Unidad - 2 - Momentos. PRO 2 PDF

Probabilidad II
2. Momentos

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y Tecnologas

1

1

Probabilidad II

Unidad 2

Momentos

Clave

50920415

Octubre de 2011

Probabilidad II

2. Momentos


2

2
UNIDAD 2 Momentos

Presentacin de la unidad

En esta unidad se revisaran algunos momentos de orden y las funciones generadoras de
los mismos, entre ellos la esperanza, la varianza, la covarianza y el coeficiente de
correlacin.

De igual forma se revisaran contenidos y ejercicios prcticos que permitan que el alumno
genere funciones de casos discretos, continuos y mixtos dependiendo del orden de las
variables que se le presenten.

Propsitos

Al concluir esta unidad el alumno ser capaz de:
- Identificar algunos momentos de orden como la esperanza, varianza y covarianza
revisar y comentar las distintas caractersticas de los mismos.
- Calcular casos discretos, continuos y mixtos en algunas situaciones reales.

Competencia especfica
Utilizar la teora de las probabilidades y las tcnicas de la estadstica descriptiva como
herramientas en el estudio de otras asignaturas y en la solucin de problemas reales de
las mismas en la vida profesional.

2. Momentos

Los momentos se definen como (
) (
()) y caracterizan la funcin de

distribucin.

Denotamos al momento de orden 1, como la media y denotamos al momento de orden 2
como la varianza, ambos los estudiaremos ms adelante

2.1 Conceptos bsicos

Una forma de generalizar toda la teora relativa a los parmetros estadsticos y la relacin
que guardan con una buena parte de ello son los momentos, ms adelante veremos la
Probabilidad II

2. Momentos


3

3
aplicacin que tienen dentro de la probabilidad. Una definicin general del momento es la
siguiente:

El momento de orden r (r pertenece al conjunto de los naturales):
r
nos podr auxiliar
para calcular la esperanza matemtica y la varianza por lo que hay que partir de otras
medidas:

De la misma manera se denomina momento central de orden r, m
r
, como se muestra:

( )
( )
( )

= =
}
+

Continua f(x)dx E(X) x
Discreta X ) f(x E(X) x
) (
r
i
x
r
i
r
r
X E X E m

Se pueden calcular los momentos a partir de un conjunto de variables, por ejemplo
Calcular los primeros cuatro momentos del conjunto A= {2, 3, 7, 8, 10}

De igual forma se pueden calcular los momentos con respecto a la media, como se
muestra en el siguiente ejemplo

)
(
( ) ( ) ( ) ( ) ( )

= =

x
r r
X E
Discreta X f(x) x
Continua X f(x) x
) (
r
r
Probabilidad II

2. Momentos


4

4
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )

2.1.1 Esperanza

La esperanza matemtica (o simplemente esperanza) es el momento que aparece en
primer orden y la varianza es el momento central de segundo orden

2
2
1
1
m V(X) ) E(X = = = =

Denotamos el momento por medio de y a la varianza como o
2
respectivamente De una
manera ms coloquial podemos decir que si p es la probabilidad de que una persona
reciba una cantidad X de dinero, podemos definir la esperanza como p(X).

Entonces tenemos que si X denota una variable aleatoria discreta que tiene valor X
1
+ X
2

+X
3
+ +X
n
y probabilidades p
1
+ p
2
+p
2+
+ p
n
y la sumatoria de estas es igual a 1 o el
100%, la esperanza se define de la siguiente manera:
()

Ejemplo 1.

La probabilidad de que una seora gane un premio de $1,000.00 es de 1/8 la esperanza
se obtiene de la siguiente manera:

($1,000.00) (1/8)= $125.00

Ejemplo 2.

Se va a realizar una rifa que ofrecer dos premios, uno de $10,000.00 y otro de $5,000.00
y que tienen probabilidades de ocurrencia de 0.001 y 0.003 respectivamente Cul sera
el precio justo por a pagar por cada boleto?

Probabilidad II

2. Momentos


5

5
La esperanza sera igual a

( $ 10,000.00)(0.001) + ($5,000.00)(0.003)
= $10.00 + $ 15.00
= $25.00

Se puede utilizar la esperanza conjuntamente con otras distribuciones de probabilidad.
Por ejemplo si realizamos un muestreo de 10 artculos realizados al da, los cuales
deseamos saber cul es el nmero de artculos que salen defectuosos.

Si denotamos a p como la probabilidad de encontrar un artculo defectuoso, tomando a
Y como una distribucin binomial y sabiendo que p varia diariamente, tomamos el
intervalo (0, ) para calcular el valor esperado de Y.

Sabemos que E (Y)= E [E(Y|p)] donde E(Y|p) = np

Entonces

E (Y|p)= n (-0/2) = n/8

Sustituyendo n=10 tenemos E (Y) = 10/8 =1.25

podemos decir que se promediaran 1.25 defectos da

En la mayora de las veces puede ser complicado calcular directamente los momentos de
algunas variables aleatorias, por lo cual debemos utilizar otras tcnicas ms favorables.
Posteriormente utilizaremos la funcin generadora de momentos de una variable
aleatoria X, la cual est definida por

M
x
(t)=E(e
tX
)=e
tX
*f(x)

2.1.2. Varianza

El momento de segundo orden es conocido como varianza, la cual esta denotada por o
2
y
representa el cuadrado de las desviaciones (esperanza) anteriormente vista, la formula
ms comn para definir la varianza viene dada por

( )
( )
()

Para variables discretas o continuas la varianza se calcula deguiente manera:
Probabilidad II

2. Momentos


6

6
( )
( )
( )

= =
}
+

Continua X .f(x)dx E(X) x
Discreta X ) .f(x E(X) x
E(X) X E V(X)
2
x
i
2
i
2

Ejemplo 1.

Sea X la variable aleatoria del nmero de equipos de computo que se utilizan como en
una empresa. Mostrar que la distribucin de probabilidad de la compaa B es mayor que
en la compaa A.
Compaa A
X 1 2 3
f(x) 0.3 0.4 0.3

Compaa B
X 0 1 2 3 4
F(x) 0.2 0.1 0.3 0.3 0.1

Solucin. Obtenemos la media y la varianza para la compaa A

= E(X) = (1)(0.3) + (2)(0.4) +(3)(0.3) =2
( )
() ( )
() ( )
() ( )
())

En el caso de la compaa B

= E(X) = (0)(0.2) + (1) (0.1) + (2)(0.3) +(3)(0.3)+(4(0.4) =2
( )
()
( )
() ( )
() ( )
() ( )
()
( )
())

As vemos que la compaa B utiliza ms el equipo de cmputo que la compaa A

2.1.3. Covarianza y coeficiente de correlacin

La covarianza definida por X y Y denotada por Cov (X, Y ), es el numero
( ) ,( ())( ( )- .

Probabilidad II

2. Momentos


7

7
Y en trminos de la funcin de densidad de probabilidad conjunta ( ), tenemos

)(
)( )

De igual forma es posible hacer observaciones para dos variables discretas. Para este
tipo de casos las formulas anteriores son reemplazadas por

( )

( )

)(

)( )

En donde las sumatorias toman todos los valores discretos de X y Y

Teoremas para covarianza:

-
() ()() ()

- Cuando X y Y son variables independientes
( )
- Var (XY)=Var(X) + Var (Y) 2Cov(X,Y) o

Estas son algunas proposiciones con respecto a X y Y y sea c una constante.Tenemos

PROPOSICIN DEMOSTRACIN
a) ( ) ( ) ()( ) Cov(X, Y ) = E [(X E(X))(Y E(Y ))]
= E [XY Y E(X) XE(Y ) +
E(X)E(Y )]
= E(XY ) E(X)E(Y ).
b) ( ) ( ) Por definicin
c) ( ) () Por definicin
d) ( ) Por definicin
e) ( ) ( ) Por definicin y linealidad de la esperanza
f) ( ) ( )
( )
Por definicin y linealidad de la esperanza
g)
( )
E(XY ) =E(X)E(Y ) cuando X y Y son
independientes.
h) En general, ( )
independientes.
Sea (X, Y ) un vector aleatorio discreto con
funcin de densidad

Probabilidad II

2. Momentos


8

8
El coeficiente de correlacin

El coeficiente de correlacin de dos variables aleatorias es un nmero real con el que se
mide el grado o estado de dependencia lineal que existe entre ellas. Su definicin es la
siguiente.

Por definicin el coeficiente de correlacin de las variables aleatorias X y Y, denotado por
(X,Y), es el numero

( )
( )
()( )

En esta definicin se necesita tomar en cuenta que las varianzas son nicamente
positivas y finitas.

Vista como funcin de dos variables aleatorias, el coeficiente de correlacin es una
funcin simtrica pero no es lineal pues no separa sumas ni multiplicaciones por
constantes.

De igual forma podemos entender la variacin total como(
es decir la suma de
los cuadrados de las desviaciones de los valores de Y menos la media de Y. Se denota
al valor de Y para los valores dados X

(

Al primer trmino de la ecuacin anterior se le denomina variacin total o variacin
explicada, mientras que al segundo trmino se le llama variacin inexplicada.

Del mismo modo el coeficiente que existe entre la variacin explicada y la variacin total
la denotamos como el coeficiente de determinacin. Si la variacin explicada es cero,
entonces toda la variacin es inexplicada, del mismo modo si la variacin inexplicada es
cero, toda la variacin es explicada, en cualquier otro caso variacin siempre estar entre
el intervalo de [0,1], y al no ser negativo denotamos ese cociente como r, llamada
coeficiente de correlacin de acuerdo a

Si lo que se busca es una relacin lineal entre dos variables, podemos utilizar la siguiente
formula

Probabilidad II

2. Momentos


9

9

)(
)

Actividad 1. Foro: Identificacin de momentos

Al finalizar la actividad sers capaz de Identificar los tipos de variables aleatorias al
reconocer las aplicaciones de los distintos momentos de orden.

De acuerdo a lo descrito en el tema 2.1 Conceptos bsicos. Realiza lo siguiente:

1. Investiga 3 aplicaciones de momentos.

2. Analiza y responde las respuestas para las siguientes preguntas

Cmo identificas un momento para las variables discretas?
Cmo identificas un momento para las variables continuas?

3. Ingresa al foro, comparte tus respuestas con tres de tus compaeros
sosteniendo la postura de tus respuestas.

Actividad 2. Base de datos Relacin de variables

Al finalizar la actividad sers capaz de Identificar la relacin entre dos variables
mediante el coeficiente de relacin.

De acuerdo a lo descrito en el tema 2.1.3 Covarianza y coeficiente de correlacin.
Realiza lo siguiente:

1. Determina el coeficiente de correlacin de variables del siguiente ejemplo,
tomando las variables que se mencionan en la tabla.

Tenemos la variable edad (X) y la variable peso (Y) determina el coeficiente de
correlacin, para la muestra de tres personas.
X Y
15 48
Probabilidad II

2. Momentos


10

10

Utilizamos la formula
)(
)
y encontramos las sumatorias de (xy),
(x
2
) y de (y
2
) y son 6174, 3817 y 10845 respectivamente, sustituimos en la formula dando
por resultado
R= 0.9596

X 24 35 28 47 12 44 56
Y 2 4 6 4 7 2 8

2. Sube tu documento a la plataforma que indica la base de datos y espera los
comentarios de tus compaeros.

3. Recuerda que debes seguir la siguiente nomenclatura PRO2_U2_A2_XXYZ, para
subir tu archivo.
26 54
54 75

2. 2. Funciones generadores de momentos

En este apartado trabajaremos con las aplicaciones de las funciones generadoras de
momentos. El propsito de la funcin generadora de momentos es la determinacin de los
momentos de las distribuciones. Sin embargo lo ms importante es el establecer
distribuciones de funciones de variables aleatorias.

Si g(X)= X
r
donde r= 0,1,2,3, y la siguiente definicin

)
{
()
()

Nos da un valor esperado que es denominado el r-simo momento alrededor del origen y
que denotamos por

Algunas de las distribuciones mencionadas en la unidad anterior y que son las principales
funciones generadoras de momentos son:

Probabilidad II

2. Momentos


11

11
| |
}
=
= = =
+ =
|
|
.
|
\
|
=
=
=
0
0
) 1 (
0
, ) ( :
!
) ( :
) 1 ( ) 1 ( ) ( :
0 ,
) (
) ( :
o o
parametro dx e e t M l Exponencia
e e e
k
e
e t M Poisson
p pe p p
k
n
e t M Binomial
t
t a b
e e
dx
a b
e
t M Uniforme
x tx
x
k
e e
k
tk
x
n
k
n
t k n k tk
x
b
a
at bt tx
x
t t

2.2.1. Funcin generadora de momentos factoriales

Teorema. Si X
1
,X
2
,,Xn son variables aleatorias independientes y Y=X
1
++X
n
,
entonces,

[
=
=
n
1 i
X Y
) t ( M ) t ( M
i

Donde M
xi
(t) es el valor de la funcin de generacin de momentos de x
i
en t

Ejemplo1

Obtenga la distribucin de probabilidades de la suma de n variables aleatorias
independientes X
1
,,X
n
que tengan distribucin Poisson con parmetros
1
,,
n
,
respectivamente.

Solucin, Sabemos que
) 1 e (
X
t
i
i
e (t) M

=

Y por tanto, siendo y=x
1
+,x
n
, se tiene

) 1 e ) (
n
1 i
) 1 e (
Y
t
i 1
t
i
e e ) t ( M
+
=

= =
[

La funcin generadora de momento de X se limita como

() (
)

Esto es, infiriendo que existe convergencia

Probabilidad II

2. Momentos


12

12
()
() ( )
()
() ( )

Teoremas sobre funciones generadoras de momento

Primer teorema.- Si
() es la funcin generadora de momento de una variable

aleatoria X y a y b (b0) son constantes, entonces la funcin generadora de momento de
(X + a) / b es:

()
()
)

Segundo teorema.- Si X y Y son variables aleatorias independientes con funciones
generadoras de momento de
() y
() respectivamente, entonces la funcin

generadora de momento de la suma de variables aleatorias independientes es:

()
()
()

Tercer teorema.- Considerando que X y Y son variables aleatorias que tienen funciones
generadoras de momento
() y
() respectivamente. Entonces X y Y conservan la

misma distribucin de probabilidad si y slo si
() =
() de manera idntica
Ejemplo 1.

Dos amigas Ana y Bety van al sper, pero cada una llega a la tienda por su cuenta, en
intervalos distribuidos uniformemente entre las 10 AM y las11 AM. Generalmente Ana
permanece10 minutos y Bety 15 comprando, cuando no se encuentran. Pero, si ambas se
encuentran, Ana espera a la otra amiga durante 5 minutos. Se sabe que Ana y Bety
gastan g
A
y g
B
pesos por minuto, cuando van solas, pero si estn juntas, gastan el doble.
De acuerdo a la funcin generadora de momentos calcula:

(a) La probabilidad de que Ana y Bety se encuentren
(b) E(T
A
)y E(T
B
),donde T
A
y T
B
son los tiempos respectivos de permanencia de
Ana y Bety.
(c) Calcule E(G),donde G es la suma de los gastos de Ana y Bety.

Solucin
Vamos a generar tres funciones (probabilidad, tiempo y gasto), partiendo de variables
aleatorias, cabe mencionar que tendrs que conocer el tema de distribucin uniforme,
varianza y esperanza para poder distinguir la utilizacin de estas en el problema.
Para esto nombraremos a Ana = A y a Bety = B
Probabilidad II

2. Momentos


13

13
a) Si identificamos X y Y los tiempos en que llegan A y Tomamos variables aleatorias
independientes y una distribucin uniforme entre (0,60) tomando a 0 para las
10:00 AM y 60 para las 11:00 AM. Para calcular la probabilidad de que ambas
amigas se encuentren se determinan dos eventos probables:
i. Si A llega antes que B (X<Y), entonces se produce el encuentro.
ii. Si Y-X<10
Ambos eventos los podemos sintetizar de la siguiente manera:
0<Y-X<10
Si por otro lado, si B llega antes (Y<X), las amigas se encontraran si X-Y<15, resumiendo
esta situacin sera 0<X-Y<15.

Si ubicamos ambos sucesos con regiones de (0,60) X (0,60) como sigue representamos
los sucesos de la siguiente manera:

El primer suceso est representado por la regin
R
1
= {(x, y) [0.60]
2
| 0 <y-x< 10}

Esta regin representa el espacio entre la diagonal y la recta

Y= x+10

El rea R
2
se calcula como

Por otra parte el siguiente suceso se representa por medio de la regin

R
2
={(x,y) [0.60] |0 <x-y< 15}

Esta regin se representa el espacio entre la diagonal y la recta

Y= x-15

El rea de la R
2
se calcula de la siguiente manera.

Finalmente, sumando ambas reas y dividiendo por el rea total obtenemos la
probabilidad de encontrarse.

P=

Probabilidad II

2. Momentos


14

14

Esto quiere decir que existe un 37% de probabilidad

b) En el caso de que A llegue antes que B. si existe el encuentro (Y-X<10)

Entonces:

A estar en la tienda hasta que B compre dentro de sus 15 minutos.

Es decir
T
A
=15+Y-X, si 0 <Y-X< 10
Si suponemos que B llega antes que A, y A llega 5 minutos despus de B.

Entonces se tiene:

T
A
=15-(X-Y) si 0 <X-Y< 5

Si A permanece 10 minutos en la tienda podemos resumir la siguiente expresin, donde
se utilizan los siguientes indicadores.

T
A
=10(1
{Y-XP10}
+1
{X-YP5
)+(15+Y-X)1
{0<Y-X<0}
+(15-(X-Y))1
{0<X-Y<5}

Si notamos que T
A
es una funcin de X, Y el valor esperado lo calculamos integrando
respecto a la densidad conjunta y recordando que la esperanza de un indicador es la
probabilidad.

E(T )=10(P(Y-XP 10)+P(X-Y P5))+ f
R2
(15+y-x)dxdy/3600+ f
R3
(15+y-x)dxdy3600

En donde:

R
3
= {(xy) [0.60]
2
| 0 <x- y< 5}.

La probabilidad de que ambas se calculen de manera sencilla ya que ambas son dos
tringulos.

( ) (

(

La integral sobre R
1
se escribe como

Probabilidad II

2. Momentos


15

15
( ) 0(
-1
()
()

Donde (y-10)
+
es la parte positiva de y - 10, que vale 0 si y< 10 y vale y - 10
Cuando yP 10.

La ltima integral podemos escribirla como

( .
/ ( )
( ( )
))

Que es igual a
( .
( ) .

Calculando las primitivas obtenemos

*

As, la integral sobre R la calculamos como

( ) 0(
()
()

Entonces (5+y)
60
es el mnimo dado entre 5 + y y 60.Entonces la integral se transforma
en

0 .
/1
()
0(

Por ultimo tenemos que:

Ahora el clculo de E(T
B
), en donde el razonamiento es totalmente semejante

Si A llega primero (0 <Y-X), entonces: T
B
=15,no importa saber si se encuentran o no.

Probabilidad II

2. Momentos


16

16
As mismo,

Si B llega primero y A llega antes de 5 minutos (0 <X- Y< 5), tambin se tiene T
B
=15.

Por ultimo si A llega ms de 5 minutos despus de B y se encuentran (5 <X-Y< 15)

Entonces

T
B
=10+X-Y. Usando la notacin de los indicadores tenemos
T
B
=15(1
{X-YO5}
+1
{X-YP15}
)+(10+X-Y)1
{5<X-Y<15}

Como antes, debemos evaluar las probabilidades de los sucesos que producen el valor
15.

P(X-YO 5)+P(X-Y P15)=1-P(5 <X-Y< 15)

De esta forma la integral correspondiente al segundo trmino es

( )
()
()

Por ultimo obtenemos que:

(

c) Nombremos a G
A
como el gasto que realiza A por un minuto y a G
B
como el gasto
que realiza B.

Entonces, Tenemos que ver el gasto G en funcin de los tiempos de estancia en el sper
comprando.

Definimos una nueva variable aleatoria T
AB
como el tiempo en las dos juntas en la tienda.
Y la representamos de la siguiente manera:

G = G
A
T
A
+G
B
T
B
+(G
A
+G
B
)T
AB

Probabilidad II

2. Momentos


17

17
De tal forma calculamos E(T
AB
) mediante la siguiente suposicin:

A llega primero y que se encuentran y B llega antes de 10 minutos (0 <Y- X< 10);
entonces el tiempo que ambas amigas estn juntas ser:
T
AB
=15

Si B llega primero y A llega antes de 5 minutos (0 <X-Y< 5), entonces T
AB
=15-(X-Y).

Si B llega primero y A llega despus de 5 minutos y se encuentran (5 <XY< 15),
entonces T
AB
=10.
Por ltimo, si no se encuentran T
AB
= 0, en la notacin de indicadores tenemos:

Calculando el valor esperado encontramos en primer trmino,

( )
(

Hacemos uso de una integral ya calculada

Para obtener,

As que tenemos que

(

Sustituyendo los valores calculados obtendremos

()

()

Probabilidad II

2. Momentos


18

18
Que seria la suma del gasto que realizan Ana y Bety estando de compras juntas

2.2. Momentos Factoriales para generar una funcin

Si existe una funcin generadora de momentos de una variable aleatoria X, se puede
utilizar para generar todos los momentos de dicha variable. El mtodo puede ser descrito
a travs del siguiente teorema.

Sea X una variable aleatoria con funcin generadora de momentos
() Entonces:

()
.

Aplicacin de la funcin generadora de momentos en una variable aleatoria

Ejemplo 1.- Encuentre la funcin generadora de momentos de una variable aleatoria
binomial X y despus utilcela para verificar que y
.

Solucin:

De la definicin de la funcin generadora de momentos tenemos:

()

Si reconocemos a la ltima suma como la expansin binomial de (
, obtenemos:

() (

Ahora bien.

()
()
( )(
]

Al hacer , obtenemos:

,( ) -.

Probabilidad II

2. Momentos


19

19

Por tanto,

( ) .

Que est de acuerdo con lo que se obtiene por medio de las distribuciones de
probabilidad discreta

Ejemplo 2.- Exprese que la funcin generadora de momentos de la variable aleatoria X
que tiene una distribucin de probabilidad normal con media y varianza
est dada
por:

() (

)
Solucin:

Aplicando la definicin de la funcin generadora de momentos de la variable aleatoria
normal X tenemos:

()
,
( )
*
[
+

Al completar los cuadrados en el exponente, se puede exponer lo siguiente:

, (
) -

Por lo tanto,

()
(
*, (
)-
)

(

(
( )*, (
)-+
)

Sea , (
)- ; entonces con lo cual tenemos

() .

/ ,

Probabilidad II

2. Momentos


20

20
Ya que la ltima integral representa el rea bajo una curva de densidad normal estndar y
por ello es igual a 1.

Ejemplo 3.- Demuestre que la funcin generadora de momentos de la variable aleatoria X
que tiene una distribucin ji cuadrada con grados de libertad es
() ( )
.

Solucin:

La distribucin ji cuadrada se obtuvo como un caso especial de la distribucin gamma al
hacer
y . Al sustituir por () de la definicin de la funcin generadora

de momentos de una variable aleatoria X, se obtiene lo siguiente:

()

( )

( )

()

Al escribir ( ) y , ( ) -, se obtiene:

()

( )
(
( )()

( )

,

Debido a que la ltima integral es igual a ( ) .

2.3. Esperanza condicional

Sea x una variable aleatoria continua o discreta y f(x|y) es el valor de la distribucin de
probabilidad condicional de x dada y, la esperanza condicional, de u(x) es la siguiente:

( )
( ) dx ) y / x ( f ) x ( u y / ) x ( u E
) y / x ( f ) x ( u y / ) x ( u E
x
}

=
=

Probabilidad II

2. Momentos


21

21
Ejemplo, la densidad conjunta de dos variables aleatorias x y y esta denotada por
1 y 0 y 1 x 0 valores para ) y 2 x (
3
2
) x ( f < < < < =
Compruebe que la media y la varianza condicionales de x dada y=1/2 es la siguiente:
= + =
= + =
+ =
|
.
|
\
|
+
+
= =
+ = + = =
}
}
} }

18
7
) 1 (
3
2
) 2 / 1 / (
9
5
) 1 (
3
2
) 2 / 1 / (
) 1 (
3
2
2
1
/
) 4 1 ( 3 / 1
) 2 ( 3 / 2
) (
) , (
) / (
) 4 1 (
3
1
) 2 (
3
2
) , ( ) (
1
0
2 2
1
0
1
0
dx x x x E
dx x x x E
x x f
y
y x
y h
y x f
y x f
y dx y x dx y x f y h

2.3.1. Caso discreto

Cuando el nmero de valores posibles de X es finito, es decir que se pueden anotar los
valores de X como, x x
n 1
,...,

Si X es una variable aleatoria discreta, entonces R
x
comprende un nmero de valores de
x x
n 1
,..., como posible resultado de x
i
relacionamos un nmero p(x
i
) = P(X=x
i
) llamado
probabilidad de x
i
, y se satisface por medio de:

=
=
>
1 i
i
i
1 ) x ( p
i 0 ) x ( P

Donde, p es la probabilidad de la variable aleatoria X.

La coleccin de pares ( , ( )), ,... x p x i
i i
= 1 es, en algunas ocasiones, la distribucin de
probabilidad de X.

De acuerdo a las variables aleatorias se presentan algunos casos para X y Y:

Caso 1: Si X es una variable aleatoria discreta, Y=G(x), entonces, Y es variable aleatoria
discreta
Caso 2: Si X es variable aleatoria continua, Y es variable aleatoria discreta, la funcin de
distribucin de probabilidades de Y determina el suceso equivalente que corresponde a
los valores de Y. Si se conoce la funcin de distribucin de probabilidad de X. En general,
si {Y=y
i
} es equivalente a un suceso, sea x el recorrido de X, entonces,
q y P Y y f x
i i
k
( ) ( ) ( )dx = = =
}

Probabilidad II

2. Momentos


22

22
2.3.2. Caso continuo

Variables aleatorias continuas. Cuando una variable toma los valores x
1
, ..., x
k.
si la
variable es contina, no vale la pena realizar una suma de las probabilidades de cada uno
de los elementos en el sentido anterior, ya que el conjunto de valores que puede tomar la
variable es no numerable.

La funcin de densidad de una Variable Aleatoria continua, se define como una
funcin en el conjunto de los nmeros reales y es integrable, y que identifica las dos
propiedades siguientes:

}
= >
b
a
1 dx ) x ( f 0 ) x ( f

Adems verifica que dado a<b, se tiene que

como se muestra en la grafica

Debido a que f es una funcin integrable, la probabilidad de un punto es nula,

}
= = s s = =
a
a
0 f(x)dx a) X P(a a) P(X

}
= = s s
b
a
curva la bajo rea f(x)dx b) X P(a
Probabilidad II

2. Momentos


23

23
2.3.3 Caso mixto

Debido a que una variable aleatoria puede ser indistintamente discreta y continua, es
decir puede asumir valores puntuales con una probabilidad distinta de cero, o valores por
intervalos.

Ejemplo. Sea el experimento de conocer la vida til de equipos de computo, donde X es el
tiempo que funcionara el equipo, pero existe una probabilidad de que el artculo no
funcione del todo, falla en el tiempo X = 0;

Ejemplo. Tambin cuando Y es la variable aleatoria que representa la demora de un
repartidor de pizza al hacerlo detenerse de manera obligatoria, existe una probabilidad de
que no haya trfico y el repartidor no tenga demora X = 0, s tiene que esperar, lo debe
hacer por un tiempo continuo.

Como se aprecia en la grafica superior, para encontrar la probabilidad de que una cierta
variable x tenga un desempeo entre a y
b, a < b, se escribe como sigue:

Cuando Y es una variable aleatoria mixta, su funcin de distribucin es:

- FY(y) = P1 F1(Y) + P2 F2(Y): Donde
F1 = Funcin de distribucin escalonada (parte discreta)
F2 = Funcin de distribucin continua
P1 = Probabilidad acumulada de los puntos discretos
P2 = Probabilidad acumulada de los puntos continuos

Actividad 3 Ejercicio Clasificacin de familias

Al finalizar la actividad sers capaz de Utilizar los tipos de variables aleatorias en una
Probabilidad II

2. Momentos


24

24
situacin de la vida diaria.

De acuerdo a lo descrito en el tema 2.2.1 y 2.2.2 caso discreto y caso contino
respectivamente, realiza lo siguiente:

1. Descarga el archivo llamado Clasificacin de familias. Ubicado en la pestaa de
la unidad 2

2. Resuelve el ejercicio que se presenta en el documento

3. Guarda tu documento con la siguiente nomenclatura PRO2_U2_A3_XXYZ y
espera la retroalimentacin de tu Facilitador(a).

Autoevaluacin
Para verificar tus conocimientos adquiridos en la unidad, debers ingresar a la
autoevaluacin y responder las preguntas que ah se te plantean. La calificacin
obtenida quedar registrada en el portafolio de evidencias.
Instrucciones: A partir de las grficas anteriores, realiza las grficas de manera
simtrica y anota los datos asignados a cada variable para que comprendas la diferencia
entre variables continuas y variables discretas
Por ejemplo

Representacin de una grfica de variables discretas (Caso discreto)

0
2
4
6
8
10
12
1er trim.
Simetra
Probabilidad II

2. Momentos


25

25

Representacin una grfica de variables continuas (Caso continuo)

Representacin una grfica de variables continuas (Caso continuo)

Para ingresar a la autoevaluacin: En la ruta (parte superior izquierda del aula) da clic
en Clculo. Se enlistarn las actividades, da clic en Autoevaluacin

Evidencia de aprendizaje. Resolucin de un problema Un caso de la
industria

Al finalizar la actividad el estudiante ser capaz Identificar y utilizar los tipos de
variables aleatorias para determinar si existe correlacin entre ellas.

1. Descarga el documento llamado Un caso de la industria. Que se encuentra en
la pestaa de la unidad 2

2. Resuelve el problema que en el documento se plantea.

0
2
4
6
8
10
12
1er trim.
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
Probabilidad II

2. Momentos


26

26
3. Guarda tu documento con la siguiente nomenclatura PRO2_U1_EA_XXYZ.

4. Recuerda sustituir las XX por las dos primeras de tu primer nombre, la Y por la
inicial de tu apellido paterno y la Z por la inicial de tu apellido materno.

5. Enva el documento a tu facilitador (a) mediante la herramienta de Portafolio de
Evidencias.

Autorreflexiones

Al finalizar, consulta el Foro: Preguntas de autorreflexin para realizar el ejercicio
correspondiente y enviarlo a travs de la herramienta Autorreflexiones, recuerda que
tambin se toman en cuenta para la calificacin final.

Cierre de la unidad.

En esta unidad aprendiste cmo se desarrolla una esperanza matemtica, un covarianza
y su coeficiente de correlacin, determinaste variables aleatorias discretas y continuas y la
forma en que estn cambian dependiendo la situacin en la que estn.

Identificaste como una variable aleatoria discreta o continua, puede generar un momento
que permite establecer parmetros de solucin dentro de una problemtica.

Te invitamos a que sigas estudiando en este mundo de la probabilidad, donde se pueden
representar muchos casos que nos ayudan a pronosticar eventos de la vida cotidiana, y
en cierta forma predecir resultados anticipadamente.

Referencias bibliogrficas

Probabilidad y Estadstica, 2001, ediciones Instituto de Investigacin Tecnolgica
Educativa de la Universidad Tecnolgica de Mxico S.C., Mxico

Milton J. Susan , 2003, Probabilidad y Estadstica con aplicaciones para Ingeniera y
Ciencias Computacionales, Mc Graw Hill, Mxico

Spiegel MurrayR. 2002, Probabilidad y Estadstica, Mc Graw Hill 3 edicin, Mxico

Probabilidad II

2. Momentos


27

27
Seymour, 2001, Probabilidad, Mc Graw Hill, 2 edicin , Colombia

Unidad - 2 - Momentos. PRO 2 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad - 2 - Momentos. PRO 2 PDF

Cargado por

Copyright:

Formatos disponibles

Probabilidad II

()) y caracterizan la funcin de

al valor de Y para los valores dados X

() es la funcin generadora de momento de una variable

() respectivamente, entonces la funcin

() respectivamente. Entonces X y Y conservan la

)- ; entonces con lo cual tenemos

y . Al sustituir por () de la definicin de la funcin generadora

También podría gustarte