Tema 2.

VARIABLES ALEATORIAS
𝑃(𝑋 ≤ 𝑘) = 𝐹(𝑘)

𝑃(𝑋 < 𝑘) = 𝐹(𝑘 − 1)

𝑘𝑦𝑚∈𝑋
(puntos de 𝑃(𝑋 ≥ 𝑘) = 1 − 𝐹(𝑘 − 1)
discontinuidad)
𝑃(𝑋 > 𝑘) = 1 − 𝐹(𝑘)
Cálculo de probabilidades
conociendo la función de distribución
acumulada (caso discreto) 𝑃(𝑚 ≤ 𝑋 ≤ 𝑘) = 𝐹(𝑘) − 𝐹(𝑚 − 1)

𝑃(𝑋 < 𝑘) = 𝑃(𝑋 ≤ 𝑘) = 𝐹(𝑘)

𝑘𝑦𝑚 ∉𝑋
(no son puntos de 𝑃(𝑋 > 𝑘) = 𝑃(𝑋 ≥ 𝑘) = 1 − 𝐹(𝑘)
discontinuidad)
𝑃(𝑚 ≤ 𝑋 ≤ 𝑘) = 𝐹(𝑘) − 𝐹(𝑚)

𝑓𝑋 (𝑥) ≥ 0 ∀𝑥
∞

Propiedades de la función de ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 1

densidad −∞

𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥

𝑎
𝒙

Función de distribución acumulada 𝑭𝑿 (𝒙) = ∫ 𝒇𝑿 (𝒕)𝒅𝒕

−∞

𝟎 ≤ 𝑭𝑿 (𝒙) ≤ 𝟏

lim 𝐹𝑋 (𝑥) = 1
𝑥→∞

Propiedades de la Fda lim 𝐹𝑋 (𝑥) = 0

𝑥→−∞

Si 𝑎 ≤ 𝑏, entonces: 𝑭𝑿 (𝒂) ≤ 𝑭𝑿 (𝒃)

𝑷(𝒂 < 𝑿 ≤ 𝒃) = 𝑭𝑿 (𝒃) − 𝑭𝑿 (𝒂)

∑ 𝒙𝒇𝑿 (𝒙) ; 𝑿 𝐝𝐢𝐬𝐜𝐫𝐞𝐭𝐚

∀𝒙
Valor esperado de una v.a. 𝑬(𝑿) = ∞

∫ 𝒙𝒇𝑿 (𝒙)𝒅𝒙; 𝑿 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐚

{−∞
 𝑬(𝒄) = 𝒄

𝑬(𝒄𝑿) = 𝒄𝑬(𝑿)

𝑬(𝒂𝑿 + 𝒃) = 𝒂𝑬(𝑿) + 𝒃

Propiedades del valor esperado

∑ 𝒈(𝒙)𝒇𝑿 (𝒙) ; 𝑿 𝐝𝐢𝐬𝐜𝐫𝐞𝐭𝐚
∀𝒙
𝑬(𝒈(𝑿)) = ∞

∫ 𝒈(𝒙)𝒇𝑿 (𝒙)𝒅𝒙; 𝑿 𝐜𝐨𝐧𝐭𝐢𝐧𝐮𝐚

{−∞

𝑬[𝒈𝟏 (𝑿) + 𝒈𝟐 (𝑿)] = 𝑬(𝒈𝟏 (𝑿)) + 𝑬(𝒈𝟐 (𝑿))

2
𝑉(𝑋) = ∑(𝑥𝑘 − 𝐸(𝑋)) 𝑝(𝑥𝑘 )
𝑘≥1
Varianza o variancia ∞
𝟐
𝑽(𝑿) = ∫ (𝒙 − 𝑬(𝑿)) 𝒇(𝒙)𝒅𝒙
−∞
𝟐
𝑽(𝑿) = ∑(𝒙𝒌 − 𝑬(𝑿)) 𝒑(𝒙𝒌 ) = 𝑬([𝑿 − 𝑬(𝑿)]𝟐 )
𝒌≥𝟏

∞
𝟐
𝑽(𝑿) = ∫ (𝒙 − 𝑬(𝑿)) 𝒇(𝒙)𝒅𝒙 = 𝑬[𝑿 − 𝑬(𝑿)]𝟐
−∞

𝑽(𝑿) = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐

Propiedades de la variancia

Si X = c, entonces

V(X) = 0

Si realizamos un cambio lineal de variable Y = aX + b, en donde a y b son

constantes, la variancia de la nueva variable estará dada por:

V(Y) = a2V(X)

Desviación estándar 𝝈𝑿 = √𝑽(𝑿)

 ∑(𝑿)𝒌 𝒇(𝒙); 𝒗. 𝒂. 𝒅
Momentos de una v.a. (con respecto
𝝁′𝒌 = 𝑬(𝑿)𝒌 = 𝒙
∞
al origen)
∫ (𝑿)𝒌 𝒇(𝒙)𝒅𝒙; 𝒗. 𝒂. 𝒄.
{ −∞

∑(𝑿 − 𝝁)𝒌 𝒇(𝒙); 𝒗. 𝒂. 𝒅

Momentos de una v.a. (con respecto a
𝝁′𝒌 = 𝑬(𝑿 − 𝝁)𝒌 = 𝒙
∞
la media)
∫ (𝑿 − 𝝁)𝒌 𝒇(𝒙)𝒅𝒙; 𝒗. 𝒂. 𝒄.
{ −∞

Función generadora de momentos 𝑴𝑿 (𝜽) = 𝑬(𝒆𝜽𝒙 )

n-ésimo momento con respecto al 𝒅𝒏 𝑴𝑿 (𝜽)

| = 𝑬(𝑿𝒏 ) = 𝝁′𝒏
origen 𝒅𝜽𝒏
𝜽=𝟎
Media Moda Mediana

Primer momento: ∑ 𝒙𝒇𝑿 (𝒙)

̃
𝒙
∑ 𝒇(𝒙𝒊 ) = 𝟎. 𝟓
𝑬(𝑿) = 𝝁 ∀𝒙 Xmo =
𝒅𝒇(𝒙)
=𝟎 𝒊=−∞
𝜇 = 𝑬(𝑿) = ∞ 𝒅𝒙 ̃=
𝒙 ̃
𝒙
Posición ∫ 𝒙𝒇𝑿 (𝒙)𝒅𝒙 ∫ 𝒇𝑿 (𝒙)𝒅𝒙 = 𝟎. 𝟓
{−∞ { −∞

Rango Desviación media Desviación estándar

∑ |𝒙 − 𝝁𝒙 |𝒇𝒙 (𝒙)
Rango = Mayor valor – ∀𝒙

Menor valor
𝑫𝑴𝑿 = 𝑬(|𝑿 − 𝝁𝑿 |) =
∞
σX= √σ²
∫ |𝒙 − 𝝁𝒙 |𝒇𝒙 (𝒙)𝒅𝒙
{ −∞

Segundo momento:
𝑬(𝑿𝟐 ) = 𝝈𝟐 + 𝝁𝟐
Variancia Coeficiente de variación
Dispersión

∑(𝒙 − 𝝁𝒙 )²𝒇𝒙 (𝒙)

∀𝒙 𝝈𝑿
𝑽𝒂𝒓 (𝒙) = 𝑪𝑽𝑿 =
∞ 𝝁𝑿
∫ (𝒙 − 𝝁𝒙 )²𝒇𝒙 (𝒙)𝒅𝒙
{ −∞

-positivo 𝝁𝟑
-simétrico 𝜶𝟑 (𝑿) =
𝝈𝟑𝑿
Tercer momento: -negativo
𝑬(𝑿𝟑 )
> 𝟎, 𝒔𝒆𝒔𝒈𝒐 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐
Coeficiente de Sesgo
𝜶𝟑 (𝑿) = {= 𝟎, 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒔𝒊𝒎é𝒕𝒓𝒊𝒄𝒂
< 𝟎, 𝒔𝒆𝒔𝒈𝒐 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒐
 -platicúrtica 𝝁𝟒
-mesocúrtica 𝜶𝟒 (𝑿) =
𝝈𝟒𝑿
-leptocúrtica
Cuarto momento:
𝑬(𝑿𝟒 )
Coeficiente de Curtosis < 𝟑, 𝒑𝒍𝒂𝒕𝒊𝒄ú𝒓𝒕𝒊𝒄𝒂
𝜶𝟒 (𝑿) = { = 𝟑, 𝒎𝒆𝒔𝒐𝒄ú𝒓𝒕𝒊𝒄𝒂
> 𝟑, 𝒍𝒆𝒑𝒕𝒐𝒄ú𝒓𝒕𝒊𝒄𝒂

Tema 3 y 4. MODELOS PROBABILÍSTICOS

∑𝑘
𝑖=1 𝑥𝑖
𝜇𝑋 = 𝐸(𝑋) =
𝑘
𝟏
; 𝐬𝐢 𝒙 = 𝒙𝒌 para algún 𝒙𝒌 ∈ 𝑹𝑿
𝒇𝑿 (𝒙) = { 𝒌
DISCRETOS

Uniforme
𝑿~𝒖𝒏𝒊𝒇𝒐𝒓𝒎𝒆(𝒌) 𝟎; 𝒙 ≠ 𝒙𝒌 para todo 𝒙𝒌 ∈ 𝑹𝑿
∑𝑘𝑖=1(𝑥𝑖 − 𝜇𝑋 )2
𝜎𝑋2 = 𝑉(𝑋) =
𝑘