Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 2
Tema 2
1.- INTRODUCCIN
En este tema se tratar de formalizar numricamente los resultados de un fenmeno aleatorio. Por tanto, una variable aleatoria es un valor numrico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: nmero de caras obtenidas al lanzar seis veces una moneda, nmero de llamadas que recibe un telfono durante una hora, tiempo de fallo de una componente elctrica, etc. El estudio que se har en este tema ser anlogo al que se hace con las variables estadsticas en descriptiva. As retomaremos el concepto de distribucin y las caractersticas numricas, como la media y varianza. El papel que all jugaba la frecuencia relativa lo juega ahora la probabilidad. Esto va a proporcionar aspectos y propiedades referentes a fenmenos aleatorios que permitirn modelos muy estudiados en la actualidad.
X (S ) X
Ejemplo: Consideramos un experimento aleatorio de lanzar una moneda al aire tres veces y anotamos el resultado. Se define la variable aleatoria X como nmero de caras aparecidas en los tres lanzamientos.
2_Apuntes de Estadstica II a) b) Calcular el espacio muestral y comprobar que es una variable aleatoria. Calcular los subespacios:
26
0 /
(X,X,X)
X (S) X
X 0 0 X 1
1 X 2
2 X 3 X 3
{0,5 X 1,75}
27
densidad, la variable que se est considerando puede tomar cualquier valor dentro de un intervalo dado.
( ) =
f ( x )dx .
Para estudiar la funcin de distribucin distinguiremos entre el caso discreto y el caso continuo. o CASO DISCRETO Sea X una variable aleatoria discreta asociada a un espacio probabilstico, se define la funcin de distribucin:
F ( x ) : R [0,1] que verifica F ( x ) = [ X X ] =
xi < x i
2_Apuntes de Estadstica II Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
28
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), Calcula la probabilidad de obtener menos dos caras?. Para resolver el problema lo que debemos de calcular es la probabilidad de que la variable aleatoria tome valores inferiores a dos. Esto viene dado por la expresin F (1) = Prob [ X 1] = Pi 1= Prob [ X =0] + Prob [ X = 1] = 1/8 + 3/8= 4/8 xi<x La funcin de distribucin para una variable discreta siempre verifica las siguientes propiedades: A) F ( ) = 0;
F (+ ) = 1
x1 , x 2
x1 < x 2 F ( x1 ) F ( x 2 ) .
o CASO CONTINUO: Sea X una variable aleatoria continua con funcin de densidad f(x), se define la funcin de distribucin, F(x), como: F x
( ) = [x X ] = f ( x )dx .
La funcin de distribucin para una variable continua siempre verifica las siguientes propiedades: A) F ( x) 0;
B)
f ( x)dx = 1
b
29
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad viene dada por f (X), calcula su funcin de distribucin: X/2 f (x )= 0 en otro caso 0x2
F(X ) =
2 x dx = x , f x dx f x dx dx ( ) = ( ) = 0 + 2 4 0 x x
por tanto, la funcin de distribucin ser: 0 X <0 x2 F(X ) = 0< X <2 4 1 X >2
[x] = i =1 xi ( X = xi ) = i =1 xi i .
n n
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era: (0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la esperanza matemtica.
3 1 3 3 1 12 3 El resultado ser: E[ X ] = xi pi = 0 + 1 + 2 + 3 = = . 8 8 8 8 8 2 i =0
2_Apuntes de Estadstica II
30
[x ] =
xf ( x)dx = .
Tanto para el caso discreto como para el caso continuo, la esperanza matemtica presenta las siguientes propiedades: o Si C es una constante, E(C) = C. o a, b R, E(aX + b) = aE(X) + b o Si g(X) es una funcin de X, entonces: o Si X es discreta, E[ g ( X )] = g ( xi ) pi .
i =1 +
o Si X es continua, E[ g ( X )] =
g ( x) f ( x)dx.
n n i =1 i =1
o Continua: V [ x ] = ( x ) f ( x )dx
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era: (0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8), calcula la varianza. El resultado ser:
3 3 1 3 1 V [ X ] = = x pi = 0 2 + 12 + 2 2 + 3 2 = 0,75. 8 8 8 2 8 i =0
2 3 2 i 2 2
Propiedades de la Varianza y la Esperanza matemtica: Sea X una variable aleatoria e Y otra variable aleatoria tal que Y = a X + b, entonces siempre se verifica:
31
E[Y ] = aE[X ] + b
o V [Y
]=
a 2 V [ Xx
6.4.- Covarianza
Sean X e Y dos variables aleatorias, se define la covarianza entre estas dos variables como,
Cov = E[ XY ] E[ X ]E[Y ] ,
donde el clculo de las esperanzas depender de si las variables son discretas o continuas. De esta definicin surge el siguiente resultado. Cuando X, Y son independientes la covarianza es igual a 0.
k = E[( X ) k ]
Del mismo modo se define su momento de orden k (k = 0, 1, 2, ...) respecto al origen o momento no central de orden k como la esperanza de Xk :
k = E[ X K ]
De las definiciones se deduce que: o o = 1 o 1 = o o = 1 o 1 = 0 o El segundo momento central se llama tambin varianza, y se denota por V(X) o 2.