Pres Valeatorias

3.
Introduccin a las Variables Aleatorias
Informtica. Universidad Carlos III de Madrid
Tema 3: Introduccin a las Variables Aleatorias
1. 2. 3. 4. 5.
Introduccin. Variables aleatorias univariantes discretas Variables aleatorias univariantes continuas Medidas caractersticas de las variables aleatorias Variables aleatorias multivariantes
1. Introduccin Qu es una variable aleatoria?

Experimento: proceso de obtener un dato dadas unas condiciones de experimentacin. La obtencin de un nuevo dato, con las mismas condiciones, es una repeticin del experimento
Experimento aleatorio: experimento que al repetirlo no siempre se obtiene el mismo valor. Ejemplo:medir el tiempo que una mquina tarda en hacer la misma tarea, observar el valor al lanzar un dado...
Variable aleatoria: es el resultado de un experimento aleatorio. Es la variable respuesta de un experimento aleatorio Ejemplo: Experimento- observar el resultado de lanzar una moneda Variable aleatoria- valor que se obtiene al lanzar una moneda (variable discreta) Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red Variable aleatoria- tiempo de acceso (variable continua) Informtica. Universidad Carlos III de Madrid
3
1. Introduccin
Variable aleatoria: es el resultado de un experimento aleatorio Cmo se define una variable aleatoria? A B Definiendo el espacio muestral Teniendo alguna funcin que nos ayude a asignar probabilidades a los diferentes sucesos que nos interesen (modelo de probabilidad)
Ejemplo:
Experimento- observar el resultado de lanzar una moneda Variable aleatoria- valor que se obtiene al lanzar una moneda (variable discreta)
Espacio muestral: {cara,cruz} Modelo de probabilidad: P(cara)=P(cruz)=0.5
1. Introduccin
NOTACIN:
Variable aleatoria: letras maysculas del final del alfabeto Ejemplo: X=resultado de lanzar una moneda Y=resultado de lanzar un dado
Valores observados: a los valores observados se les denomina realizaciones de la variable aleatoria. Ejemplo: Y=resultado de lanzar un dado Si lanzamos el dado 5 veces tendremos 5 realizaciones de la variable aleatoria Y, por ejemplo 1,3,3,1,6.
realizaciones Informtica. Universidad Carlos III de Madrid

5
1. Introduccin
NOTACIN: Cuando nos refiramos a los valores observados genricos, usaremos letras minsculas.
P(X=x) es la probabilidad de que la variable aleatoria X tome el valor x P(Y=yi) es la probabilidad de que la variable aleatoria Y tome el valor yi, i=1,2,...,n
1. 2. 3. 4. 5.
Introduccin. Variables aleatorias univariantes discretas Variables aleatorias univariantes continuas Medidas caractersticas de las variables aleatorias Variables aleatorias multivariantes (*)
2. Variables aleatorias univariantes discretas

Sea X una variable aleatoria cuantitativa discreta Sean x1,x2,...,xK los valores posibles que puede tomar
Ejemplos x1=1 x2=2 X3=3 X4=4 x5=5 x6=6
X= valor al lanzar un dado
X= estado aceptable/defectuoso de un artculo manufacturado
x1=0 (aceptable) x2=1 (defectuoso)
X= nmero de clientes que llegan a un puesto de servicio en una unidad de tiempo
x1=0, x2=1, ... idealmente infinitos
Para tener un modelo de probabilidad que asigne probabilidades a los sucesos: funcin de probabilidad o funcin de distribucin
Funcin de probabilidad Es la funcin p(x) de la variable aleatoria discreta X que asigna a cada valor diferente de X: x,x,...,xK la probabilidad de ser obtenido en una repeticin del experimento aleatorio.
Ejemplo X= resultado de lanzar un dado se tiene que x=1,...,6 y al ser cada valor igual de probable Funcin de probabilidad: p(x)=1/6 para x=1,...,6.
1/6 p(x)
A este tipo de variables aleatorias: K valores diferentes equiprobables, se les llama UNIFORMES DISCRETAS
Ejemplo
Una centralita telefnica tiene 5 lneas. Sea X=nmero de lneas ocupadas en una unidad de tiempo. Espacio muestral: X={0,1,2,3,4,5}
Supongamos que la centralita recibe por trmino medio 2 llamadas por unidad de tiempo (y la duracin de la llamada se completa en esa misma unidad de tiempo). Entonces se puede demostrar (prximo tema) que la funcin de probabilidad es:
P(X=0)=0.14 P(X=1)=0.27 P(X=2)=0.27 P(X=3)=0.18 P(X=4)=0.09 P(X=5)=0.05
Probabilidad del suceso A: ms de 2 lneas ocupadas? P(A)=P[(X=3) U (X=4) U (X=5)]= P(X=3) + P(X=4) + P(X=5)=0.32 Probabilidad de que haya alguna lnea disponible? Informtica. Universidad Carlos III de Madrid
10
Funcin de distribucin
Es una funcin F(x) definida en toda la recta real En cada punto x, es la probabilidad acumulada hasta es punto, es decir
F(x)=P(Xx)
F(-)=0, F(+)=1
11
X= nmero de lneas ocupadas en una unidad de tiempo 0.14 0.27 0.27 0.18 0.09 0.05 si si si si si si x=0 x=1 x=2 x=3 x=4 x=5
Funcin de probabilidad
p(x)
0 0.14 Funcin de distribucin 0.41 0.68 0.86 0.95 1.00
si x<0,pues P(X 0)=0 si 0x<1,pues P(X x)=P(X<0)+P(X=0) si 1x<2,pues P(X x)=P(X<1)+P(X=1) si 2x<3,pues P(X x)=P(X<2)+P(X=2) si 3x<4,pues P(X x)=P(X<3)+P(X=3) si 4x<5,pues P(X x)=P(X<4)+P(X=4) si x5
F(x)=P(Xx)
12
1. 2. 3. 4. 5.
13
3. Variables aleatorias univariantes continuas

Con variables cuantitativas continuas: infinitos valores posibles P(X=x)=0 siempre Slo interesa probabilidad de valores en un intervalo P(X>a), P(a<X<b)...
Ejemplos X=valor seleccionado al azar en el intervalo [3,4], P(X=)=1/=0 3 4 P(X<3.5)=0.5 uniforme continua
X= longitud de una pieza X= tiempo en ejecutar una tarea X= tiempo entre la llegada de dos clientes consecutivos
14
Para calcular probabilidades: funcin de densidad y funcin de distribucin Funcin de densidad f(x): funcin de densidad de probabilidad de la variable aleatoria X en el punto x La funcin de densidad f(x) es una funcin matemtica tal que
AREA=PROBABILIDAD Informtica. Universidad Carlos III de Madrid
15
Es como el polgono de frecuencia lmite en un histograma con infinitos datos
Cuantos ms datos se tenga: se pueden hacer ms intervalos el polgono es ms suave
16
Diferencias: Histograma o polgono: Describe slo a los n datos observados (MUESTRA) Es la frecuencia (absoluta o relativa) de cada intervalo
Funcin de densidad: Describe a TODA LA POBLACIN Es la densidad de probabilidad o probabilidad por unidad de medida en cada punto
(unidades distintas que el histograma)
17
Ejemplo X=longitud de una pieza manufacturada X
Cunto debe valer k?
18
Ejemplo X=longitud de una pieza manufacturada

0.8
Funcin de densidad f(x)
0.7
Densidad de probabilidad
0.6
0.5
0.4
0.3
0.2
Si la pieza es aceptable cuando est en el intervalo [1.7;2.4] Qu porcentaje de piezas defectuosa se fabrican?
0.1
0 1
1.2
1.4
1.6
1.8
2.2
2.4
2.6
2.8
Funcin de densidad f(x)

0.8
0.7
Densidad de probabilidad
0.6
0.5
0.4
PIEZAS VLIDAS
0.3
PIEZAS DEFECTUOSAS
0.2
PIEZAS DEFECTUOSAS
0.1
0 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
19
Para calcular probabilidades: funcin de densidad y funcin de distribucin
Funcin de distribucin Tiene la misma definicin que en el caso discreto
20
f(x)
0.45
f (v )dv = 0.45
x F(x)=P(X<x)
0.45
x Informtica. Universidad Carlos III de Madrid
21
1. 2. 3. 4. 5.
22
4. Medidas caractersticas de las variables aleatorias

Buscamos medidas que resuman algunas caractersticas de la variable aleatoria
4.1 Medidas de centralizacin

1. 2. 3. Media Mediana Moda
4.2 Medidas de dispersin

1. 2. 3. Varianza Cuartiles Desigualdad de Chevyshev
4.3 Efectos de las transformaciones lineales
23
4.1 Medidas de centralizacin 1. Media, Esperanza matemtica, E(X),

Es el promedio de los infinitos datos que forman la poblacin Cmo lo podemos hacer?
V. aleatorias discretas:
En el Tema 1: para el clculo de la media de un conjunto de datos que repiten sus valores ...
Si hay J valores diferentes que se repiten: X1, se repite n1 veces X2, se repite n2 veces ... xJ, se repite nJ veces
Donde fr(xj) es la frecuencia relativa del valor xj
24

Es el promedio de los infinitos datos que forman la poblacin Cmo lo podemos hacer?
Sea X una variable aleatoria cuantitativa discreta. Sean x1,x2,...,xK los valores distintos que puede tomar
Ejemplo
Una centralita telefnica tiene 5 lneas. Sea X=nmero de lneas ocupadas. Espacio muestral: X={0,1,2,3,4,5}
p(x)
E ( X ) = 0 0.14 + 1 0.27 + 2 0.27 + 3 0.18 + 4 0.09 + 5 0.05 = 1.96
0.14 0.27 0.27 0.18 0.09 0.05
si si si si si si
x=0 x=1 x=2 x=3 x=4 x=5
25
V. aleatorias continuas:
Ejemplo: Sea X una v. aleatoria continua definida en (0,1) con
26

Es el centro de gravedad de la poblacin
1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1.96 3/5=0.6
27

Algunas propiedades (similares a la media muestral):
28
4.1 Medidas de centralizacin 2. Mediana

La mediana de X es el valor xm que deja a cada lado el 50% de la poblacin (la probabilidad a cada lado es 0.5)
F(xm )=P(X xm )=0.50
Ejemplo:
Sea X una v. aleatoria continua en (0,1) de densidad f(x)=2x f(x)
0.5 0.5 Informtica. Universidad Carlos III de Madrid 0

1 2
x
29
4.1 Medidas de centralizacin 3. Moda
La moda de X es el valor x que maximiza p(x) o f(x)
1.8
p(x)
f(x)
1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x moda moda
30
4.2 Medidas de dispersin 1. Varianza, var(X), 2

Media muestral de las desviaciones cuadrticas a la media muestral
Varianza de un conjunto de datos:
Varianza de una variable aleatoria:

(varianza de toda la poblacin)
Esperanza de las desviaciones cuadrticas a la esperanza
Variable aleatoria Su media o esperanza Desviacin a la media al cuadrado... Su media, o esperanza, es la varianza
E(X)= X- (X- )2 2=E[(X-)2]
Desviacin tpica= ; Coeficiente de variacin= /||

31
Cmo calcularla la varianza a partir de p(x) o f(x)?
2= E[(X-)2]=E [(X- E(X))2]
E(X)=
g(X)=
(X-)2
32
Ejemplo: X= nmero de lneas ocupadas. X={0,1,2,3,4,5}. p(x)
E ( X ) = 0 0.14 + 1 0.27 + 2 0.27 + 3 0.18 + 4 0.09 + 5 0.05 = 1.96
0.14 0.27 0.27 0.18 0.09 0.05
si si si si si si
x=0 x=1 x=2 x=3 x=4 x=5
Var ( X ) = (0 1.96)2 0.14 + (11.96)2 0.27 + (2 1.96)2 0.27 +(3 1.96)2 0.18 + (4 1.96)2 0.09 + (5 1.96)2 0.05 = 1.82
33
Otra forma de calcular la varianza:
2= E[(X-)2]=E [(X- E(X))2]

E ( X E ( X ))
E(X) es una constante Su esperanza es ella misma
2 2 = E X + E ( X ) 2 XE ( X ) = E ( X 2 ) + E (E ( X )2 ) 2E ( XE ( X ))
= E ( X 2 ) + E ( X )2 2E ( X )E ( X )
= E ( X 2 ) E ( X )2 = E ( X 2 ) 2
34
4.2 Medidas de dispersin 2. Cuartiles Q1, Q2, Q3

Son los valores que dividen la poblacin en grupos de probabilidad 0.25 Se calculan de forma anloga a la mediana (Q2). Es decir: F(Q1)=0.25;F(Q3)=0.75
1.8 1.6
f(x)
1.4 1.2 1 0.8
0.25
0.6 0.4 0.2 0 0 0.1
0.25
0.25 0.25
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Q1
Q2
Q3
35
4.2 Medidas de dispersin 3. Desigualdad de Chevyshev
Para cualquier variable aleatoria X:
Es decir, entre la media y c desviaciones tpicas est como mnimo el de la poblacin
36

La esperanza es una suma, es por tanto un operador lineal
similar a la media muestral y la varianza muestral Informtica. Universidad Carlos III de Madrid
37
Si X e Y son independientes
Por qu?
38
1. 2. 3. 4. 5.
39
5. Variables aleatorias multivariantes

En secciones anteriores: una variable de inters cada repeticin del experimento=un dato Y si nos interesan varias variables para cada individuo?
L Artculo 1....... L1.......d1 Artculo 2....... L2.......d2 Artculo 3....... L3.......d3 .... Artculo n....... Ln.......dn
40

En secciones anteriores: una variable de inters cada repeticin del experimento=un dato Y si nos interesan varias variables para cada individuo?
Las densidades univariantes nos dicen qu zonas de la recta (unidimensional) son ms o menos probables
41

Si analizamos las dos dimensiones SIMULTANEAMENTE...
d d L
ZONA MUY PROBABLE
Cmo son los modelos de probabilidad de ms de una dimensin?
42
5. Variables aleatorias multivariantes 5.1 Funcin de probabilidad conjunta

Por ejemplo, en dos dimensiones En cada repeticin del experimento tomamos datos de dos variables aleatorias discretas
X = { x1, x2 ,..., xJ }
valores diferentes
Y = {y1, y 2 ,..., y K }
valores diferentes
Funcin de probabilidad conjunta p(xj,yk), proporciona la probabilidad de observar cada par de valores (xj,yk) en un individuo
p( x j , y k ) = P ( X = x j ) (Y = y k )

j =1 k =1
p( x j , y k ) = 1
43
Ejemplo
Estamos interesados en conocer el estado de los vehculos que acuden a una ITV. Denotaremos por X al nmero de neumticos en mal estado que tiene un vehculo (x=0,1,2,3,4). Denotaremos por Y al estado de las luces de un vehculo: y=1 representa que las luces estn en perfecto estado, mientas que y=0 representa a las luces con alguna deficiencia. Despus de analizar muchos talleres donde se realiza la Inspeccin Tcnica de Vehculos (ITV) se puede construir la siguiente tabla que representa la funcin de probabilidad conjunta de las variables X e Y.
Probabilidad conjunta
Cul es la probabilidad de que un coche est en perfecto estado de luces y neumticos?
44
5.2 Funcin de densidad conjunta

Por ejemplo, en dos dimensiones En cada repeticin del experimento tomamos datos de dos variables aleatorias continuas X, Y Funcin de densidad conjunta: f(x,y) es la densidad de cada par de valores x,y Se verificar que:

f ( x, y )dxdy = 1
y 2 x2
P [( x1 < X < x2 )( y1 < Y < y 2 )] =
f ( x, y )dxdy
y1 x1
45
Ejemplo
Un producto qumico est formado por dos componentes, que aparecen en cantidades variables. Llamaremos X a la cantidad de miligramos que un compuesto posee del producto 1, y llamaremos Y a la cantidad de miligramos del producto 2. La funcin de densidad conjunta viene expresada por la siguiente funcin
f ( x, y ) = kxy ;0 < x < 1;0 < y < 1

Cul es la probabilidad de que haya menos de 0.5 mg de cada producto?
46
5.3 Distribucin marginal

Una funcin de probabilidad o densidad multivariante tiene tambin la informacin univariante (distribucin marginal) La distribucin univariante (marginal) se obtiene sumando/integrando en la dimensin que no nos interesa Caso bidimensional discreto:
p( x j , y k ) = P ( X = x j ) (Y = y k )
Ejemplo
p( x j ) = P ( X = x j ) = p( x j , y k )
k =1
Probabilidad conjunta
ruedas en mal estado
marginal
estado de luces
marginal
47
Ejemplo
En el ejemplo de la distribucin de pesos de dos componentes qumicos X e Y, la funcin de densidad conjunta es
f ( x, y ) = 4 xy ;0 < x < 1;0 < y < 1
Los modelos de probabilidad univariantes (o marginales) vendrn dados por las siguientes densidades
48
5.4 Distribucin condicionada

Es la distribucin univariante de una variable aleatoria, cuando las otras variables toman un valor concreto
p( x j | y k ) = P ( X = x j ) | (Y = y k )
P( A B) P( A | B) = P (B )
P ( X = x j ) (Y = y k ) P (Y = y k )
p( x j , y k ) p( y k )
p( x j | y k ) =
p( x j , y k ) p( y k )
f (x | y ) =
f ( x, y ) f (y )
49
Ejemplo
f ( x, y ) = 4 xy ;0 < x < 1;0 < y < 1

Cul es la probabilidad de que haya menos de 0.3 mg del componente X, si del componente Y hay 0.8 mg?
Probabilidad de que haya menos de 0.4 mg del componente X
P ( X < 0.4) =
0.3
f ( x )dx
Probabilidad de que haya menos de 0.4 mg del componente X, si del Y hay 0.8
P ( X < 0.3 | Y = 0.8) =

f (x | y ) = f ( x, y ) 4 xy = = 2x f (y ) 2y
0.3
f ( x | y = 0.8)dx
f ( x | y = 8) = 2 x
P ( X < 0.3 | Y = 0.8) =
0.3
2 xdx = 0.09
50
5.5 Independencia
Si dos variables aleatorias son independientes:
p( x j | y k ) =
p( x j , y k ) p( y k )
= p( xi )
p( x j , y k ) = p( xi )p( y k )
f (x | y ) =
f ( x, y ) = f (x) f (y )
f ( x, y ) = f ( x )f ( y )
Si un conjunto de variables aleatorias son independientes, el modelo de probabilidad conjunto es igual al producto de los modelos univariantes
51
Ejemplo
f ( x, y ) = 4 xy ;0 < x < 1;0 < y < 1

Son independientes los pesos de ambos componentes?
f ( x, y ) = 4 xy = f ( x )f ( y )
Son independientes. La cantidad de producto de un componente no depende de la cantidad del otro Informtica. Universidad Carlos III de Madrid
52
5.5 Covarianza y correlacin

Miden la relacin lineal entre dos variables aleatorias (resultados del mismo experimento)
Covarianza:
cov( X ,Y ) = E ( X x )(Y y ) = E ( XY ) x y
Variables discretas:
E ( X x )(Y y ) = ( xi x )( y k y ) p( xi , y k )
k =1 i =1
Variables continuas:
E ( X x )(Y y ) =
(x
)( y y )f ( x, y )dxdy
Si hay independencia (o simplemente no hay relacin lineal)
E ( X x )(Y y ) = 0
E ( XY ) = E ( X )E (Y )
53
Ejemplo
f ( x, y ) = 4 xy ;0 < x < 1;0 < y < 1

Si antes hemos visto que X e Y son independientes, su covarianza ser nula
E ( X x )(Y y ) = E ( XY ) x y
1 1 1 1 1 2 2 2 1
E ( XY ) =
0
xyf ( x, y )dxdy =
0
4 x y dxdy =4 x dx y 2 dy =
0 0
4 9
x = E ( x ) = xf ( x )dx = 2 x 2 dx =
0 1 0 1
2 3 2 3
y = E ( y ) = yf ( y )dy = 2y 2 dy =
0 0
E ( XY ) x y =
4 4 =0 9 9
54
5.5 Covarianza y correlacin

Correlacin:
corr ( X ,Y ) = xy
cov(Y ,Y ) = x y
Tiene el mismo signo que la covarianza, y es adimensional. Toma valores entre 1 y +1. Para variables sin relacin lineal, toma valor 0.
La covarianza y la correlacin entre variables aleatorias tienen la misma interpretacin que la covarianza y correlacin de un conjunto de datos (ver Tema 1)
Valores positivos= relacin lineal positiva Valores negativos= relacin lineal negativa
x Covarianza y Covarianza y correlacin positivas correlacin negativas Informtica. Universidad Carlos III de Madrid
55

Pres Valeatorias

Cargado por

Copyright:

Formatos disponibles

Pres Valeatorias

Cargado por

Información del documento

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

Pres Valeatorias

Cargado por

Copyright:

Formatos disponibles

3.

Introduccin a las Variables Aleatorias

Informtica. Universidad Carlos III de Madrid

Tema 3: Introduccin a las Variables Aleatorias

Informtica. Universidad Carlos III de Madrid

1. Introduccin Qu es una variable aleatoria?

Espacio muestral: {cara,cruz} Modelo de probabilidad: P(cara)=P(cruz)=0.5

Informtica. Universidad Carlos III de Madrid

realizaciones Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

Tema 3: Introduccin a las Variables Aleatorias

Informtica. Universidad Carlos III de Madrid

2. Variables aleatorias univariantes discretas

Ejemplos x1=1 x2=2 X3=3 X4=4 x5=5 x6=6

X= valor al lanzar un dado

X= estado aceptable/defectuoso de un artculo manufacturado

x1=0 (aceptable) x2=1 (defectuoso)

X= nmero de clientes que llegan a un puesto de servicio en una unidad de tiempo

x1=0, x2=1, ... idealmente infinitos

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

P(X=0)=0.14 P(X=1)=0.27 P(X=2)=0.27 P(X=3)=0.18 P(X=4)=0.09 P(X=5)=0.05

Informtica. Universidad Carlos III de Madrid

0 0.14 Funcin de distribucin 0.41 0.68 0.86 0.95 1.00

Informtica. Universidad Carlos III de Madrid

Tema 3: Introduccin a las Variables Aleatorias

Informtica. Universidad Carlos III de Madrid

3. Variables aleatorias univariantes continuas

Informtica. Universidad Carlos III de Madrid

AREA=PROBABILIDAD Informtica. Universidad Carlos III de Madrid

Es como el polgono de frecuencia lmite en un histograma con infinitos datos

Cuantos ms datos se tenga: se pueden hacer ms intervalos el polgono es ms suave

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

Ejemplo X=longitud de una pieza manufacturada X

Cunto debe valer k?

Informtica. Universidad Carlos III de Madrid

Ejemplo X=longitud de una pieza manufacturada

Funcin de densidad f(x)

Funcin de densidad f(x)

0 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3

Informtica. Universidad Carlos III de Madrid

Para calcular probabilidades: funcin de densidad y funcin de distribucin

Funcin de distribucin Tiene la misma definicin que en el caso discreto

Informtica. Universidad Carlos III de Madrid

x Informtica. Universidad Carlos III de Madrid

Tema 3: Introduccin a las Variables Aleatorias

Informtica. Universidad Carlos III de Madrid

4. Medidas caractersticas de las variables aleatorias

4.1 Medidas de centralizacin

4.2 Medidas de dispersin

4.3 Efectos de las transformaciones lineales

Informtica. Universidad Carlos III de Madrid

4.1 Medidas de centralizacin 1. Media, Esperanza matemtica, E(X),

Donde fr(xj) es la frecuencia relativa del valor xj

Informtica. Universidad Carlos III de Madrid

4.1 Medidas de centralizacin 1. Media, Esperanza matemtica, E(X),

E ( X ) = 0 0.14 + 1 0.27 + 2 0.27 + 3 0.18 + 4 0.09 + 5 0.05 = 1.96

0.14 0.27 0.27 0.18 0.09 0.05

x=0 x=1 x=2 x=3 x=4 x=5