MOMENTOS DE UNA VARIABLE ALEATORIA r =0 𝝁𝟎 = 𝑬 [(𝑋 − 𝜇𝑋 ) ] = 𝟏
Sea X una variable aleatoria, se define su r –ésimo momento r =1 1 𝝁𝟏 = 𝑬 [(𝑋 − 𝜇𝑋 ) ] = 𝑬[(𝑿 − 𝜇𝑋 ] = 𝑬[𝑿] − 𝜇𝑋 = 𝟎 con respecto al origen como: 𝝁′𝒓 = 𝑬(𝑿𝒓 ) En cualquier variable aleatoria, su primer momento y el r –ésimo momento con respecto a la media (o valor respecto a la media es igual a 0 (propiedad que se utiliza esperado) como: frecuentemente en demostraciones estadísticas). 𝝁𝒓 = 𝑬[(𝑿 − 𝝁𝑿 )𝒓] 2 r =2 𝝁𝟐 = 𝑬 [(𝑋 − 𝜇𝑋 ) ] = 𝝈𝟐𝑿 = 𝝈𝟐 El primer momento con respecto al origen es el valor esperado: El segundo momento respecto a la media se llama varianza. 2 𝝁′𝒓 = 𝑬(𝑿) = 𝝁𝑿 ∑(𝑋 − 𝜇𝑋 ) 𝑓𝑋 (𝑥); 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 Por las características del operador valor esperado, es 2 𝑥 𝝈𝟐𝑿 = 𝑬 [(𝑋 − 𝜇𝑋 ) ] = ∞ posible obtener momentos con respecto a la media a partir 2 de momentos con respecto al origen, como en el siguiente ∫(𝑋 − 𝜇𝑋 ) 𝑓 (𝑥)𝑑𝑥; 𝑋 continua 𝑋 ejemplo: {−∞ 𝝁𝟐 = 𝑬[(𝑿 − 𝝁𝑿 )𝟐 ] = 𝑬(𝑿𝟐 − 𝟐𝑿𝝁𝑿 + 𝝁𝟐𝑿 ) La varianza de una variable aleatoria mide la dispersión de sus valores respecto al valor central 𝜇𝑋 . 𝝁𝟐 = 𝑬(𝑿𝟐 ) − 𝟐𝝁𝑿 𝑬(𝑿) + 𝝁𝟐𝑿 = 𝑬(𝑿𝟐 ) − 𝝁𝟐𝑿 Para calcular la varianza por un método más sencillo, se El segundo momento con respecto a la media, se puede utiliza la expresión: obtener a través de dos momentos con respecto al origen, 2 y de manera similar, el tercer momento con respecto a la 𝝈𝟐𝑿 = 𝑬 [(𝑋 − 𝜇𝑋 ) ] = 𝐸[𝑋2 ] − 𝜇2𝑋 = 𝐸[𝑋2 ] − (𝐸[𝑋])2 media se puede obtener con tres momentos con respecto al origen, y así sucesivamente. La varianza de una variable aleatoria es igual a la media de los cuadrados menos el cuadrado de la media. En otras palabras, los momentos de una variable aleatoria El principal problema de la X son los valores esperados de ciertas funciones de x. Ellos varianza es que se expresa forman una colección de medidas descriptivas que pueden en unidades cuadráticas que ayudar a caracterizar la distribución de probabilidad X y no siempre tienen una verificar si todos los momentos son conocidos. interpretación clara. Para Generalmente, estos momentos se definen alrededor del obviar este problema se origen o alrededor del valor esperado (o media). define otra medida de la Definición: dispersión que es la Sea X una variable aleatoria. El r –ésimo momento de X desviación típica, 𝜎𝑋 , o simplemente σ, que se calcula como la alrededor del origen se define por: raíz cuadrada positiva de la varianza; evidentemente, la desviación típica (o desviación estándar) se mide en las ∑ 𝑥𝑟 𝑓𝑋 (𝑥); 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 mismas unidades que la variable. 𝑥 𝝁′𝒓 = 𝐸(𝑋𝑟) = ∞ 𝜎 = +√𝜇𝑋2 𝑟 ∫ 𝑥 𝑓𝑋 (𝑥)𝑑𝑥; 𝑋 continua {−∞ No obstante, la desviación típica no resuelve todos los problemas que se pueden plantear, como por ejemplo la r =0 𝝁′𝟎 = 𝑬[𝑿𝟎 ] = 𝟏 comparación de situaciones en las que la unidad de medida o r =1 𝝁′𝟏 = 𝑬[𝑿𝟏 ] = 𝑬[𝑿] = 𝝁𝑿 = 𝝁 el orden de magnitud de esta sean diferente. Para resolver esta Por lo anterior, el primer momento con respecto al origen es cuestión se define una medida adimensional de la variabilidad igual al valor esperado (media aritmética de la variable que es el coeficiente de variación, CV, que se calcula como el cociente entre la desviación típica y la media (a veces este aleatoria) y se le denota por 𝝁𝑿 o simplemente 𝝁. cociente se expresa en tanto por ciento multiplicándolo por El resto de los momentos con respecto al origen tienen escaso 100). interés en la mayoría de los casos. 𝐶𝑉 = 𝜎 𝐶𝑉 = 100 × 𝜎 𝜇 𝜇 Definición: Dada una variable aleatoria X con función de probabilidad FUNCIÓN GENERADORA DE MOMENTOS o densidad 𝑓𝑋 (𝑥) es posible definir una función de X que sea Toda vez que los momentos permiten calcular algunas de las igual a la diferencia entre la variable y su media aritmética características numéricas de las variables aleatorias, resulta elevada a un exponente entero no negativo. conveniente estudiar una forma alterna para obtenerlos 𝑧(𝑥) = (𝑥 − 𝜇)𝑟 donde 𝑟 ∈ ℤ; 𝑟 ≥ 0 (función generadora de momentos), que puede resultar más El valor esperado de 𝑧(𝑥) es el r –ésimo momento de la sencillo. variable aleatoria X respecto a la media y se llama 𝝁𝒓 . Definición: Sea X una variable aleatoria, se define su función generadora 𝑟 de momentos como: ∑(𝑋 − 𝜇𝑋 ) 𝑓𝑋 (𝑥); 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑟 𝑥 𝑴𝑿 (𝜽) = 𝑬(𝒆𝜽𝑿 ) 𝝁𝒓 = 𝑬[(𝑋 − 𝜇𝑋 ) ] = ∞ 𝑟 Y si el valor esperado existe, genera todos los momentos con ∫(𝑋 − 𝜇𝑋 ) 𝑓 (𝑥)𝑑𝑥; 𝑋 continua respecto al origen. 𝑋 {−∞ Así, La función generadora de momentos de una variable Integrando por partes se obtiene: 1 1 aleatoria X es una función de valores reales 𝑴𝑿 (𝜽), definida 𝑥𝑒 (𝜃−4)𝑥 ∞ 𝑒 (𝜃−4)𝑥 como: 𝑀𝑋 (𝜃) = lim [ ]−∫ 𝑑𝑥 𝑏→∞ 1 1 16(𝜃 − 4) 0 16(𝜃 − ) ∑ 𝒆𝜽𝑿 𝑓𝑋 (𝑥); 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 4 1 (𝜃−4)𝑥 1 (𝜃−4)𝑥 𝑏 𝑥 𝑥𝑒 𝑒 𝑴𝑿 (𝜽) = 𝑬(𝒆𝜽𝑿 ) = ∞ 𝑀𝑋 (𝜃) = lim [ 𝑏→∞ 1 − 1 ]| 16(𝜃 − 4) 16(𝜃 − 4)2 ∫ 𝒆𝜽𝑿 𝑓𝑋 (𝑥)𝑑𝑥; 𝑋 continua 0 {−∞ Y recordando que la función generadora debe ser continua y n Al calcular el valor esperado 𝐸(𝑒 𝜃𝑋 ), 𝜃 se considera como veces derivable en el origen, entonces: 1 1 constante, de manera que 𝑀𝑋 (𝜃) es sólo función de 𝜃 y no lim 𝑒 (𝜃−4)𝑥 = lim 𝑒 −(4−𝜃)𝑥 = 0 𝑥→∞ 𝑥→∞ contiene X. La variable 𝜃 de la función generadora es una De donde: variable muda, puesto que para calcular el momento debe 1 valuarse la variable. 𝑀𝑋 (𝜃) = (4𝜃 − 1)2 Se denomina función generadora de momentos porque los b) Para obtener la media, o valor esperado, se sabe que: momentos de X, 𝑬(𝑿𝒏 )pueden ser obtenidos derivando 𝒏 𝑑 esta función y evaluando la derivada en 𝜽 = 𝟎. 𝜇𝑋 = 𝑀 (𝜃) | 𝑑𝜃 𝑋 𝜃=0 𝒅𝒏 𝑴𝑿 (𝜽) Por lo que: | = 𝑬(𝑿𝒏 ) = 𝝁′𝒏 𝒅𝜽𝒏 𝜽=𝟎 𝑑 −8 𝑀𝑋 (𝜃) = (4𝜃−1)3 ; 𝑑 𝑀𝑋 (𝜃) | =8 𝑑𝜃 𝑑𝜃 𝜃=0 EJERCICIOS 𝝁𝑿 = 8 1. Considere la variable aleatoria X con función de probabilidad: CARACTERÍSTICAS NUMÉRICAS DE LA VARIABLE 𝑥 –4 –2 0 1 10 20 ALEATORIA. 𝑓𝑋 (𝑥) 0.01 0.3 0.25 0.04 0.24 0.16 Las características numéricas se clasifican en tres: - Medidas de tendencia central Construir la función generadora de momentos y utilizarla para - Medidas de dispersión calcular la media de la variable aleatoria. - Parámetros de forma Resolución: Medidas de tendencia central 𝑀𝑋 (𝜃) = 𝐸(𝑒 𝜃𝑋 ) 𝐸(𝑒 𝜃𝑋 ) = ∑∀𝑥 𝑒 𝜃𝑥 𝑓𝑋 (𝑥) = 𝑒 −4𝜃 (0.01) + 𝑒 −2𝜃 (0.3) + Media En muchas aplicaciones se considera como el valor más 𝑒 0(𝜃) (0.25) + 𝑒 𝜃 (0.04) + 𝑒 10𝜃 (0.24) + 𝑒 20𝜃 (0.16) representativo de una variable aleatoria. Se conoce también Por lo que: como valor esperado. Se denota por 𝛍. 𝑀𝑋′ (𝜃) = −4𝑒 −4𝜃 (0.01) − 2𝑒 −2𝜃 (0.3) + 𝑒 𝜃 (0.04) Mediana + 10𝑒 10𝜃 (0.24) + 20 𝑒 20𝜃 (0.16) Es aquel valor para el cual, la probabilidad de que la variable Valuando en cero: aleatoria tome valores menores o iguales a dicho valor es 0.5. 𝑀𝑋′ (𝜃) | =5 ̃ o por 𝒙 Se denota por 𝛍 ̃. 𝜃=0 ̃) = 𝟎. 𝟓 ̃ tal que 𝑷(𝑿 ≤ 𝒙 Matemáticamente, es el valor 𝒙 Por lo que: 𝑬(𝑿 ) = 𝝁𝑿 = 𝟓 Moda Es aquel valor para el cual la función de probabilidad o función 2. La función de densidad de una variable aleatoria está de densidad, según sea el caso, toma su valor máximo. Se determinada por: denota por xmo. 𝒙 −𝒙 𝒆 𝟒; 𝑥 > 0 𝑓𝑋 (𝑥) = { 𝟏𝟔 𝟎, en otro caso. Medidas de dispersión Indican la lejanía de los valores que puede tomar la variable a) Determinar la función generadora de momentos de X. aleatoria. Las principales medidas de dispersión son: b) Utilizar la función generadora de momentos para obtener la media de X. Rango Es la medida de dispersión más simple. El rango se define Resolución: como la diferencia entre el mayor valor que puede asumir la a) 𝑀𝑋 (𝜃) = 𝐸(𝑒 𝜃𝑋 ) variable y el menor valor que puede asumir. ∞ ∞ Rango = Mayor valor – menor valor 𝑥 − 𝑥 𝜃𝑥 𝑥 (𝜃𝑥− 𝑥) 𝑀𝑋 (𝜃) = ∫ 𝑒 4 𝑒 𝑑𝑥 = ∫ 𝑒 4 𝑑𝑥 Desviación media 16 16 La desviación media de una variable aleatoria es el valor 0 0 esperado de la diferencia en valor absoluto entre los valores ∞ de X y su media. Se denota por DMX 𝑥 −(1−𝜃)𝑥 𝑀𝑋 (𝜃) = ∫ 𝑒 4 𝑑𝑥 16 0 ∑|𝒙 − 𝝁𝑿 | 𝒇𝑿 (𝒙); 𝑿 𝒅𝒊𝒔𝒄𝒓𝒆𝒕𝒂 El valor del coeficiente de curtosis se compara con el ∀𝒙 número tres. 𝑫𝑴𝑿 = 𝑬(|𝑿 − 𝝁𝑿|) = ∞ ∫ |𝒙 − 𝝁𝑿 |𝒇𝑿(𝒙)𝒅𝒙; 𝑿 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂 < 3; 𝑝𝑙𝑎𝑡𝑖𝑐ú𝑟𝑡𝑖𝑐𝑎 { −∞ 𝛼4 (𝑋) = { = 3; 𝑚𝑒𝑠𝑜𝑐ú𝑟𝑡𝑖𝑐𝑎 La desviación media es el promedio de los valores absolutos de las dispersiones alrededor de la media. > 3; 𝑙𝑒𝑝𝑡𝑜𝑐ú𝑟𝑡𝑖𝑐𝑎 Debido a la dificultad matemática que implica trabajar con el valor absoluto, (está definido mediante dos reglas de correspondencia), se utiliza una función cuadrática para eliminar el problema que se genera por las diferencias EJERCICIO (PARA ENTREGAR) positivas y negativas, dando lugar a la variancia. 1. Una variable aleatoria X, con función de probabilidad: Varianza (o variancia) 𝑥 –4 –2 0 1 10 20 Se denota por Var(X), V(X) o σ𝑋2 y se define como el promedio del cuadrado de la diferencia de la variable aleatoria y su 𝑓𝑋 (𝑥) 0.01 0.3 0.25 0.04 0.24 0.16 media. Determine la moda de la variable aleatoria. ∑(𝑥 − 𝜇𝑋 )2 𝑓𝑋 (𝑥); 𝑋 discreta 𝑉(𝑋) = 𝑉𝑎𝑟(𝑋) = σ𝑋2 = ∀𝑥 2. Dada la función de densidad: ∞ ∫ (𝑥 − 𝜇𝑋 )2 𝑓𝑋 (𝑥)𝑑𝑥; 𝑋 continua 2𝑒 −2𝑥 ; 𝑥 > 0 { −∞ 𝑓𝑋 (𝑥) = { 0; en otro caso De la definición de variancia y utilizando las propiedades del valor esperado, se puede escribir la variancia como: Obtener la media, mediana y moda. 𝑽(𝑿) = 𝑽𝒂𝒓(𝑿) = σ𝑋2 = 𝑬[(𝑿 − 𝝁𝑿)𝟐] = 𝑬(𝑿𝟐 ) − 𝛍2𝑋 3. Dada una variable aleatoria continua con la función de La variancia es el segundo momento con respecto a la media. densidad siguiente: Características de la variancia: 𝑥; 0<𝑥<1 1. La variancia de una constante es cero: Var (c) = 0 𝑓𝑋 (𝑥) = {2 − 𝑥; 1≤𝑥<2 2. La variancia de una constante por la variable aleatoria es el cuadrado de la constante por la variancia de la variable 0; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 aleatoria: Var (cX) = c2Var(X) Determine todas las características numéricas de la variable X. Parámetros de forma Los parámetros de forma son el coeficiente de sesgo y el coeficiente de curtosis. Coeficiente de sesgo Justifique cada una de sus respuestas. Mide el grado de simetría de una distribución de probabilidad. Se define como el tercer momento con Ejercicio 1 respecto a la media. Se denota por: –2 𝝁𝟑 Ejercicio 2 𝛼3 (𝑋) = 3 Media: ½; Mediana: 0.3465; La función no tienen moda σ𝑋 Ejercicio 3 El valor del coeficiente de sesgo se compara contra cero, Medidas de tendencia central que indica una distribución simétrica con respecto a la Media 1 media. Moda 1 > 0; 𝑠𝑒𝑠𝑔𝑜 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜 Mediana 1 𝛼3 (𝑋) = { = 0; 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 Medidas de dispersión Rango 2 < 0; 𝑠𝑒𝑠𝑔𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜 1 Desviación media 3 1 Variancia 6 Desviación estándar √6 6 Coeficiente de variación √6 6 Coeficiente de curtosis. Parámetros de forma Mide el grado de aplanamiento; o bien, indica que tan Sesgo Simétrica puntiaguda es la distribución. Se define como el cuarto Curtosis Platicúrtica momento con respecto a la media. Se denota por 𝛼4 (𝑋).