Beruflich Dokumente
Kultur Dokumente
RN 1 P(x=1)=2/4 = 0.50
NN 0
0 1 2
kx 2 , x 0,1,2,3
f(x) = P(X=x) =
0, otro x
Encuentre P(X=2)
Por la propiedad 2) f(x ) 1
X
kx
x 0
2
= k(0)2 + k(1)2 + k(2)2 + k(3)2 = 1 k = 1/14
F(x) = P(Xx) = f (t )
t x
Entonces:
f(x)=P(X=x) F(0) = P(X0) = f ( t ) =P(X=0) = 1/8
t 0
P(x=0)=1/8 = 0.125
F(1) = P(X1) = f (t ) =P(X=0)+P(X=1) = 1/8 +3/8 =4/8
P(x=1)=3/8 = 0.50 t 1
0, x0
1 / 8, 0 x 1
F(X)= 4 / 8, 1 x 2
7 / 8, 2 x 3
1, x3
Funcion de distribucion Acumulada F(X)
0, x0
1 / 8, 0 x 1
4 / 8, 1 x 2
7 / 8, 2 x 3
1, x3
Propiedades de la Distribucion
Acumulada
1) F(a) = P(Xa)
1) 0F(x)1
2) a b F(a)F(b) (F es creciente)
Definicin
Sea X: variable aleatoria discreta y f(x) su distribucin de probabilidad, Entonces:
=E(X)= xf ( x )
x
Espacio X
Muestral f(x)=P(X=x)
CSC 1
CSS 2
P(x=0)=1/8 = 0.125
CCC 0 P(x=1)=3/8 = 0.50
CCS 1
P(x=2)=3/8 = 0.25
SSC 2
SSS 3 P(X=3)=1/8 =0.125
SCC 1
SCS 2
3
E (G ( x)) G ( x) f ( x)
x
Ejemplo:
Sea X una variable aleatoria discreta con distribucin de probabilidad:
x f(x)
1 0.1
2 0.4
3 0.3
4 0.2
4
E[G(X)] = G( x )f ( x ) = (2(1)+1)(0.1) + (2(2)+1)(0.4) + (2(3)+1)(0.3) +
x 1 (2(4)+1)(0.2) = 6.2
Ejemplo:
Un almacn vende diariamente 0, 1, 2, 3, o 4 artculos electrodomsticos con
probabilidad 10%, 40%, 30%, 15%, y 5% respectivamente. Mantener el local le
cuesta diariamente $40. Por cada artculo que vende, tiene una ganancia de
$50. Encuentre el valor esperado de la ganancia diaria.
Sea X: variable aleatoria discreta (nmero de artculos que vende cada da)
La distribucin de probabilidad de X es:
x f(x)=P(X=x) Sea G(X) = 50X 40, variable aleatoria que
representa la ganancia diaria
0 0.1
Entonces:
1 0.4 4
2
3
0.3
0.15
E[G(X)]= G(x )f (x )
4 0.05 x0
= (50(0)-40)(0.1) + (50(1)-40)(0.4) + .... = 42.5
Significa que cada da la ganancia esperada es $42.5
PROPIEDADES DEL VALOR ESPERADO
Sean X: variable aleatoria discreta
f(x): distribucin de probabilidad de X
a, b , nmeros reales cualesquiera
Corolarios:
1) E[aX] = a E[x],
2) E[b]=b b es una constante
Ejemplo:
G(X) = 50X 40
2= V[X] = E[(X-)2] = ( x )
2
f (x )
x
Ejemplo:
Se tiene la distribucin de probabilidad de X:
x f(x)=P(X=x)
0 1/8 3
1 3/8 = E[X] = xf (x ) = 1.5
2 3/8 x0
3 1/8
3
2= V[X] = E[(X-)2] = ( x ) 2
f (x ) = (0-1.5)2(1/8) +(1-1.5)2(3/8) +
x0
(2-1.5)2(3/8)+(3-1.5)2(1/8) = 0.75
Formula alternativa para calcular la
varianza
2= V[X] = E[(X-)2] = E[X2] - 2
Demostracion:
3
E[X2] = x 2 f (x ) = 02(1/8) + 12(3/8) + 22(3/8) + 32(1/8) = 3
x0
Demostracion:
V[aX+b] = E[(aX + b)2] (E[aX + b))2 = E[a2X2 + 2abX + b2] (aE[X] + b)2
= a2E[X2] + 2abE[X] + b2 (a2E2[X] + 2abE[X] + b2)
Corolarios:
1) V[aX] = a2 V[x],
2) V[b]=0 b es una constante
Momentos de una Variable Aleatoria
Discreta
Los momentos de una variable aleatoria X son los valores esperados de algunas funciones
de la variable aleatoria X y constituyen una coleccin de medidas descriptivas con las
que se puede caracterizar de manera nica a su distribucin de probabilidad f(x).
Usualmente estas definiciones se las hace usando como referencia el origen, o la media
de X
Definicin
Sea X: variable aleatoria discreta
f(x): distribucin de probabilidad de X
Entonces, el r-simo momento de X alrededor del origen es:
= E[ ] =
x
r=1: 1 = E[X] = x f(x) =
x
(primer momento alrededor del origen)
= E[( ) ] = ( )
x
()
Ejemplos
r=1: 1 = E[(X-)] = E[X] - = 0, (primer momento central)
r=2: 2 = E[(X-)2] = 2, (segundo momento central)
r=3: 3 = E[(X-)3], (tercer momento central, sesgo o asimetra)
r=4: 4 = E[(X-)4], (cuarto momento central, curtosis o picudes)
Asimetria y Curtosis
Coeficiente de Variacin:
Coeficiente de Asimetra: 3/(2)3/2
Coeficiente de Curtosis 4/(2)2
Coeficiente de Asimetra
Positivo: La asimetra es positiva (se extiende a la derecha)
Cero: La distribucin es simtrica.
Negativo: La asimetra es negativa (se extiende a la izquierda)
Coeficiente de Curtosis
Mayor a 3: La distribucin es puntiaguda o leptocrtica
Igual a 3: La distribucin es regular
Menor a 3: La distribucin es plana o platicrtica
Funcion Generadora de Momentos
Definicin
M(t) = E[ ] =
x
()
Ejemplo:
Suponga una variable aleatoria discreta X con la siguiente Distribucin de Probabilidad:
4
M(t) = E[etX] =
x
etX f(x) =
x 1
etX f(x) = 0.2et + 0.3e2t + 0.4e3t + 0.1e4t
Recomendaciones:
Leer su libro guia Capitulo # 3 hasta la pagina 148
Empezar a realizar el deber del Capitulo # 3