Você está na página 1de 12

1

Medidas sobre distribuciones


discretas. La distribucin binomial





01. Medidas sobre distribuciones discretas

01.1. La funcin de densidad:

Para cualquier variable aleatoria, X, su funcin de distribucin viene definida por

| | x X p x F = ) (

que, si es discreta, se puede expresar por

=
x k
k
p x F ) (
donde es
k
p la funcin de densidad, que obviamente ha de cumplir la condicin de
probabilidad igual a 1 para el espacio muestral:


=1
k
p (*)
La funcin de densidad permite definir el tipo de distribucin en estudio, as, por
ejemplo, la distribucin binomial queda definida por una funcin de densidad dada
por:
k k
k
p p
k
n
p ) 1 (
|
|
.
|

\
|
=


01.2. Momentos:

Para estudiar las caractersticas de una distribucin de la variable aleatoria es
necesario estudiar los momentos de la distribucin.

Los momentos iniciales estn definidos por
k
r
r
p k M


= (momento inicial de orden r, r=0,1,)
El momento inicial de orden cero es la unidad, por (*), pues
1
0
0


= = =
k k
p p k M
Al momento inicial de orden 1 se le denomina Esperanza Matemtica o bien Media
de la distribucin:

| |


=

=
= =
k
k
k
k
p k p k M M k E .
1
1


Se llama desviacin respecto de la media a la variable M k .
2

A partir de la Media o Esperanza Matemtica se definen los llamados momentos
centrales de la distribucin:

| |

=
= =
k
k
r r
k
p M x M x E ) ( ) ( (momento central de orden r, r=0,1,)
El momento central de orden cero coincide, obviamente, con la unidad, al igual que
el momento inicial de orden cero:
| | 1 ) ( ) (
0 0
0
= = = =


=

= k
k
k
k
p p M k M x E
El momento central de orden 1 es nulo:
| |


=

=
= = = = =
k k
k k
k
k
M M p M p x p M x M x E
1
1 1
1
0 . ) ( ) (
El momento central de orden 2 se denomina Varianza:

=
= =
k
k
p M x . ) (
2
2
2


La raz cuadrada de la varianza es lo que denominamos desviacin tpica o
desviacin standard:
2
=

- Relaciones entre los momentos centrales y los momentos iniciales:

El momento central de orden 2 (la varianza) se relaciona con los momentos
iniciales de orden 1 (media) y de orden 2, mediante la relacin:

2
2
2
2
M M = =
puesto que:

= = = =
= + = = =
n
k
n
k
n
k
k k k
n
k
k
M M p M p k M p k p M k
1 1 1
2
2
2 2
1
2
2
2
. 2 . . ) (

El momento central de orden 3 viene relacionado con los momentos iniciales por la
expresin:

3
2 3 3
2 . 3 M M M M + =
puesto que:

( )
3
2 3
1
3
1
2
1
2
1
3
1
3
3
2 . . 3
. . . . 3 . 3 . .
M M M M
p M p M k p M k p k p M k
n
k
k
n
k
k
n
k
k
n
k
k
n
k
k
+ =
= + = =

= = = = =



Y el momento central de orden 4:

4
2
2
3 4 4
3 6 . 4 M M M M M M + =
ya que se tiene:
( )
4 2
2 3 4
1 1
4 3
1
2 2
1
3
1
4
1
4
4
3 . 6 . 4
. . 4 . . . 6 . 4 . .
M M M M M M
p M p kM p M k p M k p k p M k
n
k
n
k
k k
n
k
k
n
k
k
n
k
k
n
k
k
+ =
= + + = =

= = = = = =


3


01.3. La moda:

La moda se define como el valor que presenta un mximo de la distribucin, si
existe, y se obtiene, en las distribuciones discretas de probabilidad, como aquel
valor, k
0
, tal que su probabilidad es mxima. Es decir:

) 1 ( ) ( ) 1 ( ) ( mod
0 0 0 0 0
+ k p k p k p k p a k



01.4. El clculo de los momentos. La funcin caracterstica:

Para calcular los momentos, tanto iniciales como centrales, es necesario resolver
sumas de cierta dificultad en muchos casos, como es el de la distribucin binomial.
Para solventar el problema de estos clculos, Alexander M. Lyapunov (1857-1918)
introdujo en 1904 un mtodo que llam de las funciones caractersticas, y que
consiste en definir una cierta funcin a partir de la cual se extraen de forma sencilla
los correspondientes momentos. Esta cierta funcin, fcil de integrar, permitira
obtener todos los momentos (media, desviacin standard, etc) de forma inmediata.

Es la llamada funcin caracterstica de la distribucin:
| |


= =
k
itk itx
p e e E t) (
Si calculamos sus derivadas para t=0, tenemos:
) 0 ( ' . . ) 0 ( ' . . ) ( '
1 1
i M iM p k i p e k i t
k k
itk
= = = =




) 0 ( " . . ) 0 ( ' ' . . ) ( "
2 2
2 2 2 2 2
= = = =



M M i p k i p e k i t
k k
itk

en general, se tiene la frmula siguiente para los momentos iniciales de la
distribucin:
) 0 ( . ) (
) k k
k
i M =

cuya aplicabilidad depende, en consecuencia, de que las derivadas de la funcin
caracterstica se obtengan de forma sencilla.

As, podemos obtener la media y la varianza de forma inmediata:

) 0 ( ' ) 0 ( . ) (
) 1 1
1
i i M M = = =

2 2 " 2 2
2 2
2
) 0 ( ' ) 0 ( " )) 0 ( ' ( ) 0 ( ) ( + = = = = i i M M (1.4)

Y el momento central de tercer orden sera:


3 ' ' '
3 ' ' ' 3 3
2 3 3
) 0 ( ' 2 ) 0 ( " ) 0 ( ' 3 ) 0 (
) 0 ( ' 2 ) 0 ( " ) 0 ( ' 3 ) 0 ( ) ( 2 . 3


i i i
i i i M M M M
+ =
= + = + =


Y el momento central de cuarto orden:

4

4
2 ) 3 ) 4 4 4 2 2 2
) 3 3 ) 4 4 4
2
2
3 4 4
) 0 ( ' 3
) 0 ( " ) 0 ( ' 6 ) 0 ( ) 0 ( ' 4 ) 0 ( ) 0 ( ' ) ( 3 ) 0 ( " ) ( ) 0 ( ' ) ( 6
) 0 ( ) )( 0 ( ' ) ( 4 ) 0 ( ) ( 3 6 . 4

+ = +
+ = + =
i i i
i i i M M M M M M




01.5. La simetra y la curtosis de una distribucin:

Simetra:

Para medir la simetra de la grfica de una distribucin se utiliza el llamado
coeficiente de simetra de Fisher, que es el cociente de dividir el momento central
de tercer orden por el cubo de la desviacin tpica:
3
3

=

Si 0 = : la grfica es simtrica.
Si 0 > : la grfica tiene asimetra a la derecha.
Si 0 < : la grfica tiene asimetra a la izquierda.

Curtosis:

Cuando se pretende medir el grado de aplanamiento o de apuntamiento de la
grfica se utiliza el coeficiente de curtosis o de Pearson, que consiste en dividir el
momento central de cuarto orden por la cuarta potencia de la desviacin tpica y
restar 3 al resultado:
3
4
4
2
=

g

Si 0
2
= g : la grfica se dice mesocurtica.
Si 0
2
> g : la grfica es leptocurtica.
Si 0
2
< g : la grfica platicurtica.





02. La distribucin binomial

02.1. Las funciones bsicas:

Consideremos el espacio probabilstico ( ) p U , , , donde es U el conjunto de
sucesos elementales, es la sigma lgebra de partes de U, y p es la funcin de
probabilidad.

Si consideramos un determinado suceso, A, en un experimento aleatorio
cualquiera, nos planteamos que tal suceso puede ocurrir en la realizacin del
experimento, o bien, puede no ocurrir. Es decir, puede verificar A o A.

5
Si se trata de una distribucin de probabilidad discreta, esto es, con probabilidad en
los n puntos n ,..., 2 , 1 , 0 , la probabilidad del suceso A y la de su contrario, A, se
complementan a uno, pues siendo = = A A U A A I U , , se tiene que

1 ) ( ) ( = + A p A p

representaremos estas probabilidades por ), ( A p p = y ), ( A p q = lo cual nos
indicar que 1 = + q p . La verificacin del suceso A la denominaremos xito y la
verificacin de A ser fracaso, con probabilidades respectivas, pues, indicadas
por p y q.

En una repeticin del experimento N veces aparecen un cierto nmero k de xitos,
siendo el resto, n-k, fracasos. De cuantas maneras pueden aparecer k xitos en
una muestra de N pruebas? Combinatoriamente sabemos que son todas las
maneras de tomar N de k en k, es decir, las combinaciones de las N pruebas
tomadas de k en k, siendo el suceso x resultante:
A A
k n
A A
k
k
N
x
k .......
) (
. ......

|
|
.
|

\
|
=

y la probabilidad
k N k
k
q p
k
N
k p p

|
|
.
|

\
|
= = ) (

As, la funcin de densidad es:

= =
=
k x si
k x si k p p
x f
k
, 0
), (
) (

Y la funcin de Distribucin:

|
|
.
|

\
|
= =
x k
k n k
x k
k
q p
k
n
p x F ) (

Cumplindose, obviamente, que

=

= + =
|
|
.
|

\
|
= =
n
k
n k n k
n k
k
q p q p
k
n
p n F b x f a
0
1 ) ( ) ( ) , 1 ) ( 0 )
(Las sumas desde menos infinito a ms infinito quedan reducidas a los valores de k
comprendidos entre 0 y el numero total de pruebas n)

La funcin caracterstica:

| |
k n k
n
k
itk
n
k
k
itk itk
q p
k
n
e p e e E t

= =

|
|
.
|

\
|
= = =
0 0
) (





6
02.2. Los momentos de la distribucin:

Los momentos iniciales
r
M se definen por


= =

|
|
.
|

\
|
= =
n
k
n
k
k n k r
k
r
r
q p
k
n
k p k M
1 1


y los momentos centrales
s
con respecto a la media M:
k n k
n
k
s
n
k
k
s
s
q p
k
n
M k p M k

= =

|
|
.
|

\
|
= =
1 1
) ( ) (

Media y varianza de la distribucin:

La media o esperanza matemtica de la distribucin se define como el momento de
primer orden de la variable aleatoria k:
| |

= =

|
|
.
|

\
|
= =
n
k
n
k
k n k
k
q p
k
n
k p k M k E M
1 1
1
1


La varianza de la distribucin se define asimismo como el momento central de
segundo orden respecto de la media:
k n k
n
k
n
k
k
q p
k
n
M k p M k

= =

|
|
.
|

\
|
= =
1
2
1
2
2
2
) ( ) (
La desviacin tpica o Standard, , es la raiz cuadrada de la varianza.

Para una funcin, g(x), medible borel, se verifica que la media o esperanza
matemtica de g(x) es el momento inicial de primer orden,
1 g
M , y la varianza es el
momento central de segundo orden,
2 g
.

Media de : ) (x g

= =

|
|
.
|

\
|
= =
n
k
n
k
k n k
k g g
q p
k
n
k g p k g M M
1 1
1
1
) ( ) (
Varianza de : ) (x g
k n k
n
k
n
k
k g g
q p
k
n
M k g p M k g

= =

|
|
.
|

\
|
= =
1
2
1
2
2
2
) ) ( ( ) ) ( (

Simetra y curtosis:

El coeficiente de simetra de Fisher es
3
3

=

La grfica de la distribucin presentar asimetra a la derecha si , 0 > y a la
izquierda si es 0 < . Si el coficiente es nulo indica que la grfica es simtrica.

El coeficiente curtosis de Pearson es 3
4
4
22
=

g
7
Se llama mesocrtica a una distribucin en la que , 0
22
= g platicrtica si es 0
22
< g ,
y, finalmente, leptocrtica si es 0
22
> g .



02.3. La funcin caracterstica. Clculo de momentos:

Se define la funcin caracterstica ) (t de una distribucin cualquiera como la
esperanza matemtica de
itx
e . Su importancia estriba en el hecho de que, desde
sus derivadas, ) (
)
t
h
, se obtienen los momentos iniciales, M
h
, de la distribucin:
| |

=
= =
n
k
k
itk itk
p e e E t
1
) (
Derivando:
) 0 ( ' . . . . ) 0 ( ' . . . ) ( '
1 1
1 1
i M M i p k i p e k i t
n
k
k
n
k
k
itx
= = = =

= =

) 0 ( ' ' ) ( . . ) 0 ( ' ' . . ) ( ' '
2
2
1
2
2 2 2
1
2 2
i M M i p k i p e k i t
n
k
k
n
k
k
itk
= = = =

= =



) 0 ( ' ' ) ( . . ) 0 ( ' ' . . ) (
1
2
1
)

h
h
n
k
h k
h h
n
k
k
itk h h h
i M M i p k i p e k i t = = = =

= =

As, el momento inicial de orden h se obtiene mediante la expresin:

) 0 ( ) (
) h h
h
i M =

En el caso de la distribucin binomial es:
| | ( ) ( )
( )
n
it
n
k
k n
k
it
n
k
k n k itk
n
k
k n k itk
n
k
k
itk itk
q e p
q p e
k
n
q p e
k
n
q p
k
n
e p e e E
+ =
=
|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
= =

=

=
.
1 1 1 1
En definitiva, es ( )
n
it
q e p t + = . ) (

Veamos los momentos iniciales:

- El momento inicial de orden 1, o Media de la distribucin:
( ) np i M npi q p i p n q e p e i p n t
n
n
it it
= = = + = + =

) 0 ( ' . ) .( . . ) 0 ( ' . . . . . ) ( '


1
1
1


- El momento inicial de orden 2:
( ) ( ) | |
( ) ( )
npq p n p np p n np np p n i M
np np p n np p n n
q e p e npi q e p e i p n n
q e p e i e q e p e i p n i p n t
n
it it
n
it it
n
it it it
n
it it
+ = + = + = =
+ = =
+ + + =
= + + + =


2 2 2 2 2 2 2 2
2
2 2 2 2
1
2
2
2 2 2
1 2
) 1 ( ) 0 ( ' ' ) (
). 1 .( ) 0 ( ' '
. . . . . . ) 1 .(
. . . . . . . . ) 1 ( . . . ) ( ' '



- El momento inicial de orden 3:
8
( ) ( )
( )
+
+ = =
+ +
+ + + + =


i p n i p n i p n
i p n i p n i p n i p n n n i p n n i p n
q e p e i p n n n
q e p e p i n n q e p e p i n t
n
it it
n
it it
n
it it
. . 2 . . 3 . .
. . 3 . 3 . . . ). 2 ).( 1 .( . ). 1 .( . 3 . . ) 0 ( ' ' '
. . . ). 2 ).( 1 .(
. . . . ). 1 .( 3 . . . . ) ( ' ' '
3 3 2 3 3
2 2 2 3 2
3
3 3 3
2
2 2 3
1
3


3 3 2 3 3 2 2 2 3
3
2 3 3 3 ) 0 ( ' ' ' . ) ( np p n p n np p n np i M + + + = =

- El momento inicial de orden 4:
( ) ( )
( ) ( )
+ + + =
+ + + +
+ + + + =


4 3 2 )
4
4 4 4
3
3 3 4
2
2 2 4
1
4 )
). 3 ).( 2 ).( 1 .( ). 2 ).( 1 .( 6 ). 1 .( . 7 . ) 0 (
. . . ). 3 ).( 2 ).( 1 .( . . . ). 2 ).( 1 .( 6
. . . . ). 1 .( 7 . . . . ) (
p n n n n p n n n p n n p n
q e p e p i n n n n q e p e p i n n n
q e p e p i n n q e p e p i n t
iv
n
it it
n
it it
n
it it
n
it it iv


= + + + = =
4 3 2 ) 4
4
). 3 ).( 2 ).( 1 .( ). 2 ).( 1 .( 6 ). 1 .( . 7 . ) 0 ( . ) ( p n n n n p n n n p n n p n i M
iv

4 4 2 4 3 4 4 3 3 2 3 3 2 2 2
6 11 6 12 18 6 7 7 np p n p n p n np p n p n p n np np + + + + + =

Veamos tambin los momentos centrales:

Es obvio, como ya se ha dicho, que el momento central de orden cero es 1 y que el
momento central de orden 1 es cero, en cualquier distribucin.

La varianza (o momento central de orden 2):
npq np npq p n
M M p M p k M p k p M k
n
k
n
k
n
k
k k k
n
k
k
= + =
= = + = = =

= = = =
2 2 2
1 1 1
2
2
2 2
1
2
2
2
) (
. 2 . . ) (


El momento central de orden 3:
( )
3 2
3 3 3 2 2 2 3 3 3 3 2 3 3 2 2 2 3 3
2 2 3 3 2 3 3 2 2 2 3
2 3
1
3
1
2
1
2
1
3
1
3
3
2 3
2 3 3 3 2 3 3 3 2
)) 1 ( .( 3 2 3 3 3 2 . 3
. . . . 3 . 3 . .
np np np
p n p n p n p n np p n p n np p n np p n
p np p n np np p n p n np p n np M M M M
p M p M k p M k p k p M k
n
k
k
n
k
k
n
k
k
n
k
k
n
k
k
+ =
= + + + + + = +
+ + + + + = + =
= + = =

= = = = =


El momento central de orden 4:
( )
( )
( )
4 4 2 3 3 2 2 2 2 4 4 2 2 2 2
3 3 2 3 3 2 2 2 4 4 2 4 3 4 4
3 3 2 3 3 2 2 2 4 2
2 3 4
1 1
4 3
1
2 2
1
3
1
4
1
4
4
6 3 12 6 7 3 3 6
2 3 3 3 4 6 11 6
12 18 6 7 7 3 . 6 . 4
. . 4 . . . 6 . 4 . .
np p n np p n np p n np p n npq p n p n
np p n p n np p n np np np p n p n p n
np p n p n np p n np M M M M M M
p M p kM p M k p M k p k p M k
n
k
n
k
k k
n
k
k
n
k
k
n
k
k
n
k
k
+ + + = + +
+ + + + + +
+ + + + = + =
= + + = =

= = = = = =




02.4. El clculo de la moda en la distribucin binomial:

Veamos primero el siguiente teorema:

9
Dada la distribucin binomial B(n,p), si el nmero entero ) 1 (
0 0
n k k es una
moda de la distribucin, entonces est acotada superiormente por p n ) 1 ( + e
inferiormente por 1 ) 1 ( + p n , es decir, se cumple que

p n k p n ) 1 ( 1 ) 1 (
0
+ +

Demostracin:
) 1 ( ) ( ) 1 ( ) ( mod
0 0 0 0 0
+ k p k p k p k p a k , por tanto, se cumple que:

a) +
+

|
|
.
|

\
|
+

|
|
.
|

\
|
+
p k n q k q p
k k n
q p
k
n
q p
k
n
k n k k n k
) ( ) 1 ( .
1
1 1
1
0 0
1
0 0
1 1
0 0
0 0 0 0

1 ) 1 ( ) 1 ( ) (
0 0 0
+ + p n k p np k q np q p k
b) +
+

|
|
.
|

\
|

|
|
.
|

\
|
+
q k p k n q p
k n k
q p
k
n
q p
k
n
k n k k n k
0 0
1
0 0
1 1
0 0
) 1 ( .
1
1 1
1
0 0 0 0

p n k q p k p n ) 1 ( ) ( ) 1 (
0 0
+ + +

En definitiva:
p n k p n ) 1 ( 1 ) 1 (
0
+ +

El valor de la moda:

En virtud de este teorema podemos determinar el valor de la moda, segn los
casos posibles para la probabilidad de xito p:
- Si 0 = p entonces 0 0 1
0 0
= k k
- Si 1 = p entonces n k n k n = +
0 0
1 (pues el mximo valor es n)
- Si 1 0 < < p se pueden dar dos situaciones:
- que Z p n + ). 1 ( (sea nmero entero), entonces tambin Z p n + 1 ) 1 ( ,
por lo cual, de ser p n k p n ) 1 ( 1 ) 1 (
0
+ + se deduce que ambas cotas son
modas de la distribucin, esto es, 1 ) 1 ( , ). 1 (
02 01
+ = + = p n k p n k
- que Z p n + ). 1 ( (no sea nmero entero), entonces el nico entero
comprendido entre 1 ) 1 ( + p n y p n ) 1 ( + es la parte entera de p n ) 1 ( + , por
lo cual, de ser p n k p n ) 1 ( 1 ) 1 (
0
+ + , se deduce que | | p n E k ). 1 (
0
+ =
(parte entera)




02.5. Simetra y curtosis

Coeficiente de simetra de Fisher:

( )
) 1 (
2 1
) 1 ( ) 1 (
) 1 ( 2 ) 1 (
) 1 ( ) 1 (
2 2
) 1 (
2 3
2 3 2 2
3
3 2
3
3
p np
p
p np p np
p np p np
p np p np
np np np np
p np
np np np

=


=

+
=

+
= =



Coeficiente de curtosis de Pearson:
10

) 1 (
) 1 ( 6 1
) 1 (
6 6 1
) 1 (
3 3 3 6 6 3 1
3
) 1 (
3 6 6 3 1
3
) 1 (
) 1 ( 3 ) 1 ( 6 ) 1 ( 6 ) 1 ( 3 ) 1 (
3
) 1 (
6 3 12 6 7 3
3
2
2 2 2 2 2
2 2 2
3 2 2 3 2 2
2 2 2
4 4 2 3 3 2 2 2 2
4
4
22
p np
p p
p np
p p
p np
np np np p p np
p np
np p p np
p p n
p p n p np p np p p n p np
p p n
np p n np p n np p n np
g


=
=

+ + +
=

+ +
=
=

+ +
=
=

+ + +
= =




02.6. La media y desviacin tpica de la funcin frecuencia relativa:

Para trabajar algunos temas, como por ejemplo, la demostracin de la ley dbil de
los grandes nmeros (Teorema de Jacob Bernoulli), es conveniente determinar la
media, y desviacin tpica con respecta a ella, cuando la variable no es k, nmero
de xitos, sino k/n, esto es, la frecuencia relativa del nmero de xitos con
respecto al total de la muestra. Se tiene:

p np
n
p p
k
n
k
n
p p
k
n
n
k
p
n
k
M
n
k
k n k
n
k
k n k
n
k
k f
= =
|
|
.
|

\
|
=
|
|
.
|

\
|
= =

=

=
1
) 1 (
1
) 1 (
1 1 1


n
p p
p p n p np
n
M M
n
p M
p M
n
k
p
n
k
p M M
n
k
n
k
p M
n
k
f
n
k
k f
n
k
k f
n
k
k
n
k
k f f
n
k
k f f
) 1 (
) ) 1 ( (
1 1
2 2
2 2 2
2
2
2
2
1
2
1 1
2
1
2
2
1
2
2

= + = = +
+ |
.
|

\
|
|
.
|

\
|
=
|
|
.
|

\
|
+ |
.
|

\
|
= |
.
|

\
|
=


=
= = = =






02.7. Ejemplos de clculos en una distribucin binomial

1) Sea la binomial B(30,02). Clculos:

- Funcin de densidad:

30 ,..., 1 , 0 , ) 8 ' 0 ( ) 2 ' 0 (
30
) (
30
=
|
|
.
|

\
|
=

k
k
k p
k k


- Funcin de Distribucin:

|
|
.
|

\
|
=
x k
k k
k
x F
30
) 8 ' 0 ( ) 2 ' 0 (
30
) (

- Funcin caracterstica:

( )
30
8 ' 0 ). 2 ' 0 ( ) ( + =
it
e t
11
- Media:

6 2 ' 0 . 30 = = M
- Varianza:

8 ' 4 8 ' 0 . 2 ' 0 . 30
2
= =

- Desviacin tpica o estndar:

19089023 ' 2 8 ' 4 = =
- Moda:

| | 6 2 ' 6 2 ' 6 2 ' 0 . 31 ). 1 (
0
= = = = + E k Z p n

- Coef. de simetra:

... 666666666 ' 1
8 ' 4
6 ' 0
8 ' 0 . 2 ' 0 . 30
2 ' 0 . 2 1
) 1 (
2 1
= =

=
p np
p


- Coef. de curtosis:

... 0083333 ' 0
8 ' 4
04 ' 0
8 ' 0 . 2 ' 0 . 30
8 ' 0 . 2 ' 0 . 6 1
) 1 (
) 1 ( 6 1
22
= =


=
p np
p p
g




2) Sea la binomial B(9,04). Clculos:


- Funcin de densidad:

9 ,..., 1 , 0 , ) 6 ' 0 ( ) 4 ' 0 (
9
) (
9
=
|
|
.
|

\
|
=

k
k
k p
k k


- Funcin de Distribucin:

|
|
.
|

\
|
=
x k
k k
k
x F
9
) 6 ' 0 ( ) 4 ' 0 (
9
) (

- Funcin caracterstica:

( )
9
6 ' 0 ). 4 ' 0 ( ) ( + =
it
e t
- Media:

6 ' 3 4 ' 0 . 9 = = M
- Varianza:

16 ' 2 6 ' 0 . 4 ' 0 . 9
2
= =

- Desviacin tpica o estndar:
12

469693846 ' 1 16 ' 2 = =
- Moda:

4 , 3 4 4 ' 0 . 10 ). 1 (
02 01
= = = = + k k Z p n (bimodal)

- Coef. de simetra:

136082763 ' 0
16 ' 2
2 ' 0
6 ' 0 . 4 ' 0 . 9
4 ' 0 . 2 1
) 1 (
2 1
= =

=
p np
p


- Coef. de curtosis:

203703703 ' 0
16 ' 2
44 ' 0
6 ' 0 . 4 ' 0 . 9
6 ' 0 . 4 ' 0 . 6 1
) 1 (
) 1 ( 6 1
22
=


=
p np
p p
g








3. Bibliografa

Cramer, H.; Mtodos matemticos de la Estadstica. Ediciones Aguilar.
Frechet, M.; Recherches theoriques modernes sur la theorie des probabilities,
Gauthier-Villars, 10 edic. 1950
Gmurman, V.E. ; Teora de las probabilidades y estadstica matemtica, Editorial
Mir, Mosc,1983
Gndenko, B. ; Teora de probabilidades . Editorial Mir
Schweizer, B;Sklar, A.; Probabilistic metric spaces, North Holland, N.York, 1983
Quesada P,V.; Garca Perez, A.; Lecciones de Clculo de probabilidades, Diaz de
Santos, Madrid, 1988.
Martn Pliego, F.; Ruiz-Maya Prez, L.; Fundamentos de Probabilidad, Thomson-
Paraninfo, 1998.
S. Chinea, C., Aleatoriedad y lgebras de sucesos,
(http://casanchi.com/mat/aleatoria01.pdf )
S. Chinea, C., De las lgebras de sucesos a los espacios probabilsticos,
(http://casanchi.com/mat/sucesospro01.pdf )
S. Chinea, C., Variables aleatorias. Una incursin en los espacios probabilizables,
(http://casanchi.com/mat/valeatoria01.pdf )
S. Chinea, C., Distribucin de variables aleatorias. La funcin de distribucin,
(http://casanchi.com/mat/fdistribucion01.pdf )





Carlos S. CHINEA
casanchi@teleline.es