Académique Documents
Professionnel Documents
Culture Documents
INTRODUCCIN
ESPERANZA MATEMTICA
Definicin:
Caso discreto: Sea una variable aleatoria con distribucin discreta, es decir,
toma los valores x i con probabilidades p i P x i (funcin de cuanta). Se
define la esperanza matemtica de como:
x i pi x i pi
siempre que
i i
si la suma es serie, debe ser absolutamente convergente.
Caso continuo: Sea una variable aleatoria con distribucin continua y con
funcin de distribucin f ( x ) . Se define la esperanza matemtica de como:
x f (x)dx que existe siempre que x f (x )dx
Significado de la esperanza:
Como valor medio terico de todos los valores que puede tomar la variable.
Representa una medida de centralizacin.
Como centro de gravedad de los puntos que corresponden a los valores de la
variable, asignndoles una cantidad de masa proporcional a la funcin de cuanta
de densidad de cada punto.
Sea g() una funcin real de una variable aleatoria . Se define g() como:
1
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
Caso continuo: g() g(x)f (x )dx si g(x ) f (x)dx
Propiedades:
Si 0 0
Si a y a a
Si g1 () g 2 () g1 () g 2 ()
a b a b , con a , b constantes.
2
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
x 0 1
F( x ) f1 (t )dt 1 f 2 (x i ) con f1 f .d.de la parte continua
f 2 f .de cuantia parte discreta
x i x
Su esperanza se calcula:
xf1 (x )dx 1 x i f 2 (x i ) (anlogamente se determina g() ).
i
x
r
Caso continuo: r x r f ( x )dx siempre que
r
f ( x )dx
Casos particulares: 0 1 1 2 2
2. Momento de orden r respecto a la media: r r con
r
Caso discreto: r r x i p i siempre que
i
x i r p i
i
Caso continuo: r r
x f (x)dx
r
siempre que x
r
f ( x )dx
Casos particulares: 0 1 1 0
2 2
= Var ( )
Nota: Si simtrica y k impar k 0 .
Si 0 r r
- Si es simtrica respecto al origen 0 r 0 , r impar.
- Si es simtrica respecto a respecto a 0 r 0 , r impar.
3
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
VARIANZA:
Llamamos dispersin de una variable aleatoria a la mayor o menor variabilidad
de la variable aleatoria alrededor de su valor medio esperanza , lo que marcar
el grado de representatividad de . Una forma de medir la dispersin es a travs de
la desviacin media respecto a la media:
D
Si D es relativamente pequea entonces la representatividad de ser grande al ser
la dispersin pequea.
La mejor forma de medirla es a travs de la varianza que se define como el
momento de orden 2 respecto a la media:
discreto x i 2 p i
2
V 2 2
continuo x 2 f ( x )dx
Si la varianza es grande la dispersin es grande y la media de , , no ser
representativa. La varianza permite tambin la comparacin entre distribuciones.
Propiedades:
V 2 0 V 0 (slo ocurre en fenmenos causales o deterministas)
Teorema de Kning: La dispersin cuadrtica media en torno a un origen
cualquiera k se har mnima cuando k .
V 2 2 2 12 2 2
Vk k 2 V , con k constante
Vk 0 , con k constante
V k V , con k constante
Va b a 2 V , con a , b constantes
2 2
2
Propiedades: Son las mismas que las de la varianza, pues se deducen de ella.
4
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
Asimetra:
La variable aleatoria presenta una distribucin simtrica respecto a un eje
perpendicular al de abscisas en el punto s si:
P s x P s x x .
Si es continua con funcin de densidad f ( x ) diremos que es simtrica si:
f (s x ) f (s x ) x
Normalmente se mide la simetra tomando s . El coeficiente de asimetra es:
1 3
3
Si es simtrica 1 0
Asimtrica por la derecha 1 0
Asimtrica por la izquierda 1 0
Apuntamiento o curtosis:
Se refiere al mayor menor apuntamiento de una distribucin comparndolo
con la normal. El coeficiente de apuntamiento es:
2 4 3
4
Si 2 0 mesocrtica (como la normal)
Si 2 0 leptocrtica (ms apuntada)
Si 2 0 platicrtica (menos apuntada)
DESIGUALDAD DE TCHEBYCHEV:
Desigualdad de Markov:
Sea una variable aleatoria y g una funcin de con g 0 , entonces:
g
Pg k , k0
k
5
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
0 0
g g(x )f (x)dx g(x)f (x)dx g(x)f (x)dx g(x)f (x)dx
g ( ) k g ( ) k g ( ) k
k f (x)dx k f (x)dx k Pg k
g ( ) k g ( ) k
Desigualdad de Tchebychev:
2
Sea una variable aleatoria con , V 2 P k 2 , con k 0 .
k
Dem: Basta tomar en la desigualdad de Markov, g y k k 2 2
P 2 k 2 g
2 2
k2 k2 k2
Observaciones:
2
Podemos tomar el suceso contrario: P k 1 , k0
k2
2
P k k 1 , k0
k2
P R
1
Si tomamos k R , R 0
R2
P R 1
1
, R 0
R2
Consecuencias:
V 2 , es una buena medida de la dispersin (si k P k ), es decir,
es poco probable que tome valores fuera del intervalo.
Se usa cuando se desconoce la distribucin de probabilidad de la variable aleatoria
y se determinarn cotas de probabilidad (si es posible asignar valores a y )
FUNCION CARACTERISTICA:
v.discreta : e itx p( x ) cos( tx ) p i sen ( tx )p
j j j j
t e
it
= j
j
V.continua : e itx f ( x )dx cos( tx ) f ( x )dx i sen ( tx ) f ( x )dx
6
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
Sea una variable aleatoria con funcin caracterstica t derivable k veces y que
existe k , entonces:
k t
k
t t 0 k ) ( t ) t 0
k k
ik ik
Propiedades:
itx
Siempre existe ya que e cos(tx ) isen ( tx ) 1
0 1
t 1
t (t)
uniformemente continua
Si a b t e itb at
T
1 e itx1 e itx 2
Fx 2 Fx1 Px1 x 2 lim t dt
2 T it
T
7
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
tx
continuo : e f ( x )dx
Podemos obtener la funcin caracterstica sin ms que hacer t it t .
k g( t )
k
k
t t 0
Slo toma valores reales y caracteriza la correspondiente distribucin de probabilidad.
Sin embargo la funcin caracterstica siempre existe pero no g(t), ya que e tx no est
acotado y puede que e t no converja (menos usado que ( t ) ).
Propiedades:
g 0 e 0 1
Si existe podemos obtener cualquier momento respeto al origen r :
r g( t )
r g 0
r)
t r t 0
Si existe g t se puede expresar como:
2 3
g t e t 1 t1 t 2 t 3
2! 3!
Si a b , con a , b constantes: g t e g at
tb
n n
g t e t e ta i i g a i t
indep. i
i 1 i 1
Si 1 , , n son iid con gt para todas: g t g( t )
Unicidad: Si g t existe es nica y determina completamente la distribucin de
probabilidad de la v.a. correspondiente. Es decir, si dos variables aleatorias
8
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3
Observaciones:
Tanto f ( x ) , F( x ) , ( t ) presentan ventajas e inconvenientes en su uso.
F( x ) es la que describe bsicamente cmo se acumula la probabilidad en pero
por su escasa operatividad es preferible utilizar f ( x ) p( x ) cuyas representaciones
grficas describen con claridad la distribucin de probabilidad.
( t ) ni tiene significado evidente ni su representacin (curva en tres
dimensiones) dice mucho de la distribucin. Sin embargo su operatividad la hace muy
til en el clculo de parmetros de distribuciones.
FUNCIN CUMULATIVA:
t ln t
Por derivadas sucesivas se genera cumulantes o semi-invariantes (funciones
polinmicas de momentos potenciales).
k0 0
k 1 1 k t
2
k 2 2 1 2 Si existe k r t r t 0
k 3 3 3 2 1 21 3
3 kr
ir