Академический Документы
Профессиональный Документы
Культура Документы
Teorema.
Sea 𝑋 una variable aleatoria no negativa (es decir, se cumple que 𝑃(𝑋 ≥ 0) = 1, con esperanza finita 𝜇. Entonces, para
todo 𝛿 > 0 se cumple:
𝑉𝑎𝑟(𝑋)
𝑃(|𝑋 − 𝜇| ≥ 𝛿 ) ≤
𝛿2
También,
1
𝑃 (|𝑋 − 𝜇| < 𝑘𝜎) ≥ 1 −
𝑘2
𝑃 (𝑋 ≥ 𝑎) = 1 − 𝑃(𝑋 < 𝑎)
Partiendo de
1
𝑃 (|𝑋 − 𝜇| < 𝑘𝜎) ≥ 1 −
𝑘2
Se tiene
1
𝑃(𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎) ≥ 1 −
𝑘2
Si prestamos atención a la expresión anterior, se aprecia que la parte de la izquierda no es más que un intervalo de
confianza. Este nos ofrece tanto una cota inferior como una superior para el valor estimado. Por lo tanto, La desigualdad de
Chebyshev nos dice la probabilidad mínima, de que el parámetro poblacional se encuentre dentro de una determinada
cantidad de desviaciones típicas por encima o por debajo de su media. O dicho de otra manera, nos da la probabilidad de
que de que el parámetro poblacional se encuentre dentro de ese intervalo de confianza.
Demostración. Se tiene que (𝑋 − 𝜇)2 es una variable aleatoria no negativa, por lo que podemos aplicar la desigualdad de
Markov con 𝑎 = 𝛿 2 se obtiene:
𝐸 [(𝑥 − 𝜇)2 ]
𝑃[(𝑥 − 𝜇)2 ≥ 𝛿 2 ] ≤
𝛿2
QED
1
Teorema (Desigualdad de Markov).
𝐸(𝑋)
𝑃 (𝑋 ≥ 𝑎 ) ≤
𝑎
Dado que 𝑃(𝑋) es la función de densidad debe ser tal que 𝑃 (𝑋) ≥ 0. Además, hemos estipulado como condición que 𝑥 ≥
0, por lo tanto
𝑎 ∞
𝐸 (𝑥 ) = ∫ 𝑥𝑃(𝑥 )𝑑𝑥 + ∫ 𝑥𝑃(𝑥)𝑑𝑥
0 𝑎
∞
≥ ∫ 𝑥𝑃(𝑥 ) 𝑑𝑥
𝑎
∞
≥ ∫ 𝑎 𝑃 (𝑥 )𝑑𝑥
0
∞
= 𝑎 ∫ 𝑃(𝑥 )𝑑𝑥
0
= 𝑎𝑃(𝑥 ≥ 𝑎)
QED
Observaciones:
1. La desigualdad de Chebyshev solo tiene sentido para aquellas variables aleatorias que poseen una varianza finita.
Suponga que el número de artículos producidos en una fábrica durante una semana es una variable aleatoria con media
50. Si la varianza de una semana de producción se sabe que es igual a 25, entonces ¿Qué podemos decir acerca de la
probabilidad de que en esta semana la producción difiera en más de 10 a la media?
𝑉𝑎𝑟(𝑋) 25 1
𝑃(|𝑋 − 50| ≥ 10) ≤ = =
102 100 4
Entonces la probabilidad de que en la semana de producción el número de artículos exceda en más de a la media es a lo
más 0.25.
Ejemplo 2
Supongamos que somos gestores de un fondo de inversión. La cartera que estamos gestionando tiene una rentabilidad
media del 8,14% y una desviación típica del 5,12%. Para saber por ejemplo que porcentaje de nuestros retornos se
encuentran al menos a 1.96 desviaciones típicas de nuestra rentabilidad media simplemente aplicaríamos la formula
anterior de la expresión (4) con 𝑘 = 1.96
2
Se tiene
1
𝑃 (8.14 − (1.96)5.12 < 𝑋 < 8.14 + (1.96)5.12) ≥ 1 −
(1.96)2
Esto quiere decir que hay un 73.9% de los resultados que están en el intervalo de confianza situado a 1.96 desviaciones
estándar de la media.
Hay un 83,5% de los datos que están a una distancia de 2,46 desviaciones típicas de la media y un 88,9% que están a 3
desviaciones típicas de la media.
Sean 𝑋1 , 𝑋2 , … , 𝑋𝑛 variables aleatorias independientes con varianza finita y sea 𝛿 un número positivo arbitrario. Entonces se
cumple que
𝑘
∑𝑛𝑗=1 𝑉𝑎𝑟(𝑋𝑗 )
𝑃 ( max |∑(𝑋𝑖 − 𝐸𝑋𝑖 )| ≥ 𝛿 ) ≤
1≤𝑘≤𝑛 𝛿2
𝑖=1