1 3 VariablesAleatorias PDF

3.
Variables aleatorias
Estadstica
Ingeniera Inform
atica
Curso 2009-2010
Estadstica (Aurora Torrente)
3. Variables aleatorias
Curso 2009-2010
1 / 33
Contenidos
Variables aleatorias y su distribuci

on
Transformacion de variables aleatorias
Medidas caractersticas de una variable aleatoria

Esperanza
Momentos de una variable aleatoria. Varianza
Otras medidas caractersticas
Curso 2009-2010
2 / 33

on
Si en un experimento aleatorio, a cada suceso elemental del espacio (, P)

le asignamos un valor numerico obtenemos una variable que hereda de
la probabilidad P, y que denominamos variable aleatoria.
La probabilidad P de que X tome un valor concreto a, P(X = a), es la

probabilidad que corresponde a la uni
on de los sucesos aleatorios
elementales a los que hemos asignado ese valor a.
Curso 2009-2010
3 / 33

on
Ejemplo 1:
Experimento aleatorio: lanzar un dado.
v.a. mas natural X : asignar a cada cara del dado su valor numerico
X toma seis valores, del 1 al 6, con probabilidad
1
P(X = a) = , a = 1, ..., 6
6
v.a. (no tan natural) Y : asignar el valor 1 a las caras que son
m
ultiplos de tres y el valor 0 a las que no lo son,

1, con probabilidad p = 13
Y =
0, con probabilidad p = 23
Curso 2009-2010
4 / 33

on
Ejemplo 2:
Vamos a realizar un experimento aleatorio que consiste en
seleccionar una persona al azar. Para cada persona observamos el
n
umero de hermanos que tiene y su peso.
Podemos usar las v.a.s:
- X para el n
umero de hermanos, cuyos valores seran n
umeros enteros a
partir de cero,
- Y para el peso; con rango de valores todos los posibles entre los lmites
naturales; entre dos valores posibles de Y se podran obtener infinitos
valores intermedios (si utilizaramos aparatos con suficiente precision).
Estos infinitos valores en el rango de la variable es lo que diferencia a las
variables continuas (Y ) de las discretas (X ).
Curso 2009-2010
5 / 33

on
Definicion:
Una variable aleatoria X es una funci
on X : R, que a cada elemento
del espacio muestral le hace corresponder un n
umero real.
El conjunto de valores reales que tienen asociado alg
un elemento del
espacio muestral se denomina rango de la v.a.:
X = {x R : s , X (s) = x}
Si X es un conjunto finito o numerable, entonces la variable
aleatoria se denomina discreta.
En caso de que X sea un intervalo, finito o infinito, entonces la
variable aleatoria se denomina continua.
Curso 2009-2010
6 / 33

on
C
omo asignamos una probabilidad P a los valores del rango de una v.a.?
(c
omo hereda la variable X la funci
on de probabilidad P del espacio ?)
Dado A R, la probabilidad de A viene dada por

P(A) = P(X A) = P(s : X (s) A)

La funcion de
masa (v.a. discreta)

densidad (v.a. continua)

caracteriza P (inducida por P)
que significa? que conocida la funci

on de masa/densidad de X podemos
calcular la probabilidad de cualquier subconjunto A R
por que usarlas? porque son mas faciles de calcular y de manipular
Curso 2009-2010
7 / 33

on
Funci
on de masa (v.a.discreta)
Es una funcion que representa la probabilidad de que X tome cada uno de
los posibles valores (discretos) xi , i = 1, ..., n, ...:
p:R
xi
[0, 1]
p(xi ) = P(X = xi ) =
= P(s : X (s) = xi )
Propiedades:
1. 0 p(x) 1, x R
X
2.
p(xi ) = 1
i
3. Dado A R, P(X A) =
p(xi )
xi A
Curso 2009-2010
8 / 33

on
Funci
on de densidad (v.a.continua)
Es una funcion f : R R que describe la probabilidad de X de la
siguiente manera: si tenemos un subconjunto de n
umeros reales A R, la
probabilidad de que la variable aleatoria
continua X tome un valor en
Z
dicho conjunto es P(X A) =
f (x)dx.
A
No hay que confundir la probabilidad P(X = a) con el valor de la funcion

de densidad en a, f (a)
Propiedades:
1. f (x) 0, x R,
Z
2.
f (x)dx = 1.
R
Curso 2009-2010
9 / 33

on
Como consecuencia:
Z
P(a X b) =
f (x)dx
a
Z
P(X = a) =
Z
f (x)dx =
{a}
f (x)dx = 0
a
la probabilidad de que una v.a. continua X tome un valor a es cero

P(X a) = P(X < a)
P(X a) = P(X > a)
Curso 2009-2010
10 / 33

on
Funci
on de distribuci
on
Otra funcion F que caracteriza la funci
on de probabilidad P de una v.a.
X:
F (x) = P(, x] = P(s : X (s) x),
x R
Propiedades:
1.
lm F (x) = 0
2. lm F (x) = 1
x
3. x1 < x2 F (x1 ) F (x2 )

4.
F (x + )
(mon
otona no decreciente)
= lm+ F (x + h) = F (x)
(continua por la derecha)
h0
Curso 2009-2010
11 / 33

on
Como consecuencia:
P(a, b] = P(, b] P(, a] = F (b) F (a)
P(a, b) = P(, b) P(, a] = F (b ) F (a)
P[a, b] = P(, b] P(, a) = F (b) F (a )
P[a, b) = P(, b) P(, a) = F (b ) F (a )
P{a} = P(, a] P(, a) = F (a) F (a ) (salto de probabilidad
en a)
donde P(, a) = F (a )
Si F tiene un salto en un punto a entonces P(a) > 0
Curso 2009-2010
12 / 33

on
Funci
on de distribuci
on de una v.a.discreta
F (x) =
P(X = xi ) =
xi x
p(xi )
xi x
es una funcion continua a trozos (funci

on en escalera)
Funci
on de distribuci
on de una v.a.continua
Z
F (x) =
f (t)dt
F es continua: no tiene saltos (todos los conjuntos formados por un

solo punto tienen probabilidad cero)
dF (x)
Calculamos f (x) a partir de F (x) derivando: f (x) =
dx
Curso 2009-2010
13 / 33

on
Ejemplo 1:
Experimento aleatorio: lanzar cuatro veces una moneda equilibrada.
Espacio muestral:
= {CCCC , CCC +, CC + C , C + CC , +CCC , CC + +, C + C +, C +
+C , +CC +, +C +C , ++CC , +++C , ++C +, +C ++, C +++, ++++}
X v.a. que expresa el n
umero de cruces obtenidas; toma el valor 0 cuando
el resultado es {CCCC }, el valor 1 si ocurre el suceso {CCC +, CC + C ,
C + CC , +CCC }, el valor 2 si aparece {CC + +, C + C +, C + +C ,
+CC +, +C + C , + + CC }, el valor 3 para los resultados {+ + +C ,
+ + C +, +C + +, C + ++}, y el valor 4 si sale {+ + ++}.
1
0
x <0
16 xi = 0
1
0x <1
4
16
xi = 1
16
5
1x <2
6
16
F (x) =
P(xi ) =
xi = 2
11
16
2x <3
16
xi = 3
15
16
3x <4
1
16 16
xi = 4
16
=
1
x 4
16
Curso 2009-2010
14 / 33

on
Ejemplo 1 (cont.):
Se quiere hallar la probabilidad de que aparezcan m
as de dos cruces:
P(X > 2) = P(X = 3) + P(X = 4) =
4
1
5
+
=
16 16
16
o tambien:
P(X > 2) = 1 P(X 2) = 1 F (2) =
5
16
Se quiere calcular la probabilidad de que el n

umero de cruces sea
m
as de 1 y menos de 4:
P{1 < X < 4} = P(X = 2) + P(X = 3) =
6
10
4
+
=
16 16
16
Curso 2009-2010
15 / 33

on
Ejemplo 2:
Sea X una variable aleatoria continua, caracterizada por la siguiente
funci
on de densidad:

k(x 2 + 1) si 0 < x < 3
f (x) =
0
en el resto
Para que sea funcion de densidad, la integral en R debe ser 1:
3
3

33
x
1 =
f (x)dx =
k(x + 1)dx = k
+ kx = k + 3k =
3
3
R
0
0
1
= 9k + 3k = 12k k =
12
Funcion de distribucion:
0,
x
<
0
0,
x <0
Z x
3
x
+
3x
k(t 2 + 1)dt, 0 x 3 =
F (x) =
, 0x 3
36
0
1,
x >3
1,
x >3
Z
Curso 2009-2010
16 / 33
Transformaci
on de variables aleatorias
Transformacion de variables aleatorias
Dadas una variable aleatoria X y una funci

on real de variable real
g : R R queremos estudiar la distribuci
on de la variable aleatoria
transformada por g de X , Y = g (X )
Basta con calcular la funci

on de distribuci
on de Y (P esta caracterizada
por F )
FY (y ) = PY (Y y ) = PY (g (X ) y ) = PX (X Ay ),
donde Ay = {x : g (x) y }
(en muchos casos es sencillo de calcular)
Curso 2009-2010
17 / 33
Transformaci
Transformaci
on de una v.a.discreta
Funcion de distribuci
on:
X
X
FY (y ) = PX (X Ay ) =
pX (xi ) =
pX (xi )
xi Ay
g (xi )y
Funcion de masa:
X
pY (y ) = PY (Y = y ) = PY (g (X ) = y ) =
pX (xi )
g (xi )=y
Transformaci
on de una v.a.continua
Funcion de distribuci
on (g continua y creciente):
FY (y ) = PY (g (X ) y ) = PX (X g 1 (y )) = FX (g 1 (y ))
Funcion de densidad (g derivable e inyectiva):

dx
fY (y ) = fX (x)
dy
Curso 2009-2010
18 / 33
Transformaci
Ejemplo:
Dadas la variable aleatoria continua X , con funci
on de densidad
fX (x) = 2x, 0 < x < 1, y la funci
on continua g (x) = 3x + 1, calcular
la funci
on de densidad de la variable aleatoria continua Y = g (X ).
y 1
Como x = g 1 (y ) =
,
3

dx 1 1
y = = , sera:
dy
3
3
fY (y ) = 31 fX ( y 1
3 )=
2y 2
9 ,
(1 < y < 4)
Curso 2009-2010
19 / 33
Transformaci
Ejemplo (cont.):
Alternativamente, podemos calcular fY de la siguiente manera:
Funcion de distribucion de Y :

FY (y ) = P(Y y ) = P(g (X ) y ) = P X g 1 (y ) = FX g 1 (y ) =
Z
=
0
y 1
3
y 1
(y 1)2
2tdt = t 2 0 3 =
,
9
y derivamos FY para obtener la funci

on de densidad:
fY (y ) =
2(y 1)
2y 2
=
9
9
Curso 2009-2010
20 / 33
Medidas caractersticas de una v.a.
El estudio y comparacion de la distribuci

on de probabilidad de distintas
variables aleatorias es mas sencillo mediante el uso de constantes
(medidas caractersticas de la variable) que caracterizan
la tendencia central de las distribuciones (o valor central alrededor del
cual se encuentran repartidas de forma equilibrada las probabilidades),
la dispersion (mayor o menor densidad en torno al valor central),
etc.
Curso 2009-2010
21 / 33
Esperanza
Esperanza (I)
medida caracterstica de tendencia central mas importante

tambien se denomina esperanza matematica, media o valor
esperado de la v.a.
se denota como E [X ] o X
representa el valor promedio o centro de gravedad de los valores que
toma la variable, ponderando estos mediante la correspondiente
probabilidad.
Curso 2009-2010
22 / 33
Esperanza
Esperanza (II)
Esperanza de una v.a.discreta
X = E [X ] =
xi pX (xi )
Dada g : R R, la esperanza de Y = g (X ), viene dada por

X
Y = E [Y ] =
g (xi )pX (xi )
i
Esperanza de una v.a.continua

Z
X = E [X ] =
xfX (x)dx
R
Dada g : R R, la esperanza de Y = g (X ), viene dada por

Z
Y = E [Y ] =
g (x)fX (x)dx
R
Curso 2009-2010
23 / 33
Esperanza
Esperanza (III)
Propiedades:
Dadas las variables aleatorias X , Y y dos n
umeros reales a, b R, se tiene:
E [aX + b] = aE [X ] + b
E [X + Y ] = E [X ] + E [Y ]
(es un operador lineal)
Curso 2009-2010
24 / 33
Momentos
valores esperados de ciertas funciones de X
se pueden definir alrededor de cualquier punto de referencia
I
I
alrededor del cero momentos ordinarios o respecto al origen

alrededor de la esperanza de X momentos centrales o respecto a la
media
Momento ordinario de orden k: k = E [X k ]

1 = X (el momento ordinario de orden 1 es la media de X )
Momento central de orden k: k = E [(X X )k ]

1 = E [X X ] = E [X ] X = X X = 0 (el momento central de
orden 1 de cualquier v.a. es cero)
Dos v.a. con los mismos momentos tienen la misma distribucion de

probabilidad (los momentos caracterizan la distribucion de probabilidad)
Curso 2009-2010
25 / 33
Varianza (I)
momento central de orden 2:
2 = E [(X X )2 ]
se denota por V (X ) o X2
representa la distancia cuadratica promedio a la media dispersion
de una v.a. en torno a su media
su raz cuadrada, , se denomina desviaci
on tpica
E [(X X )2 ] = E [X 2 ] 2X
(el momento central de orden 2 es igual al momento ordinario de orden 2
menos el cuadrado del momento ordinario de orden 1)
Curso 2009-2010
26 / 33
Varianza (II)
Varianza de una v.a.discreta
X2 = V (X ) = E [(X X )2 ] =
X
(xi X )2 pX (xi )
i
o alternativamente:
X2 = E [X 2 ] 2X =
xi2 pX (xi ) 2X
Varianza de una v.a.continua

X2
= V (X ) = E [(X X ) ] =
(x X )2 fX (x)dx
o alternativamente:
X2
= E [X ]
2X
Z
=
x 2 fX (x) dx 2X
R
Curso 2009-2010
27 / 33
Varianza (III)
Propiedades:
Dada una variable aleatoria X y dos n
umeros reales a, b R, se verifica:
V (X ) = E [X 2 ] (E [X ])2
V (aX ) = a2 V (X )
V (b) = 0
V (aX + b) = a2 V (X )
Desigualdad de Chebichev:
P(|X X | > kX )
1
k2
Curso 2009-2010
28 / 33
Mediana (I)
Mediana de una v.a. X

Es el valor Me tal que
1
1
P(X < Me) , y F (Me) = P(X Me)
2
2
es una medida de tendencia central en el sentido de que es el valor
para el cual la distribuci
on de probabilidad queda dividida en dos
partes iguales
Curso 2009-2010
29 / 33
Mediana (II)
Mediana de una v.a.discreta

es el primer valor (o rango de valores) que acumula (por la izquierda) una
1
probabilidad mayor o igual a
2
Mediana de una v.a.continua

es el valor que verifica
F (Me) =
1
2
Curso 2009-2010
30 / 33
Coeficiente de variacion
CVX =
X
X
expresa la magnitud de la dispersi

on de una variable aleatoria con
respecto a su valor esperado
permite comparar la dispersi
on relativa de dos distribuciones de
probabilidad
especialmente u
til cuando la escala de medida de las variables que
queremos comparar difiere notablemente
Curso 2009-2010
31 / 33
Ejemplo:
Sea la variable aleatoria discreta X correspondiente al n
umero de
cruces obtenidas al lanzar
4 1veces una moneda
xi = 0
16
16 xi = 1
6
Funcion de masa: P(xi ) =
xi = 2
16
xi = 3
16
1
xi = 4
16
1
4
6
4
1
Media: X = 0
+1
+2
+3
+4
=2
16
16
16
16
16
5
11
La funcion de distribucion a la izquierda de 2 es
y en 2 es
16
16
Me =2.
1
4
6
4
1
16
Varianza: X2 = 02
+ 12
+ 22
+ 32
+ 42
22 =
=1
16
16 16
16
16
16
1
1
=
Coeficiente de variacion: CVX =
2
2
Curso 2009-2010
32 / 33
Ejemplo:
Sea la variable aleatoria continua X , con funci
on de densidad
fX (x) = 2x, si 0 < x < 1.
1
Z 1
2x 3
2
x 2xdx =
Media: X =
= 3 = 0,67
3
0
0
Z Me
Me
1
La mediana sera el valor Me tal que =
2xdx = x 2 0 = Me 2 ,
2
0
r
1
luego Me =
= 0,71
2
1
Z 1
2x 4
1
2
2
Momento ordinario de orden 2: E [X ] =
x 2xdx =
=

4 0 2
0
2
1
2
1
X2 =
=
= 0,05
2
3
18
q
1
1
2
18
Coeficiente de variacion: CVX = 2 = =
4
2 2
3
Curso 2009-2010
33 / 33

1 3 VariablesAleatorias PDF

Cargado por

Información del documento

Título original

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

1 3 VariablesAleatorias PDF

Cargado por

Copyright:

Formatos disponibles

3.

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Transformacion de variables aleatorias

Medidas caractersticas de una variable aleatoria

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Si en un experimento aleatorio, a cada suceso elemental del espacio (, P)

La probabilidad P de que X tome un valor concreto a, P(X = a), es la

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Dado A R, la probabilidad de A viene dada por

masa (v.a. discreta)

que significa? que conocida la funci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

No hay que confundir la probabilidad P(X = a) con el valor de la funcion

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

la probabilidad de que una v.a. continua X tome un valor a es cero

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

3. x1 < x2 F (x1 ) F (x2 )

(continua por la derecha)

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

es una funcion continua a trozos (funci

F es continua: no tiene saltos (todos los conjuntos formados por un

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Variables aleatorias y su distribuci

Se quiere calcular la probabilidad de que el n

Estadstica (Aurora Torrente)

Variables aleatorias y su distribuci

Estadstica (Aurora Torrente)

Transformacion de variables aleatorias

Dadas una variable aleatoria X y una funci

Basta con calcular la funci

Estadstica (Aurora Torrente)

(en muchos casos es sencillo de calcular)

Estadstica (Aurora Torrente)

y derivamos FY para obtener la funci

Estadstica (Aurora Torrente)

Medidas caractersticas de una variable aleatoria

Medidas caractersticas de una v.a.

El estudio y comparacion de la distribuci

Estadstica (Aurora Torrente)

Medidas caractersticas de una variable aleatoria

medida caracterstica de tendencia central mas importante

Estadstica (Aurora Torrente)

Medidas caractersticas de una variable aleatoria

Dada g : R R, la esperanza de Y = g (X ), viene dada por

Esperanza de una v.a.continua

Dada g : R R, la esperanza de Y = g (X ), viene dada por