OTRAS CARACTERISTICAS DE VARIABLES ALEATORIAS

Momentos
Los momentos son potencias esperadas de orden r de una variable aleatoria.

Si X es una variable aleatoria, entonces Y = g (x) es también una variable aleatoria que presenta una cierta
distribución de probabilidad y un cierto valor medio esperado dado por la siguiente expresión:

 g(xi).p(xi) Si X es una v. a. discreta

E(y)= E[g(x)] =
 g (x) . f ( x ) dx Si X es una v. a. cta.

1) Momento ordinario o natural de orden r

Se define g ( x ) = x r donde r = 0, 1, 2, 3, . . .

Luego el momento ordinario de orden r está dado por:

 xri . p ( x i ) Si X es una v. a. discreta

´r = E [ x ] =r

 x r . f ( x ) dx Si X es una v. a. cta.

Si r = 0 ´0 = E[x0] =1

Si r = 1 ´1 = E[ x ] =  Luego E ( x ) =  = ´1

Si r = 2 ´2 = E[ x2]
. . . . .

2) Momento centrado de orden r

Se define g ( x ) = ( x -  ) r donde r = 0, 1, 2, 3, . . .

Luego el momento centrado de orden r está dado por:

 ( x i -  )r . p ( x i ) Si X es una v. a. discreta
r= E[(x-) ] = r

 (x -  ) r . f ( x ) dx Si X es una v. a. cta.

Si r = 0 0 = E[(x - )0] =1

Si r = 1 1 = E[(x - ) ] =0

Si r = 2 2 = E[(x -  )2]=V(x) (1)

. . . . .

Desarrollando el cuadrado en la expresión ( 1 ) :

 2 = E [ (x -  ) 2 ] = E [ x2 - 2 x  +  2 ] = E ( x 2 ) - 2 E(x)  +  2 =
1
 = E ( x 2 ) - E 2 (x) = ´2 - ´1 2 = ´2 - 2

Luego V ( x ) =  2 =  2 = ´2 -  2 (2)

3) Momento reducido de orden r

Se define g ( x ) = [ ( x -  ) /  ] r donde r = 0, 1, 2, 3, . . .

Luego el momento reducido de orden r está dado por:

 [ ( x i - ) /  ] r . p ( x i ) Si X es una v. a. discreta
qr = E[(x-)/] r
=
 [ (x -  ) /  ] r . f ( x ) dx Si X es una v. a. cta.

Si r = 0 q0 = E[(x - )/]0 = 1

Si r = 1 q1 = E[(x - )/ ] = 0

Si r = 2 q2 = E[(x - )/]2= 1

Si r = 3 q3 = E [ ( x -  ) /  ] 3 = E( x -  ) 3 /  3 coeficiente de asimetría

Si r = 4 q4 = E [ ( x -  ) /  ] 4 = E( x -  ) 4 /  4 coeficiente de curtosis

...

Aplicando propiedad de esperanza matemática:

q r = E [ ( x -  ) /  ] r = E ( x -  ) r / E(  r )=E(x-)r/ r =  r/  r

4) Momento factorial de orden r

Sea g ( x ) = x . ( x-1 ) .( x-2 ) . . . . ( x - r + 1 ) = x ! / ( x - r ) ! donde r = 0, 1, 2, ...

Luego el momento factorial de orden r está dado por:

 x i! / ( x i - r ) ! . p ( x i ) Si X es una v. a. discreta
 [ r ] = E [ x! / ( x - r ) ! ] =
 x! / ( x - r ) ! . f ( x ) dx Si X es una v. a. Cta

Si r = 0 [0] = E [ x! / ( x - 0 ) ! ] = E ( 1 ) = 1

Si r = 1 [1] = E [ x! / ( x - 1 ) ! ] = E ( x ) = 

Si r = 2 [2] = E [ x! / ( x - 2 ) ! ] = E [ x . ( x - 1 ) ]) = E ( x2 - x ) =

= E ( x2 ) - E ( x ) = ´2 - 

De donde se tiene que:  [ 2 ] = ´2 -   ´2 = [2] + 

2
Reemplazando esta expresión en la expresión (2) :

V ( x ) =  2 =  2 = ´2 -  2 =  [ 2 ] +  -  2

Función generatriz de momentos

Toda distribución de probabilidad tiene un conjunto de momentos que la caracterizan.

Una función que resume o engloba a todos los momentos de una distribución de probabilidad es la función
generatriz de momentos.

Dicha función está dada por la siguiente expresión:

Sea y = g ( x ) donde x es una v. a. y sea t una variable real.

Luego:

 e g ( x) t . P ( x i ) Si X es una v. a. discreta
y ( t ) = E ( e yt
)= E(e g(x).t
)=
 e g ( x) t . f (x) dx Si X es una v. a. cta.

La función generatriz de momentos (fgm) es absolutamente convergente, por lo que es continua,

derivable e integrable.

 El momento ordinario de orden r se obtiene derivando r veces con respecto a t la fgm

para y = g ( x ) = x y valorizando en t = 0.

En símbolos:

Si y = g ( x ) = x 

 exit . p ( x i ) Si X es una v. a. discreta

 y(t)= E( ey.t )= x (t)= E(e x .t
)=
 e xt
. f (x) dx Si X es una v. a. cta.

Luego:
d  x(t)
-------------- | = ´ r
d tr t=0

Es decir: ´x ( t ) = E ( x . e x .t
)

´´x ( t ) = E ( x 2. . e x . t )
.....
 rx ( t ) = E ( x r . e x.t )

de donde:  r x ( 0 ) = E ( x r . e 0 ) = E ( x r ) = ´ r

3
 El momento centrado de orden r se obtiene derivando sucesivamente la fgm
para y = g ( x ) = ( x -  ) y valorizando en t = 0.

Es decir :  y ( t ) = E ( ey .t
) =  (x- ) ( t ) = E ( e ( x - ).t
)

Luego:
d  (x - ) ( t )
------------------ | =  r
d tr t=0

 El momento reducido de orden r se obtiene derivando sucesivamente la fgm

para y = g ( x ) = ( x -  ) / y valorizando en t = 0.

Es decir :  y ( t ) = E ( ey.t ) =  (x - ) /  ( t ) = E ( e (x - )/.t)

Luego:
d  (x - ) /  ( t )
--------------------- | = q r
d tr t=0

Propiedades de la fgm

1) Si y = c . x donde c es una constante, entonces c.x ( t ) =  x ( c t )

Ya que:  y ( t ) = E ( e y t ) = E ( e c x t ) = E ( e x(c t) ) =  x ( c t )

2) Si y = x + c entonces  x+c ( t ) = e c t .  x ( t )

Ya que:

 y ( t ) = E ( e y t ) = E ( e (x+c) t ) = E ( e x t + c t ) = E ( e x t . e c t ) = e c t. E ( e x t ) = e c t. x ( t )

3) Si z = x + y, suma de dos variables independientes, entonces  x + y ( t ) =  x ( t ) .  y ( t)

Ya que:

 z ( t ) = E ( e z t ) = E ( e (x + y) .t ) = E ( e x t . e y t ) = E ( e x t ) . E ( e y t ) =  x ( t ) . y ( t)

(Por ser x e y independientes)

4) Propiedad de unicidad de la fgm

4
 Dada una variable aleatoria x con una cierta fgm, entonces existe una única función de distribución que
posee dicha fgm.

x ( t )  F ( x )

Teorema de Tchebycheff

Dada una variable aleatoria Y definida positiva, y estando definida su esperanza matemática E ( y ),
entonces se cumple que para todo número k positivo y arbitrario, la probabilidad de que la variable sea mayor ó
igual a k está acotada en su esperanza partida k.
Es decir:
Si y > 0 /  E ( y )   k > 0: P(yk)<E(y)/k

Demostración:
+
Suponiendo que la v.a. y es cta, luego: E ( y ) =  y . f ( y ) dy
0
+
como k > 0, se tiene que:: E ( y ) >  y . f ( y ) dy
k

+ + +
tomando y > k :  y . f ( y ) dy >  k . f ( y ) dy = k  f ( y ) dy = k . P ( y  k )
k k k

luego: E(y)>k.P(yk) ó E(y)/k>P(yk)

Desigualdad de Tchebycheff

Tomando y = g ( x ) = ( x -  ) 2 donde y > 0 y E ( x ) = 

para la cual se cumple que: E(y)=E(x-)2=V(x)=2
y tomando la constante k como: k = k 2  2 donde k > 0
luego aplicando el teorema anterior se tiene que:

P{(x-)2  k22}< 2/ k22

de donde:

P { | x -  |  k  } < 1 / k 2

La cual se enuncia como:

Dada una variable aleatoria x con cualquier ley de probabilidad, y estando definida la esperanza
matemática E ( x ), entonces se cumple para todo número k positivo y arbitrario, que la probabilidad de que

5
la variable aleatoria difiera de su esperanza en más o en menos un número k de veces su desvío, está
acotada en la inversa del cuadrado de dicho número k.

Interpretación gráfica:

Aplicando propiedad de valor absoluto:

| x -  |  k   x -   k   x -   - k 

 x   + k   x   - k 

Luego:
P ( x   + k  ) + P ( x   - k  ) < 1/k 2

Gráficamente significa que se tiene una cota superior de probabilidad para los valores de la variable que
difieren de su esperanza en más o en menos k veces el desvío standard.

Considerando una distribución continua y simétrica:

1/k2

1 –
1/k2

 - k   + k

Tomando el complemento:
P ( - k  < x <  + k  }  1 - 1/ k 2

P {- k  < x -  < k  }  1 - 1/ k 2

Luego se tiene que:

P {| x -  | < k  }  1 - 1 / k 2

La desigualdad de Tchebycheff no requiere el conocimiento de la ley de probabilidad de la variable

aleatoria. Por otro lado, brinda una probabilidad acotada (no exacta) donde ( 1 - 1/k 2 ) es la cota inferior y
(1/k 2 ) la cota superior.
Ejemplos:
1) Dada la v.a. X definida como el número obtenido al arrojar un dado, hallar la probabilidad acotada de que

6
la variable no difiera de su media en a lo sumo dos puntos. Comparar este resultado con la probabilidad
exacta.

Siendo X = número obtenido al tirar un dado luego 1 X 6

Partiendo de P {| x -  | < k  }  1 - 1 / k 2 donde k  = 2

luego para encontrar el valor de k, se debe encontrar el valor de . Para ello, se aplica la definición:

x P(x) x.P(x) x2.P(x)

1 1/6 1/6 1/6  = E(x) = 21/6 = 7/2 = 3,5

2 1/6 2/6 4/6
3 1/6 3/6 9/6 V(x) =  x 2.P(x)-E2.(X)=91/6 -3,5 2 =
4 1/6 4/6 16/6
5 1/6 5/6 25/6
6 1/6 6/6 36/6 V(x) = 2,9167   = 1,71

1 21/6 91/6

Luego: k = 2 /  = 2 / 1,71 = 1,17 y 1 - 1 / k 2 = 0,27

por lo tanto: P {| x -  | < 2 }  0,27

Para calcular la probabilidad exacta, se aplica propiedad de valor absoluto:

P {| x -  |< 2} = P {| x - 7/2|< 2} = P {- 2 < x - 7/2 < 2} =

= P ( 3/2 < x < 11/2 ) = P ( 2  x  5 ) = 4/6 = 2/3 = 0,67

2) El gerente de un supermercado estima que menos del 25% de la clientela compra más de 20 unidades
de un determinado artículo por día. En base a esta información quiere determinar la compra promedio
mensual.

Partiendo de P( x   + k ) + P( x   - k ) < 1 / k 2

y teniendo como dato que P( x  20 ) < 0,25

donde x es el número de unidades diarias compradas del artículo.

Comparando ambas inecuaciones resulta el siguiente sistema de ecuaciones:

 + k  = 20 (Primer término)

- k  = 0 (Por ser la probabilidad del suceso imposible igual a cero)

1/ k2 = 0,25 (Cota superior)

para el cual se tiene la siguiente solución:

k=2  = 10 unidades diarias  = 5 unidades. diarias

Luego el promedio mensual es : 30 .  = 300 unidades por mes.