Академический Документы
Профессиональный Документы
Культура Документы
i
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), Calcula la probabilidad de
obtener menos dos caras?.
Para resolver el problema lo que debemos de calcular es la probabilidad de que la
variable aleatoria tome valores inferiores a dos. Esto viene dado por la expresin
F (1) = Prob [ X 1] = P
i
1=Prob [ X =0] +Prob [ X =1] = 1/8 + 3/8= 4/8
x
i
<x
La funcin de distribucin para una variable discreta siempre verifica las
siguientes propiedades:
A) F () = 0; F (+ ) = 1
B) [(a, b)] = F (b) F (a )
C) Es una funcin no decreciente:
x
1
, x
2
x
1
< x
2
F (x
1
) F (x
2
).
o CASO CONTINUO:
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la
funcin de distribucin, F(x), como:
F (x
) = [x X ] =
f ( x )dx .
La funcin de distribucin para una variable continua siempre verifica las
siguientes propiedades:
A) F ( x) 0;
B)
f ( x)dx = 1
b
C) P[a x b] =
f ( x)dx = F (b) F (a)
a
D) f ( x) = F(x) la funcin de densidad es la derivada de la funcin de distribucin.
i =0
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad viene dada por f (X),
calcula su funcin de distribucin:
f (x )=
X/2 0 x 2
0 en otro caso
Calculamos la funcin de distribucin, obteniendo
+ x
0 x
x
2
F ( X ) =
f ( x)dx =
f ( x)dx =
0dx +
x
2
dx = ,
4
0
por tanto, la funcin de distribucin ser:
0
x
2
F ( X ) =
4
X < 0
0 < X < 2
1 X > 2
PARMETROS DE UNA VARIABLE ALEATORIA
En esta seccin estudiaremos, de manera anloga a las variables estadsticas,
algunos parmetros de que van a resumir numricamente las distribuciones de las
variables aleatorias, distinguiendo como siempre, para el caso discreto y continuo.
Esperanza matemtica para una variable aleatoria discreta
Dada una variable aleatoria X que toma valores x
1
,x
2
,x
3
....x
n
con distribucin de
probabilidad (x = x
i
) = P
i
, se define la esperanza matemtica de una variable
aleatoria como:
[x] =
=1
x
i
(X = x
i
) =
=1
x
i
i
.
n n
i i
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la esperanza
matemtica.
3
1 3
3 1 12 3
El resultado ser: E[ X ] =
x
i
p
i
= 0
8
+ 1
8
+ 2
8
+ 3
8
=
8
=
2
.
2 2 2
Esperanza matemtica para una variable aleatoria continua
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la
esperanza matemtica de esa variable aleatoria como:
[x] =
+
xf ( x)dx = .
Tanto para el caso discreto como para el caso continuo, la esperanza matemtica
presenta las siguientes propiedades:
o Si C es una constante, E(C) = C.
o a, b R, E(aX + b) = aE(X) + b
o Si g(X) es una funcin de X, entonces:
o Si X es discreta, E[ g ( X )] =
g ( x
i
) p
i
.
i =1
+
o Si X es continua, E[ g ( X )] =
g ( x) f ( x)dx.
n n
o Si X
1
, ..., X
n
son variables aleatorias, entonces E[
X
i
] =
E[ X
i
].
i =1 i =1
Varianza de una variable aleatoria
A continuacin vamos a definir la varianza de una variable aleatoria
diferenciando para el caso discreto y continuo. Dada una variable aleatoria X que toma
valores x
1
,x
2
,x
3
....x
n
con distribucin de probabilidad, se define la varianza de X:
o Discreta: V [x] = ( x E ( x))
2
n
=
( x
i
)
n
=
x
i
P
i
o Continua: V [x] =
+
2
(x )
i =1
f ( x)dx
i =1
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la varianza.
El resultado ser:
3
2
V [ X ] =
2
=
x
2
p
2
=
0
2
1
+ 1
2
3
+ 2
2
3
+ 3
2
1
3
0,75.
i i
=
i =0
8 8
8 8
Propiedades de la Varianza y la Esperanza matemtica:
Sea X una variable aleatoria e Y otra variable aleatoria tal que Y = a X + b,
entonces siempre se verifica:
k
k
o E[Y ] = aE[X ]+ b
o V [Y ] =
a
2
V [Xx ]
o Si X e Y son independientes, entonces E[XY ] = E[X ]E[Y ].
Covarianza
Sean X e Y dos variables aleatorias, se define la covarianza entre estas dos
variables como,
Cov = E[XY ] E[X ]E[Y ] ,
donde el clculo de las esperanzas depender de si las variables son discretas o
continuas. De esta definicin surge el siguiente resultado. Cuando X, Y son
independientes la covarianza es igual a 0.
E[X Y ] = E[X ]E[Y ], entonces
Cov = E[XY ] E[X ]E[Y ] = E[ X ] E[Y ] E[ X ] E[Y ] = 0.
Momentos de una variable aleatoria
Dada una v.a X, se define su momento de orden k (k = 0, 1, 2,...) respecto a la
media o momento central de orden k como la esperanza de (X )
k
:
= E[( X )
k
]
Del mismo modo se define su momento de orden k (k = 0, 1, 2, ...) respecto al
origen o momento no central de orden k como la esperanza de X
k
:
= E[ X
K
]
De las definiciones se deduce que:
o
o
= 1
o
1
=
o
o
= 1
o
1
= 0
o El segundo momento central se llama tambin varianza, y se denota por V(X) o
2
.