0,5 7 0,2 4,5
i1
La variable X2 puede tomar los siguientes valores: 4, 25 y 49.
E(X2) 4 0,3 25 0,5 49 0,2 23,5

Var X E(X2) [E(X)2] 23,5 (4,5)2 3,25
3,25
1,8
6.12. COVARIANZA DE DOS VARIABLES ALEATORIAS
La covarianza es un importante parámetro estadístico que informa del grado

de covariación o de dependencia de dos variables aleatorias.
Cov (X, Y) E(X Y) E(X)E(Y) [6.12]
La covarianza es el valor esperado del producto, menos el producto de los va-

lores esperados; debido a la propiedad conmutativa del producto se deduce que:
Cov (X, Y) Cov (Y, X) [6.13]
En la propiedad d) del valor esperado se vio que si dos variables aleatorias son
independientes el valor esperado del producto es igual al producto de los valores
esperados. Teniendo esto en cuenta, si X e Y son dos variables aleatorias inde-
pendientes, su covarianza es igual a cero. Lo cual es lógico; ya se indicó ante-
riormente que la covarianza es un parámetro que mide el grado de dependencia de
dos variables aleatorias, y si no existe dependencia entre las variables la cova-

rianza debe de ser igual a cero. No obstante, la cuestión no es tan sencilla como
parece. Si dos variables aleatorias son independientes, su covarianza es cero,
pero el recíproco no es cierto. Dos variables aleatorias pueden tener covarianza
igual a cero y no ser independientes. El que la covarianza sea igual a cero es
condición necesaria pero no suficiente de independencia; una covarianza igual
a cero garantiza que dos variables son linealmente independientes, es decir, que
su relación de dependencia no es según una recta, pero no garantiza que
pueda existir una dependencia no lineal como parabólica, logarítmica, exponen-
cial, etc.
6.13. PROPIEDADES DE LA VARIANZA
La varianza tiene las siguientes propiedades:
a) Var (C) 0. La varianza de una constante es cero, la varianza mide la dis-

persión, evidentemente una constante no puede tener dispersión y su varianza es cero.
b) Var (CX) C2 Var (X). La varianza del producto de una constante por una
variable, es igual a la constante al cuadrado por la varianza de la variable. Ejem-
plo Var (4X) 16 Var (X).
c) Si X e Y son variables aleatorias cualesquiera:
Var (X Y) Var (X) Var (Y) 2 Cov (X, Y) [6.14]
Teniendo en cuenta que la covarianza de dos variables independientes es

igual a cero. Si X e Y son dos variables independientes Cov (X, Y) 0 por lo tanto:
Var (X Y) Var (X) Var (Y) [6.15]
La varianza de la suma de dos variables independientes es igual a la suma de

las varianzas.
EJEMPLO 6.10
X e Y son dos variables aleatorias independientes, con los siguientes parámetros
E(X) 2, E(Y) 3, Var (X) 5, Var (Y) 7.
Hallar los valores pedidos a continuación:
a) E(X Y).
b) Var (X Y).
c) E(2X - 3Y 4).
d) Var (2X - 3Y 4).
a) E(X Y) E(X (Y)) E(X) E(Y) E(X) E(Y) 2 3 1.

b) Var (X Y) Var (X (Y)). Teniendo en cuenta que las dos variables

son independientes y según la propiedad c) de la varianza:
Var (X) Var (Y) Var (X) Var (Y) 5 7 12
Según lo demostrado anteriormente, la varianza de la diferencia de dos variables

independientes es igual a la varianza de la suma, y en ambos casos es igual a la suma
de las varianzas:
Var (X Y) Var (X Y) Var (X) Var (Y)
Nótese que la clave de la demostración está en considerar que Var (Y) Var (Y)
pero la única diferencia es que Y esta multiplicada por (1) y según la propiedad b)
de la varianza de una variable aleatoria
Var (CY) C2 Var (Y); en este caso C (1) y C2 (1)2 1
Por lo tanto, Var (Y) Var (Y).
c) Para resolver este punto y el siguiente se utilizan las propiedades del valor es-
perado y de la varianza, estudiadas en este capítulo y algunas conclusiones desa-
rrolladas en los puntos a) y b) de este ejemplo.
E(2X 3Y 4) E(2X) E(3Y) E(4)

2E(X) 3E(Y) 4 2 2 3 3 4 1
d) Var (2X 3Y 4) Var (2X) Var (3Y) Var (4).

Var (2X) 4 Var (X) 4 5 20.
Var (3Y) 9 Var (Y) 9 7 63.
Var (4) 0.
Var (2X 3Y 4) 20 63 83.
6.14. TEOREMA DE TCHEBYCHEV
La varianza, y por consiguiente la desviación típica, son medidas de disper-

sión, si estos parámetros son grandes los datos están muy dispersos, y si son pe-
queños, agrupados. Basándose en estas ideas el matemático ruso Tchebychev
desarrolló el siguiente teorema:
Si X es una variable aleatoria con una distribución de probabilidad cualquie-
ra, y con un valor esperado y una varianza finitos. La probabilidad de que la va-
riable tome valores, en el intervalo entre la media k desviaciones típicas, tiene
un valor de al menos 1 (1/k2). En notación matemática esto es:
P[( k) X ( k)] [1 (1/k2)] [6.16]
El teorema anterior fija el valor mínimo de probabilidad de que una variable

aleatoria esté comprendida dentro de un determinado intervalo, definido en fun-
ción del valor esperado y de la varianza de la variable. La probabilidad calculada
es la menor posible, sea cual sea la distribución de probabilidad de la variable.
En el caso de que se conozca la distribución de probabilidad de la variable, se
puede calcular con mayor precisión dicha probabilidad.
EJEMPLO 6.11
En una población el valor de la glucemia basal tiene una media de 100 mg, por
100 ml y una desviación típica de 15 mg, por 100 ml, la distribución de probabilidad
es desconocida. Si se toma un individuo al azar de dicha población ¿cuál es la pro-
babilidad mínima de que el valor obtenido esté comprendido entre la media y dos
desviaciones típicas?
Aplicando [6.16] y teniendo en cuenta que 100 y 15:
P[(100 2 15) X (100 2 15)] P(70 X 130)

P(70 X 130) (1 (1/k2)) (1 (1/4)) 0,75
En nuestro caso, el que la variable tome valores entre la media y dos veces la
desviación típica quiere decir que la media tome un valor entre 70 y 130 mg/100 ml
de glucemia basal. Y dicha probabilidad es al menos de 0,75. También se podría de-
cir que al menos el 75% de los individuos de la población tienen valores de la glu-
cemia basal entre 70 y 130 mg/100 ml.
Cuando la distribución de probabilidad es conocida, esta probabilidad puede

ser calculada con mayor exactitud, pero el presente teorema permite saber algo
acerca de la probabilidad de que la variable tome valores dentro de un determi-
nado intervalo sin saber nada de su distribución de probabilidad.
En el ejemplo anterior, si la distribución de probabilidad de la variable se dis-
tribuyera según una curva normal, la probabilidad de que el valor de la variable,
esté comprendido entre la media menos dos veces la desviación típica y la media
más dos veces la desviación típica es de 0,955.
6.15. EJERCICIOS
1. Se dispone de tres monedas, cada una de las cuales tiene dos superficies
distintas a las que se denominan cara (C) y cruz (S), y con igual probabilidad de
quedar hacia arriba al caer sobre una superficie lisa. Si se tiran las tres monedas al
aire y se anota el número de caras, definir el espacio muestral, la función que de-
fine la variable aleatoria, el espacio muestral sustitutivo y la función de probabi-
lidad asociada a este.
2. Con objeto de planificar los servicios quirúrgicos en un hospital, a partir de

una muestra de 100 días se anota el número de intervenciones quirúrgicas urgen-
tes realizadas.
En la tabla siguiente se reflejan los datos obtenidos.
N.o intervenciones N.o de días

0 4
1 10
2 15
3 20
4 30
5 12
6 7
7 2
En 4 de los 100 días de que consta la muestra no han sido realizada ninguna
intervención quirúrgica urgente. Una intervención urgente fue realizada en 10
días, etc.
A partir de los datos anteriores, construir una tabla en la que figuren la varia-
ble aleatoria, la función de probabilidad y la función de distribución acumulativa.
3. Si X e Y son dos variables aleatorias independientes con valores esperados

5 y 4 respectivamente y varianzas 20 y 12 también respectivamente, calcular el
valor esperado y la varianza de la siguiente variable aleatoria compuesta.
2X 3Y
4. Si X es una variable aleatoria con valor esperado y varianza 3 y 9 respec-

tivamente, calcular la probabilidad mínima de que el valor de la variable esté
comprendido entre la media menos 1,5 desviaciones típicas y la media más 1,5
desviaciones típicas.
6.16. BIBLIOGRAFÍA
Cuadras, CM; Echeverrí, B; Mateo, J, y Sánchez, P: Fundamentos de estadística: aplica-

ción a las ciencias humanas. Barcelona. PPU, 1988.
Tsokos, M: Estadística para biología y ciencias de la salud. Madrid. Emalsa Interameri-
cana, 1987.
Johnson, NL, y Kotz, S: Discrete distributions. Boston. Houghton-Mifflin, 1969.
Freund, JE, y Walpole, RE: Mathematical statistics. Englewood Cliffs, N. J. Prentice-
Hall, 1980.

Estadística Aplicada A Las Ciencias de La Salud - (CAPÍTULO 6) PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estadística Aplicada A Las Ciencias de La Salud - (CAPÍTULO 6) PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Variable aleatoria

En este capítulo se formaliza el concepto de variable aleatoria y sus pro-

6.1. VARIABLE ALEATORIA

Si a cada posible resultado elemental de un experimento aleatorio, es decir, a

En un mismo espacio muestral es posible definir varias variables aleatorias; en

un número indefinido de variables aleatorias; otras podrían ser colesterolemia ba-

Si en un espacio muestral  hay definidas una o más variables aleatorias, se

a) X C es una variable aleatoria.

– X, anotar el número de puntos.

Observe que tanto X C, siendo en este caso C  2 como X  Y son también

6.3. VARIABLE ALEATORIA DISCRETA

Si una variable aleatoria X definida sobre un espacio muestral  toma un nú-

6.4. FUNCIÓN PROBABILIDAD DE UNA VARIABLE

Dada una variable aleatoria discreta X, si se define una función de W (con-

aplica a variables aleatorias continuas. Existen notables diferencias en las fun-

a) f(xi)  P(X  xi).

La condición a) ya ha sido comentada en este mismo apartado e indica que

ejemplo, si en una población se define una variable aleatoria X, que es el número

mero de R definido por la variable aleatoria X, cualquier resultado de un experi-

La variable aleatoria X sólo puede tomar un número finito de valores por lo

tanto X es una variable aleatoria discreta.

En el caso de la variable aleatoria Y, que consiste en asignar al resultado del

Aplicando la ley de Laplace el valor 1 lo toma Y en tres de los 6 resultados

En este ejemplo la función de probabilidad ha sido expresada en forma de ta-

Urgencias cardíacas Número de días

A partir de los datos anteriores, establecer la ley de probabilidad de la variable

W(X)  {0 1 2 3 4 5 6}, X es una VAD

En el presente caso, la función de probabilidad se establece basándose en la ex-

f(0)  P(X  0)  10 : 200  0,05

6.5. FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

Otro concepto fundamental en el estudio de variables aleatorias es el de

la probabilidad de que la variable aleatoría X, tome un valor menor o igual a xi, en

La función de probabilidad ha sido construida basándose en la experiencia del

a) Hallar la tabla para la función de distribución acumulativa.

a) Según la definición de la función de distribución acumulativa y según [6.1]:

Obsérvese que F(X) es la probabilidad de cada valor de la variable aleatoria,

b) Por definición F(8)  P( X

día haya 8 o menos urgencias oftalmológicas en el hospital en que se ha hecho el es-

6.6. FUNCIÓN PROBABILIDAD EN VARIABLES

En los apartados anteriores se vio que la distribución de probabilidad de una

la tabla de la curva normal o de Gauss, son cálculos de integrales definidas.

a) Que el corazón dure menos de 2 años.

El tiempo en años que es efectivo un órgano trasplantado está sujeto a muchos

FIGURA 6.1. Curva exponencial negativa.

El área total bajo la curva representa la probabilidad de que el corazón tras-

a) La primera cuestión pide expresar matemáticamente la probabilidad de que

La expresión anterior indica la probabilidad de que un corazón trasplantado dure

FIGURA 6.2. Área bajo la curva para (0

b) En este apartado se pide la probabilidad de que un corazón trasplantado ten-

FIGURA 6.3. Área bajo la curva para (0

6.7. PROPIEDADES DE LA FUNCIÓN PROBABILIDAD

Si X es una variable aleatoria continua definida sobre R, lo cual quiere decir

Las propiedades anteriores tienen el siguiente significado:

cero. Un área igual a cero representa un suceso imposible. Debe tenerse en

c) Esta propiedad establece que la probabilidad de que la variable aleatoria

6.8. FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

La función de distribución acumulativa en variable aleatoria continua tiene el

6.9. VALOR ESPERADO DE UNA VARIABLE ALEATORIA

La ley de distribución aporta una importante información acerca del compor-

zación y su significado es similar al de la media aritmética de un conjunto de da-

de poblaciones infinitas, conociendo la ley de probabilidad es posible calcular

El valor esperado de X, E(X), se calcula aplicando [6.6]:

En este caso, el sumatorio tiene un campo de aplicación entre 1 y 6 ya que la va-

Si en un espacio muestral hay definidas una o más variables aleatorias, se

Observe que tanto X C, siendo en este caso C 2 como X Y son también

Si una variable aleatoria X definida sobre un espacio muestral toma un nú-

a) f(xi) P(X xi).

W(X) {0 1 2 3 4 5 6}, X es una VAD

f(0) P(X 0) 10 : 200 0,05

b) Por definición F(8) P( X

E(X) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6

E(X2) 1 1/6 4 1/6 9 1/6 16 1/6 25 1/6 36 1/6

a) El valor esperado de una constante es igual a ella misma E(C) C siendo

E(X Y) E(X) E(Y) [6.8]

E(C X) C E(X) [6.9]

Por ejemplo, E(5 X) 5 E(X).

E(X Y) E(X) E(Y) si X e Y son independientes

Sean X e Y dos variables aleatorias cuyos valores esperados son: E(X) 8 y

E(3X 5Y 4) E(3X) E(5Y) E(4)

Var (X) E[(X E(X))2]

teniendo en cuenta que E(X) :

Var (X) E[(X )2] [6.10]

Var (X) E[(X E(X))2] E{X2 2X E(X) [E(X)]2}

E(X2) 4 0,3 25 0,5 49 0,2 23,5

Cov (X, Y) E(X Y) E(X)E(Y) [6.12]

Cov (X, Y) Cov (Y, X) [6.13]

a) Var (C) 0. La varianza de una constante es cero, la varianza mide la dis-

Var (X Y) Var (X) Var (Y) 2 Cov (X, Y) [6.14]

Var (X Y) Var (X) Var (Y) [6.15]

a) E(X Y) E(X (Y)) E(X) E(Y) E(X) E(Y) 2 3 1.

b) Var (X Y) Var (X (Y)). Teniendo en cuenta que las dos variables

Var (X) Var (Y) Var (X) Var (Y) 5 7 12

Var (X Y) Var (X Y) Var (X) Var (Y)

Var (CY) C2 Var (Y); en este caso C (1) y C2 (1)2 1

Por lo tanto, Var (Y) Var (Y).

E(2X 3Y 4) E(2X) E(3Y) E(4)

d) Var (2X 3Y 4) Var (2X) Var (3Y) Var (4).

P[( k) X ( k)] [1 (1/k2)] [6.16]

P[(100 2 15) X (100 2 15)] P(70 X 130)