Probabilidad y Estadística

Luis Armando Rosas

Rivera
Facultad de Ingeniería
UMSA

Variable Aleatoria

Definición:

• Una variable aleatoria es una

descripción numérica del resultado
de un experimento

1
 Variable Aleatoria
• Una variable aleatoria es una función que
asigna un número real a cada uno de los
puntos de un espacio muestral S.
X :E 
w  X ( w)
Lanzamiento de 2 monedas
X(s) ≡Número de CARAS
s X(s)
CC→ 2
CX → 1
XC → 1
XX → 0 3

Variable Aleatoria
• Llamar variable a una función resulta algo confuso,
por ello hay que insistir en que es una función.

• La variable aleatoria puede ser discreta o continua.

Tipos
• Variable aleatoria Discreta
• Variable aleatoria Continua

2
Variable Aleatoria
• Cuando los valores que toma una variable aleatoria
son finitos o infinitos numerables se dice que es
discreta.

• Resultado obtenido al lanzar un dado

{1,2,3,4,5,6}

• Número de veces que hay que lanzar una moneda

hasta obtener una CARA
{1,2,3,4, ...}
5

Variable Aleatoria
Otros ejemplos variable aleatoria discreta
Variable Valores
Experimento
aleatoria posibles V.A
Llamar a cinco
Cantidad de clientes 0, 1,2,3,4,5
clientes
Inspeccionar un
Cantidad de chips
embarque de 40 0,1,2,….,40
defectuosos
chips
Funcionamiento de
un restaurante Cantidad de clientes 0,1,2,3…….
durante un día
0 si es hombre y 1 si
Vender un automóvil Género del Cliente
es mujer
6

3
 Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
3 monedas.
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral

Ley de
correspondencia

Nº reales
(# de caras) 0 1 2 3 caras

Establecer una variable aleatoria X :E 

para un experimento aleatorio no es
más que una manera de asignar de w  X ( w)
"manera natural" números a los
eventos. 7

Función de probabilidad
Una vez definida una variable aleatoria X,
podemos definir una función de probabilidad
asociada a X, de la siguiente forma:
p :   [0,1]
x  p( x)  P( X  x)
La función de probabilidad debe cumplir:
(i ) p ( x)  0 x  
(ii )  p( x)  1
x
(Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
8

4
Requerimientos de una distribución de
probabilidad
X P(X) X P(X) X P(X)

-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2

0  p(x)  1 para todo x

x
p(x)  1
9

Función de probabilidad discreta

Valores Probabilidad
0 1/4 = 0.25

Z
1 2/4 = 0.50
Z

Z Z
2 1/4 = 0.25

X :E  p :   [0,1]
w  X ( w) x  p ( x)  P ( X  10
x)

5
 DISTRIBUCIONES
PROBABILISTICAS

Una distribución
probabilística es la
enumeración de todos los
resultados de un
experimento junto con las
probabilidades asociadas.

11

Distribución Probabilística
La distribución de una variable X se define
como una descripción del conjunto de
valores posibles de X, junto con la
probabilidad asociada con cada uno de
estos valores
Para una variable aleatoria discreta la
distribución de probabilidad se
describe mediante una función de
probabilidad, representada por f(x).
Donde esta función define la probabilidad
de cada valor de la variable analizada
12

6
Condiciones Requeridas Para
Una Función Discreta

Probabilidad
f ( x)  P( X  x)
fx ( x )  0
n

 fx ( x )  1
i 1
Cantidad discreta
13

Función de probabilidad
Uniforme Discreta
Es la representación más sencilla de
distribución de probabilidad, se define
como:

f (x)  x / n
14

7
 DISTRIBUCIONES PROBABILISTICAS

NÚMEROS DE PROBABILIDAD DE LOS

CARAS RESULTADOS
0 1/4 = 0.25
1 2/4 = 050
2 1/4 = 0.375
Total 4/4 = 1

Características de una distribución

probabilística: La probabilidad de un resultado
siempre debe estar entre 0 y 1. La suma de todos
los resultados mutuamente excluyentes siempre
es 1. 15

Función de probabilidad

16

8
Función de probabilidad
Lanzamiento de un dado

17

Observe que si el espacio muestral es infinito

numerable, también podemos definir una
variable aleatoria discreta y una función de
probabilidad.

Ejemplo: Sea X = Número de lanzamientos de

una moneda antes de que aparezca una cara.
Entonces:

P(X = 1) = P(C) = 1/2

P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1,2,….
18

9
 Sea el experimento “lanzar dos dados”. Definamos
el espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como:

con S = {2,3,...,12} la suma de puntos.

Una posible función de probabilidad es:
f :  [0,1]
f (2)  P(X  2 )  P((1,1) )  1/ 36
f (3)  P(X  3 )  P((1,2) (2,1) )  2/ 36
f (4)  P(X  4 )  P((1,3) (3,1) (2,2) )  3/ 36
... 19

Función de probabilidad de la variable aleatoria X

6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

20

10
 Función de distribución (acumulada)
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como: F :   [0,1]
x  F ( x)  P ( X  x)
Para nuestro ejemplo del lanzamiento de monedas:
X = Número de caras al lanzar 2 monedas

21

FUNCIÓN DE DISTRIBUCIÓN
• Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o
iguales.

• Piénsalo como la generalización de las frecuencias

acumuladas. Diagrama integral.

• A los valores extremadamente bajos les corresponden

valores de la función de distribución cercanos a cero.

– A los valores extremadamente altos les corresponden

valores de la función de distribución cercanos a uno.
22

11
 Función de distribución (acumulada)

23

Función de distribución (acumulada)

En nuestro ejemplo de los dos dados:
F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
24

12
Algunos problemas de probabilidad están relacionados
con la probabilidad P(a <X  b) de que X asuma algún
valor en un intervalo (a, b]. Observa que:

P(a < X  b) = F(b) - F(a)

Para demostrarlo observa que, como los sucesos X  a

y a< X  b son mutuamente excluyentes, entonces:

F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)

En el ejemplo de los dos dados, calcula la

probabilidad de que los dos dados sumen al
menos 4 pero no más de 8:

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

25

Ejemplo: Dibujar la función de probabilidad f(x) y la

función de distribución F(x) de una variable discreta
definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6

1 1
6
F(x)
f(x) 0.5

0 1 6 x 0 1 6 x
Función de probabilidad f(x) Función de distribución 26
F(x)

13
Algunas propiedades de la función de distribución
F ()  lim F ( x)  lim P( X  x)  P( E )  1
x   x  

F ()  lim F ( x)  lim P ( X  x)  P ()  0

x   x  

P( x1  X  x2 )  F ( x2 )  F ( x1 )
F es monótona creciente.

F es continua por la derecha: la probabilidad de

que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de
distribución en ese punto. 27

Variable aleatoria continua

28

14
 Variable aleatoria continua
• Las distribuciones de probabilidad son
idealizaciones de los polígonos de frecuencias.
En el caso de una variable estadística continua
consideramos el histograma de frecuencias
relativas, y se comprueba que al aumentar el
número de datos y el número de clases el
histograma tiende a estabilizarse llegando a
convertirse su perfil en la gráfica de una
función.
• Las distribuciones de probabilidad de variable
continua se definen mediante una función y=f(x)
función de probabilidad o función de densidad.

29

Variable aleatoria continua

30

15
 Variable aleatoria continua
• Se dice que una variable aleatoria es
continua si toma valores en el conjunto de
los números reales, o en un intervalo de
números reales.
• Por ejemplo, consideremos que vamos a
tomar la estatura a los miembros de un
grupo de personas. Entonces si
seleccionamos una persona al azar la
estatura de esta persona no tendrá un
valor discreto (entero), si no que estará en
un intervalo real. 31

Variable aleatoria continua

• Supongamos que la variable aleatoria, X,

toma valores en el conjunto de los números
reales, entonces nuestro problema es
determinar la probabilidad de, por ejemplo,
Pr{ a < X < b}, siendo a y b números reales.

32

16
 Función de distribución de
una variable aleatoria continua
• Para una variable aleatoria continua disponemos de
un conjunto no numerable de valores.
• No es posible definir una probabilidad para cada
uno. Por eso definimos previamente la función de
distribución de probabilidad, que sí tiene un
significado inmediato y semejante al caso discreto:

F :   [0,1]
x  F ( x)  P ( X  x)
33

Variable Aleatoria continua

Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A

Tiempo en minuto,
Funcionamiento de un
entre llegadas de X>=0
banco
clientes
Llenar una lata de
bebida Cantidad de onzas 0<=x<=12.1
(máx =12.1 onzas)
Porcentaje de
Proyecto para
terminado del 0<=x<=100
construir un biblioteca
proyecto

Temperatura cuando
Ensayar un nuevo se lleva a cabo la
150<=x<=212
proceso químico reacción deseada (min
150º F; máx 212ºF)
34

17
 Función de densidad continua
Definimos la función de distribución para la variable
aleatoria continua como: x
F ( x)   p(t )dt

x  

Donde p(x) se llama función densidad de probabilidad

de la distribución F(x), es continua y definida no negativa.

Diferenciando tenemos:
dF ( x)
 p( x)
dx
para cada x donde p(x) es continua. 35

FUNCIÓN DE DENSIDAD (V. CONTINUA)

• Definición
– Es una función no negativa de
integral 1.
• Piénsalo como la
generalización del
histograma con frecuencias
relativas para variables
continuas.
• ¿Para qué lo voy a usar?
– Nunca lo vas a usar
directamente.
– Sus valores no representan
36
probabilidades.

18
¿PARA QUÉ SIRVE LA FUNCION
DENSIDAD?
• Muchos procesos aleatorios vienen descritos por
variables de forma que son conocidas las
probabilidades en intervalos.

• La integral definida de la función de densidad en dichos

intervalos coincide con la probabilidad de los mismos.

• Es decir, identificamos la probabilidad de un intervalo

con el área bajo la función de densidad.

37

Variable Aleatoria continua

p (x ) p (x)

1 1

x x
0 a 1 0 a b 1

El área sobre un punto como a, La probabilidad de que

es cero. obtengamos un valor entre
a y b es b - a.

38

19
Variable Aleatoria continua

p (x )
 0 x0
 1
1 p( x)   0  x 1
b  a
Área = 1  0 x 1
x
0 1

39

Función de densidad

40

20
Función de densidad
Una función fX (x) es una función de
densidad de probabilidad de una
variable aleatoria X si y sólo si cumple:

41

Función de densidad
A partir de la definición es fácil ver
que:
b
P(a  X  b)  F (b)  F (a)   p(v)dv
a

De modo que la probabilidad es el área bajo

la curva densidad p(x) entre x = a y x = b.
Nota: para cualquier par de valores a y b, en el caso de
una variable aleatoria continua, las probabilidades
correspondientes a los intervalos a < X  b, a < X < b, a
 X < b y a  X  b son la misma. No así en variable
discreta. 42

21
 FUNCIÓN DE DISTRIBUCIÓN

• Es la función que asocia a cada valor de una variable, la

probabilidad acumulada de los valores inferiores o
iguales.

• Piénsalo como la generalización de las frecuencias

acumuladas

• A valores extremadamente bajos les corresponden

valores de la función de distribución cercanos a cero.

• A los valores extremadamente altos les corresponden

valores de la función de distribución cercanos a uno.
43

¿PARA QUÉ SIRVE LA FUNCIÓN

DISTRIBUCIÓN?
• Contrastar lo anómalo de una observación concreta.
• Sé que una persona de altura 210cm es
“anómala” porque la función de distribución en
210 es muy alta.
• Sé que una persona adulta que mida menos
de 140cm es “anómala” porque la función de
distribución es muy baja para 140cm.
• Sé que una persona que mida 170cm no
posee una altura nada extraña pues su función
de distribución es aproximadamente 0,5.

44

22
¿PARA QUÉ SIRVE LA FUNCIÓN
DISTRIBUCIÓN?
• Relaciónalo con la idea de cuantil.

• En otro contexto (contrastes de hipótesis)

podremos observar unos resultados
experimentales y contrastar lo “anómalos” que
son en conjunto con respecto a una hipótesis de
terminada.

– Intenta comprender la explicación de clase si

puedes. Si no, ignora esto de momento.
Revisita este punto cuando hayamos visto el
tema de contrastes de hipótesis.
45

Ejemplo: Supongamos que X tiene como función densidad a p(x) =

0.75(1-x2) si -1 x 1 y cero en otro caso. Encuentra la función de
distribución y las probabilidades P(-1/2  X  1/2) y P(1/4  X  2).
Y x tal que P(X  x) = 0.95

F(x) = 0 si x  -1
x
F(x)  0.75 (1 v2 )dv  0.50 0.75x  0.25x3 si -1  x  1
1

F(x) = 1 si x >1.
1
2

P ( 12  X  12 )  F ( 12 )  F ( 12 )  0.75  (1  v 2 )dv  0.6875

1  12

P( 14  X  2)  F(2)  F( 14 )  0.75 (1 v )dv  0.3164

2

1
4

P ( X  x )  F ( x )  0 .5  0 .75 x  0 .25 x 3  0 .95  x  0 .73

46

23
 Variable Aleatoria continua
Algunas propiedades de la función de
distribución
F ()  lim F ( x)  lim P ( X  x)  P ( E )  1
x   x  

F ()  lim F ( x)  lim P( X  x)  P()  0

x   x  

P ( x1  X  x2 )  F ( x2 )  F ( x1 )
F es monótona creciente

F es continua por la derecha: la probabilidad de que la

variable aleatoria discreta X tome un valor concreto es
igual al salto de la función de distribución en ese punto.
47

MEDIA DE UNA DISTRIBUCION

PROBABILISTICA
La media o esperanza matemática es una
medida de localización, que indica el valor
alrededor del cual fluctúa la variable
aleatoria; si ésta es continua, la media se
define como:

  E X    xi P( X  xi )   xi p( xi )
i i

48

24
 Esperanza Matemática
El valor esperado al valor probable que podemos obtener al
repetir cierto evento.
• Se define esperanza o media de una variable aleatoria
discreta X y se representa por E[X] al Valor

49

Esperanza matemática o media

de una función de probabilidad discreta

  E X    xi P( X  xi )   xi p( xi )
i i

Siempre que no genere

X P(X) X P(X) ambigüedad pasaremos
de arrastrar la variable
-1 .1 -.1 aleatoria: en vez de poner
0 .2 .0 X = xi ponemos
directamente xi.
1 .4 .4
2 .2 .4 nx
p(x) 
3 .1 .3 N
J
1.0  ni ( x )
  i 1
50
N

25
 Esperanza matemática de una
función de probabilidad discreta
Calcular la esperanza de la variable
aleatoria X en el ejemplo de los dos dados:
12
  E ( X )   P(i )  i 
i 2

1 2 6 1
 2   3  ...   7  ...  12  7
36 36 36 36

51

Esperanza Matemática
– P(Ganar) = 1/37
– P(Perder)= 1- 1/37 = 36/37
– Valor a Ganar = $35,000
– Valor a Perder = $1,000
• Esperanza de Ganancia:
E(G) = P(ganar)*Valor Ganar + P(perder)*Valor Perder
E(G) = 1/37 x $35,000 + 36/37 x - $1,000
E(ganancia) = $946 - $973 = - $27
• Si jugamos a la ruleta, apostando toda la noche a
un número $1,000; la esperanza que tenemos es
de perder “en promedio” $27 cada vez. 52

26
 Sean a, b y c constantes. Demuestra que:

(1) E (c )  c
(2) E ( P1 ( x)  P2 ( x))  E ( P1 ( x))  E ( P2 ( x))
(3) E (aX  b)  aE ( X )  b

(1)   Ec  1 c  c
(2) E P1 ( x)  P2 ( x)    xi P1 ( X  xi )  P2 ( X  xi )  
i

 x P ( X  x )   x P ( X  x )  E  P ( x)   E P ( x) 
i
i 1 i
i
i 2 i 1 2
53

VARIANCIA DE UNA DISTRIBUCION

PROBABILISTICA

La variancia describe el grado de

dispersión en una distribución.

2 2
σ = E(X) = Σ[(X - µ) *P(X)]

54

27
 Varianza y desviación estándar o típica
de una función de probabilidad discreta
Varianza
 2  Var( X )  M2  E((X  )2 ) 
 i P(X  xi )
(
i
x  )2

Desviación estándar
o típica   Var ( X )
Ambas miden la “dispersión de los datos”. Observa que la
desviación típica lo hace con las mismas unidades que los
propios datos. 55

Ejemplo
X   ( X   ) ( X   )  P( X )
2 2
X P(X)

-1 .1 -2 4 .4
0 .2 -1 1 .2
1 .4 0 0 .0
2 .2 1 1 .2
3 .1 2 4 .4
1.2

 2   ( xi   ) 2 P ( xi )  1,2
i

  Var ( X )  1.10
56

28
 Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
12
Var ( X )   P(i)  (i  7) 2 
i 2

1 2 1
 (2  7) 2   (3  7) 2  ...   (12  7) 2  5,83
36 36 36
  Var ( X )  5,83  2,41
57

Algunas propiedades de la varianza

Var ( X )   2
  (x
i
i   ) 2 p ( xi ) 

 (x   2  2  xi ) p ( xi ) 
2
i
i

x p ( xi )   2  2   xi p ( xi ) 
2
i
i i

E ( X 2 )   2  2  2  E ( X 2 )  ( E ( X )) 2

 2  E( X 2 )  ( E( X ))2
58

29
Esperanza matemática o media
μ   x j p( x j ) (Distribución discreta)
j

μ   xp( x)dx (Distribución continua)


Decimos que una distribución es simétrica si existe

un valor c tal que para cada real x: p (c + x) = p(c - x).

Observa que si una distribución es simétrica con

respecto a c, entonces su media  es  = c.

59

Varianza y desviación típica

σ 2   ( x j  μ) 2 p ( x j ) (Distribución discreta)
j

σ 2   ( x  μ) 2 p ( x)dx (Distribución continua)


La desviación típica o estándar es el valor positivo de la

raíz cuadrada de 2 . Ambas miden la dispersión de la
distribución.

Observa que la varianza siempre es 2 > 0, excepto para

una distribución con p(x) = 1 en un punto y p(x) = 0 en el
resto (una delta de Dirac), en cuyo caso 2 =0.
60

30
Ejemplo
Una persona vende autos nuevos para una empresa. Generalmente
negocia el mayor numero de autos los sábados. Ha establecido la
siguiente distribución de probabilidad para el numero de autos que
espera vender en un sábado en particular.

NÚMEROS DE AUTOS VENDIDOS PROBABILIDAD P(X)

X
0 0.10
1 0.20
2 0.30
3 0.30
4 010
Total 1.00
1. ¿Qué tipo de distribución es esta?
2. En un sábado común, ¿Cuántos autos desea vender?
61
3. ¿Cuál es la variancia de la distribución?

Ejemplo (continuación)

1. Es una distribución de probabilidad discreta (las

respuestas son mutuamente excluyentes).
2. El numero medio de autos vendidos:
µ = Σ[x*P(X)]=0(0.1)+1(0.2)+2(0.3)+ 3(0.3)+4(0.1)=2.1

NÚMEROS DE PROBABILIDAD X.P(X)

AUTOS VENDIDOS P(X)
X
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 2.10 62

31
Ejemplo (continuación)
NÚMEROS DE AUTOS VENDIDOS PROBABILIDAD (PX) X.P(X)
X
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 E(X) =2.10

3. De nuevo es util una tabla para sistematizar los cálculos para la

variancia. Su valor es 1.290
NÚMEROS DE PROBABILIDAD (X - µ) (X - µ)2 (X - µ)2. P(X)
AUTOS VENDIDOS P(X)
X
0 0.10 0 – 2.1 4.41 0.441
1 0.20 1 – 2.1 1.21 0.242
2 0.30 2 - 2.1 0.01 0.003
3 0.30 3 – 2.1 0.81 0.243
4 010 4 – 2.1 3.61 0.361
Total 1.00 2
σ = 1.290
63
σ= 1.136

Desigualdad de Tchebychev

64

32
Supongamos que tenemos que hacer unos análisis clínicos
de sangre. Queremos detectar una enfermedad que afecta a
1 de cada 100 personas. Los pacientes acuden en grupos de
50. ¿Qué nos sale económicamente más a cuenta: analizar
paciente a paciente o mezclar la sangre de los 50 y analizar
la mezcla?
50
99  99 
P (1 persona sana)  ; P (50 personas sanas)   
100  100 
50
 99 
P (Al menos una persona de 50 enferma)  1 -  
 100 

 99 
50
  99 50 
# esperado de análisis  1      1 -    21
  100  
51
 100   
Tomando la mezcla, en promedio tendremos que hacer
unos 21 análisis en vez de 50 por grupo. 65

Juegos
A un juego de azar podemos asignarle una variable
aleatoria X, cuyos valores son las ganancias
correspondientes a los posibles resultados. La esperanza
matemática de la variable aleatoria X representa el
beneficio medio o ganancia media que se obtiene en cada
jugada cuando se juega un número elevado de veces.

Si la esperanza matemática es 0 se dice que

el juego es justo.
Si es mayor que 0 se dice que el juego
es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y
no es favorable.
66

33
Juegos
Sea el juego que consiste en sacar una bola de
una urna que contiene 7 bolas rojas y 3 bolas
negras. Ganamos 50 Bolivianos si la bola
extraída es roja y pagamos 150 Bolivianos en el
caso de que sea negra. ¿Qué podemos esperar
si jugamos muchas veces?
Variable aleatoria X Función de probabilidad
R 50 0,7

N -150 0,3

67

Espacio muestral E = {R, N}. Consideramos las ganancias

como positivas y las pérdidas negativas:

Variable aleatoria X Función de probabilidad

R 50 0,7

N -150 0,3

  50  0,7  (150)  0,3  10

Ganancia media

68

34
Una compañía de seguros domésticos tiene que determinar
el gasto medio por póliza suscrita, sabiendo que cada año 1
de cada 10 000 pólizas termina en un reclamo de 20
millones, 1 de cada 1 000 en 5 millones 1 de cada 50 en
200.000 y el resto en 0.

 1   1 
   2 107     5 10 
6

 10000   1000 
 1   9789 
  2 105     0    9200
 50   10000 

69

Momento de orden k de una variable

aleatoria discreta
De forma más general podemos definir la esperanza
matemática o media no solo para una variable aleatoria X,
sino para cualquier función T(X) como:

  ET ( X )  T ( xi ) p( xi )
i
Tomando como casos particulares a las funciones:
T ( X )  X k ; k  1, 2, 3, ...
obtenemos los momentos de orden k centrados en el origen:

mk  E ( X k )   xik p ( xi )
i
70

35
 Y tomando como casos particulares a las funciones:

T ( X )  ( X   ) k ; k  1, 2, 3, ...
obtenemos los momentos de orden k centrados en
la media de X:

M k  E (( X   ) k )   ( x   ) k p ( xi )
i

Observa que:
m1  E ( X )  
M1  E( X   )  E( X )    0
71

Distribución de probabilidad uniforme U(a,b)

Función de densidad de probabilidad:

1
 1 ba
 si a  x  b
p ( x )  U ( a , b)   b  a p (x )
 0 en otro caso
Área = 1
Recordemos que la función de
distribución se define como:
x a x b
F ( x)   p(t )dt

x  
Entonces:
0 xa
x a
F ( x)   a xb
b  a
1 xb 72

36
 Igualmente, partiendo de la función de distribución:

0 xa
x a
F ( x)   a xb
b  a
1 xb

Podemos calcular la función de densidad de probabilidad:

dF ( x)  1 si a  x  b
 p( x) p( x)  b  a
dx
 0 en otro caso
73

Ejemplo:  1
 47  41 para 41  x  47


p( x) 

 0 para el resto de valores

45  42 1
p (x ) 
47  41 2
Calcula la 1 1
probabilidad 
47  41 6
Area
P(42  x  45) = 0.5

41 45 42 47 x

x1  x2 45 42 1
P(x1  x  x2 )  P(42  x  45)  
ba 47 41 2

74

37
 Calcula la media, la varianza y la desviación típica de
la distribución de probabilidad uniforme.
b
x
b
 x2  b2  a2 a  b
μ dx     
a
b  a  2(b  a ) a 2(b  a ) 2

b 2
 ab 1 (b  a) ba 2
σ  x 
2
 dx  ; σ
a
2  ba 12 12

1 1
(2=1/12) (2=3/4)
p(x) p(x)

0 x 1 -1 0 1 2 x

Nota: Observa que estas distribuciones tienen la misma media pero distinta
varianza. Mayor varianza implica mayor dispersión alrededor de la media.
75

Momentos de orden k centrados

en el origen y en la media.
E (T ( X ))   T ( x j ) p ( x j ) (Distribución discreta)
j

E ( X k )   x j p( x j ) Momentos de orden k
k

E (( X  μ) k )   ( x j - μ) k p( x j )
j

E (T ( X ))   T ( x) p ( x)dx (Distribución continua)


E( X k )  x
k
p( x)dx Observa que para k = 2:

 2 = E((X - )2)
E (( X  μ) k )   ( x  μ) k p( x)dx 76


38
Otras valores típicos o medidas del valor central son:
 x( N 1) / 2 si N es impar
mediana xmed   Discr.
1 / 2( x N / 2  x( N 1) / 2 ) si N es par

F ( xmed )  P ( X  x)  P ( X  x)  0.5 Cont.

moda xmod: es el valor para el cuál la distribución toma su

máximo absoluto.
Siguen un orden alfabético dF ( x)
p( x) 
dx

x
F ( x)   p(t )dt


77

Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetría de la distribución.

Asimetría (skewness)

4o momento: describe el aplanamiento de la distribución.

Kurtosis

Se suele medir en una escala que

toma 3 como su cero, ya que éste
es el valor de la kurtosis de una
distribución normal estándar 78

39
 79

k ( 7  2 x ) 0 x3

f ( x)  
 0 otro caso

80

40
81

82

41
 83

Muchas Gracias
Estoy listo
para la
prueba

84

42