FORMULARIO ESTADÍSTICA I

SEGUNDA PARTE

VARIABLE ALEATORIA

Función de Distribución Función de Masa o de Probabilidad Puntual

Sea X una variable aleatoria cualquiera con rango Conocida la función de distribución de una variable Sea X una variable aleatoria discreta cualquiera
R X . Llamamos función de distribución de la aleatoria, además de poder calcular directamente con rango R X  x1, x 2 ,..., x n ,... . Llamamos función
variable aleatoria X, y la representamos por FX , a probabilidades del tipo P(X  a ) , podemos calcular de masa o función de probabilidad puntual de la
la función que asigna a cada numero real x , la otras probabilidades de interés como se muestra en variable aleatoria X, y la representamos por f X , a
probabilidad de que la v.a. X sea menor o igual el siguiente cuadro: la función que asigna a cada numero real x , la
que dicho número; es decir: probabilidad de que la v.a. X sea o igual que dicho
FX : R  R P(X  a ) FX (a ) fX : R  R
P(X  a ) 1  FX (a ) número; es decir :
FX ( x )  PX  x  , x  R f X ( x )  PX  x  , x  R
P(X  a ) FX (a  )
Se desprende de la definición, y de las propiedades
P(X  a ) 1  FX (a  ) del cálculo de probabilidades que :
P(X=a) FX (a )  FX (a  )
P(a  X  b) FX (b)  FX (a ) i) x  R , 0  f X ( x)  1
Sea FX la función de distribución asociada con ii)  fX  1
una cierta variable aleatoria X. Entonces :
P(a  X  b) FX (b)  FX (a  )
i) x  R , 0  FX ( x)  1 P(a  X  b) FX (b  )  FX (a )
La probabilidad asociada a cualquier suceso de la
ii) Si x1  x 2  FX ( x1)  FX ( x 2 ) P(a  X  b) FX (b  )  FX (a  ) forma X  A , puede ser evaluada ahora como:
iii) FX es continua por la derecha en cualquier P(X  A )   f X
A
punto de R; esto es, lim FX ( x)  FX ( x o )
La relación existente entre la función de
x  x o
distribución y la función de masa o probabilidad
iv) lim FX ( x)  1 , lim FX ( x)  0 . puntual viene dada por:
x   x  

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 
 Eg (X )   g ( X )    , siempre y cuando la
EX    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 Eg 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  Eg(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 Eg1 (X) y Eg 2 (X) existen, entonces, Eg1 (X)  Eg 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 
VarX    X  
X X si X es discreta
 
Var[g(X)] o  2g( X) , es el número real dado por Varg(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 VarX   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 VarX   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 VaraX  b   a 2 VarX  .
  
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
j0 j   j
j0  
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 I1, 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  