VA Continuas PDF

ESTADÍSTICA APLICADA 3
Joses J. Cerda-Hernández
DE - UNI
March 25, 2019
Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 1 / 81

Variable aleatoria
Sea X : Ω → R una función real de Ω y considere A = (−∞, a]. La

función X será una variable aleatoria si P(X −1 (A)) está bien definida para
todo a ∈ R. Aqui: X −1 (A) = {w ∈ Ω : X (w ) ∈ A}.

Esperanza (Valor medio), Varianza de v.a. Discretas
Esperanza, varianza y Desviación estandar
Sea X una variable aleatoria discreta con soporte
SX = {x1 , x2 , . . . , xn , . . . }. Sea p(xi ) = P(X = xi ).
Esperanza: La esperanza matemática de X es definida por
∞
X
E(X ) = xi p(xi ),
i=1
Varianza: La varianza de X es definida por

∞
X
Var (X ) = [xi − E(X )]2 p(xi ) = E(X 2 ) − (E(X ))2
i=1
Desviación estandar: La desviación estandar de X es definida por

p
DP(X ) = σ(X ) = Var (X ).

Valor esperado de función de v.a.
Sea X variable aleatoria discreta con valores x1 , . . . , xn y probabilidades

p(x1 ), . . . , p(xn ) . Definamos la v.a. Y = f (X ), donde f : R → R,
entonces
n
X
E(Y ) = E(f (X )) = f (xi )p(xi ).
i=1
A varianza de Y = f (X ) es
n
X 2
f (xi )2 − E(f (X )) p(xi ).

Var (Y ) = Var (f (X )) =
i=1

Esperanza y Varianza de f (X , Y )
Sean X , Y dos variables aleatorias discretas con valores x1 , . . . , xn ,
y1 , . . . , yn y probabilidades p(x1 ), . . . , p(xn ) p(y1 ), . . . , p(yn ). Si
p(xi , yj ) = P(X = xi , Y = yj ), i = 1, . . . , n, j = 1, . . . , m es la distribución
conjunta de X e Y , y f (X , Y ) es una función de X e Y , entonces
n X
X m
E(f (X , Y )) = f (xi , yj )p(xi , yj ).
i=1 j=1
Dos casos particulares:
E(X + Y ) = E(X ) + E(Y ).

Si X e Y son v.a. independentes, entonces
E(XY ) = E(X )E(Y ).

Ejemplo: Supongamos que estamos interesados en estudiar la
composición de familias con tres hijos, cuanto al sexo. Definamos las v.a.
X =número de niños
1 , si el primer hijo es hombre
Y =
0 , si el primer hijo es mujer
Suponiendo que las posibles composiciones tienen la misma probabilidad,
Construir las distribuciones de las v.a. X + Y y XY .
Calcular E(X + Y ) e E(XY ).
X y Y son independientes?

Variables aleatorias continuas
Sea X una variable aleatoria y SX su soporte. Decimos que X es una

variable aleatoria continua si SX es no enumerable.
Ejemplos:
SX = (0, 1)
SX = (a, b) con a < b
SX = (−∞, ∞) = R
SX = (0, ∞)

Variables Aleatorias Continuas
Una variable aleatoria X es continua se existe una función real

fX : R → R+ tal que Z x
FX (x) = fX (t)dt
−∞
donde fX satisface
fX (x) ≥ 0 para todo x ∈ R
fX es continua en SX
R∞
−∞ fX (x)dx = 1
La función fX es chamada de función densidad de probabilidad de X

Sea B ⊂ R, entonces definimos
Z
P(X ∈ B) = f (x)dx.
B
En particular
Z b
P(X ∈ [a, b]) = P(a ≤ X ≤ b) = f (x)dx.
a

Ejemplo: Sea X una v.a. continua con

2x , se x ∈ (0, 1)
fX (x) =
0 , caso contrário
Verifique si f satisface las propriedades de una función densidad de

probabilidad.
Presente el gráfico (x, f (x)). Cuál es el soporte de X ? Sea B = (0, 1/2),
calcule P(X ∈ B) y P(X ∈ B c ).

Ejemplo: Sea X una v.a. continua con función densidad de probabilidad
c
fX (x) = x , se x ∈ (1, exp(2))
0 , caso contrário
Encuentre la constante c. Presente el gráfico (x, f (x)). Cuál es el soporte

de X ? Sea B = (0, 1/2), calcule P(X ∈ B) e P(X ∈ B c ). Calcule también
P(X ∈ (1, 2])).

Esperanza Matemática o Valor Esperado
Sea X una v.a. continua con función de densidad f . La Esperanza

matemática de X es definida por
Z ∞
E(X ) = xf (x)dx.
−∞
Sea h una función real, la Esperanza Matemática de h(X ) es definida por

Z ∞
E(h(X )) = h(x)f (x)dx.
−∞
La esperanza matemática nos informa el valor central de la densidad de

valores posibles de X .

Esperanza - Propiedades
Sea X una v.a. continua con función de densidad f .

Si a ∈ R es una constante, entonces E(a) = a;
Si a ∈ R es una constante, entonces
E(aX ) = aE(X );
Si a, b ∈ R son constantes, entonces
E(aX + b) = aE(X ) + b;
Si X e Y son v.a. , entonces E(X + Y ) = E(X ) + E(Y )

Si X e Y son v.a. independientes, entonces E(XY ) = E(X )E(Y )
Ejemplo 4: Calcule la esperanza de los exemplos 2 y 3.

Varianza
Sea X una v.a. continua con función de densidad f . La Varianza de X es

definida por Z ∞
Var (X ) = (x − E(X ))2 f (x)dx.
−∞
Sea h una función real, la Varianza de h(X ) es definida por

Z ∞
Var (h(X )) = (h(x) − E(h(X ))2 f (x)dx.
−∞
La varianza nos informa el grado de variabilidad de la densidad de valores

posibles de X . Es una medida de cuan dispersa está la densidad de los
posibles puntos que X puede asumir.

Varianza - Propiedades
Sea X una v.a. continua con función de densidade f .
Si a ∈ R es una constante, entonces Var (a) = 0;
Si a ∈ R es una constante, entonces
Var (aX ) = a2 Var (X );
Si a, b ∈ R son constantes, entonces
Var (aX + b) = a2 E(X ).
Var (X ) = E(X 2 ) − (E(X ))2 .

Si X e Y son v.a. independientes, entonces
Var (αX + βY ) = α2 Var (X ) + β 2 Var (Y )
Ejemplo 5: Calcule la Varianza de los ejemplos 2 y 3.

Covarianza
Sea X e Y dos v.a.’s. Definimos la covariaza, Cov (X , Y ), entre X e Y

como,
Cov (X , Y ) = E(X − E(X ))E(Y − E(Y ))
Propiedades:
Cov (X , Y ) = E(XY ) − E(X )E(Y ).
Si X e Y son independentes, entonces Cov (X , Y ) = 0.
Cov (X , X ) = Var (X )
Cov (X , Y ) = Cov (Y , X )
Cov (αX , Y ) = αCov (X , Y )
Cov (X , Y + Z ) = Cov (X , Y ) + Cov (Y , Z )

 
n
X n
X n X
X n
Cov  Xi , Yj  = Cov (Xi , Yj )
i=1 j=1 i=1 j=1
n n n X
!
X X X
Var Xi = Var (Xi ) + 2 Cov (Xi , Xj )
i=1 i=1 i=1 j<i
Si Xi , i = 1, ..., n son independientes, entonces
n n
!
X X
Var Xi = Var (Xi )
i=1 i=1

Correlación
Sea X e Y dos v.a.’s. Definimos la correlación, ρ(X , Y ), entre X e Y
como,
E(X − E(X ))E(Y − E(Y ))
ρ(X , Y ) = p .
Var (X )Var (Y )
Propiedades:
−1 ≤ ρ ≤ 1.
E(XY ) − E(X )E(Y )
ρ= p .
Var (X )Var (Y )
Si X e Y son independentes, entonces ρ = 0.
Si ρ2 = 1, entonces Y = AX + B, donde A y B son constantes (con
probabilidad 1).
Si X e Y son dos v.a. tal que Y = AX + B. Entonces ρ2 = 1. Si
A > 0, entonces ρ + 1. Si A < 0, entonces ρ = −1.

Media Muestral
Sean X1 , ..., Xn v.a.’s. independientes e indenticamente distribuidas,

entonces la variable aleatoria
n
1X
X = Xi
n
i=1
es llamada media muestral

Propiedades: Sean X1 , ..., Xn v.a.’s. independientes e indenticamente
distribuidas con media µ y varianza σ 2 , entonces
E(X ) = µ.
σ2
Var (X ) =
n
Cov (X , Xi − X ) = 0, para todo i = 1, ..., n

Principales variables aleatorias discretas
Variable Uniforme Discreta

Variable de Bernoulli
Variable Binomial
Variable geométrica
Variable Pascal
Variable hipergeométrica
Variable de Poisson

Variable Uniforme Discreta
La variable aleatoria X tiene distribución uniforme cuando

1
P(X = k) =
|SX |
para todo k ∈ SX con |SX | < ∞ (número de elementos de SX es finito).

Ejemplo: sea X una v.a. discreta con SX = {0, 1, 2} y
1
P(X = 0) = P(X = 1) = P(X = 2) = .
3
Calcule la esperanza, varianza y función de distribución acumulada.

Variable de Bernoulli
Supongamos que un experimento cuyo resultado puede ser clasificado

como suceso o fracaso es ejecutado (experimento de Bernoulli).
Sea X = 1 si el resultado es un éxito y X = 0 si es fracasso.
La variable X es llamada una variable aleatoria de Bernoulli, y sua función
de probabilidad es definida por
P(X = 1) = p, P(X = 0) = 1 − p
donde p ∈ [0, 1].

Ejemplo: Sea X ∼ Ber (p). Calcule la esperanza, varianza y función
distribución acumulada.
Hacer los gráficos de la distribución de X y de la f.d.a. FX .

Variable Binomial
Supongamos que n experimentos independentes de Bernoulli son

ejecutados (probabilidad de sucesso igual a p). Sea X el número de éxitos
que ocurrem en los n experimentos, entonces X es llamada una variable
aleatoria binomial con parámetros n y p. Se puede mostrar que su función
de probabilidad es dada por

n k
P(X = k) = p (1 − p)n−k
k
para k = 0, 1, 2, . . . , n
Ejemplo: Sea X ∼ Ber (p). Calcule la esperanza, varianza y función de
distribución acumulada. Hacer los gráficos de la distribución de X y de la
f.d.a. FX .

Ejemplo: Supongamos que una turbina de avión fallará durante un vuelo
con probabilidad 1 − p, independientemente de turbina para turbina.
Supongamos que un avión terminará el vuelo si por lo menos 50% de sus
turbinas estuvieran funcionando.
1 Para que valores de p un avión con cuatro turbinas es preferible a uno
con dos turbinas.
2 Si p = 1%, cuál avión debe ser escogido?

Ejemplo: Un paquete de informaciones es enviado por un transmisor a un
receptor a través de una conexión inalámbrica, siendo p = 0.95 la
probabilidad que el paquete llegue correctamente al receptor.
Sea X la variable que representa si transmissor envia corretamente un
paquete. Calcule el valor esperado y la varianza de X .
Supongamos que 20 paquetes de informaciones son enviados por
transmissor al receptor a través s de una conexión. Cada paquete es
enviado independientemente del otro. Defina la variable aleatoria
adecuada y calcule la probabilidad que como mı́nimo 18 paquetes
lleguem correctamente al receptor.

Exemplo: Supongamos que un alumno pretende hacer un examen objetivo
con 10 preguntas y cinco alternativas por pregunta, respondiendo cada una
de ellas de forma aleatoria. Cuál es la probabilidad de acertar como
máximo 3 preguntas?

Variable Aleatoria Geométrica
Un experimento geométrico es una repetición sucesiva de experimentos de
Bernoulli hasta que ocurra el primer éxito. Si la probabilidad de éxito es p
y X es el número de lanzamientos hasta que ocurra el primer éxito,
entonces
X ∈ {1, 2, ...}
y
P(X = k) = (1 − p)k−1 p
Se puede verificar que
1 q
E(X ) = , Var (X ) =
p p2
Propiedades: Sea X una variable aleatoria geométrica con parámetro p,
entonces
P(X > n) = (1 − p)n , n ∈ N
P(X > m + n|X > m) = P(X > n), n, m ∈ N
Variable Aleatoria de Poisson
Cuando estamos interesados en el número de eventos de un cierto tipo
que ocurren en un intervalo de tempo (o superficie o volumen)
utilizamos la distribución de Poisson.
Decimos que X tiene distribución de Poisson con parámetro λ, cuando
e −λ λk
P(X = k) =
k!
para k = 0, 1, 2, . . .
El evento X = k significa que el evento de interese ocurrió k veces en
el intervalo de tiempo (o superficie o volumen) especificado.
El parámetro λ y la taxa media de ocurrencia del evento en el
intervalo de tiempo (o superficie o volumen) especificado.
Se puede verificar que
E(X ) = λ , Var (X ) = λ

Propiedad: Sea X e Y dos variables aleatorias de Poisson independientes
con medias λ1 y λ2 . Entonces X + Y es una variable de Poisson con tasa
λ1 + λ2
El evento {X + Y = n} puede escribirse como la unión de los eventos
{X = k, Y = n − k}, entonces
Pn
P(X + Y = n) = k=0 P(X = k, Y = n − k)
Pn
= k=0 P(X = k)P(Y = n − k)

Ejemplo: El número medio de personas que llegam a una emergencia de
un hospital en 10 minutos es 2.
(a) Calcular la probabilidad que en los próximos 10 minutos no llegue
nadie.
(b) Calcular la probabilidad que en los próximos 10 minutos lleguen por lo
menos 4 personas.
(c) Calcular la probabilidad que en los próximos 10 minutos lleguen más
que 1 y menos que 8 personas.
Ejemplo: Supongamos que el número de clientes que llegam a un banco

tiene una distribución de Poisson. Se la probabilidad de lleguen 3 clientes
es el triple de la que lleguen 4 clientes en un perı́odo de 10 minutos.
Determine:
(a) Cuál es el número esperado de clientes que llegam en un perı́odo de 1
hora a este banco?
(b) Cuál es el número más probable de clientes que llegan en un perı́odo
de 1 hora a este banco?

Variable de Poisson: Aproximación con la binomial
Supongamos que llamadas telefónicas llegan a una central, y que en un

perı́odo particular de tres horas (180 minutos), un total de 270 llamadas
fueron recebidas, es decir, 1.5 llamadas por minuto. Supongamos que
queremos calcular la
P( recibir k llamadas durante los próximos tres minutos).
Al considerar el fenomeno de la llegada de llamadas, podremos llegar a la

conclusión de que, a cualquer instante, una llamada telefónica es tan
probable de ocurrer como en cualquer otro instante.
Vamos hacer una serie de aproximaciones para este cálculo.

Para comenzar, se puede dividir el intervalo de 3 minutos en nueve

intervalos de 20 segundos cada uno. Podremos entonces tratar cada uno
de esos nueve intervalos como un ensayo de Bernoulli, durante el cuál
observaremos una llamada (sucesso) o ninguna llamada (falla), con
probabilidad de exito igual a p = 1.5 × 20
60 = 0.5.
De este modo, podremos ser tentados a afirmar que la probabilidad de 2
llamadas es igual a 92 (0.5)9 = 128
9
. Pero, este cálculo ignora la
possibilidad de que más de una llamada pueda ocurrer en un único
intervalo.
Entonces, queremos aumentar el número n de subintervalos de tiempo de
modo que cada subintervalo corresponde a 180n segundos y entonces la
probabilidad de ocurrir de una llamada en un subintervalo es igual a
p = 4.5
n . De esta manera tenemos que np = 4, 5 permanece constante al
crecer el número de subintervalos.

Utilizando nuevamente el modelo binomial, tenemos que

n k
P(X = k) = p (1 − p)n−k
k
n(n − 1) · · · (n − k + 1) 4.5 k 4.5 n−k

= 1−
k! n n
4.5k

1 2 k −1
= (1) 1 − 1− ··· 1 −
k! n n n
n −k
4.5 4.5
× 1− 1−
n n
n→∞

Theorem
Si limn→∞ npn = α > 0, entonces
αk

n k
lim pn (1 − pn )n−k = e −α .
n→∞ k k!

Ejemplo: Al formar números binários con n dı́gitos, la probabilidad que un
dı́gito incorrecto pueda aparecer es 0,002. Si los errores son
independientes, cuál es la probabilidad de encontrar k dı́gitos incorrectos
en un número binário de 25 dı́gitos? Si un computador forma 106 de esos
números de 25 dı́gitos por segundo, cuál es la probabilidad que por lo
menos un número incorrecto sea formado durante cualquer perı́odo de 1
segundo?
Ejemplo: Supongamos que la probabilidad que un celular producido por la
empresa ASUS sea defectuoso es de 0.15. Se quince itens producidos por
esa empresa son selecionados de manera aleatoria, Cuál es la probabilidad
de que no más de dos defectuosos sean encontrados? Use la distribución
binomial y la distribución de Poisson y compare los resultados.

Variable Hipergeométrica
Considere una población de N objetos, r de los cuales tiene atributo A y

N − r tiene atributo B. Un grupo de n elementos es escogido de
manera aleatoria, sin reposición. Estamos interesados en calcular la
probabilidad que ese grupo contenga k elementos con atributo A
r N−r

k n−k
P(X = k) = N

n
para k = 0, 1, 2, . . . , min{r , n}.

Ejemplo: El Departamento de Estatı́stica de la UNI está formado por 35
profesores, siendo 21 hombres y 14 mujeres. Una comisión de 3 profesores
será constituida para un jurado de una tesis de grado, sorteando
aleatoriamente y sin reposición tres miembros del departamento. Calcular
la probabilidad que la comisión tenga por lo menos 1 mujer.
Ejemplo: Por engaño 3 piezas defectuosas fueron mezcladas con buenas
formando un lote con 12 piezas en total. Escogiendo aleatoriamente 4 de
esas piezas, determine la probabilidad de encontrar:
(a) Por lo menos 2 defectuosas.
(b) Como máximo 1 defectuosa.
(c) Como mı́nimo 1 buena.

Variable Hipergeométrica: Aproximación con la binomial
Se puede demontrar que si X es una v.a. hipergeométrica, entonces
E(X ) = np,
N −n
Var (X ) = np(1 − p)
N −1
dononde p = r /N es la probabilidad de obtener un objeto con atributo A.
Si N es grande, comparado con n, es decir,
N −n
≈ 1,
N −1
entonces
E(X ) = np, Var (X ) ≈ np(1 − p).
Asi para N grande , comparado con n, podemos aproximar
P(X = k) ≈ b(k, n, p)

Principais variables aleatorias continuas
Variable Uniforme
Variable Normal
Variable t-student
Variable exponencial
Variable Gamma
Variable Beta
Chi-cuadrado
Distribución F

Distribuición Uniforme
Decimos que la variable aleatoria X tiene Distribuición Uniforme con
parámetros a y b, −∞ < a < b < ∞ si la función de densidad de
probabilidad es dada por

 1
, se a ≤ x ≤ b
f (x) = b−a
 0 , caso contrario
Notación: X ∼ U(a, b).

Sea X ∼ U(a, b).
Para cualquer intervalo [c, d] donde a ≤ c < d ≤ b tenemos que
d
d −c
Z
P(c ≤ X ≤ d) = f (x)dx = .
c b−a
Función de distribuición acumulada



 x−0 , x <a
a
F (x) = P(X ≤ x) = , a≤x <b
 b−a

1 , x ≤b
a+b (b − a)2
E(X ) = , Var (X ) =
2 12

Ejemplo: El grosor de planchas de metal fabricadas en una industria está
uniformemente distribuida entre 0, 84 cm e 1, 04 cm.
1 De un total de 200 planchas inspecionadas, cuántas excedem 1.00
cm?
2 Cuál debe ser el grosor de modo que 40% de las planchas no excedan
ese grosor.
Ejemplo: A partir de las 7 de la mañana, un omnibus pasa por un punto
especı́fico (un paradero) en intervalos de 30 minutos y se mantiene
estacionado en el punto por 6 minutos.
Supongamos que un pasajero llegó a este punto en una hora que está
uniformemente distribuı́da entre 7 : 00 e 8 : 00. Encuentre a probabilidad
que el pasajero:
1 No espere en el paradero por el omnibus.
2 Esperar menos que 6 minutos.
3 Esperar más que 6 minutos.

Distribución Normal o Gaussiana
Ejemplo: Observamos el peso, en kg, de 1500 personas adultas
selecionadas de forma aleatoria, en una población. El histograma por
densidad es el siguinte:

El análisis del histograma indica que:
la distribución de los valores es aproximadamente simétrica en torno
de 70 kg;
la mayoria de los valores (88%) se encuentra en el intervalo (55, 85);
existe una pequeña proporción de valores abajo de 48 kg (1, 2%) y
encima de 92 kg (1%).

Vamos a definir la variable aleatoria
X : peso, em kg, de una pessoa adulta escolhida, ao acaso, da população.
Como se distribuyen los valores de la variable aleatoria X , es decir, cuál es

la distribución de probabilidad de X ?
La curva continua de la figura se denomina curva Normal (o curva de

Gauss).
La distribución Normal es una de las más importantes distribuciones
continuas de probabilidad pues:
Muchos fenómenos aleatorios se comportan próximos a esa
distribución:
1 altura
2 presión sanguı́nea
3 peso, etc
Puede ser utilizada para calcular, de forma aproximada,
probabilidades para otras distribuciones, como por ejemplo, para la
distribución binomial.
El modelo normal de probabilidad fue estudiado por primera vez por
Carl Friedrich Gauss.

La v. a. X tiene distribución Normal con parámetros µ y σ 2 si su función
densidad de probabilidad es dada por:
( )
1 x −µ 2

1
f (x) = √ exp − , −∞ < x < ∞.
σ 2π 2 σ
Notación: X ∼ N(µ, σ 2 ).
Simes trica en torno de µ, es decir f (x + µ) = f (x − µ) para todo x ∈ R.

Propiedades de la distribución Normal X ∼ N(µ, σ 2 )
1 E(X ) = µ (media ou valor esperado);

2 Var (X ) = σ 2 (por lo tanto DP = σ);
3 x = µ es punto de máximo de f (x);
4 x − µ y x + µ son puntos de inflexión de f (x);
5 la curva normal es simes trica en torno de la mes dia µ.

La distribución Normal depende de los parámetros µ y σ 2
Curvas Normales con misma varianza σ 2 mas medias diferentes

µ2 > µ1 .

Influencia de σ 2 en la curva Normal
Curvas Normales con misma media µ mas con varianzas diferentes

σ2 > σ1 .

Estandarización de una variable Normal
Sea X ∼ N(µ, σ 2 ). Una propriedad importante es que la variable
X −µ
∼ N(0, 1).
Z=
σ
Decimos que Z tiene distribución normal estandar. Note que
E(Z ) = 0 e Var (Z ) = 1.
es decir, Z es simétrica en torno de cero. Definimos
P(Z ≤ z) = A(z)

Cálculo de probabilidades
Sea X ∼ N(µ, σ 2 )
P(a < X < b) = P(a ≤ X ≤ b)

Cálculo de probabilidades

La v.a. Z ∼ N(0, 1) se denomina normal estandar . Por lo tanto

a−µ b−µ
P (a < X < b) = P <Z <
σ σ

b−µ a−µ
= A −A
σ σ

Exemplo: El tiempo gastado por un alumno en el examen de admisión de
una universidad tiene distribución Normal, con mes dia 120 min y
desviación standard 15 min.
1 Sorteando un aluno al azar, cuál es la probabilidad de terminar el
examen antes de 100 minutos?
2 Cuál debe ser el tiempo del examen, de modo que permita a 95% de
los estudiantes terminar en el plazo estipulado?
3 Cuál es el intervalo de tiempo, simes trico en torno de la mes dia
(intervalo central), tal que 80% de los estudiantes gaste para
completar el examen?

Exemplo:

Exemplo:

Suma de variables aleatorias normales
Si X1 , . . . , Xn son variables aleatorias independientes tales que cada

Xi ∼ N(µi , σi2 ), entonces la variable aleatoria a1 X1 + · · · + an Xn tiene
distribución normal con media
a1 µ1 + · · · + an µn
y varianza
a12 µ21 + · · · + an2 µ2n .

Exemplo:

Proposition (Desigualdad de Markov)
Si X es una variable aleatoria que toma valores no negativos, entonces
para cualquier valor a > 0 se tiene
E(X )
P(X ≥ a) ≤
a
Proposition (Desigualdad de Chebyshev)

Si X es una variable aleatoria con media µ y varianza σ 2 , entonces para
cualquier valor a > 0 se tiene
σ2
P(|X − µ| ≥ a) ≤
a2

Ley fuerte de los grandes números
Theorem (Ley fuerte de los grandes números)

Sea X1 , X2 , ... una sucesión de variables aleatorias independienes e
idénticamente distribuidas tal que E(X1 ) = µ. Entonces, con probabilidad
1 se tiene
X1 + · · · + Xn
→µ (0.1)
n

Teoremas Lı́mites
Aproximación de la Binomial por la Normal
Sea X ∼ Bin(n, p), entonces
X − np
p ∼ N(0, 1)
np(1 − p)

Teorema Central del Lı́mite
De manera general tenemos el siguiente resultado.
Theorem (Teorema Central del Lı́mite)

Sea X1 , X2 , ... una sucesión de variables aleatorias independienes e
idénticamente distribuidas tal que E(X1 ) = µ y Var (X1 ) = σ 2 . Sea
Sn = X1 + · · · + Xn . Entonces
Sn − nµ
√ ⇒ N(0, 1) (0.2)
σ n
donde N(0, 1) es una variable aleatoria con distribución normal estándar.

Ejemplo: Sea Xi , i = 1, 2, ..., 10 variables aleatorias independientes con
distribución común U(0, 1). Estime
10
!
X
P Xi > 7
i=1
Ejemplo: El tiempo de vida de un tipo de baterı́a para celular es una

variables aleatoria con media de 40 horas y una desviación estandar de 20
horas. Una baterı́a es usada hasta que falle, y automáticamente es
reemplazada por una nueva. Si tenemos un stock de 25 baterı́as, los
tiempos de vida son independientes, aproxime la probabilidad que el celular
sea usado por mas de 1100 horas.

Ejemplo:

Distribución Exponencial
Decimos que la variable aleatoria X tiene Distribución exponencial con

parámetro λ si su función densidad de probabilidad es dada por
λe −λx , x ≥ 0

f (x) =
0 , caso contrario
1 1
E(X ) = Var (X ) =
λ λ2
Notación: X ∼ Exp(λ)

Exemplo 6: La distribución exponential es una variable aleatoria continua
bastante conhecida en la estadı́stica y tiene función de densidade de
probabilidad dada por:
f (x) = λe −λx , x ≥ 0.
Se sabe que para que f sea una fdp, debe cumplir, dentro de otras
condiciones, la seguinte condición: La probabilidad de todo el espacio
muestral es 1.
Demuestre esa propriedad.
Una fábrica produce baterı́as. Si el tempo de vida de una bateriá
tiene distribución exponential con parámetro 1/80. Calcular la vida
media de una baterı́a. Cuál es la probabilidad que una baterı́a dure
más de 100 horas?

Distribución Gamma
En estadı́stica la distribución gamma es una distribución de probabilidad

continua con dos parámetros α > 0 y β > cuya función de densidad es
(βx)α−1

βe −βx , x ≥0

f (x) = Γ(α)
0 , caso contrario

donde Γ es la función gamma. Para valores α ∈ N Γ(α) = (α − 1)!

α α
E(X ) = Var (X ) =
β β2
Notación: X ∼ Gamma(α, β)

Figure: Gráfica de la distribución gamma con β = 1.

Distribución t-Student
La distribución t-Student es una de las distribuições más utilizadas en la

estadı́stica, con aplicaciones que van desde el modelamiento estadśtico
hasta pruebas de hipóteses.
Decimos que la variable aleatoria X tiene Distribución t-Student con n
grados de libertad si su función densidad de probabilidad es dada por
−( n+1
2 )
1 Γ n+1

2 x2
f (x) = √ 1+ , n = 1, 2, . . . , x ∈ R.
nπ Γ n2 n
Notación: X ∼ tn

Propiedades
1 Si X ∼ tn , entonces
E(X ) = 0, n > 1
n
Var (X ) = , n>2
n−2
2 La función de densidad de la distribución t-Student es simes trica en
torno del cero, i.e., f (x) = f (−x) para todo x ∈ R.
3 La función densidad de la distribución t-Student tiene la misma forma
que la distribución Normal, más refleja a mayor variabilidade (con
curvas más alargadas) que es de esperar en amostras pequenas.
4 Cuanto mayor el grau de libertad, la distribución t-Student se
aproxima a la distribución Normal.

Distribución Chi-cuadrado χ2n
En estadı́stica la distribución Chi-cuadrado es una distribución de

probabilidad continua con un parámetros n cuya función de densidad es
 −n/2
 2 n
x 2 −1 e −x/2 , x ≥ 0
f (x) = Γ(n/2)
0 , caso contrario

donde Γ es la función gamma. Para valores α ∈ N Γ(α) = (α − 1)!
E(χ2n ) = n Var (χ2n ) = 2n
Notación: X ∼ χ2n

Propiedades de χ2n
1 Si Z ∼ N(0, 1), entonces Z 2 ∼ χ21

2 Si Z1 , . . . , Zn son n variables aleatorias independientes identicamente
distribuidas con distribución N(0, 1), entonces
n
X
Zk2 ∼ χ2n
k=1
3 Si X ∼ χ2n e Y ∼ χ2m , entonces
X + Y ∼ χ2m+n

Sea X ∼ χ2n . La región sombreada es igual a
P(X ≤ χ21−α,n ) = 1 − α
es decir c = χ21−α,n .

Propiedad: Si Z y V son dos variables aleatorias independientes tales que
Z ∼ N(0, 1) y V ∼ χ2r , entonces la variable aleatoria
Z
T =p
V /r
tiene distribución t-Student con r grados de libertad, i.e., T ∼ tr .

Distribución F
Se dice que una variable aleatoria X tiene distribución F un parámetros o

grados de libertad r1 y r2 , denotado por X ∼ F (r1 , r2 ), si su función de
densidad es
 r /2
r1 1 r1 +r2
r1


 r2
Γ 2 x 2 −1
(r1 +r2 )/2 , x ≥ 0


Γ r21 Γ r22

f (x) = r1 x
1 + r2




0 , caso contrario

donde Γ es la función gamma. Para valores α ∈ N Γ(α) = (α − 1)!, y r1 ,

r2 son números positivos.

Propiedad: Si U y V son dos variables aleatorias independientes tales que
U ∼ χ2r1 y V ∼ χ2r2 , entonces la variable aleatoria
U/r1
X =
V /r2
tiene distribución F (r1 , r2 ) con r1 y r2 grados de libertad.

Sea X ∼ F (r1 , r2 ). La región sombreada es igual a
P(X ≤ F1−α,r1 ,r2 ) = 1 − α
es decir c = F1−α,r1 ,r2 .

VA Continuas PDF

Cargado por

Copyright:

Formatos disponibles

VA Continuas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

VA Continuas PDF

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA APLICADA 3

March 25, 2019

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 1 / 81

Sea X : Ω → R una función real de Ω y considere A = (−∞, a]. La

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 2 / 81

Varianza: La varianza de X es definida por

Desviación estandar: La desviación estandar de X es definida por

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 3 / 81

Sea X variable aleatoria discreta con valores x1 , . . . , xn y probabilidades

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 4 / 81

Dos casos particulares:

E(X + Y ) = E(X ) + E(Y ).

E(XY ) = E(X )E(Y ).

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 5 / 81

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 6 / 81

Sea X una variable aleatoria y SX su soporte. Decimos que X es una

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 7 / 81

Una variable aleatoria X es continua se existe una función real

La función fX es chamada de función densidad de probabilidad de X

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 8 / 81

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 9 / 81

Verifique si f satisface las propriedades de una función densidad de

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 10 / 81

Encuentre la constante c. Presente el gráfico (x, f (x)). Cuál es el soporte

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 11 / 81

Sea X una v.a. continua con función de densidad f . La Esperanza

Sea h una función real, la Esperanza Matemática de h(X ) es definida por

La esperanza matemática nos informa el valor central de la densidad de

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 12 / 81

Sea X una v.a. continua con función de densidad f .

Si a, b ∈ R son constantes, entonces

Si X e Y son v.a. , entonces E(X + Y ) = E(X ) + E(Y )

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 13 / 81

Sea X una v.a. continua con función de densidad f . La Varianza de X es

Sea h una función real, la Varianza de h(X ) es definida por

La varianza nos informa el grado de variabilidad de la densidad de valores

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 14 / 81

Var (aX ) = a2 Var (X );

Si a, b ∈ R son constantes, entonces

Var (aX + b) = a2 E(X ).

Var (X ) = E(X 2 ) − (E(X ))2 .

Var (αX + βY ) = α2 Var (X ) + β 2 Var (Y )

Ejemplo 5: Calcule la Varianza de los ejemplos 2 y 3.

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 15 / 81

Sea X e Y dos v.a.’s. Definimos la covariaza, Cov (X , Y ), entre X e Y

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 16 / 81

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 17 / 81

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 18 / 81

Sean X1 , ..., Xn v.a.’s. independientes e indenticamente distribuidas,

es llamada media muestral

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 19 / 81

Variable Uniforme Discreta

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 20 / 81

La variable aleatoria X tiene distribución uniforme cuando

para todo k ∈ SX con |SX | < ∞ (número de elementos de SX es finito).

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 21 / 81

Supongamos que un experimento cuyo resultado puede ser clasificado

donde p ∈ [0, 1].

Joses J. Cerda-Hernández (DE - UNI) Estadı́stica I March 25, 2019 22 / 81