OPOSICIONES I.N.

E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3

TEMA 3: ESPERANZA MATEMTICA: PROPIEDADES.

VARIANZA: PROPIEDADES. FUNCIN CARACTERSTICA Y
FUNCIN GENERATRIZ DE MOMENTOS. ACOTACIN DE
TCHEBYCHEV.

INTRODUCCIN

Las medidas de sntesis empricas (basadas en la observacin) usadas para

distribuciones de frecuencias (medidas de posicin, dispersin, forma) se pueden
trasladar a las variables aleatorias como medidas tericas. Estas constantes sirven para
estudiar y comparar distribuciones.

ESPERANZA MATEMTICA

Es la generalizacin del concepto de media aritmtica de una distribucin de

frecuencias. Por eso tambin se denomina valor medio, esperado probable.

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.

Esperanza de una funcin de variable aleatoria:

Sea g() una funcin real de una variable aleatoria . Se define g() como:

Caso discreto: g() j g ()

y P g() y j g(x i ) P x i
j i
g( x i )p i si gx i p i (converge absolutamente)
i i

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

Si es continua pero g() discreta, la probabilidad de cada valor de g() puede

calcularse integrando la funcin de densidad f en los intervalos correspondientes.

Propiedades:

La esperanza no tiene por qu existir.

Si es una variable aleatoria acotada entonces existe la esperanza.
Si existe
Si a b a b

Si 0 0

Si a y a a

Si g1 () g 2 () g1 () g 2 ()

k k , siendo k una constante

Nota: Considerar una cte como v.a recibe el nombre de degenerada causal
(toda su masa de probabilidad est concentrada en el punto k).

a b a b , con a , b constantes.

Si es simtrica respecto a x 0 y existe x 0

Si es discreta y toma valores en 1 F(n )
n 0

Definicin general de esperanza (y mixta):

Dada una variable aleatoria con funcin de distribucin F( x ) se definen

y g() usando la integral propia de Riemann-Stieltjes:

xdF(x )

g() g(x)dF(x)

Esta definicin coincide con las dadas para el caso discreto y continuo (absolutamente
continuo).
Para una variable alegatoria con distribucin mixta ( consta de valores
discretos e intervalos continuos) tenemos que la funcin de distribucin es:

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

MOMENTOS DE UNA VARIABLE ALEATORIA

Los momentos son medidas que sirven para caracterizar variables aleatorias y
permitirn hacer ms fciles las comparaciones entre distribuciones. Pueden definirse
respecto al origen y respecto a la esperanza matemtica.

1. Momento de orden r respecto al origen: r r

r r

Caso discreto: r x i p i siempre que x ir pi
i 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. Relacin entre los momentos:

r
r ri 1i 1i ri 2 2 12

i 0 3
r 3 3 31 2 21
4 6 2 3 4
r ri 1i r i 4 4 1 3 2 1 1
i 0

Teorema: (Existencia de t , s , t , s con s t )

Si t existe existen todos los s con s t . Por consiguiente y por la relacin entre
los momentos, existir t y todos los s con s t .

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

V V V 2Cov, . Si , son independientes Cov, 0

V V V

Desviacin tpica o estndar:

La varianza tiene el inconveniente de tener unidades de medida elevadas al cuadrado,
por eso se usa la desviacin tpica o estndar:

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

Tipificacin de una variable aleatoria:

Sea una variable aleatoria con , V 2 . Definimos la nueva variable

aleatoria tipificada normalizada:

* N(0,1)

donde:

*




0
V *
V
2

2
2
1

Sirve para comparar una misma magnitud en distintas distribuciones.

Coeficientes de asimetra y curtosis:

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

Dem: Descomponemos el campo de variacin de en dos conjuntos complementarios:

{valores de con g k } y {valores de con g 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:

Es una funcin asociada a su distribucin de probabilidad hasta el punto de

caracterizar a esta ltima. Los momentos de una variable aleatoria se pueden calcular
directamente a partir de la funcin caracterstica.

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

Relacin entre los momentos y la funcin caracterstica:

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

Otras propiedades de la funcin caracterstica:

Si 1 , , n son variables aleatorias estadsticamente independientes y

1 n entonces:

t 1 n t e it1 e itn 1 t n t
indep.
Si i es independiente e idnticamente distribuida con distribucin D , entonces

t i t

Teorema de inversin: Sea una variable aleatoria con funcin de distribucin

F( x ) y x 1 x 2 (dos puntos de continuidad) entonces:

T
1 e itx1 e itx 2
Fx 2 Fx1 Px1 x 2 lim t dt
2 T it
T

si t integrable para t . Sirve para calcular probabilidades.

Si una variable aleatoria continua
1 itx
f (x) e t dt
2

Observacin: Se liga la funcin de distribucin y la funcin caracterstica en el

sentido inverso al de su definicin, identificando la distribucin de si
conocemos F( x ) y t ( en el caso continuo, f ( x ) y t ). Si es discreta y
1 itn
valora en los enteros entonces se puede poner f (n ) e t dt
2
Teorema de unicidad: A toda funcin caracterstica t le corresponde una y
slo una funcin de distribucin F( x ) .

7
OPOSICIONES I.N.E BLOQUE ESTADSTICA TERICA BSICA: TEMA 3

Teorema de continuidad o Levi-Cramer. Sea 1 , , n , una sucesin de

variables aleatorias con funciones de distribucin F1 ( x ), , Fn ( x ), y funciones
caractersticas 1 t , , n t , diremos que Fn ( x ) converge a una funcin

de distribucin F( x ) n ( t ) converge a una funcin caracterstica t (que
por el teorema de unicidad ser la de F( x ) )

Observaciones: Sirve para calcular parmetros de distribuciones. La f.D es la

que describe bsicamente cmo se acumula la probabilidad en la recta real.

FUNCIN GENERATRIZ DE MOMENTOS

discreto : e tx i p( x i )
e tx i p( x i )
g t e t


i

i

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

Si 1 , , n son variables aleatorias independientes con funcin generatriz de

n
momentos g 1 t , , g n t . Sea a i i , con a i constantes, entonces:
i 1

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

tienen la misma funcin generatriz las correspondientes distribuciones de

probabilidad tambin son iguales. La inversa tambin se verifica.

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