Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica Inferencial LIBRO
Estadistica Inferencial LIBRO
UNAM
PROBABILIDAD
Y
ESTADÍSTICA
Irene Patricia Valdez y Alfaro
3. Variables aleatorias.
6. Distribuciones muestrales.
VARIABLES ALEATORIAS
Variable • Continua
Determinística: • Discreta
Continua
Variable Aleatoria:
Discreta
Por ejemplo:
a) Al arrojar una moneda y observar el lado que queda hacia arriba:
X={ x1 = 1 (águila), x2 = 0 (sol) }
c) arrojar dos dados y anotar la suma de los puntos que caen hacia
arriba.
la tabla. 3 2 5 6 2 8
3 3 6 6 3 9
Observemos que hay 1 3 4 7 6 4 10
posibilidad en 36 de que X=2,
3 5 8 6 5 11
mientras que hay 2
3 6 9 6 6 12
posibilidades en 36 de que X=3
Preparado por Irene Patricia Valdez y Alfaro
DISTRIBUCIÓN 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 función de
distribución de probabilidad (fdp) de la VA X.
X P(X=x)
Representación gráfica de la función de distribución de probabilidad de la VA X
2 1/36
P(X)
3 2/36
P(x)
0.20
4 3/36 0.18
0.16
5 4/36
0.14
6 5/36 0.12
0.10
7 6/36
0.08
8 5/36 0.06
0.04
9 4/36 0.02
10 3/36 0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13
X
11 2/36
12 1/36
Preparado por Irene Patricia Valdez y Alfaro
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
b) ∑ f ( x) = 1
∀x
2 1/36 1.00
3 3/36
0.80
4 6/36
5 10/36 0.60
6 15/36
0.40
7 21/36 j
8 26/36 0.20 F ( x j ) = P ( X ≤ x j ) = ∑ xi
i =1
9 30/36
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
10 33/36
11 35/36
Esta es una función escalón, hay un salto en cada valor de X y es plana entre ellos.
12 36/36
En nuestro ejemplo: F(3) = P( X<=3 ); F(3) = 1/36 + 2/36 = 3/36 Preparado por Irene Patricia Valdez y Alfaro
DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
DE UNA VARIABLE ALEATORIA DISCRETA
j
F ( x j ) = P( X ≤ x j ) = ∑ xi
i =1
λe − λx x≥0
f ( x) =
0 cualquier otro caso
Preparado por Irene Patricia Valdez y Alfaro
DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Caso de una VA continua
Propiedades de la distribución de probabilidad de una
variable aleatoria continua (también conocida como función
de densidad de probabilidad, fdp) :
1. f(x) ≥ 0, −∞ ≤ x ≤ ∞
∞
2. ∫
−∞
f(x)dx = 1
b
3. P(a ≤ X ≤ b) = ∫ f(x)dx
a
fdp FDA
λe − λx x≥0
f ( x) =
0 cualquier otro caso X
0 x
FDA 1 − e − λx x≥0
F ( x) =
x 0 cualquier otro caso
F ( x) = P( X ≤ x) = ∫
−∞
f (t ) dt
Preparado por Irene Patricia Valdez y Alfaro
DISTRIBUCIÓN DE PROBABILIDAD
ACUMULATIVA DE UNA VARIABLE ALEATORIA CONTINUA
Caso de una VA continua
x
F ( x) = P( X ≤ x) = ∫ f (t )dt
−∞
x
y: P( X ≤ x) = P( X < x) = ∫ f (t )dt = F ( x)
−∞
Preparado por Irene Patricia Valdez y Alfaro
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
O “ESPERANZA MATEMÁTICA”
Valor esperado de una variable aleatoria X:
∑ xP( x) ; si X es discreta
x
E[X ] = ∞
∫ xf ( x)dx ; si X es continua
−∞
∑ g ( x ) P ( x ) ; si X es discreta
∞x
E [g ( X )] =
∫ g ( x) f ( x)dx ; si X es continua
− ∞
Preparado por Irene Patricia Valdez y Alfaro
PROPIEDADES DEL VALOR ESPERADO
COMO OPERADOR MATEMÁTICO
Si X es una variable aleatoria con distribución 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
∫ x f ( x)dx ; si X es continua.
k
x
∫ ( x − µ ) f ( x)dx ; si X es continua.
k
x
∫ ( x − µ ) f ( x )dx ; si X es continua.
2
x
• Desviación estándar
σ = σ2
Preparado por Irene Patricia Valdez y Alfaro
MOMENTOS DE UNA VARIABLE ALEATORIA
Los momentos de orden k respecto a la media pueden expresarse en
función de los momentos respecto al origen mediante la relación:
k j
k
µ k = ∑ (−1) µ µ 'k − j ; k = 0,1,2,...
j
j =0 j
Ejemplo:
Para k=2 (segundo momento respecto a la media = varianza)
2
2 2 2 2
µ 2 = ∑ (−1) j µ j µ '2− j = (−1) 0 µ 0 µ '2−0 + (−1)1 µ 1µ '2−1 + (−1) 2 µ 2 µ '2− 2
j =0 j 0 1 2
µ 2 = (1)(1)(1) µ '2 + (−1)(2) µµ '1 + (1)(1) µ 2 µ '0
µ 2 = µ '2 + (−2) µµ + µ 2 (1)
Notar que :
µ 2 = µ '2 −2 µ 2 + µ 2
µ '1 = µ y µ '0 = 1
µ 2 = µ '2 − µ 2
µ 2 = σ 2 = E[( X − µ ) 2 ] = E[ X 2 ] − E[ X ]2
Preparado por Irene Patricia Valdez y Alfaro
MOMENTOS DE UNA VARIABLE
ALEATORIA
Para k=3
Para k=4
1. V [c ] = 0
2. V [aX + b] = a 2V [ X ]
Además, si Y es una variable aleatoria con distribución de
probabilidad fY(y), y se cumple que X y Y son INDEPENDIENTES
entonces:
3. V [ X + Y ] = V [ X ] + V [Y ]
P( X − µ ≥ kσ ) ≤ 2
1
k
Formas alternativas, a veces útiles, de la desigualdad de Chebyshev son: