OBJ # 9 PROPIEDADES DE LAS VARIABLES ALEATORIAS

VARIABLE DISCRETA VARIABLE CONTINUA

Ley de distribución
X X1 X2 …. Xn Función de densidad
P(X) P1 P2 …. Pn F(x) = Densidad

n 

1) Esperanza = E ( x )   X i Pi  m1 (momento 1) Esperanza = E( x )   xf ( x )dx


 m1 (momento
i 1
1) 1)

MOMENTOS NO CENTRADOS O CON RESPECTO AL ORIGEN

n 
m k   X i Pi  E ( x k )
k
x
k
mk  f ( x )dx  E ( x k )

i 1

MOMENTOS CENTRADOS O CON RESPECTO A LA MEDIA

n k 

k    X i E ( x )   x  E ( x )
k
P(x ) k  f ( x )dx

i 1

VARIANZA (MOMENTO DE ORDEN 2 CON RESPECTO A LA MEDIA (Var(x) = m2 – (m1)2)

n 2 

Var ( x )   2    X i E ( x )   x  E ( x )
2
Pi Var ( x )   2  f ( x )dx

i 1

Notas: = desviación = 
Var (x )
La derivada de la función de distribución es la función de densidad
x

La integral de la función de densidad es la función de distribución  f ( x )dx . (para este proc



se toman en cuenta los extremos de la fd.  a  x  b    x  a ,  a  x  b ,  x  b  )

Propiedades de la Esperanza
1. E ( x  y )  E ( x )  E ( y )
2. E (k )  k
3. E (Kx )  KE ( x )
4. E ( x.y )  E ( x ).E ( y ) , con x e y independientes

Propiedades de la Varianza
1. Var (K )  0
2. Var (Kx )  K 2Var ( x )
3. Var ( x  y )  Var ( x )  Var ( y ) , con x e y independientes
4. Var ( x.y )  Var ( x ).Var ( y ) , con x e e independientes

TIPS
E ( x 2 )  Var ( x )  E ( x )
POISSON: E (x )   (parámetro) Var ( x )  2
BINOMIAL: E ( x )  n.p Var ( x )  n.p.q
1 1 p
GEOMETRICA: E ( x )  Var ( x ) 
p p2
OBJ # 10. TEOREMA CENTRAL DEL LÍMITE Y DESIGUALDAD DE TCHEVICHEV

Teorema Central del Límite (Ley de los grandes números)

Se tiene X1…Xn Eventos Independientes

E(Xi) = 
Var(Xi) =2
Desviación =  = n

Yn = X1 + X2 + X3 + …+ Xn (En vez d lanzar un dado 600 veces, se lanzan 600 d una sola vez)

Yn > N(n, n2) o N(n, n )

Cuando se trabaja con un promedio funcional

Yn
 X 1  X 2  X 3  ...  X n  X
n

    2 
X > N  ,  o N  , 
 n 
 n   

Desigualdad de Tchevichev
X variable aleatoria
E(Xi) = 
Var(Xi) =2

 
P x  E ( x )    Var ( x )
(Prob de que el error de la variable sea mayor o igual a cierto epsilon sea a
lo sumo menor o igual a la varianza)

2
Media muestral = V ( x ) 
n
 x  p.q
Proporción binomial = Var   . (Se puede usar para calcular el tamaño de la muestra)
n n

Nota: si dan el tamaño de la muestra TCL, sino tchevichev.

< complemento 