Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEGUNDA PARTE
VARIABLE ALEATORIA
i) FX ( x ) f X ( x i )
x i x
ii) f X ( x ) FX ( x ) FX (x )
Función de Densidad
Sea X una variable aleatoria continua. La relación existente entre la función de distribución y la
Llamamos función de densidad de la La probabilidad asociada a cualquier suceso de la función de densidad:
variable aleatoria X, y la representamos por forma X A , puede ser evaluada ahora como:
fX , a una función tal que: P(X A) f X x
A i) FX ( x ) P(X x ) f X ( t)dt
fX : R R
i ) f X ( x ) 0 , x R d
a ii) f X ( x) FX ( x) en cada punto en donde FX sea
P(X a ) f X =0 dx
ii) f X 1 a
derivable , y 0 en cualquier otro lugar
Percentil de una Variable Aleatoria
Observación.-
i) En caso de que X sea una v.a. discreta , la función de distribución es una función escalón. Se pueden
Sea p un número real en el intervalo (0,1), presentar dos casos : a) que exista un elemento x r en el recorrido de X , tal que FX ( x r ) p , en cuyo caso
0<p<1. Decimos que x p es un percentil cualquier punto en el intervalo x r , x r 1 sirve como x p ; b) no exista un elemento en el recorrido de X en
100p de la variable X si y sólo si donde la función de distribución sea igual a p . En este último caso x p es el menor valor en el recorrido de
FX ( x p ) p FX ( x p ) X en donde FX ( x ) p .
ii) E n caso de que X sea una v.a. continua, la función de distribución es continua en todos sus puntos y el
percentil x p se hallará resolviendo la ecuación FX ( x p ) p .
Modo de una Distribución o Variable Aleatoria
Sea X una variable aleatoria . Llamamos modo de la v.a. X , y lo representamos por Mo al valor o valores que maximiza(n) a la función de probabilidad, en
el caso discreto, o a la función de densidad, en el caso continuo.
Valor Esperado de una Variable Aleatoria Valor Esperado de una Función de una Variable Aleatoria
Sea X una variable aleatoria. Denominamos valor esperado (media, Sea X una variable aleatoria y g(X) una función de X. El valor esperado de
promedio, esperanza) de la variable X , y lo denotamos indistintamente por
g(X) , E[g(X)] o g ( X) , es el número real dado por:
E[X] o X , al número real dado por:
g( x ) f X ( x ) si X es discreta
x f X ( x ) si X es discreta
Eg (X ) g ( X ) , siempre y cuando la
EX X , siempre y cuando la suma o g( x) f X ( x) si X es continua
x f X ( x) si X es continua
integral correspondiente converja absolutamente en R suma o integral correspondiente converja absolutamente en R
Teorema.
Sea X una variable aleatoria , entonces:
i) Si X es la variable degenerada , X=C, la esperanza de X existe y E[X]=E[C]=C.
k
ii) Si c1 , c 2 ,...., c k son k números reales y las funciones g1 (X ), g 2 (X ),..., g k (X ) tienen valor esperado, la función c i g i (X ) tiene valor esperado, y:
i 1
k k
E c i g i (X) c i Eg i (X) . Esta propiedad se conoce como la propiedad lineal del valor esperado.
i 1 i 1
iii) Si el recorrido de g(X) está incluida en el intervalo [a,b] y E[g(X)] existe, entonces a Eg(X) b .
iv) Si para todo x en el recorrido de X se verifica que g1 ( x) g 2 ( x) , y si los valores esperados Eg1 (X) y Eg 2 (X) existen, entonces, Eg1 (X) Eg 2 (X) .
Varianza de una Variable Aleatoria Varianza de una Función de una Variable Aleatoria
Sea X una variable aleatoria. Denominamos varianza de la variable X , y lo
denotamos indistintamente por Var[X] o 2X , al número real dado por:
Sea X una variable aleatoria y g(X) una función de X. La varianza de g(X) ,
( x ) 2 f ( x )
2
VarX X
X X si X es discreta
Var[g(X)] o 2g( X) , es el número real dado por Varg(X ) E g (X) g( X ) 2 ,
2
(x X ) f X (x) si X es continua siempre y cuando la suma o integral correspondiente converja
absolutamente en R
siempre y cuando la suma o integral correspondiente converja absolutamente
en R
Teorema
Sea X una variable aleatoria , entonces:
i) Si Var[X] existe, entonces VarX 0
ii) Si X es la variable degenerada , X=C, la varianza de X existe y Var[X]=Var[C]=0.
iii) Si Var[X]=0, entonces X es una variable aleatoria degenerada tal que X= X .
iv) Si E X 2 existe, entonces existe Var[X] , y VarX E X 2 2X .
v) Si Var[X] existe, entonces para cualquier par de números reales a y b, la variable (aX+b) tiene varianza y VaraX b a 2 VarX .
vi) El número a que minimiza a E X a 2 es a X ; en consecuencia el valor mínimo de E X a 2 es 2X
Desigualdad de Chebychev
1
Sea X una variable aleatoria con varianza finita 2X . Si k es un número positivo, entonces: P X X k X . O en forma del suceso complementario:
k2
1
P X X k X 1
k2
Momento Ordinario de una Variable Aleatoria Momento Central de una Variable Aleatoria
Sea X una v.a. y r un número entero positivo. Llamamos momento ordinario Sea X una v.a. y r un número entero positivo. Llamamos momento central de
de orden r de la v.a. X, y lo representamos por ' r al siguiente orden r de la v.a. X, y lo representamos por r al siguiente
número: ' r E X r siempre y cuando dicha esperanza exista. número: r E X X r siempre y cuando dicha esperanza exista.
Observación.
i) De las definiciones anteriores se deduce fácilmente que '1 X , 1 0 , 2 2X .
ii) Si para un r existe ' r ( r ) , entonces para cualquier k , k r , existe ' k ( k ) .
Si se conocen los primeros k momentos ordinarios : '1 , ' 2 ,...., ' k , podemos calcular los primeros k momentos centrales 1 , 2 ,..., k según las siguientes
r
r r r
expresiones: r (1) j Xj ' r j ; 'r Xj r j
j0 j j
j0
Función Generatriz de Momentos de una Variable Aleatoria
Sea X una v.a. llamamos función generatriz de momentos de la v.a. X, y la representamos por M X , a la función: M X ( t) E e tX siempre y cuando la
esperanza anterior exista para todo valor de t en algún entorno del origen
Teorema Teorema
Sea X una variable aleatoria con función generatriz de momentos M X ,
entonces:
i) M X (0) 1 Sean c1 , c 2 ,...., c n números reales cualesquiera. Sean X 1 , X 2 ,..., X n variables
ii) Si a y b son dos números reales cualesquiera, la función (aX+b) tiene una aleatorias independientes con funciones generatrices de momentos
n
función generatriz de momentos dada por M aX b ( t ) e bt M X (at ) . M X1 ( t ), M X 2 ( t ),....., M X n ( t ) . Entonces la función c i X i tiene como función
i 1
iii) Si M X ( t ) puede ser expresada como una serie de potencias en t, el n
generatriz de momentos a: M n
coeficiente de t r multiplicado por r! es ' r E X r . ci X i
(t ) M X i (c i t )
i 1
iv) Si M X ( t ) es diferenciable sucesivamente en el origen, la derivada r-ésima i 1
de dicha función en el origen es ' r E X r ; esto es, M (Xr ) (0) E X r .
DISTRIBUCIONES DISCRETAS
Función
Distribución Parámetros Función de masa Esperanza Varianza Generatriz de
Momentos
f X ( x ) p x q1 x I´0,1( x )
Bernoulli p X p 2X pq M X (t ) p e t q
siendo q 1 p
n
f X ( x ) p x q n x I´0,1, 2,..., n( x )
Binomial n,p x X np 2X npq M X ( t) ( p e t q) n
siendo q 1 p
f X ( x ) p q x 1 I1, 2,.....( x ) 1 q p et
Geométrica p X 2X M X (t)
2
siendo q 1 p p p 1 q et
x 1 r x r r
Binomial f X ( x ) p q I r ,r 1,..... ( x ) r rq p et
r,p r 1 X 2X M X (t )
Negativa p p2 1 q et
siendo q 1 p
1 n 1 n
Uniforme A x 1 , x 2 ,..., x n f X ( x)
1
n
I A (x ) X x xi
n i 1
2X
xi x
n i 1
2 n1 n x i2 x 2 M X (t )
1 n xit
e
n i 1
i 1
M N M
x n x
f X ( x) I a ,a 1,a 2,.....,b (x )
Hipergeométrica N, M y n
N
X
n
M 2X
nM
N M N n n M (1 M ) N n No definida
n N N 2 ( N 1) n N N 1
siendo
a max 0, M n N , b min M, n
x e t 1
Poisson f X ( x ) e I 0,1, 2,..... ( x ) X 2X
x! M X (t ) e