ESTADISTICA

BSICA
Wilberth Castillo Mamani, MSc.

wthcm1@hotmail.com

CONTENIDO

1. Variables aleatorias: Discretas y continuas

2. Distribuciones de probabilidad univariadas
3. Momentos de una distribucin
4. Vectores aleatorios: Distribuciones
multivariadas
5. Covarianza y correlacin.
6. Estimador y sus propiedades.

VARIABLES ALEATORIAS

VARIABLE DETERMINSTICA
Variable: Magnitud que puede tener un valor de los
comprendidos en un conjunto, pero
predecible con exactitud.

Continua
Variable
Determinstica:

Discreta

VARIABLE ALEATORIA
Variable Aleatoria: Magnitud cuyos valores estn
determinados por las leyes de la
probabilidad, como los puntos
resultantes de la tirada de un dado.

Continua
Variable Aleatoria:

Discreta

Algunos valores de una variable aleatoria pueden ser mas

probables que otros, lo que da origen al concepto de distribucin
de probabilidad de una VA.

DISTRIBUCIN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Ejemplo: Caso de una VA discreta:

Experimento: Arrojar
dos dados y observar
la VA X : la suma de
los puntos de las
caras que quedan
hacia arriba.
Las formas en que
puede ocurrir cada uno
de los valores que toma
la VA X se muestran en
la tabla.
Observemos que hay 1
posibilidad en 36 de que X=2,
mientras que hay 2
posibilidades en 36 de que X=3

Y1

Y2

X=Y1+Y2

Y1

Y2

X=Y1+Y2

10

10

11

10

11

12

DISTRIBUCIN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Las probabilidades para cada valor de la VA X se muestran
en la tabla. En este ejemplo la tabla representa la funcin de
distribucin de probabilidad (fdp) de la VA X.
X

P(X=x)
Representacin grfica de la funcin de distribucin de probabilidad de la VA X

2
3

1/36
2/36

P(X)

P(x)
0.20

3/36

4/36

0.18
0.16

0.14

5/36

6/36

5/36

4/36

10

3/36

11

2/36

12

1/36

0.12
0.10
0.08
0.06
0.04
0.02
0.00

10

11

12

13

DISTRIBUCIN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Distribucin de probabilidad de una VA X:
f(x) = P( X=x )
En nuestro ejemplo de la suma de dos dados:

f(3) = P( X=3 ); f(3) = 2/36

Propiedades de la distribucin de probabilidad de una

variable aleatoria discreta (tambin conocida como funcin
masa de probabilidad, fmp) :
a) f (x) 0
b)

f ( x) 1
x

Para toda x que pertencece a X

DISTRIBUCIN DE PROBABILIDAD ACUMULATIVA

DE UNA VARIABLE ALEATORIA DISCRETA
Las probabilidades acumuladas para cada valor de la VA X se
muestran en la siguiente tabla que representa la funcin de
distribucin acumulativa (FDA) de la VA X.
X

P(Xx)

1/36

3/36

6/36

10/36

15/36

21/36

26/36

30/36

10

33/36

11

35/36

12

36/36

P(X<=x)

1.00

0.80

0.60

0.40

En nuestro ejemplo:

F ( x j ) P( X x j ) xi

0.20

i 1

0.00
0

10

11

12

13

14

Esta es una funcin escaln, hay un salto en cada valor de X y es plana entre ellos.

F(3) = P( X<=3 ); F(3) = 1/36 + 2/36 = 3/36

DISTRIBUCIN DE PROBABILIDAD ACUMULATIVA

DE UNA VARIABLE ALEATORIA DISCRETA
j

F ( x j ) P( X x j ) xi
i 1

La FDA es una funcin no decreciente de X con las

siguientes propiedades.
1. 0 F ( x) 1
2. F ( xi ) F ( x j )

xi x j

3. P(X x) 1 - F ( x)

Adems, si X pertenece al conjunto de los nmeros

enteros:
4. P(X x) F ( x) F ( x 1)
5. P( xi X x j ) F ( x j ) F ( xi 1)
xi x j
consultar: Canavos, Prob. y Estad., Aplicaciones y
Mtodos., Mc Graw Hill., pag. 56

DISTRIBUCIN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Caso de una VA continua
Propiedades de la distribucin de probabilidad de una
variable aleatoria continua (tambin conocida como funcin
de densidad de probabilidad, fdp) :

1. f(x) 0,
2.

f(x)dx 1
b

3. P(a X b) f(x)dx
a

DISTRIBUCIN DE PROBABILIDAD
ACUMULATIVA DE UNA VARIABLE ALEATORIA CONTINUA
Caso de una VA continua
x

F ( x) P( X x) f (t )dt

La FDA es una funcin no decreciente de X con las siguientes caractersticas.

1. F( ) 0
2. F( ) 1
3. P(a X b) F(b) F(a)
dF ( x)
4.
f ( x)
dx
adems:

P( X x) f (t )dt 0
x

y:

P( X x) P( X x) f (t )dt F ( x)

VALOR ESPERADO DE UNA VARIABLE ALEATORIA

O ESPERANZA MATEMTICA
Valor esperado de una variable aleatoria X:

xP ( x) ; si X es discreta
x
EX
xf ( x)dx ; si X es continua

Valor esperado de una funcin g(x) de una

variable aleatoria X:

; si X es discreta
g ( x) P( x)
x
Eg ( X )
g ( x) f ( x)dx ; si X es continua

PROPIEDADES DE LA ESPERANZA
MATEMTICA
Si X es una variable aleatoria con distribucin de probabilidad
f(x); a, b y c son constantes y g(x) y h(x) son funciones de X,
entonces:

1.

E[c] c

2.

E[aX b] aE[ X ] b

3.

E[ g ( x) h( x)] E[ g ( x)] E[h( x)]

MOMENTOS DE UNA VARIABLE ALEATORIA

El momento de orden k respecto al origen de una variable aleatoria se
define como:

k
x
i P( xi ) ; si X es discreta.
k
ak E[ X ] i
k
x f ( x)dx ; si X es continua.
x
El momento de orden k respecto a la media de una variable aleatoria se
define como:

k
(
x

)
P( xi ) ; si X es discreta.
i

K
k E[( X ) ] i
k
( x ) f ( x)dx ; si X es continua.

MEDIA, VARIANZA Y DESVIACIN ESTNDAR DE UNA VA

Valor esperado o media de una variable aleatoria:

xi P( xi ) ; si X es discreta.
a1 E[ X ] i
xf ( x)dx ; si X es continua.
x

Varianza de una variable aleatoria:

2
(
x

)
P( xi ) ; si X es discreta.

i
2
2
E[( X ) ]
2
( x ) f ( x)dx ; si X es continua.

Desviacin estndar

SD( X ) 2

PROPIEDADES DE LA VARIANZA
Si X es una variable aleatoria con distribucin de probabilidad
fX(x); a, b y c son constantes , entonces:

1.

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

2.

Var[c] 0

3.

Var[aX b] a Var[ X ]
2

Adems, si Y es una variable aleatoria con distribucin de

probabilidad fY(y), y se cumple que X y Y son INDEPENDIENTES
entonces:

4.

Var[ X Y ] Var[ X ] Var[Y ]

Vectores Aleatorios

Concepto de Vector Aleatorio

Distribucin de X condicionada a Y=2:

Distribucin de Y condicionada a X=0:

Covarianza y Correlacin

Covarianza y Correlacin

ESTIMADORES Y SUS PROPIEDADES

Comparacin de Estimadores:
Supongamos que un dirigente deportivo debe escoger un
tirador de tiro al blanco para los prximos Juegos Olmpicos.
Para ello el dirigente convoca a 3 participantes y los somete a
pruebas de tiro, obteniendo los siguientes resultados:

Comparacin de estimadores

Propiedades deseables de los estimadores

ESTIMADOR INSESGADO significa que su media o valor esperado
coincide con el parmetro , esto es:

E = y por lo tanto, su sesgo=E - = 0

Consecuencia: Si es insesgado, entonces ECM Var
ESTIMADOR EFICIENTE: si para estimar un mismo parmetro,
disponemos de varios estimadores insesgados, el estimador eficiente ser
el de menor varianza.

1 y 2 insesgados. Si Var 1 Var 2 entonces, 1 es ms eficiente que 2

Referencias

Novales, Alfonso (2003); Caps: 1-3