Академический Документы
Профессиональный Документы
Культура Документы
) para i = 1,2,n
Se denomina la funcin de densidad de probabilidad discreta (FDP) de X, donde (
)
significa la probabilidad de que la variable discreta X tome el valor de x
i
Ejemplo: Calcular la distribucin de probabilidad de la variable aleatoria puntuaciones
obtenidas al lanzar un dado.
Valor x 1 2 3 4 5 6
Prob p 1/6 1/6 1/6 1/6 1/6 1/6
Representacin: La representacin de una distribucin discreta de probabilidad es un diagrama
de barras.
2.2 Funcin de densidad de probabilidad de una variable aleatoria continua
Sea X una variable continua. Entonces, se dice que () es la FDP de X si satisfacen las
siguientes condiciones:
()
()
()
( )
Donde f(x)dx conocido como el elemento probabilstico (la probabilidad asociada con un
pequeo intervalo de una variable continua) y donde
( )significa la probabilidad de que X se encuentra en el intervalo a a b.
Considrese la siguiente funcin de densidad:
()
,
Verificar que () para toda x en el intervalo de 0 a 3
Caractersticas de las distribuciones de probabilidad
Una distribucin de probabilidad a menudo puede resumirse en trminos de algunas de sus
caractersticas, conocidas como los momentos de la distribucin. Los momentos ms
ampliamente utilizados son media o valor esperado y la varianza
5. Valor esperado
El valor esperado de una variable discreta X, denotado por E(X), de define de la siguiente
manera:
() ()
Donde
() ()()
6. Varianza
Sea X una variable aleatoria y sea E(x)=. La distribucin o dispersin de los valor de X
alrededor del valor esperado puede ser medida por la varianza, la cual se define como
()
( )
La raz cuadrada positiva de
()
() ( )
()()
Por conveniencia de clculo, la frmula de la varianza dada anteriormente puede ser
expresada tambin como:
()
( )
) ()
Propiedades de la Varianza
1. ( )
) ()
2. La varianza de una constante es cero
3. Si a y b son constantes, entonces
( )
()
4. Si X y Y son variables aleatorias independientes, entonces
( ) () ()
( ) () ()
5. Si X y Y son variables independientes y a y b son constantes, entonces
( )
()
()
Ejemplo variable discreta:
Se lanza un dado equilibrado produciendo el siguiente espacio muestral:
S={1,2,3,4,5,6}
Sea X el doble del nmero que aparece. Encuentra la distribucin f, la media, la varianza
y la desviacin estndar de X.
6. Covarianza
Sean X y Y dos variables con medias
y
)(
)] ()
La varianza de una variable es la covarianza de dicha variable con ella misma.
La covarianza se calcula de la siguiente manera:
Si X y Y son variables discretas:
( ) (
)(
)( )
( )
Si X y Y son variables continuas:
( ) (
)(
)( )
( )
( )
6.1 Propiedades de la Covarianza
6.1.1 Si X y Y son independientes, su covarianza es cero, puesto que
( ) ()
= 0
Dado que () ()()
( )
As, definido, (rho) es una media de la asociacin lineal entre dos variables y se encuentra
entre -1 y +1, donde -1 indica una perfecta asociacin negativa y +1 indica una asociacin
perfecta positiva.
De la formula anterior puede verse que:
( )
( )
7. El teorema del lmite central
Qu le sucede a la distribucin muestral de la media conforme se hace ms grande el tamao de
la muestra? De manera intuitiva, esperaramos que un tamao de muestra ms grande condujera
a un estimador de la media que est en promedio ms cerca de la media poblacional, el estimado
de la media muestral seria idnticamente igual a la media poblacional. De hecho, si la muestra se
vuelve grande en forma arbitraria, o igual a la poblacin, el estimado de la media muestral seria
idnticamente igual a la media poblacional.
Esta intuicin, que se cumple para las distribuciones de probabilidad con medias finitas y no se
limita a la normal, se resume de manera formal como el teorema del lmite central:
Teorema del lmite central: Si la variable aleatoria X tiene una media y una varianza
2
,
entonces la distribucin muestral de
es igual al
verdadero ; es decir,
(
)
Si esta igualdad de se mantiene se dice que el estimador es sesgado y el sesgo se calcula como
()
)
Si (
, entonces
es un estimador asintticamente
insesgado de si
)
Consistencia
Se dice que