Wuolah Free TEMA 6

TEMA-6.
pdf
mosanac
Elementos de Probabilidad y Estadística
2º Grado en Matemáticas
Facultad de Matemáticas
Universidad de Sevilla
Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
TEMA 6
En este tema se incluirán una serie de características numéricas asociadas a una variable
aleatoria y que dependen, fundamentalmente, de la función de probabilidad de dichas
variables.
ESPERANZA MATEMÁTICA.
Sea 𝑋 una variable aleatoria real discreta con función de probabilidad,
𝑝𝑘 = 𝑃[𝑋 = 𝑥𝑘 ], ∀𝑘 ∈ 𝐾

Donde 𝐾 es un conjunto numerable de índices. Si la serie ∑𝑘∈𝐾 𝑥𝑘 𝑝𝑘 es absolutamente
convergente, entonces la esperanza matemática de 𝑋, viene dada por:
𝐸[𝑋] = ∑ 𝑥𝑘 𝑝𝑘
𝑘∈𝐾
Requerimiento de convergencia absoluta:
∑|𝑥𝑘 𝑝𝑘 | = ∑|𝑥𝑘 |𝑝𝑘 < +∞

𝑘∈𝐾 𝑘∈𝐾
Sea 𝑋 una variable aleatoria real absolutamente continua con función de densidad 𝑓, si
la integral
+∞
∫ |𝑥|𝑓(𝑥)𝑑𝑥
−∞
Es convergente, entonces la esperanza matemática de 𝑋 viene dada por

+∞
𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞
Propiedades.
En las condiciones de las definiciones previas, se verifica lo siguiente,
1. Si 𝑋 = 𝐼𝐴 con 𝐴 ∈ 𝒜, se cumple que 𝐸[𝑋] = 𝐸[𝐼𝐴 ] = 𝑃(𝐴).
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3715575
1 𝜔∈𝐴
𝑋(𝜔) = {
0 𝜔∉𝐴
𝑃[𝑋(𝜔) = 1] = 𝑃[𝜔 ∈ 𝐴] = 𝑃(𝐴)
𝑃[𝑋(𝜔) = 0] = 𝑃[𝜔 ∉ 𝐴] = 1 − 𝑃(𝐴)
𝐸[𝑋] = 1 · 𝑃(𝐴) + 0 · (1 − 𝑃(𝐴)) = 𝑃(𝐴)
2. Si 𝑋 es una variable aleatoria que verifica que 𝑃[𝑋 = 𝑏] = 1 con 𝑏 ∈ ℝ, entonces
𝐸[𝑋] = 𝑏.
𝐸[𝑋] = 𝑏 · 𝑃[𝑋 = 𝑏] = 𝑏 · 1 = 𝑏
3. Si 𝑋 es una variable aleatoria acotada, es decir, existe 𝑀 ∈ ℝ ; P[|X| ≤ M] =

1 ⇒ ∃ 𝐸[𝑋].
Si 𝑋 es una v. a. discreta:
∑|𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] + ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] =

𝑥𝑛 {𝑥𝑛 ; |𝑥𝑛 | ≥ 𝑀} ⏟
{𝑥𝑛 ; |𝑥𝑛 | < 𝑀}
=0
= ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] ≤ 𝑀 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑀 < +∞

{𝑥𝑛 ; |𝑥𝑛 | ≥ 𝑀} ⏟
{𝑥𝑛 ; |𝑥𝑛 | ≥ 𝑀}
=1
En el caso continuo, como 𝑃[|𝑋| < 𝑀] = 1 entonces:

+∞ 𝑀 𝑀
∫ |𝑥|𝑓(𝑥)𝑑𝑥 = ∫|𝑥|𝑓(𝑥)𝑑𝑥 ≤ 𝑀 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑀 < +∞

−∞ −𝑀 ⏟
−𝑀
=1
Luego, en ambos casos existe 𝐸[𝑋].
4. Si 𝑃[𝑋 ≥ 0] = 1 y existe 𝐸[𝑋] ⇒ 𝐸[𝑋] ≥ 0.
Caso discreto:
>0 ≥0
𝐸[𝑋] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ ⏞𝑛 · ⏞
𝑥 𝑃[𝑋 = 𝑥𝑛 ] + ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] ≥ 0
𝑥𝑛 {𝑥𝑛 ; 𝑥𝑛 >0} ⏟
{𝑥𝑛 ; 𝑥𝑛 <0}
=0
Caso continuo:
Llévate 1 año de WUOLAH PRO con BBVA. ¿Cómo? ¡+Info aquí!

+∞ +∞
𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≥ 0

−∞ 0
5. Si 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = 1 con 𝑎, 𝑏 ∈ ℝ y existe 𝐸[𝑋] ≥ 0 ⇒ 𝑎 ≤ 𝐸[𝑋] ≤ 𝑏.
Caso discreto:
𝐸[𝑋] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] ≤ 𝑏 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑏
𝑥𝑛 {𝑥𝑛 ; 𝑎≤𝑥𝑛 ≤𝑏} ⏟𝑛 ; 𝑎≤𝑥𝑛≤𝑏}
{𝑥
=1
𝐸[𝑋] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] ≥ 𝑎 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑎

𝑥𝑛 {𝑥𝑛 ; 𝑎≤𝑥𝑛 ≤𝑏} ⏟
{𝑥𝑛 ; 𝑎≤𝑥𝑛 ≤𝑏}
=1
Luego 𝑎 ≤ 𝐸[𝑋] ≤ 𝑏
Caso continuo:

+∞ 𝑏 𝑏
𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≤ 𝑏 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑏 · 1 = 𝑏

−∞ 𝑎 𝑎
+∞ 𝑏 𝑏
𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≥ 𝑎 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑎 · 1 = 𝑎

−∞ 𝑎 𝑎
Luego 𝑎 ≤ 𝐸[𝑋] ≤ 𝑏
Proposición. Sea 𝑋 una variable aleatoria discreta, sea 𝑔 una función medible Borel real,
y sea 𝑌 = 𝑔(𝑋). Si existe 𝐸[𝑌], entonces
𝐸[𝑌] = ∑ 𝑔(𝑥𝑗 )𝑃[𝑋 = 𝑥𝑗 ]

𝑗≥1
Demostración:
Si existe 𝐸[𝑌] ⇒ 𝐸[𝑌] = 𝐸[𝑌] = ∑𝑗 𝑦𝑗 𝑃[𝑌 = 𝑦𝑗 ] = ∑𝑗 𝑦𝑗 𝑃[𝐵𝑗 ] donde
𝐵𝑗 = {𝜔 ∈ Ω ; Y(𝜔) = 𝑦𝑗 } = {𝜔 ∈ Ω ; 𝑔(𝑋(𝜔)) = 𝑦𝑗 } = {𝜔 ∈ Ω ; 𝑋(𝜔) = 𝑔−1 (𝑦𝑗 )}
= ⋃{𝜔 ∈ Ω ; 𝑋(𝜔) = 𝑥𝑛 𝑦 𝑔(𝑥𝑛 ) = 𝑦𝑗 }

𝑛

(disjuntos).
𝑗 𝑗 𝑗
𝐸[𝑌] = ∑ 𝑦𝑗 𝑃[𝐵𝑗 ] = ∑ 𝑦𝑗 𝑃 [⋃ 𝐴𝑛 ] = ∑ 𝑦𝑗 ∑ 𝑃[𝐴𝑛 ] = ∑ ∑ 𝑦𝑗 𝑃[𝐴𝑛 ]
𝑗 𝑗 𝑛 𝑗 𝑛 𝑗 𝑛
𝑗
= ∑ ∑ 𝑔(𝑥𝑛 )𝑃[𝐴𝑛 ] = ∑ ∑ 𝑔(𝑥𝑛 )𝑃[𝑋 = 𝑥𝑛 ]
𝑗 𝑛 𝑗 𝑛
Proposición. Sea 𝑋 una variable aleatoria absolutamente continua con función de
densidad 𝑓, sea 𝑔 una función con derivada continua y estrictamente monótona. Sea la
variable aleatoria 𝑌 = 𝑔(𝑋), para la que existe 𝐸[𝑌], entonces
+∞
𝐸[𝑌] = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥
−∞
Demostración:

Vamos a ver que la función de densidad de 𝑌 es:
𝜕 −1
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) · | 𝑔 (𝑦)| ∀𝑦 ∈ ℝ
𝜕𝑦
Si 𝑔′ (𝑥) > 0 ∀𝑥 ∈ ℝ
𝐹𝑌 (𝑦) = 𝑃[𝑌 = 𝑦] = 𝑃[𝑔(𝑋) ≤ 𝑦] = 𝑃[𝑋 ≤ 𝑔−1 (𝑦)] = 𝐹𝑋 (𝑔−1 (𝑦))
Derivando:
𝑑
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) · 𝑔(𝑦)
𝑑𝑦
Si 𝑔′ (𝑥) < 0 ∀𝑥 ∈ ℝ
{𝑥 ∈ ℝ ; g(x) ≤ y} = {x ∈ ℝ; x ≥ g −1 (y)}
𝐹𝑌 (𝑦) = 𝑃[𝑔(𝑋) ≤ 𝑦] = 𝑃[𝑋 ≥ 𝑔−1 (𝑦)] = 1 − 𝑃[𝑋 ≤ 𝑔−1 (𝑦)] = 1 − 𝐹𝑋 (𝑔−1 (𝑦))
Derivando:
𝑑 −1 𝑑
𝑓𝑌 (𝑦) = −𝑓𝑋 (𝑔−1 (𝑦)) · 𝑔 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) · | · 𝑔−1 (𝑦)|
𝑑𝑦 𝑑𝑦

+∞ +∞ +∞
𝑑 𝑑
𝐸[𝑌] = ∫ 𝑦𝑓𝑌 (𝑦)𝑑𝑦 = ∫ 𝑦𝑓𝑋 (𝑔−1 (𝑦)) · | · 𝑔−1 (𝑦)| 𝑑𝑦 = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥) 𝑥 𝑑𝑥 =
𝑑𝑦 ⏟
𝑑𝑥
−∞ −∞ −∞ =1
+∞
= ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥
−∞
Proposición. Sea 𝑋 una variable aleatoria real, si existe 𝐸[𝑋], entonces
1. |𝐸[𝑋]| ≤ 𝐸[|𝑋|]
Caso discreto:

|𝐸[𝑋]| = |∑ 𝑥𝑘 · 𝑃[𝑋 = 𝑥𝑛 ]| ≤ ∑|𝑥𝑘 | · ⏟
𝑃[𝑋 = 𝑥𝑘 ] = 𝐸[𝑋]
𝑘∈𝐾 𝑘∈𝐾 ≥0
Caso continuo: análogo.
2. Existe 𝐸[𝑋] ⇔ existe 𝐸[|𝑋|]
∃ 𝐸[𝑋] ⇔ ∑|𝑥𝑘 | · 𝑃[𝑋 = 𝑥𝑘 ] < +∞ ⇔ ∃ 𝐸[|𝑋|]

𝑘∈𝐾
3. Sea 𝑋 una variable aleatoria real y sean 𝑎, 𝑏 ∈ ℝ ⇒ 𝐸[𝑎𝑋 + 𝑏] = 𝑎𝐸[𝑋] + 𝑏
Caso discreto:
𝐸[𝑎𝑋 + 𝑏] = ∑(𝑎𝑥𝑘 + 𝑏) · 𝑃[𝑋 = 𝑥𝑘 ] = ∑ 𝑎𝑥𝑘 · 𝑃[𝑋 = 𝑥𝑘 ] + ∑ 𝑏 · 𝑃[𝑋 = 𝑥𝑘 ] =

𝑘∈𝐾 𝑘∈𝐾 𝑘∈𝐾
= 𝑎 · ∑ 𝑥𝑘 · 𝑃[𝑋 = 𝑥𝑘 ] + 𝑏 · ∑ 𝑃[𝑋 = 𝑥𝑘 ] = 𝑎𝐸[𝑋] + 𝑏

⏟
𝑘∈𝐾 ⏟
𝑘∈𝐾
𝐸[𝑋] =1
Caso continuo:
−∞ −∞ −∞
∫ (𝑎𝑥 + 𝑏)𝑓(𝑥)𝑑𝑥 = ∫ 𝑎𝑥𝑓(𝑥)𝑑𝑥 + ∫ 𝑏𝑓(𝑥)𝑑𝑥 =

+∞ +∞ +∞
−∞ −∞
= 𝑎 · ∫ 𝑥𝑓(𝑥)𝑑𝑥 + 𝑏 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑎𝐸[𝑋] + 𝑏

⏟
+∞ ⏟
+∞
𝐸[𝑋] =1
4. 𝐸[𝑋 − 𝐸[𝑋]] = 0
Usando la propiedad anterior: 𝐸[𝑋 − 𝐸[𝑋]] = 𝐸[𝑋] − 𝐸 [𝑋] = 0
5. Sean 𝑋 e 𝑌 variables aleatorias reales tal que 𝑃[𝑋 ≥ 𝑌] = 1 ⇒ 𝐸[𝑋] ≥ 𝐸[𝑌]
Tenemos: 𝐸[𝑋 − 𝑌] = 𝐸[𝑋] − 𝐸[𝑌] (se ve en otro curso).
Por las propiedades anteriores: si 𝐸[𝑋 ≥ 𝑌] = 1
⇒ 𝑃[𝑋 − 𝑌 ≥ 0] = 1 ⇒ 𝐸[𝑋 − 𝑌] ≥ 0 ⇒ 𝐸[𝑋 − 𝑌] = 𝐸[𝑋] − 𝐸[𝑌] ≥ 0 ⇒ 𝐸[𝑋] ≥ 𝐸[𝑌]
VARIANZA DE UNA VARIABLE ALEATORIA.

Sea 𝑋 una variable aleatoria real para que exista 𝐸[𝑋 2 ] , entonces la varianza de la
variable aleatoria 𝑋 viene dada por
2
𝜎 2 = 𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝐸(𝑋)) ]

Que se expresa, según la variable aleatoria sea discreta o continua de la siguiente forma.
Si 𝑋 es una variable aleatoria real discreta con función de probabilidad 𝑝𝑘 = 𝑃[𝑋 =

𝑥𝑘 ] ∀𝑘 ∈ 𝐾 entonces
𝜎 2 = 𝑉𝑎𝑟(𝑋) = ∑ (𝑥𝑘 − 𝐸[𝑋])2 𝑝𝑘

𝑘∈𝐾
En el caso de una variable aleatoria real y absolutamente continua con función de

densidad 𝑓 la varianza viene dada por
+∞
𝜎 2 = 𝑉𝑎𝑟(𝑋) = ∫ (𝑥 − 𝐸[𝑋])2 𝑓(𝑥)𝑑𝑥

−∞
Proposición. Dada una variable aleatoria real 𝑋, para la que existe 𝐸[𝑋 2 ], se verifica
1. 𝑉𝑎𝑟(𝑋) ≥ 0
2
𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋
⏟ − 𝐸(𝑋)) ] ≥ 0 por ser la esperanza de una v. a. no negativa.
≥0
2. 𝑉𝑎𝑟(𝑋) = 0 ⇔ ∃𝑎 ∈ ℝ con 𝑃(𝑋 = 𝑎) = 1

⇐ 𝑃(𝑋 = 𝑎) = 1 ⇒ 𝑃((𝑋 − 𝑎)2 = 0) = 1 ⇒
⏟ 𝐸(𝑋) = 𝑎 𝑦 𝐸((𝑋 − 𝑎)2 ) = 0
𝑃𝑟𝑜𝑝.
𝐸𝑠𝑝𝑒𝑟𝑎𝑛𝑧𝑎
2
⇒ 𝐸((𝑋 − 𝑎)2 ) = 𝐸 [(𝑋 − 𝐸(𝑋)) ] = 𝑉𝑎𝑟(𝑋) = 0
2
𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝐸(𝑋)) ] = 0 2
⇒ 2 } ⇒
⏟ 𝑃 ((𝑋 − 𝐸(𝑋)) = 0) = 1
𝑃 ((𝑋 − 𝐸(𝑋)) ≥ 0) = 1 𝑑𝑒𝑑𝑢𝑐𝑖𝑚𝑜𝑠
⇒ 𝑃(𝑋 = 𝐸(𝑋)) = 1
Nota: 𝑎 = 𝐸(𝑋)
3. Dados 𝑎, 𝑏 ∈ ℝ, se verifica 𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝑎𝑟(𝑋)

2
∀𝑎, 𝑏 ∈ ℝ Var(aX + b) = 𝐸 [(aX + b − 𝐸(aX + b)) ] = 𝐸[(aX + b − 𝑎𝐸(X) + 𝑏)2 ] =
2 2 2
= 𝐸 [(aX − 𝑎𝐸(X)) ] = 𝐸 [𝑎2 (X − 𝐸(X)) ] = 𝑎2 𝐸 [(X − 𝐸(X)) ] = 𝑎2 𝑉𝑎𝑟(𝑋)

4. 𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 2 ] − 𝐸[𝑋]2
2
𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝐸(𝑋)) ] = 𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 2 + 𝐸(𝑋)2 − 2𝑋𝐸(𝑋)] =
= 𝐸[𝑋 2 ] + 𝐸[𝑋]2 − 2 𝐸[𝑋]𝐸[𝑋]

⏟ = 𝐸[𝑋 2 ] − 𝐸[𝑋]2
𝐸[𝑋]2
5. min 𝐸[(𝑋 − 𝑎)2 ] = 𝑉𝑎𝑟(𝑋)

𝑎∈ℝ
𝜙(𝑎) = 𝐸[(𝑋 − 𝑎)2 ] = 𝐸(𝑋 2 + 𝑎2 − 2𝑎𝑋) = 𝐸(𝑋 2 ) + 𝑎2 − 2𝑎𝐸(𝑋)

𝜕𝜙(𝑎)
= 2𝑎 − 2𝐸(𝑋) =
⏟ 0 ⇒ 𝑎 = 𝐸(𝑋)
𝜕𝑎
𝑚𝑖𝑛𝑖𝑚𝑜
Sustituyendo tenemos la expresión de la varianza.
Dada una variable aleatoria real 𝑋, para la que existe la varianza, se define la desviación
típica de la variable aleatoria 𝑋 como la raíz cuadrada postiva de la varianza:
𝜎 = +√𝑉𝑎𝑟(𝑋)

MEDIDAS DE FORMA.
Dada una variable aleatoria real 𝑋, para la que existe 𝐸[𝑋 3 ], su coeficiente de simetría
respecto a la media viene dado por
𝐸[(𝑋 − 𝐸[𝑋])3 ]
𝛾1 =
𝜎3
• Si 𝛾1 = 0, la distribución de probabilidad es simétrica.
• Si 𝛾1 > 0, la distribución de probabilidad es sesgada a la derecha.
• Si 𝛾1 < 0, la distribución de probabilidad es sesgada a la izquierda.
Dada una variable aleatoria real 𝑋, para la que existe 𝐸[𝑋 4 ], su coeficiente de curtosis
viene dado por
𝐸[(𝑋 − 𝐸[𝑋])4 ]
𝛾2 = −3
𝜎2

• Si 𝛾2 = 0, la distribución de probabilidad sería mesocúrtica.
• Si 𝛾2 > 0, la distribución de probabilidad sería leptocúrtica.
• Si 𝛾2 < 0, la distribución de probabilidad sería platicúrtica.
MOMENTOS DE UNA VARIABLE ALEATORIA.

Sea 𝑋 una variable aleatoria real 𝑋, se definen:
1. Momento de orden 𝑟 respecto al origen:
𝑚𝑟 = 𝐸[𝑋 𝑟 ], 𝑟 ∈ ℕ
Siempre que exista el momento.
2. Momento central de orden 𝑟:
𝜇𝑟 = 𝐸[(𝑋 − 𝐸[𝑋])𝑟 ], 𝑟 ∈ ℕ
Siempre que exista el correspondiente momento.
Proposición. Si 𝑋 es una variable aleatoria real que verifica 𝐸[|𝑋|𝜆 ] < ∞ con 𝜆 > 0 ,
entonces 𝐸[|𝑋|𝛿 ] < ∞, ∀𝛿, 0 < 𝛿 ≤ 𝜆.
Demostración:

Si 𝑋 es v. a. r. discreta, existe 𝐸[|𝑋|𝛿 ] ⇔ ∑𝑥|𝑥|𝛿 𝑃(𝑋 = 𝑥) < +∞
|𝑥|≤1
𝛿≤𝜆
∑|𝑥|𝛿 𝑃(𝑋 = 𝑥) = ⏞
∑ |𝑥|𝛿 𝑃(𝑋 = 𝑥) + ∑ |𝑥|𝛿 𝑃(𝑋 = 𝑥) ≤
𝑥 𝑥 ; |𝑥| ≤1 𝑥 ; |𝑥|>1
∑ 𝑃(𝑋 = 𝑥) + ∑ |𝑥|𝜆 𝑃(𝑋 = 𝑥) ≤ ⏟

𝑃(|𝑋| ≤ 1) + 𝐸[|𝑋|
⏟
𝜆
] < +∞
𝑥 ; |𝑥| ≤1 𝑥 ; |𝑥|>1 ∈[0,1] <+∞
Si 𝑋 es v. a. r. continua existe 𝐸[|𝑋|𝛿 ] ⇔ ∫𝑥|𝑥|𝛿 𝑓(𝑥)𝑑𝑥 < +∞
∫|𝑥|𝛿 𝑓(𝑥)𝑑𝑥 = ∫ |𝑥|𝛿 𝑓(𝑥)𝑑𝑥 + ∫ |𝑥|𝛿 𝑓(𝑥)𝑑𝑥 ≤

𝑥 𝑥 ; |𝑥|≤1 𝑥 ; |𝑥|>1
≤ ∫ 𝑓(𝑥)𝑑𝑥 + ∫ |𝑥|𝜆 𝑓(𝑥)𝑑𝑥 ≤ ⏟

𝑃(𝑋 ≤ 1) + 𝐸[|𝑋
⏟
𝜆
|] < +∞
𝑥 ; |𝑥|≤1 𝑥 ; |𝑥|>1 ∈[0,1] <+∞
Proposición. Dada una variable aleatoria real 𝑋 y 𝑛 ∈ ℕ, entonces existen los 𝑛 primeros
moemntos con respecto al origen 𝑚1 , … , 𝑚𝑛 si y sólo si existen los 𝑛 primeros momentos
centrales 𝜇1 , … , 𝜇𝑚 .
DESIGUALDADES.
Teorema. Desigualdad básica. Sea 𝑋 una varible aleatoria real, sea 𝑔 una función medible
Borel real, no negativa 𝑔: ℝ → ℝ+ ∪ {0}, para la que existe 𝐸[𝑔(𝑋)], entonces ∀𝜀 ≥ 0, se
verifica
𝐸[𝑔(𝑋)]
𝑃[𝑔(𝑋) ≥ 𝜀] ≤
𝜀
Demostración:
Si 𝑋 es v. a. r. discreta
𝐸(𝑔(𝑋)) = ∑ 𝑔(𝑥)𝑃(𝑋 = 𝑥) = ∑ 𝑔(𝑥)𝑃(𝑋 = 𝑥) + ∑ 𝑔(𝑥)𝑃(𝑋 = 𝑥) ≥

𝑥 𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)<𝜀
≥ ∑ 𝑔(𝑥)𝑃(𝑋 = 𝑥) ≥ ∑ 𝜀𝑃(𝑋 = 𝑥) ≥ 𝜀 · ∑ 𝑃(𝑋 = 𝑥) = 𝜀 · 𝑃(𝑔(𝑥) ≥ 𝜀)

𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)≥𝜀
𝐸(𝑔(𝑋))
𝐸(𝑔(𝑋)) ≥ 𝜀 · 𝑃(𝑔(𝑥) ≥ 𝜀) ⇒ ≥ 𝑃(𝑔(𝑥) ≥ 𝜀)
𝜀
Si 𝑋 es v. a. r. continua
𝐸(𝑔(𝑋)) = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥 + ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥 ≥

𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)<𝜀
≥ ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥 ≥ ∫ 𝜀 · 𝑓𝑋 (𝑥)𝑑𝑥 = 𝜀 · ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 𝜀 · 𝑃(𝑔(𝑥) ≥ 𝜀)

𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)≥𝜀 𝑥 ;𝑔(𝑥)≥𝜀
𝐸(𝑔(𝑋))
⇒ 𝐸(𝑔(𝑋)) ≥ 𝜀 · 𝑃(𝑔(𝑥) ≥ 𝜀) ⇒ ≥ 𝑃(𝑔(𝑥) ≥ 𝜀)
𝜀
Corolario. Desigualdad de Markov. Sea 𝑋 una variable aleatoria real y sea la función
𝑔(𝑋) = |𝑋|𝑟 para la que existe su esperanza, entonces ∀𝜀 ≥ 0, se verifica
𝐸[|𝑋|𝑟 ]
𝑃[|𝑋| ≥ 𝜀] ≤
𝜀𝑟
Demostración:

𝐸(𝑔(𝑋))
≥ 𝑃(𝑔(𝑥) ≥ 𝜀)
𝜀
Si tomamos 𝑔(𝑋) = |𝑋|𝑟
𝐸(|𝑋|𝑟 )
𝑟
≥ 𝑃(|𝑋|𝑟 ≥ 𝜀 𝑟 ) = 𝑃(|𝑋| ≥ 𝜀)
𝜀
𝐸(|𝑋|𝑟 )
≥ 𝑃(|𝑋| ≥ 𝜀)
𝜀𝑟
Corolario. Desigualdad de Tchebycheff. Sea 𝑋 una variable aleatoria real, para la que
existe 𝐸[𝑋 2 ] y 𝑉𝑎𝑟(𝑋) > 0, entonces se verifica
𝑉𝑎𝑟(𝑋)
𝑃[|𝑋 − 𝐸[𝑋]| ≥ 𝜀] ≤
𝜀2
Demostración:
Por la desigualdad básica, si tomo 𝑔(𝑋) = |𝑋 − 𝐸(𝑋)|2
2 2]
𝐸[|𝑋 − 𝐸(𝑋)|2 ]
𝑃[|𝑋 − 𝐸(𝑋)| ≥ 𝜀] = 𝑃[|𝑋 − 𝐸(𝑋)| ≥ 𝜀 ≤
𝜀2
𝐸[|𝑋 − 𝐸(𝑋)|2 ] 𝑉𝑎𝑟(𝑋)

𝑃[|𝑋 − 𝐸(𝑋)| ≥ 𝜀] ≤ =
𝜀2 𝜀2

Nota: La desigualdad de Tchebycheff permite acotar la probabilidad de que la variable
(con momento de segundo orden) esté dentro de un intervalo cerrado en la media y de
longitud 2ε en términos de la varianza.
𝑉𝑎𝑟(𝑋)
𝑃[|𝑋 − 𝐸(𝑋)| ≥ 𝜀] ≤
𝜀2
𝑉𝑎𝑟(𝑋)
𝑃[|𝑋 − 𝐸(𝑋)| < 𝜀] ≥ 1 −
𝜀2
𝑉𝑎𝑟(𝑋)
𝑃[−𝜀 < 𝑋 − 𝐸(𝑋) < 𝜀] ≥ 1 −
𝜀2
𝑉𝑎𝑟(𝑋)
𝑃[−𝜀 + 𝐸(𝑋) < 𝑋 < 𝜀 + 𝐸(𝑋)] ≥ 1 −
𝜀2
OTRAS CARACTERÍSTICAS.
Sea 𝑋 una variable aleatoria real discreta con función de probabilidad

𝑝𝑘 = 𝑃[𝑋 = 𝑥𝑘 ], ∀𝑘 ∈ 𝐾
Se denomina moda de 𝑋 a cualquier valor 𝑥, con 𝑚 ∈ 𝐾, tal que 𝑝𝑚 ≥ 𝑝𝑘 , ∀𝑘 ∈ 𝐾. (El

valor de la variable aleatoria que hace máxima la función de probabilidad).
Sea X una variable aleatoria absolutamente continua con función de densidad 𝑓(𝑥). Se
denomina moda de 𝑋 a cualquier valor 𝑥𝑚 ∈ ℝ, que verifica 𝑓(𝑥𝑚 ) ≥ 𝑓(𝑥), ∀𝑥 ∈ ℝ. (El
valor de la variable aleatoria que hace máxima la función de densidad).
En general la moda puede no ser única.
Dada una variable aleatoria real 𝑋, se define el cuantil de orden 𝑝 de dicha variable y se
representará por 𝑞𝑝 , como aquel valor 𝑥 de la variable aleatoria, que satisface
𝑃[𝑋 ≤ 𝑥] ≥ 𝑝, 𝑃[𝑋 ≥ 𝑥] ≥ 1 − 𝑝, 0 < 𝑝 < 1

𝑛
Casos particulares de interés en los cuantiles son, los percentiles donde 𝑝 = , 𝑛∈
100
𝑛
{1, 2, … , 99}; los cuartiles donde 𝑝 = , 𝑛 = 1, 2, 3. Y un tipo particular de cuantil, de
4
1
gran interés estadístico es la mediana que se obtiene tomando 𝑝 = .
2

FUNCIÓN GENERATRIZ DE MOMENTOS.
Sea 𝑋 una variable aleatoria real, su función generatriz de momentos que se
representará por 𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] siempre que dicha esperanza exista para |𝑋| < h, con
h > 0.
Teorema. La función generatriz de momentos de una variable aleatoria real 𝑋 determina

de forma única la función de distribución de la variable y, recíprocamente, si la función
generatriz de momentos existe, ésta es única.
Proposición. Dada la función generatriz de momentos de una variable aleatoria real 𝑋, el
momento respecto al origen de orden 𝑘 de la variable aleatoria 𝑋, viene dado por la 𝑘 −
é𝑠𝑖𝑚𝑎 derivada de la función generatriz de momentos en el origen
(𝑘)
𝐸[𝑋 𝑘 ] = 𝑀𝑋 (0)
Demostración:
Si ∃ 𝑀𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] en un entorno de 𝑡 = 0, entonces al ser convergente 𝐸[𝑒 𝑡𝑥 ] también

lo será 𝐸[𝑒 |𝑡𝑥| ]
Nota: En el caso discreto ∑𝑘 𝑒 |𝑡𝑥𝑘| · 𝑃(𝑋 = 𝑥𝑘 ) < +∞
Sabemos que ∃𝑥0 ∈ ℝ ; |x|k < e|tx| si |x| > x0
Si |x| > x0 ⇒ |x|k < ce|tx| siendo 𝑐 una constante no negativa lo suficientemente grande.
En cualquier caso
|x|k < (c + 1)e|tx| ∀𝑥 ∈ ℝ
De esta mayoración se deduce inmediatamente:
𝐸[|𝑋|𝑘 ] < +∞
Y, por tanto
∃ 𝑚𝑋 = 𝐸[𝑋 𝑘 ]
Una vez demostrada la existencia tendremos:
• En el caso discreto
𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥𝑘 · 𝑃(𝑋 = 𝑥𝑘 )

𝑘

𝑀𝑋′ (𝑡) = ∑ 𝑥𝑘 𝑒 𝑡𝑥𝑘 · 𝑃(𝑋 = 𝑥𝑘 ) ⟶ 𝑀𝑥′ (0) = ∑ 𝑥𝑘 · 𝑃(𝑋 = 𝑥𝑘 ) = 𝐸[𝑋]
𝑘 𝑘
⋮
(𝑟) (𝑟)
𝑀𝑋 (𝑡) = ∑ 𝑥𝑘𝑟 𝑒 𝑡𝑥𝑘 · 𝑃(𝑋 = 𝑥𝑘 ) ⟶ 𝑀𝑋 (0) = ∑ 𝑥𝑘𝑟 · 𝑃(𝑋 = 𝑥𝑘 ) = 𝐸[𝑋 𝑟 ]
𝑘 𝑘
• Caso absolutamente continuo.
𝑀𝑥 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥

(𝑟) (𝑟)
𝑀𝑋 (𝑡) = ∫ 𝑥 𝑟 𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥 ⟶ 𝑀𝑋 (0) = ∫ 𝑥 𝑟 𝑓(𝑥)𝑑𝑥 = 𝐸[𝑋 𝑘 ]

Wuolah Free TEMA 6

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Wuolah Free TEMA 6

Cargado por

Copyright:

Formatos disponibles

TEMA-6.

Elementos de Probabilidad y Estadística

Reservados todos los derechos.

Reservados todos los derechos.

Requerimiento de convergencia absoluta:

∑|𝑥𝑘 𝑝𝑘 | = ∑|𝑥𝑘 |𝑝𝑘 < +∞

Es convergente, entonces la esperanza matemática de 𝑋 viene dada por

En las condiciones de las definiciones previas, se verifica lo siguiente,

1. Si 𝑋 = 𝐼𝐴 con 𝐴 ∈ 𝒜, se cumple que 𝐸[𝑋] = 𝐸[𝐼𝐴 ] = 𝑃(𝐴).

𝑃[𝑋(𝜔) = 1] = 𝑃[𝜔 ∈ 𝐴] = 𝑃(𝐴)

𝑃[𝑋(𝜔) = 0] = 𝑃[𝜔 ∉ 𝐴] = 1 − 𝑃(𝐴)

𝐸[𝑋] = 1 · 𝑃(𝐴) + 0 · (1 − 𝑃(𝐴)) = 𝑃(𝐴)

2. Si 𝑋 es una variable aleatoria que verifica que 𝑃[𝑋 = 𝑏] = 1 con 𝑏 ∈ ℝ, entonces

3. Si 𝑋 es una variable aleatoria acotada, es decir, existe 𝑀 ∈ ℝ ; P[|X| ≤ M] =

∑|𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] + ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] =

Reservados todos los derechos.

= ∑ |𝑥𝑛 | · 𝑃[𝑋 = 𝑥𝑛 ] ≤ 𝑀 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑀 < +∞

En el caso continuo, como 𝑃[|𝑋| < 𝑀] = 1 entonces:

∫ |𝑥|𝑓(𝑥)𝑑𝑥 = ∫|𝑥|𝑓(𝑥)𝑑𝑥 ≤ 𝑀 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑀 < +∞

Luego, en ambos casos existe 𝐸[𝑋].

4. Si 𝑃[𝑋 ≥ 0] = 1 y existe 𝐸[𝑋] ⇒ 𝐸[𝑋] ≥ 0.

Llévate 1 año de WUOLAH PRO con BBVA. ¿Cómo? ¡+Info aquí!

𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≥ 0

5. Si 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = 1 con 𝑎, 𝑏 ∈ ℝ y existe 𝐸[𝑋] ≥ 0 ⇒ 𝑎 ≤ 𝐸[𝑋] ≤ 𝑏.

𝐸[𝑋] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] ≤ 𝑏 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑏

𝐸[𝑋] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] = ∑ 𝑥𝑛 · 𝑃[𝑋 = 𝑥𝑛 ] ≥ 𝑎 · ∑ 𝑃[𝑋 = 𝑥𝑛 ] = 𝑎

Reservados todos los derechos.

𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≤ 𝑏 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑏 · 1 = 𝑏

𝐸[𝑋] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 ≥ 𝑎 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑎 · 1 = 𝑎

𝐸[𝑌] = ∑ 𝑔(𝑥𝑗 )𝑃[𝑋 = 𝑥𝑗 ]

Si existe 𝐸[𝑌] ⇒ 𝐸[𝑌] = 𝐸[𝑌] = ∑𝑗 𝑦𝑗 𝑃[𝑌 = 𝑦𝑗 ] = ∑𝑗 𝑦𝑗 𝑃[𝐵𝑗 ] donde

𝐵𝑗 = {𝜔 ∈ Ω ; Y(𝜔) = 𝑦𝑗 } = {𝜔 ∈ Ω ; 𝑔(𝑋(𝜔)) = 𝑦𝑗 } = {𝜔 ∈ Ω ; 𝑋(𝜔) = 𝑔−1 (𝑦𝑗 )}

= ⋃{𝜔 ∈ Ω ; 𝑋(𝜔) = 𝑥𝑛 𝑦 𝑔(𝑥𝑛 ) = 𝑦𝑗 }

Llévate 1 año de WUOLAH PRO con BBVA. ¿Cómo? ¡+Info aquí!

Reservados todos los derechos.

𝐹𝑌 (𝑦) = 𝑃[𝑌 = 𝑦] = 𝑃[𝑔(𝑋) ≤ 𝑦] = 𝑃[𝑋 ≤ 𝑔−1 (𝑦)] = 𝐹𝑋 (𝑔−1 (𝑦))

Llévate 1 año de WUOLAH PRO con BBVA. ¿Cómo? ¡+Info aquí!

Proposición. Sea 𝑋 una variable aleatoria real, si existe 𝐸[𝑋], entonces

Reservados todos los derechos.

Caso continuo: análogo.

2. Existe 𝐸[𝑋] ⇔ existe 𝐸[|𝑋|]

∃ 𝐸[𝑋] ⇔ ∑|𝑥𝑘 | · 𝑃[𝑋 = 𝑥𝑘 ] < +∞ ⇔ ∃ 𝐸[|𝑋|]

3. Sea 𝑋 una variable aleatoria real y sean 𝑎, 𝑏 ∈ ℝ ⇒ 𝐸[𝑎𝑋 + 𝑏] = 𝑎𝐸[𝑋] + 𝑏

𝐸[𝑎𝑋 + 𝑏] = ∑(𝑎𝑥𝑘 + 𝑏) · 𝑃[𝑋 = 𝑥𝑘 ] = ∑ 𝑎𝑥𝑘 · 𝑃[𝑋 = 𝑥𝑘 ] + ∑ 𝑏 · 𝑃[𝑋 = 𝑥𝑘 ] =

= 𝑎 · ∑ 𝑥𝑘 · 𝑃[𝑋 = 𝑥𝑘 ] + 𝑏 · ∑ 𝑃[𝑋 = 𝑥𝑘 ] = 𝑎𝐸[𝑋] + 𝑏

∫ (𝑎𝑥 + 𝑏)𝑓(𝑥)𝑑𝑥 = ∫ 𝑎𝑥𝑓(𝑥)𝑑𝑥 + ∫ 𝑏𝑓(𝑥)𝑑𝑥 =

= 𝑎 · ∫ 𝑥𝑓(𝑥)𝑑𝑥 + 𝑏 · ∫ 𝑓(𝑥)𝑑𝑥 = 𝑎𝐸[𝑋] + 𝑏

Usando la propiedad anterior: 𝐸[𝑋 − 𝐸[𝑋]] = 𝐸[𝑋] − 𝐸 [𝑋] = 0

5. Sean 𝑋 e 𝑌 variables aleatorias reales tal que 𝑃[𝑋 ≥ 𝑌] = 1 ⇒ 𝐸[𝑋] ≥ 𝐸[𝑌]

Tenemos: 𝐸[𝑋 − 𝑌] = 𝐸[𝑋] − 𝐸[𝑌] (se ve en otro curso).

Por las propiedades anteriores: si 𝐸[𝑋 ≥ 𝑌] = 1

VARIANZA DE UNA VARIABLE ALEATORIA.

Reservados todos los derechos.

Si 𝑋 es una variable aleatoria real discreta con función de probabilidad 𝑝𝑘 = 𝑃[𝑋 =

𝜎 2 = 𝑉𝑎𝑟(𝑋) = ∑ (𝑥𝑘 − 𝐸[𝑋])2 𝑝𝑘

En el caso de una variable aleatoria real y absolutamente continua con función de

𝜎 2 = 𝑉𝑎𝑟(𝑋) = ∫ (𝑥 − 𝐸[𝑋])2 𝑓(𝑥)𝑑𝑥

2. 𝑉𝑎𝑟(𝑋) = 0 ⇔ ∃𝑎 ∈ ℝ con 𝑃(𝑋 = 𝑎) = 1

Llévate 1 año de WUOLAH PRO con BBVA. ¿Cómo? ¡+Info aquí!

3. Dados 𝑎, 𝑏 ∈ ℝ, se verifica 𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝑎𝑟(𝑋)

Reservados todos los derechos.

= 𝐸[𝑋 2 ] + 𝐸[𝑋]2 − 2 𝐸[𝑋]𝐸[𝑋]