RESUMEN: CAPITULO 2

Alumno: Jareth Alexis Soriano Lopez

Grupo 510
Lic. En Matemáticas Aplicadas
Probabilidad
Libro: Mathematical Statistics With Aplications
23 de Octubre del 2021

2 CONCEPTOS BÁSICOS DE LA TEORÍA DE LA PROBABILIDAD

Andrei Kolmogorov (1903-1987) sentó las bases matemáticas de la teorı́a de la probabilidad

y la teorı́a de la aleatoriedad.Introdujo la teorı́a de la probabilidad de forma rigurosa a
partir de axiomas fundamentales. También hizo importantes contribuciones a los procesos
estocásticos, teorı́a de la información, estadı́stica mecánica y dinámica no lineal. Kolmogorov
tenı́a numerosos intereses fuera de las matemáticas.

2.1 INTRODUCCIÓN

La teorı́a de la probabilidad proporciona un modelo matemático para el estudio de la aleato-

riedad y la incertidumbre. El concepto de probabilidad ocupa un papel importante en el
proceso de toma de decisiones. Los modelos matemáticos de probabilidad La teorı́a nos per-
mite hacer predicciones sobre ciertos fenómenos de masas a partir de información incompleta
derivada de las técnicas de muestreo. La teorı́a de la probabilidad es la herramienta más
importante en inferencia estadı́stica. El origen de la teorı́a de la probabilidad se remonta
al modelado de juegos de azar. Los primeros resultados sobre probabilidad surgieron de la
colaboración de los eminentes matemáticos Blaise Pascal y Pierre Fermant y un jugador,
Chevalier de Méré. Teorı́a de probabilidad fue desarrollado únicamente para ser aplicado a
juegos de azar hasta el siglo XVIII, cuando Pierre Laplace y Karl F. Gauss aplicó las reglas
probabilı́sticas básicas a otros problemas fı́sicos. Probabilidad moderna La teorı́a le debe
mucho a la publicación de 1933 Foundations of Theory of Probability del ruso el matemático
Andrei N. Kolmogorov. Desarrolló la teorı́a de la probabilidad desde un punto axiomático
de vista.

2.2 EVENTOS ALEATORIOS Y PROBABILIDAD

Cualquier proceso cuyo resultado no se conoce de antemano, pero es aleatorio se denomina

experimento. Por lo tanto, un experimento puede incluir observar si un fusible está defec-
tuoso o no, o la duración de tiempo desde el inicio hasta el final de la lluvia en un lugar en
particular. Cada repetición se llama prueba.

1
 Definición informal de probabilidad:La probabilidad de un evento es una medida
(número) de la probabilidad con la que podemos esperar el evento a ocurrir. Asignamos un
número entre 0 y 1 inclusive a la probabilidad de un evento. Una probabilidad de 1 significa
que estamos 100% seguros de la ocurrencia de un evento, y una probabilidad de 0 significa
que estamos 100% seguro de la no ocurrencia del evento. La probabilidad de cualquier evento
A en el espacio muestral S se denota por P (A).

Clásica definición de probabilidad:Si hay n posibilidades igualmente probables, de

las cuales debe ocurrir una, y m de ellas se consideran como favorable a un evento, o como
”éxito”, entonces la probabilidad del evento o un ”éxito” viene dada por m / n.

Ejemplo 2.2.1

Se lanza un dado equilibrado (con todos los resultados igualmente probables). Sea A el evento
de que un número par ocurre. Entonces hay tres resultados favorables (2, 4, 6) en A, y el
espacio muestral tiene seis elementos, 1, 2, 3, 4, 5, 6. Por tanto, P (A) = 3/6 = 1/2.

El concepto de probabilidad clásico no es aplicable en situaciones en las que las diversas

posibilidades no pueden ser considerado igualmente probable.

Frecuencia definición de probabilidad: La probabilidad de un resultado (evento) es

la proporción de veces que el resultado (evento) ocurrirı́a en una larga serie de experimentos
repetidos.
La interpretación de frecuencia de la probabilidad suele ser útil. Sin embargo, no está com-
pleto. Porque condición de repetición en circunstancias idénticas, la definición de frecuencia
de probabilidad es no se aplica a todos los eventos.

Definición axiomática de probabilidad: Sea S un espacio muestral de un experimento.

La probabilidad P (.) Es una función de valor real que asigna a cada evento A en el espa-
cio muestral S un número P (A), llamado probabilidad de A, con lo siguiente condiciones
satisfechas:

ˆ 1. No es negativo, (A) ≥ 0

ˆ 2. Es la unidad para un evento determinado. Es decir, P (S) = 1.

ˆ 3. Es aditivo sobre la unión de un número infinito de eventos disjuntos por pares,

es decir, si A1, A2,. . . formulario una secuencia de eventos por pares mutuamente
excluyentes es decir (Ai ∩ Aj = ϕ para i ̸= j en S, entonces P ( ∞
S P∞
i=1 Ai ) = i=1 P (Ai )

Ejemplo 2.2.3

Se carga un dado (no todos los resultados son igualmente probables) de modo que la prob-
abilidad de que aparezca el número i es Ki, i = 1, 2,. . . , 6, donde K es una constante.
Encontrar
(a) el valor de K.
(b) la probabilidad de que aparezca un número mayor que 3.
Solución:

2
(a) Aquı́, el espacio muestral S tiene seis resultados 1, 2,. . . , 6. Por tanto, utilizando los
axiomas (2) y (3) tenemos P(1) + P(2) + . . . + P(6) = 1. Dado que P (i) = Ki, tenemos
(K) (1) + (K) (2) +. . . + (K) (6) = 1 ó (K) (1 + 2 +... + 6) = (K) (21) = 1.
Por tanto, K = 1/21. La probabilidad de, digamos, que aparezca el número 5 es 5/21.

(b) Sea A el evento de que aparezca un número mayor que 3. Entonces los resultados en A
son 4, 5, 6 y son mutuamente excluyentes. Por lo tanto, P (A) = P (4) + P (5) + P (6) =
4 5 6
24
+ 21 + 24 = 15
24

Algunas propiedades básicas de probabilidad: Para dos eventos A y B en S, tenemos

lo siguiente:

ˆ P (Ac ) = 1 − P (A), donde Ac es complemento del conjunto A en S.

ˆ Si A ⊂ B entonces P (A) ≤ P (B)

ˆ P (A ∪ B) = P (A) + P (B) − P (A ∩ B). En particular, si A ∩ B = ϕ, luego P (A ∪ B) =

P (A) + P (B)

Ejemplo 2.2.4

En una universidad grande, el perfil de estudiante de primer año para la admisión de otoño
de un año dice que el 40% de los estudiantes estaban en el 10% superior de su clase de la
escuela secundaria, y que el 65% son blancos, de los cuales el 25% estaban en el 10% superior
de su clase clase de secundaria. ¿Cuál es la probabilidad de que un estudiante de primer año
seleccionado al azar de esta clase ¿Estaba en el 10% superior de su clase de secundaria o es
blanco?
Solución:
Sea E1 el evento de que una persona elegida al azar estuviera en el 10% superior de su
clase de secundaria, y sea E2 el evento de que el estudiante sea blanco. Se nos da P (E1 ) =
0.40, P (E2 ) = 0.65 y P (E1 ∩ E2 ) = 0, 25. Luego, el evento de que el estudiante elegido es
blanco o estaba en el 10% superior de su clase de educación superior está representada por
E1 ∪ E2 . Por lo tanto, P (E1 ∪ E2 ) = P (E1 ) + P (E2 ) − P (E1 ∩ E2 ) = 0.40 + 0.60 − 0.25 = 0.80

2.3 TÉCNICAS DE CONTEO Y CÁLCULO DE PROBABILIDADES

En un espacio muestral con una gran cantidad de resultados, determinar el número de resul-
tados asociados con los eventos a través de la enumeración directa podrı́a ser tedioso.

Principio de multiplicación: si los experimentos A1 , A2 , ..., Am contienen, respectiva-

mente, n1 , n2 , ..., nm resultados, tales que para cada resultado posible de A1 hay n2 resultados
posibles para A2 , y ası́ sucesivamente, entonces hay un total de n1 , n2 , ..., nm posibles resul-
tados para el experimento compuesto A1 , A2 , ..., Am

Ejemplo 2.3.1

3
¿De cuántas formas diferentes puede un club de estudiantes de una gran universidad con 500
miembros elegir a su presidente? y vicepresidente?
Solución:
El presidente puede elegirse de 500 maneras y el vicepresidente puede elegirse entre las 499
formas restantes. Por tanto, según el principio de multiplicación, hay (500) (499) = 249,500
formas en las que la elección completa Puede ser hecho.

Cuando se toma una muestra aleatoria de tamaño k con reemplazo de un total de n ob-
jetos, Hay 4 tipos de muestreo:

(I)Muestreo con reemplazo y orden de los objetos:

Cuando se toma una muestra aleatoria de tamaño k con reemplazo de un total de n objetos
y los objetos ordenado, entonces hay nk formas posibles de seleccionar k-tuplas.

(II)Muestreo sin reemplazo y orden de los objetos:

Si se eligen r objetos de un conjunto de n objetos distintos sin reemplazo, cualquier particular
(ordenado) La disposición de estos objetos se llama permutación.

Permutación de N Objetos tomados M a la vez: El número de permutaciones de

M objetos seleccionados de una colección de N objetos distintos es:
n!
n Pm = = n(n − 1)(n − 2)...(n − m + 1) (1)
(n − m)!
Ejemplo 2.3.2

¿Cuántos números distintos de tres dı́gitos se pueden formar usando los dı́gitos 2, 4, 6 y 8 si
no se puede ¿repetido?
Solución:
El número de números distintos de tres dı́gitos será el número de permutaciones de tres
números del conjunto de cuatro números 2, 4, 6, 8. Por lo tanto, el número de números
distintos de tres dı́gitos será 4 P3 = 4!/1! = 24.

(III)Muestreo sin reemplazo y los objetos no ordenados:

El orden de disposición no es importante, por ejemplo, si no distinguimos entre AB y BA, El
arreglo se llama combinación. Damos el siguiente resultado para el número de combinaciones.

Numero de combinaciones de N Objetos tomados M a la vez: El número de formas

en que se pueden seleccionar m objetos (sin reemplazo) de un colección de n objetos distintos
es: !
n n! n(n − 1)(n − 2)...(n − m + 1)
= = ; m = 0, 1, 2, 3, 4, ..., n. (2)
m m!(n − m)! m!
Ejemplo 2.3.3

¿De cuántas formas diferentes puede elegir el comité de admisiones de un departamento de

estadı́stica cuatro estudiantes graduados de 20 solicitantes extranjeros y tres estudiantes es-
tadounidenses de 10 solicitantes estadounidenses?
Solución:

4
  
20
Los cuatro estudiantes extranjeros pueden ser elegidos en 4
maneras, y los tres estudiantes
 
estadounidenses pueden ser elegidos en 10 formas. Ahora, por el principio de multiplicación,
  3 
toda la selección se puede hacer en 20
4
10
3
= 581400 vı́as.

(IV)Muestreo con reemplazo y los objetos no están ordenados:

Al obtener una muestra desordenada de tamaño k, con reemplazo, de un total de n objetos,
k - 1 se harán reemplazos antes de que cese el muestreo. Por tanto, n se incrementa en k -
1 de modo que el muestreo en esta manera se puede considerar como extraer una muestra
desordenada de tamaño k de una población de tamaño n + k - 1. Por lo tanto, el número de
muestras posibles se puede obtener usando la fórmula
!
n+k−1 (n + k − 1)!
= ; k = 0, 1, 2... (3)
k k!(n − 1)!

Ejemplo 2.3.4
Una urna contiene 15 bolas numeradas del 1 al 15. Si se extraen cuatro bolas al azar, con
reposición y sin Respecto al pedido, ¿cuántas muestras son posibles?
Solución:
Usando la fórmula anterior, el número de muestras posibles es
!
15 + 4 − 1 18!
= = 3060 (4)
4 4!4!

Si necesitamos dividir n objetos en más de dos grupos, podemos usar el siguiente resultado.

Numero de combinaciones de N Objetos en M clases: El número de formas en

m
X
que n objetos se pueden agrupar en m clases con ni en la i-ésima clase, i = 1, 2, ..., m y ni
i=1
ni = n es dado por !
n n!
= (5)
n1 n2 ...nm n1 !n2 !...nm !
Ejemplo 2.3.7
Suponga que el comité de admisión decide elegir al azar siete graduados estudiantes de un
grupo de 30 solicitantes, de los cuales 20 son extranjeros y 10 son solicitantes estadounidenses.
Cuál es el probabilidad de que un siete elegido tenga cuatro estudiantes extranjeros y tres
estudiantes estadounidenses?
Solución:
Como en el ejemplo 2.3.3, el número de formas de seleccionar cuatro estudiantes extranjeros
y tres estadounidenses es
! !
20 10
= 581400
4 3
El número de formas de seleccionar siete solicitantes de 30 es
!
30
= 2035800
7

5
De ahı́ la probabilidad de que un grupo de siete seleccionados al azar consista en cuatro
extranjeros y tres estadounidenses. los estudiantes es
  
20 10
4 3 581400
 
30
= = 0.2856
2035800
7

2.4 LA PROBABILIDAD CONDICIONAL, LA INDEPENDENCIA Y LA

REGLA DE BAYES
Si sabemos que un evento ya ha ocurrido o tenemos alguna información parcial sobre el
evento, entonces este conocimiento puede afectar la probabilidad del evento de interés.
La probabilidad condicional de un evento A, dado que ha ocurrido un evento B, denotado
por P (A — B), es igual a
P (A ∩ B)
P (A|B) =
P (B)
siempre que P (B) > 0
Ejemplo 2.4.1
Lanzamos dos dados balanceados, y sea A el evento de que la suma de los valores nominales
de dos dados sea 8 y B Sea el caso de que el valor nominal del primero sea 3. Calcule P (A
— B).
Solución:
Los elementos de los eventos A y B son: A = (2, 6), (6, 2), (3, 5), (5, 3), (4, 4) y B = (3, 1), (3, 2), (3, 3), (3, 4), (
Ahora A ∩ B = (3, 5)

P(A) = 5/36, P(B) = 6/36, y P (A ∩ B) = 1/36.

Por lo tanto,
1
P (A ∩ B) 36 1
P (A|B) = = 1 =
P (B) 36
6
Algunas Propiedades de probabilidad condicional:
ˆ Si E2 ⊂ E1 entonces P (E2 |A) ≤ P (E1 |A)

ˆ P (E|A) = 1 = P (E c |A)

ˆ P (E1 ∪ E2 |A) = P (E1 |A) + P (E2 |A) -P (E1 ∩ E2 |A)

ˆ Ley de la multiplicación P (A ∩ B) = P (B)P (A|B) = P (A)P (B|A) en general P (A1 ∩

A2 ∩ ... ∩ An ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 )...

Ejemplo 2.4.2

Una canasta de frutas contiene 25 manzanas y naranjas, de las cuales 20 son manzanas. Si
se recogen dos frutas al azar secuencia, ¿cuál es la probabilidad de que ambas frutas sean
manzanas?
Solución:
Dejar
A = { evento de que la primera fruta sea una manzana }

6
B = { caso de que la segunda fruta sea una manzana }.
Necesitamos encontrar P (A ∩ B). Tenemos
P(A) = 20/25, P(B —A) = 19/24.
Ahora, usando el principio de multiplicación para probabilidades condicionales,
20 19
P (A ∩ B) = P (A)P (B|A) = ( )( ) = 0.633
25 24
Por tanto, la probabilidad de que ambas frutas sean manzanas es 0,633.

Ley de probabilidad total

Suponga que S = A1 ∪ A2 ∪ ... ∪ An , donde P (Ai ) > 0, i = 1, 2, ..., n, y Ai ∩ Aj = ϕ (nulo
conjunto) para i= j. Entonces para cualquier evento B

Ejemplo 2.4.6

Durante una epidemia en una ciudad, el 40% de sus habitantes se enfermaron. De cada
100 personas enfermas, 10 necesitarán ser admitido en una sala de emergencias. ¿Cuál es la
probabilidad de que una persona elegida al azar de esta ciudad será admitido en una sala de
emergencias?
Solución:
Dejar
A = {la persona está sana}
Y
B = {la persona ingresa en una sala de emergencia}
Esta dado

P (Ac ) = 0.4
Por eso

P (A) = 0.6
Queremos encontrar P (B). Ahora P (B — A) = 0, porque una persona sana no será admitida
en una emergencia pabellón. También,
10
P (B|Ac ) = = 0.1
100
Por lo tanto, según la regla de probabilidad total,

P (B) = P (A)P (B|A) + P (Ac )P (B|Ac )

= (0.6)(0) + (0.1)(0.4) = 0.04

A veces no es posible calcular directamente la probabilidad condicional que se necesita, pero

otras las probabilidades relacionadas con la probabilidad en cuestión están disponibles. La
regla de Bayes muestra cómo las probabilidades cambiar a la luz de la información y cómo
calcularla

7
Regla de Bayes
Suponga que S = A1 ∪ A2 ∪ ... ∪ An , donde P (Ai ) > 0, i = 1, 2, ..., n y Ai ∩ Aj = ϕ para I=
j. Entonces, para cualquier evento B, con P (B) > 0

P (Aj P (B|Aj
P (Aj |B) = Pn
i=1 P (Ai P (B|Ai )

Ejemplo 2.4.7

Suponga que una clase de estadı́stica contiene un 70% de estudiantes varones y un 30%
mujeres. Se sabe que en una prueba, el 5% de los varones y el 10% de las mujeres obtuvo
una calificación de ”A”. Si un estudiante de esta clase es seleccionado al azar y observado
tiene una calificación de ”A”, ¿cuál es la probabilidad de que sea un estudiante?
Solución:
Sea A1 que el alumno seleccionado es un hombre y A2 que el alumno seleccionado es una mujer.
Aquı́ el espacio muestral S = A1 ∪ A2 . Sea D para indicar que el estudiante seleccionado
tiene una calificación de ”A”. Se nos da P (A1 ) = 0, 7, P (A2 ) = 0, 3, P (D|A1 ) = 0, 05 y
P (D|A2 ) = 0, 10. Entonces, por la regla de probabilidad total,

P (D) = P (A1 )P (D|A1 ) + P (A2 )P (D|A2 )

= 0.035 + 0.030 = 0.065

Ahora por la regla de Bayes,

P (A1 )P (D|A1 )
P (A1 |D) =
P (A1 )P (D|A1 ) + P (A2 )P (D|A2 )
(0.7)(0.05) 7
= = = 0.538
(0.065) 13
Esto muestra que, aunque la probabilidad de que un estudiante obtenga una calificación de
”A” es menor que la de una estudiante, debido al mayor número de estudiantes varones en
la clase, un estudiante con una ”A” grado tiene una mayor probabilidad de ser seleccionado
que una estudiante con una calificación ”A”.

Pasos para aplicar la regla de Bayes

Para encontrar P (A1 |D):

ˆ Enumere todas las probabilidades, incluidas las probabilidades condicionales, dadas en

el problema. Es decir P (A1 ), ..., P (An )yP (D|A1 ), ..., P (D|An ).

ˆ Escribe el numerador como el producto, P (A1 )P (D|A1 ).

ˆ Usando la regla de probabilidad total, encuentre la probabilidad del denominador en

la regla de Bayes.

ˆ La probabilidad deseada es N umerador

Denominador

2.5 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE

PROBABILIDAD

8
Un experimento puede contener numerosas caracterı́sticas que se pueden medir. Sin em-
bargo, en la mayorı́a de los casos, un experimentador se centrará en algunas caracterı́sticas
especı́ficas del experimento.
En general, cada resultado de un experimento se puede asociar con un número especificando
una regla de asociación. El concepto de una variable aleatoria nos permite pasar de los re-
sultados experimentales a una función numérica de la resultados, a menudo simplificando el
espacio muestral.

Una variable aleatoria (r.v.) X es una función definida en un espacio muestral, S, que asocia
un número real, X (ω) = x, con cada resultado ω en S.

Ejemplo 2.5.1

Se lanzan dos monedas balanceadas y se anotan los valores nominales. Luego, el espacio
muestral S = {HH, HT, TH, TT}. Defina la variable aleatoria X (ω) = n, donde n es el
número de caras y ω representa un evento simple como HH. Luego

X(ω) =
0, siω = (T T )
1, siωεHT, T H
2, siω = (H, H)
Se puede observar que X (ω) = 0 o 2 con probabilidad 1/4 (p.p. 1/4) y X (ω) = 1 p.p. 1/2

Es importante señalar que en la definición de una variable aleatoria, la probabilidad no

juega ningún papel.
La variable aleatoria está representada por una letra mayúscula (X, Y, Z,...) Y cualquier
valor real particular de la La variable aleatoria se denota con la letra minúscula correspon-
diente (x, y, z,...). Definimos dos tipos de variables aleatorias, discretas y continuas.

Definición: Se dice que la variable aleatoria X es discreta si sólo puede asumir un valor
finito o contable. número infinito de valores distintos

Ejemplo 2.5.2

En el lanzamiento de tres monedas justas, deje que la variable aleatoria X se defina como X
= número de cruces. Entonces X puede asumir valores 0, 1, 2 y 3. Podemos asociar estos
valores con probabilidades de la siguiente manera:

P (X = 0) = P (H, H, H) = 1/8
P (X = 1) = P (H, H, T ∪ H, T, H ∪ T, H, H) = 3/8
P (X = 2) = P (T, T, H ∪ T, H, T ∪ H, T, T ) = 3/8
P (X = 3) = P (T, T, T ) = 1/8.

9
Lo podemos escribir en forma de tabla.

x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
Sea X una variable aleatoria discreta asumiendo valores x1 , x2 , x3 , .... Tenemos lo siguiente.

Definición: La función de masa de probabilidad discreta (pmf) de una variable aleatoria

discreta X es la función:
p(xi ) = P (X = xi ), i = 1, 2, 3, ....
La función de masa de probabilidad (pmf) se llama más simplemente una función de proba-
bilidad (pf).

Hemos visto que una variable aleatoria discreta asume un valor finito o infinito numerable. A
diferencia de, definimos una variable aleatoria continua como aquella que asume incontables
valores, como el puntos en una lı́nea real. Ahora damos la definición de una variable aleatoria
continua.

Definición 2.5.4 Sea X una variable aleatoria. Supongamos que existe una función de valor
real no negativa: f : R −→ [0, ∞) tal que para cualquier intervalo [a, b],
Z b
P (Xϵ[a, b]) = f (t)dt
a

Entonces X se llama variable aleatoria continua. La función f se llama densidad de probabil-

idad función (pdf) de X.

La función de distribución acumulativa (CDF) está dada por

Z x
F (x) = P (X ≤ x) = f (t)dt
−∞

Para que una función f dada sea un R∞

pdf, debe satisfacer las dos condiciones siguientes:
f (x) ≥ 0 para todos valores de x, y −∞ f (x)dx = 1

Algunas propiedades de la función de distribución

ˆ 0 ≤ F (x) ≤ 1

ˆ limx−→−∞ F (x) = 0y limx−→∞F (x)=1

ˆ F es una función no decreciente y continua a la derecha.

2.6 MOMENTOS Y FUNCIONES GENERADORAS DE MOMENTOS

Uno de los conceptos más útiles en la teorı́a de la probabilidad es el de la expectativa de una

variable aleatoria. El valor esperado puede verse como el punto de equilibrio de distribución
de probabilidad en la lı́nea real, o en lenguaje común, el promedio.

10
Definición: Sea X una variable aleatoria discreta con pf p (x). Entonces el valor esperado de
X, denotado por E (X), se define por
X X
µ = E(X) = xp(x)proporcionado |x|p(x) < ∞
todax todox

Definición: El valor esperado de una variable aleatoria continua X con pdf f (x) está
definido por
Z ∞ Z ∞
µ = E(X) = xf (x)dx, proporcionando |x|f (x)dx < ∞
−∞ −∞

Ejemplo 2.6.1

Dejar
X=
1, con − una − probabilidad1/2
2, con − una − probabilidad1/2
Luego E(X) = 1(1/2) + 0(1/2) = 1/2.

Definición: La varianza de una variable aleatoria X está definida por

σ 2 = V ar(X) = E(X − µ)2

La raı́z cuadrada de la varianza, denotada por σ, se llama desviación estándar. La varianza es

una medida de la dispersión o variabilidad de los valores de una variable aleatoria alrededor
de la media.

Expectativa de función de una variable aleatoria

Sea g (X) una función de X, entonces el valor esperado de g (X) es

E[g(X)] =
X
g(x)p(x), siXes − discreta
x
Z ∞
g(x)f (x)dxsiXes − continua
−∞

siempre que exista la suma o la integral.

Algunas propiedades de valor y varianza esperados

Sea c una constante y sean g(X), g1 (X), ..., gn (X) ser funciones de una variable aleatoria X
tal que E(g(X))yE(gi (X))parai = 1, 2, ..., n existe. Entonces se mantienen los siguientes
resultados:

ˆ E(c) = c

11
 ˆ E[cg(X)] = cE[g(X)]

ˆ E[
P P
i gi (X)] = i E[gi (X)]

ˆ Var(aX + b) = a2 V ar(X), en particular, V ar(aX) = a2 V ar(X)

ˆ V ar(X) = E(X 2 ) − µ2

2.6.1 ASIMETRIA Y CURTOSIS

Aunque la media µ y la desviación estándar σ son medidas descriptivas significativas que

ubican el centro y describen la extensión o dispersión de la función de densidad de probabil-
idad f (x), no proporcionan una caracterización única de la distribución

Definición: El k-ésimo momento sobre el origen de una variable aleatoria X se define como
EX k y denotado por µk , siempre que exista. El k-ésimo momento respecto a su media
(también llamado k-ésimo momento central) de una variable aleatoria X se define como
E[(X − µ)k ] y denotado por µk , k = 2, 3, 4, ..., siempre que exista.

Definición: El tercer momento estandarizado sobre la media

E(X − µ)3 µ3
α3 = 3
= 3/2
σ µ2
se llama asimetrı́a de la distribución de X. El cuarto momento estandarizado sobre la
media
E(X − µ)4
α4 =
σ4
se llama curtosis de la distribución.

Si Mx (t) existe, entonces para cualquier entero positivo k,

dk Mx (t)
= |t=0 = Mx(k) (0) = µk
dtk

Propiedades de la función generadora de momentos

ˆ La función generadora de momento de X es única en el sentido de que, si dos variables

aleatorias X e Y tienen el mismo mgf (MX (t) = MY (t), para t en un intervalo que
contiene 0), entonces X e Y tienen el mismo distribución.

ˆ Si X e Y son independientes, entonces MX+Y (t) = MX (t)MY (t). Es decir, el mgf de la

suma de dos variables aleatorias independientes es el producto del mgfs del variables
aleatorias individuales. El resultado se puede extender a n variables aleatorias.

ˆ Sea Y = aX + b. Luego MY (t) = ebt MX (at).

Ejemplo 2.6.12

12
Encuentre el mgf de X : N (µ, σ 2 )
Solución:
Sea Y: N (0, 1) y sea X = σY + µ. Entonces, por la propiedad anterior (3), y el ejemplo
2.6.11, el mgf de X es
MX (t) = eµt My (σt)
1 2 t2 1 2 t2
= eµt e 2 σ = eµt+ 2 σ

13