Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MOMENTOS
ESTADISTICA I, EST-133
27 de septiembre de 2022
Definición
Dado un experimento aleatorio ϵ y Ω asociados. Una función que asigna a cada elemento
(suceso) w ∈ Ω, uno y solamente un número real x = X(w ), se llama variable aleatoria.
X :Ω → R
RX = {x ∈ R/ X(w ) = x , w ∈ Ω}
Se lanza una moneda tres veces, sea X la variable aleatoria que está definida por:
X(w ) = nC − nS
RX = {x1 , x2 , x3 , . . .}
X(w ) = nC − nS
Cuya rango o espacio soporte es: RX = {−3, −1, 1, 3} La función de cuantía se puede
obtener así:
1
p(3) = P(X = 3) = P(CCC ) =
8
3
p(1) = P(X = 1) = P(CCS) + P(CSC ) + P(SCC ) =
8
3
p(−1) = P(X = −1) = P(SSC ) + P(SCS) + P(CSS) =
8
1
p(−3) = P(X = −3) = P(SSS) =
8
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
4 Si x = −1, entonces
X 1 3 4
F (−1) = P(X ≤ −1) = p(xi ) = p(−3) + p(−1) = + = .
8 8 8
xi ≤−1
X 4
5 Si x ∈ [−1, 1), entonces F (x ) = P(X ≤ x ) = p(xi ) = p(−3) + p(−1) = .
8
xi ≤x
6 Si x = 1, entonces
X 1 3 3 7
F (1) = P(X ≤ 1) = p(xi ) = p(−3) + p(−1) + p(1) = + + = .
8 8 8 8
xi ≤1
X 7
7 Si x ∈ [1, 3), entonces F (x ) = P(X ≤ x ) = p(xi ) = p(−3) + p(−1) + p(1) = .
8
xi ≤x
8 Si x = 3, entonces X
F (3) = P(X ≤ 3) = p(xi ) = p(−3) + p(−1) + p(1) + p(3) = 1.
xi ≤3
Notación
F (∞) = lim F (x ); F (−∞) = lim F (x )
x →∞ x →−∞
Propiedad 1
Si 0 ≤ F (x ) ≤ 1, ∀x ∈ R, entonces F (x ) es una probabilidad para cualquier x real y las
probabilidades están limitadas por 0 y 1.
Propiedad 2
F (x ) es una función no decreciente.
Sean a, b ∈ R tales que a ≤ b entonces:
{x /X ≤ a} ⊂ {x /X ≤ b}
F (a) = P(X ≤ a) ≤ P(X ≤ b) = F (b)
F (a) ≤ F (b)
Propiedad 3
a) F (∞) = P({x /X < ∞}) = P(X < ∞) = 1.
b) F (−∞) = P({x /X < −∞}) = P(X < −∞) = 0.
Propiedad 4
Sea a, b ∈ RX , si x es tal que a ≤ x < b, entonces F (x ) = F (a), es decir, la función
F (x ) es constante e igual a F (a) para todo x ∈ [a, b), F (x ) es una función escalonada.
Nota
a)
1 − F (a − 1) Si a es entero
P(X ≥ a) = 1 − P(X < a) =
1 − F (JaK) Si a no es entero
b)
P(a < X ≤ b) = F (b) − F (a)
c)
P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)
d)
P(a < X < b) = F (b) − F (a) − P(X = b)
Calcular:
a) La distribución de probabilidad de X
b) P(X < 0,5)
c) P(X ≥ 2)
a) La distribución de probabilidad de X
x p(x ) = P(X = x )
0 1/8
1 3/8
2 1/8
3 3/8
b)
P(X < 0,5) = F (0,5)
= F (0) = 1/8
c)
P(X ≥ 2) = 1 − P(X < 2)
= 1 − P(X ≤ 1)
= 1 − F (1) = 1 − 1/2 = 1/2
Definición
Si el rango RX , de una variable aleatoria X es un intervalo sobre la recta de los números
reales, se llama variable aleatoria contínua
Este resultado admite que X asume todos los valores de algún intervalo,
P(X = a) = 0 no es equivalente a que el evento X = a es imposible.
3 Una consecuencia de 2 es el siguiente resultado.
a) hallar el coeficiente a
b) Construir la gráfica de la funcion de distribución
c) Calcular P(1 ≤ X ≤ 2).
3
d) Calcular P(−1 < X < )
2
a) hallar el coeficiente a Z
f (x )dx = 1
RX
Z 3
a( 3x − x 2 ) dx = 1
0
3 2 1 3 3
h i
a x − x =1
2 3
0
27
a −9 =1
2
2
a=
9
2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
2 2
b) La gráfica de la función f (x ) en el intervalo [0, 3] es una parabola. y = x − x 2.
3 9
0.5
0.4
0.3
f(x)=y
0.2
0.1
0.0
c)
Z 2
2 2 13
P(1 ≤ X ≤ 2) = x − x 2 dx =
1
3 9 27
d)
Z 0 Z 3/2
3 2 2 1
P(−1 < X < ) = 0 dx + x − x 2 dx =
2 −1 0
3 9 2
Definición
Sea X una variable aleatoria contínua y función de densidad f (x ). La función de
distribución o función de distribución acumulada de la variable aleatoria contínua X,
es una función F (x ) que se define por:
Z x
F (x ) = P(X ≤ x ) = f (t) dt, ∀x ∈ R
−∞
Sol.
Z x
1. Si x < 0, F (x ) = P(X ≤ x ) = f (t) dt = 0.
−∞
2. Si 0 ≤ x < 3,
0 x x
x 2 2x 3
Z Z Z
2
3t − t 2 dt =
F (x ) = P(X ≤ x ) = f (t) dt + f (t) dt = 0+ − .
−∞ 0 0
9 9 27
Z x
3. Si x ≥ 3, F (x ) = P(X ≤ x ) = f (t) dt =
−∞
Z 0 Z 3 Z x Z 3
2
3t − t 2 dt + 0 = 1.
f (t) dt + f (t) dt + f (t) dt = 0 +
−∞ 0 3 0
9
En Resumen
0 2
3
,x < 0
F (x ) = x − 2x ,0 ≤ x < 3
3 27
1 ,x ≥ 3
Representación Gráfica
1.0
0.8
0.6
F(x)
0.4
0.2
0.0
−1 0 1 2 3 4
Z a
1. P(X ≤ a) = P(X < a) = F (a) = f (t) dt
−∞
Z a
2. P(X > a) = 1 − P(X ≤ a) = 1 − F (a) = 1 − f (t) dt
−∞
3.
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b)
= P(X ≤ b) − P(X ≤ a) = F (b) − F (a)
4. 0 ≤ F (x ) ≤ 1, ∀x ∈ R.
5. Z x
F (−∞) = lim F (x ) = lim f (t) dt = 0
x →−∞ x →−∞
−∞
Z x
F (∞) = lim F (x ) = lim f (t) dt = 1
x →∞ x →∞
−∞
F (a) ≤ F (b)
lim F (x + h) = F (x ), ∀∈R
h→0
con h > 0.
8. Del segundo teorema fundamental del cálculo se tiene que si F (x ) es un función
derivable, entonces.
d
f (x ) = F (x )
dx
Definición
Sea X una variable aleatoria con rango RX y función de cuantia p(x ) si es discreta o
función de densidad f (x ) si es contínua. El valor esperado o esperanza matemática de
X, se denota por µ = E(X), y se define por:
X
E(X) = xp(x ), Si X es una v.a. discreta
x ∈RX
Z
E(X) = xf (x ) dx , Si X es una v.a. contínua
RX
X(w ) = nC − nS
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
X
E(X) = x p(x )
x ∈RX
0.5
Z
E(X) = x f (x ) dx
0.4
RX
Z 3
2
0.3
= x ( 3x − x 2 ) dx
9
f(x)
0
0.2
Z 3
2
= 3x 2 − x 3 dx
9
0.1
0
2 3 34
= 3 −
9 4 0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
= 1,5
x
Definición
Sea EX un evento en RX (EX ⊂ RX ) y FY un evento en RY (FY ⊂ RY ) de manera que
Y = H(X), EX y FX son eventos equivalentes si:
EX = {x ∈ RX /H(x ) ∈ FY }
Definición
Sea X una variable aleatoria definida en el espacio muestral Ω con rango RX . Sea H una
función real, de modo que Y = H(X) es una variable aleatoria con rango RY , entonces
para cualquier evento F Y ⊂ RY , la probabilidad de P(FY ) se define como sigue.
X(w ) = nC − nS
P(3 ≤ Y ≤ 4) = P(3 ≤ 2X − 1 ≤ 4)
= P(4 ≤ 2X ≤ 5)
= P(2 ≤ X ≤ 2,5)
Z 2,5
2
= ( 3x − x 2 ) dx
2
9
5
=
27
Teorema
Sea X una variable aleatoria e Y = H(X) una función de X, el valor esperado de la
función H(X), denotado por E(H(X)), se define por:
X
E(H(X)) = H(X)p(x ), Si X es discreta
x ∈RX
Z
E(H(X)) = H(X)f (x ) dx , Si X es contínua
RX
1. E(a) = a
2. E(aH(X)) = aE(H(X))
3. E(aH(X) + bG(X)) = aE(H(X)) + bE(G(X))
Sol.
X X
D. 1. E(a) = a p(x ) = a p(x ) = a.
x ∈RX x ∈RX
X X
D. 2. E(aH(X)) = a H(X)p(x ) = a H(X)p(x ) = aE(H(X)).
x ∈RX x ∈RX
X
D. 3. E(aH(X) + bG(X)) = (a H(X) + bG(X))p(x ) =
x ∈RX
X X
a H(X)p(x ) + b G(X)p(x ) = aE(H(X)) + bE(G(X)).
x ∈RX x ∈RX
X(w ) = nC − nS
En el anterior ejemplo se tiene X una variable aleatoria continua con función de densidad:
2
(
( 3x − x 2 ) 0≤x ≤3
f (x ) = 9
0 e.o.c
Por lo tanto
X
E[(X − µ)2 ] = (X − µ)2 p(x ), Si X es discreta
x ∈RX
Z
E[(X − µ)2 ] = (X − µ)2 f (x ) dx , Si X es contínua
RX
Teorema
Sea X una variable aleatoria con media µ, la varianza de X está dado por:
Demostración:
V(X) = E[(X − µ)2 ] = E[X 2 − 2Xµ + µ2 ]
= E(X 2 ) − 2µE(X) + µ2 = E(X 2 ) − µ2
UMSA EST-133 27 de septiembre de 2022 38 / 59
Definión de Desviación típica
Observe que cuando la medición de la variable aletoria es u (solo es ejemplo, podria ser:
peso, talla, número de hermanos, etc.) entonces la unidades de la media o esperanza es
tambien u, en cambio la unidad de la varianza seria u 2 , para evitar el cuadrado se utiliza
una medida de dispersión llamada Desviación típica de la variable aletoria y se define
como: p p
σ = V(X) = σX2
La unidad de σ es la misma que la de la variable aleatoria y de la media o esperanza, un
valor pequeño de σ indica poca dispersión mientras que un valor grande de σ indica una
gran dispersión.
X(w ) = nC − nS
Hallar la varianza
x -3 -1 1 3
p(x) 1/8 3/8 3/8 1/8
X
E(X) = xp(x ) = 0
x ∈RX
X
E(X 2 ) = x 2 p(x ) = 3
x ∈RX
0.5
Z
E(X) = xf (x )dx = 1,5
0.4
x ∈RX
Z
E(X 2 ) = x 2 f (x )dx = 2,7
0.3
x ∈RX
f(x)
V(X) = E[(X − µ)2 ] =
0.2
= E(X 2 ) − µ2
0.1
= 2,7 − (1,5)2
= 0,45 0.0
p 0.0 0.5 1.0 1.5 2.0 2.5 3.0
σX = 0,45 = 0,671
x
Teorema
Si X es una variable aleatoria, a y b constantes, entonces:
V(aX ± b) = a2 V(X)
Corolario
1. Si a = 0 entonces V(b) = 0.
2. Si b = 0 entonces V(aX) = a2 V(X).
G(Y ) = P(Y ≤ y )
Teorema
Sea X una variable aleatoria contínua con función de densidad f que satisface f (x ) > 0
para a < x < b e y = H(x ) es una función contínua de x , estrictamente creciente o
estrictamente decreciente entonces la variable aleatoria Y = H(X) tiene una función de
densidad g dada por:
dx
g(y ) = f (H −1 (y ))
dy
Desigualdad de Tchebysheff
Sea X una variable aleatoria con media µ y varianza finita σ 2 , para cualquier constante
k > 0.
1 1
P(|X − µ| < kσ) ≥ 1 − 2 , o P(|X − µ| ≥ kσ) ≤ 2 .
k k
1
P(|Y − µ| < kσ) ≥ 1 −
k2
Con µ = 20 y σ = 2 se deduce que k = 2, entonces:
1 3
P(16 < Y < 24) ≥ 1 − =
22 4
El total de clientes de mañana será entre 16 y 24, con una probabilidad alta, de al menos
3/4.
Moda
Se llama Moda de una variable aleatoria X a su valor más probable xmd . Asi, el valor x0
de la variable aleatoria X es una moda, si.
p(x0 ) ≥ p(x ), ∀x ∈ RX , Si X es discreta
f (x0 ) ≥ f (x ), ∀x ∈ RX , Si X es contínua
Mediana
Se llama Mediana de una variable aleatoria X es un número xmed = x0 tal que:
1 1
F (xo ) = P(X ≤ x0 ) ≥ ∧ P(X ≥ x0 ) ≥
2 2
O equivalente
1
P(X ≤ x0 ) = P(X ≥ x0 ) =
2
Para X variable aleatoria continua
Percentiles
Se llama 100 k-ésimo percentil de la variable aleatoria X denotado por xk al número más
pequeño posible tal que la probabilidad de no excederlo es cuando menos k, con
0 < k < 1, es decir xk es el valor más pequeño, tal que:
0.8
′ 3 2
f (x ) = 1 − x =0
4
0.6
2
x = ±√
3
0.4
f(x)
√ x ∈ RX , x ∈ [0, 2] por lo
Escoger una raiz
tanto x0 = 2/ 3
3 0.2
′′
f (x ) = − x
2
0.0
′′ 3 2 √
f (x0 ) = − √ = − 3 < 0 0.0 0.5 1.0 1.5 2.0
2 3
√ x
Entonces xmdUMSA
= 2/ 3 representa un máximo
EST-133 27 de septiembre de 2022 50 / 59
Ejemplo moda, mediana y percentiles de una v.a. contínua
Hallando mediana: (xmed ) o percentil 50 %
(x0,5 )
xmed
x3
Z
1
0.8
P(X ≤ xmed ) = (x − ) dx =
0
4 2
x2 x4
0.6
x 1
− |0med =
2 16 2
2
x4
0.4
xmed 1
f(x)
− med =
2 16 2
0.2
2
xmed x4 1
La ecuación − med = o
2 16 2
4 2
xmed − 8xmed +8=0
0.0
Se busca las raices de esta ecuación dentro
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son: xmed,1 =
1,082392; xmed,2 = −1,082392; xmed,3 = x
0.8
0
4 10
x2 x4 x 1
− |0k
0.6
=
2 16 10
xk2 x4 1
− k =
0.4
f(x)
2 16 10
xk2 x4 1
0.2
La ecuación − k = o
2 16 10
4 2
xk − 8xk + 1,6 = 0
0.0
Se busca las raices de esta ecuación dentro
del rango, los cuales son: xk,1 = 0.0 0.5 1.0 1.5 2.0
0,4530638; xk,2 = −0,4530638; xk,3 = x
−2,7919049; xk,4 = −2,7919049 por lo tanto
solo xk = xk,1 = 0,4530638 ∈ RX es la
solución.
0.8
P(X ≤ xk ) = (x − ) dx =
0
4 100
x2 x4 25
0.6
x
− |0k =
2 16 100
xk2 x4
0.4
25
f(x)
− k =
2 16 100
0.2
xk2 x4 25
La ecuación − k = o
2 16 100
4 2
xk − 8xk + 4 = 0
0.0
Se busca las raices de esta ecuación dentro
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son: xk,1 =
0,7320508; xk,2 = −0,7320508; xk,3 = x
0.8
P(X ≤ xk ) = (x − ) dx =
0
4 100
x2 x4 75
0.6
x
− |0k =
2 16 100
xk2 x4
0.4
75
f(x)
− k =
2 16 100
0.2
xk2 x4 75
La ecuación − k = o
2 16 100
4 2
xk − 8xk + 12 = 0
0.0
Se busca las raices de esta ecuación dentro
0.0 0.5 1.0 1.5 2.0
del rango, los cuales son:
xk,1 = 1,41421; xk,2 = −1,414214; xk,3 = x
0.8
0.6
Hallando el percentil 80 %: (xk ) con k = 0,8
0.4
f(x)
P(X ≤ xk ) = F (xk ) = k
xk2 x4
0.2
− k =k
2 16
0.0
xk2 x4
La ecuación − k =k o 0.0 0.5 1.0 1.5 2.0
2 16 x
xk4 − 8xk2 + 16 k = 0
1.0
Se busca las raices de esta ecuación dentro
0.8
del rango ∀k con k ∈ [0, 1], para k = 0,8 se
tiene
0.6
F(x)
xk,1 = 1,486992; xk,2 = −1,486992; xk,3 =
0.4
−2,406004; xk,4 = 2,406004 por lo tanto
solo xk = xk,1 = 1,486992 ∈ RX es la
solución. 0.2
0.0
−1 0 1 2 3 4
x
UMSA EST-133 27 de septiembre de 2022 55 / 59
Ejemplo moda, mediana y percentiles de una v.a. contínua
0.8
0.6
Hallando el percentil 90 %: (xk ) con k = 0,9
0.4
f(x)
P(X ≤ xk ) = F (xk ) = k
xk2 x4
0.2
− k =k
2 16
0.0
xk2 x4
La ecuación − k =k o 0.0 0.5 1.0 1.5 2.0
2 16 x
xk4 − 8xk2 + 16 k = 0
1.0
Se busca las raices de esta ecuación dentro
0.8
del rango ∀k con k ∈ [0, 1], para k = 0,9 se
tiene
0.6
F(x)
xk,1 = 1,653810; xk,2 = −1,653810; xk,3 =
0.4
−2,294539; xk,4 = 2,294539 por lo tanto
solo xk = xk,1 = 1,653810 ∈ RX es la
solución. 0.2
0.0
−1 0 1 2 3 4
x
UMSA EST-133 27 de septiembre de 2022 56 / 59
Momentos de orden superior.
Definición
Se llama el momento de orden k alrededor del punto a de la variable aleatoria X y se
define como:
X
µk,a = E[(X − a)k ] = (X − a)k p(x ), Si X es discreta
x ∈RX
Z
k
µk,a = E[(X − a) ] = (X − a)k f (x ) dx , Si X es contínua
RX
Definición
Se define la función generadora da momentos de una variable aleatoria X, cuando
H(X) = e tX entonces E(e tX ), se define como:
MX (t) = E(e tX )
X
MX (t) = E(e tX ) = e tX p(x ), Si X es discreta
x ∈RX
Z
tX
MX (t) = E(e ) = e tX f (x ) dx , Si X es contínua
RX
Teorema
Sea X una v.a. con función generadora de momentos MX (t), entonces:
′ d
µk,0 = µk = MX (t) |t=0
dt
Teorema
Si X una v.a. y c es una constante entonces:
1. MX+c (t) = e ct MX (t).
2. McX (t) = MX (ct).
Teorema
Si X 1 , X 2 , . . . , X n son n variables aleatorias independientes con funciones generadoras de
momentos MX 1 (t), MX 2 (t), . . . , MX n (t) respectivamente, y si Y = X 1 + X 2 + . . . + X n ,
entonces la función generadora de momentos de la v.a. Y es:
n
Y
MY (t) = MX i (t) = MX 1 (t) · MX 2 (t) · . . . · MX n (t)
i=1