Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

Tema 4: Variables Aleatorias Modelos de Probabilidad

Objetivos
Conocer las funciones asociadas a una variable aleatoria, distinguiendo entre discretas y continuas. Conocer el signicado de la esperanza y la varianza de una variable aleatoria discreta. Reconocer y aplicar modelos de probabilidad.

1.

Variables Aleatorias Discretas

Lo que pretendemos en este tema es transformar el problema de la asignacin de o probabilidades a otro consistente en el empleo de ciertas funciones reales de variable real, de forma que la probabilidad de cierto suceso aleatorio vendr dada por el clculo a a de ciertos valores de dichas funciones.

1.1.

Denicin de Variable aleatoria o

Sea el espacio muestral asociado a un fenmeno aleatorio. Una variable aleatoria o es una funcin o X:X que asocia a cada suceso elemental un nmero real. El conjunto X se le llamar espacio u a muestral de la variable aleatoria X y es el conjunto de todos los valores posibles de X. Diremos que una variable aleatoria es discreta si su espacio muestral es un conjunto discreto, es decir, un conjunto nito o bien un conjunto innito pero numerable. Si el espacio muestral de la variable es innito no numerable, como el conjunto de puntos de un intervalo real, diremos que la variable aleatoria es continua. En principio trataremos con variables aleatorias discretas. Ejemplo 1.1 Si lanzamos una moneda al aire dos veces y X es el nmero de caras u obtenidas X transforma el espacio muestral original = {(c, c), (x, c), (c, x), (x, x)} en X = {0, 1, 2}.

1.2.

Funcin de Probabilidad o

La funcin puntual de probabilidad va a asignar probabilidad a cada punto del espacio o muestral de X.

Tema 4

Curso 2010-11

Pgina: 1 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

Si X es una variable aleatoria discreta, la Funcin Puntual de Probabilidad o o simplemente la Funcin de Probabilidad es la funcin que asigna probabilidad a cada o o uno de los puntos muestrales de X. Es decir, p : X [0, 1] x p(x) = P (X = x)

De la denicin se derivan las siguientes propiedades de la funcin de probabilidad: o o 1. Para cada punto muestral x del espacio muestral X ha de ser 0 p(x) 1 2. La suma de las probabilidades de todos los puntos de X ha de ser igual a 1. Es decir, xX p(x) = 1 3. Si A X , podemos calcular la probabilidad del suceso A sumando las probabilidades de los puntos de A, es decir, P (A) = xA p(x) Ejemplo 1.2 Si X =nmero de caras al u probabilidad es 1/4, 1/2, p(x) = 0, tirar dos veces una moneda, su funcin de o si x = {0, 2}; si x = 1; si x {0, 1, 2}. /

Se observa claramente como dicha denicin cumple con las condiciones anteriores o por lo que es una verdadera funcin de probabilidad. o Si A es el suceso Obtener a lo sumo una cara, P (A) = P (X = 0) + P (X = 1) = 3 1 2 + = 4 4 4

1.3.

Actividades
1 si x = 0, 1, 2, 3, 4 y p(x) = 0 en el resto 5 b) p(x) = k si x = 10, 9, ..., 9, 10 y p(x) = 0 en el resto 2x + 1 c) p(x) = si x = 1, 2, 3, 4 y p(x) = 0 en el resto 24

1. Estudiar si las funciones siguientes pueden ser funciones puntuales de probabilidad a) p(x) =

2. Sea X una variable aleatoria con funcin de probabilidad p(x). Sean los sucesos o X > 0 y X [1, 3]. Calcular las probabilidades de dichos sucesos, suponiendo que p(x) fuera cada uno de los casos anteriores.

Tema 4

Curso 2010-11

Pgina: 2 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

1.4.

Funcin de Distribucin o o
F (x) =
yx

Se dene la Funcin de Distribucin de la variable aleatoria discreta X como o o p(y)

La funcin F (x), en este caso, acumula la probabilidad asociada al punto muestral x a o la de los puntos muestrales menores que x. Si denotamos mediante X x al suceso que consiste en obtener un valor de la variable X menor o igual al valor x, entonces F (x) = P (X x) Ejemplo 1.3 La funcin de distribucin F (x) de la variable X=nmero de caras al o o u tirar dos veces una moneda es la siguiente. si x < 0; 0 1/4, si x [0, 1); F (x) = 3/4, si x [1, 2); 1, si x 2.

2.

Esperanza y Varianza de una variable aleatoria discreta

Con estos parmetros, que denimos a continuacin, pretendemos describir una varia o able aleatoria respecto a sus caracter sticas de centralizacin y dispersin. o o

2.1.

Esperanza Matemtica o Media Terica a o

La Esperanza o Media Terica de una v.a. E(X) indica un valor terico al que o o tender el valor medio de n realizaciones de X, cuando n tiende a innito. Para aclarar a esto supongamos que X es nuestra ganancia cuando jugamos a un juego de loter en a el que podemos ganar un milln de euros con cierta probabilidad o perder lo invertido o en el billete. En una realizacin concreta ganaremos o perderemos y la esperanza de X o ser el valor al que tender el valor medio de mi ganancia cuando juego un nmero a a u grande de veces. Se dene mediante la siguiente expresin: o E(X) =
xX

xp(x)

Ejemplo 2.1 Supongamos que en un juego ganamos 10 euros si al tirar un dado sacamos un cinco o un seis, ganamos 5 si sale un 2 o un 3 o un 4 y perdemos 25 si sale un 1. Si llamamos X a la ganancia obtenida en una jugada, la funcin de probabilidad de X es o 2 6 , si x = 10; 3 , si x = 5; 6 p(x) = 1 , si x = 25; 6 0, si x {10, 5, 25}. / Tema 4 Curso 2010-11 Pgina: 3 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

cuya esperanza vale: 3 1 10 2 E(X) = 10 + 5 25 = 6 6 6 6 que ser el valor medio de nuestras ganancias a largo plazo (en un gran nmero de a u jugadas). Ejemplo 2.2 La esperanza de la variable del ejemplo (1.1) vale 1 1 1 E(X) = 0. + 1. + 2. = 1 4 2 4 esto signica que en un gran nmero de experiencias, el valor medio del nmero de caras u u tender a 1. a

2.2.

Varianza y Desviacin T o pica

La varianza de una variable aleatoria X, que representaremos por V (X), y la Desviacin o T pica, D(X), indicarn el grado de dispersin de los valores de la variable respecto a a o la esperanza matemtica. La Desviacin T a o pica ser la ra cuadrada positiva de la vara z ianza, D(X) = V (X) y tiene la ventaja de que se expresa en la misma unidad que la propia variable. Variables con desviacin t o pica pequea indicar que hay alta probabiln a idad de observar valores prximos a la esperanza matemtica o media terica E(X). Si o a o denotamos E(X) mediante y V (X) mediante 2 Denimos V (X) = 2 = E((X )2 ) = E(X 2 ) 2 y podemos calcularla mediante la siguiente expresin: o V (X) = 2 =
xX

x2 p(x) 2 =
xX

x2 p(x) (
xX

xp(x))2

Ejemplo 2.3 La varianza de la variable del ejemplo (1.1) es 1 1 1 1 2 = 02 + 12 + 22 12 = 4 2 4 2 y su desviacin tpica es o 1 D(X) = = 2

2.3.

Actividades

Calcular la esperanza y la varianza en los casos en donde sea posible de las actividades de la seccin 1.3. o

Tema 4

Curso 2010-11

Pgina: 4 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

2.4.

Modelo Binomial

Imaginemos un experimento con dos resultados posibles A y A y P (A) = p conocido. Supongamos que repetimos dicho experimento n veces en idnticas condiciones y de e forma que el resultado de una prueba o repeticin es independiente del resultado de o otra. Sea ahora X=nmero de xitos en n repeticiones (pruebas) idnticas e independientes u e e El espacio muestral de la variable es X = {0, 1, ...., n} y la funcin puntual de probabilo idad es: n x p (1 p)nx , si x X = {0, 1, ..., n}; x p(x) = 0, si x X . / En este caso la esperanza y la varianza valen: E(X) = np V (X) = np(1 p) Si la variable X tiene una distribucin de probabilidad como la del modelo Binomial o de parmetros n =nmero de pruebas y P (A) = p, lo indicaremos poniendo a u X B(n, p) 2.4.1. Actividades

1. Supongamos que tiramos al aire un dado equilibrado 20 veces. Si llamamos X =N de seises obtenidos, reconocer que esta variable sigue un modelo Binomial de 1 parmetros n = 20 y p = 6 . Sean los sucesos A =Obtener exactamente 4 seises a y B=Obtener al menos 4 seises. Expresar las probabilidades de dichos sucesos en trminos de la funcin de probabilidad y la funcin de distribucin de dicha e o o o variable. Los valores concretos de probabilidad sern obtenidos con R-Commander. a 2. Aporta cinco situaciones experimentales en donde la v.a. X siga una distribucin o Binomial.

2.5.

Modelo de Poisson

Supongamos que conocemos el nmero medio de veces que ocurre el suceso A en una u unidad de soporte continuo (tiempo, espacio, volumen, longitud, supercie,....) y que vamos a denotar mediante . Decimos que la variable X =nmero de veces que ocurre A en un intervalo unidad u cuyo espacio muestral es X = {0, 1, 2, ...}, sigue una distribucin de Poisson (tambin o e llamada Ley de los Sucesos Raros) de parmetro si su funcin de probabilidad est dada a o a por: x e , si x X = {0, 1, 2, ....}; x! p(x) = 0, en otro caso. En este caso: Tema 4 Curso 2010-11 Pgina: 5 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

E(X) = V (X) = Si X es una variable cuya distribucin de probabilidad es como la del modelo de Poisson, o lo indicaremos poniendo X P() donde = E(X) es el nmero medio de veces que ocurre A en un intervalo unidad. u Adems las probabilidades Binomiales cuando n es grande y p es pequeo se aproxa n iman a las probabilidades de Poisson, haciendo = np. Es decir,
x n x nx p (1 p) e , x x!

si n ,

= np

Lo anterior signica que podemos aproximar probabilidades binomiales mediante probabilidades de Poisson cuando n sea sucientemente grande y p pequeo. n Ejemplo 2.4 En un ncleo urbano de n = 100000 personas la probabilidad de infeccin u o de cada una de ellas es p = 0.00002, el nmero X =Nmero de infectados sigue u u un modelo Binomial X B(100000, 0.00002) que podemos aproximar a un modelo de Poisson de parmetro = np = 2. La probabilidad exacta, segn el modelo Binomial, de a u que en un determinado momento haya ms de un infectado es a P (X > 1) = 1 P (X = 0) P (X = 1) = 1 0.1353326 0.2706706 = 0.5939969 Mientras que aproximando la misma probabilidad por el modelo de Poisson se obtiene P (X > 1) = 1 P (X = 0) P (X = 1) = 1 0.1353353 0.2706706 = 0.5939942 (Todas las probabilidades anteriores se calcularon mediante R) 2.5.1. Actividades

1. Supongamos que el nmero medio de estrellas visibles en un cierto volumen v de u espacio es = 7. Expresa en trminos de la funcin de probabilidad o de la funcin e o o de distribucin de la variable X=N de estrellas visibles en el volmen de espacio o u v los sucesos siguientes: a) Observar ms de 9 estrellas a b) Observar como mucho 5 estrellas c) Observar entre 5 y 9 estrellas. 2. Denir cinco situaciones experimentales que se ajusten a un modelo de Poisson. Establecer el parmetro en cada caso. a 3. Denir cinco situaciones experimentales que se ajusten a un modelo de Binomial pero con aproximacin razonablemente buena al modelo de Poisson. Establecer en o cada caso los correspondientes parmetros. a Tema 4 Curso 2010-11 Pgina: 6 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

3.

Variables aleatorias continuas

Cuando X es una variable aleatoria continua, por ejemplo X es la medida de cierta magnitud como peso, longitud, area, volumen, tiempo, etc, lo que signica que puede tomar cualquier valor de cierto intervalo de la recta real, no es posible asignar probabilidad punto a punto, sino a intervalos. Es decir, el espacio muestral de una variable aleatoria continua va a ser un intervalo de la recta real o incluso toda la recta real y en este caso los sucesos de inters no son los puntos muestrales aislados sino los e intervalos de puntos muestrales, es decir, los sucesos del tipo X (a, b) donde a y b son valores cualesquiera. Para ello necesitamos una funcin que asigne probabilidad a o dichos sucesos. Esta funcin, llamada funcin de densidad o curva de densidad, es o o una funcin que siempre se halla por encima del eje OX, el area que encierra a lo largo o de todo el eje OX vale 1 y la probabilidad que asigna al suceso X (a, b) es el area comprendida entre los valores a y b. Un ejemplo de funcin de densidad lo vemos en la o siguiente grca. a

Recordemos que cuando describ amos una muestra de una variable estad stica continua lo hac amos mediante un histograma para agrupar los valores observados en clases de intervalo. El area del rectngulo que se levanta encima de una clase de intervalo rep a resenta la frecuencia relativa de dicha clase. Si dado un gran nmero de observaciones se u construye un histograma se obtiene una grca que intuitivamente tiende a una curva a cuando aumenta el nmero de observaciones y a la vez se reduce la amplitud de los interu valos. La siguiente sucesin de histogramas se han obtenido mediante muestras de gran o tamao de la variable X y aumentando el nmero de clases de intervalo para disminuir n u la amplitud de los mismos, mientras que la curva nal representa la funcin de densidad o de X.
Normal Distribution: = 110, = 10
0.04 0.04 0.04 Density 80 100 120 140 0.00 80 0.01 0.02 0.03 0.030

0.03

Density

0.020

Density

Density 80 100 120 140

0.02

0.010

0.01

0.000

0.00

60

80

100

120

140

0.00

0.01

0.02

0.03

90

100

110 x

120

130

140

Muestras_normales$obs

Muestras_normales$obs

Muestras_normales$obs

Tema 4

Curso 2010-11

Pgina: 7 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

4.

Funcin de Densidad o

Si X es continua, la funcin de densidad de X es una funcin f (x) que describe o o cmo se distribuye la probabilidad a lo largo de su espacio muestral, de modo que la o probabilidad de que la variable tome un valor dentro de un determinado intervalo es precisamente el rea que encierra la funcin f (x) en dicho intervalo. a o la Funcin de Densidad es la funcin o o f : R R+ que cumple las siguientes propiedades: 1. El rea comprendida por debajo de la curva y a lo largo de todo el eje OX vale 1. a 2. P (a < X b) = P (a X < b) = P (a < X < b) = P (a X b) y se corresponde con el valor del area limitada bajo la curva f (x) y entre a y b. OJO!: las cuatro probabilidades anteriores son iguales en variables continuas pero no en variables discretas. 3. Denominamos Funcin de Distribucin de la variable X a la funcin o o o F : R [0, 1] tal que x F (x) := P (X x) Es decir, la funcin de distribucin asigna a cada x R el area que queda a la o o izquierda de x bajo la curva de densidad. 4. Usando la Funcin de Distribucin podemos calcular o o P (a < X b) = P (a X < b) = P (a < X < b) = P (a X b) = F (b) F (a) La siguiente gura ilustra las propiedades anteriores

Ejemplo 4.1 Supongamos un instrumento nos ofrece medidas al azar en el intervalo (0, 2). Supongamos que dichas medidas son los valores de una variable aleatoria X con funcin de densidad f (x) que se representa mediante la expresin f (x) = x si 0 < x < 1, o o f (x) = 2 x si 1 < x < 2 y f (x) = 0 en el resto y por la siguiente grca: a

Tema 4

Curso 2010-11

Pgina: 8 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

Podemos comprobar que esta funcin es una curva de densidad, puesto que se mantiene o siempre por encima del eje OX y el rea que encierra a lo largo del mismo vale 1. a Si queremos ahora calcular la probabilidad de que X tome valores entre los puntos D y H, tendramos que calcular el rea bajo la curva entre los puntos D y H, es decir la el a a rea sombreada con color rosa. As pues, P [D < X < H]= rea rosa- 0.57. a

4.1.

Actividades

Usando el ejemplo anterior: 1. Calcular la probabilidad de que el instrumento nos de una medida mayor que 1. 2. Calcular la probabilidad de que el instrumento nos de medidas que no se aleje de 1 en ms de 0.05. a 3. Calcular los puntos D y H del ejemplo anterior.

5.

Descripcin de variables aleatorias continuas o

Al igual que las variables aleatorias discretas, las variables aleatorias continuas pueden describirse usando parmetros de centralizacin, dispersin o de otras caracter a o o sticas. Por ejemplo, igual que se dene la esperanza de X cuando X es discreta sumando valores por probabilidades, tambin es posible denir E(X) cuando X es continua, salvo que el e procedimiento de clculo implica usar herramientas desconocidas en este nivel, como es a la integral denida. Igual ocurre con el clculo de la varianza o de otros parmetros ms a a a complejos. Es por ello que convendremos en describir una variable aleatoria continua X mediante sus dos parmetros ms importantes, que son la esperanza de X o media terica E(X), a a o que tambin simbolizaremos mediante la letra griega , y la desviacin t e o pica D(X), que tambin simbolizaremos mediante la letra griega . e = E(X) es un valor medio (terico) de la variable y se interpreta como el valor o l mite o al que tender las medias muestrales obtenidas mediante muestras de tamaos an n muy grandes. La varianza de la variable V (X), que simbolizaremos mediante 2 es un parmetro a de dispersin pero ms se usa la desviacin t o a o pica = D(X) = V (X) que se expresa en la misma unidad que mide la variable X. Ambos parmetros orientan de cmo se a o concentra el rea limitada por la curva de densidad alrededor de la media. Cuando los a valores alrededor de la media concentran ms rea signicar que dichos valores tienen a a a Tema 4 Curso 2010-11 Pgina: 9 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

mayor probabilidad de ser observados y esto ocurre ms cuando la desviacin t a o pica sea menor. Por otro lado, podemos hablar de otro parmetro de centralizacin como es la media o ana de la variable X, que simbolizaremos mediante M e(X), que es el punto que divide el area por debajo de la curva en dos mitades iguales. Cuando la curva de densidad es simtrica respecto al punto a, se tiene E(X) = M e(X) = a e El siguiente grco muestra densidades del mismo tipo pero con distintos valores de a media y de varianza. Observar como al variar la media se modica el centro de la grca a mientras que al variar la varianza se modica la concentracin del area alrededor de la o media, a mayor varianza mayor dispersin y menor concentracin del area alrededor de o o la media.

Ejemplo 5.1 Siguiendo con el ejemplo 4.1, podemos apreciar que la densidad es simtrie ca respecto al punto X = 1, en este caso = E(X) = M e(X) = 1. Haciendo los clculos a pertinentes D(X) = = 0.40 aunque ste parmetro no lo calcularemos en este curso. e a

6.

Modelo Normal

La distribucin de probabilidad continua ms frecuente en experimentos aleatorios, o a donde se observan magnitudes en poblaciones homogneas es la Distribucin Normal, e o tambin llamada Campana de Gauss. e Denicin 6.1 Decimos que la variable aleatoria X sigue una distribucin Normal con o o E(X) = y D(X) = si su funcin de densidad viene dada por o f (x) = que indicaremos poniendo Tema 4 Curso 2010-11 Pgina: 10 a
1 x 2 1 e 2 ( ) ; 2

xR

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

X N (, ) La anterior funcin es una muestra de la complejidad que pueden tener las curvas o de densidad a la hora de ser usadas en la prctica para calcular probabilidades. La a alternativa es usar programas estad sticos, como R o R-Commander, para resolver los problemas de probabilidad asociados a un modelo de probabilidad como ste. e La grca de la densidad f (x) es una gura como la que sigue, en la que pueden a apreciarse algunas propiedades como las siguientes:

y que son: 1. f (x) es simtrica respecto al punto x = . e 2. f (x) tiene puntos de inexin en x = o 3. La curva se acerca de forma asinttica al eje OX en los valores distantes al punto o central , es decir, cuanto ms nos alejamos de ms se pega la densidad al eje a a OX. 4. Los intervalos de mayor probabilidad se concentran alrededor de la media . Concretamente, si X sigue una distribucin normal de media y desviacin t o o pica , que lo indicaremos poniendo X N (, ) se tiene: P ( < X < + ) = 0.6827 P ( 2 < X < + 2) = 0.9545 P ( 3 < X < + 3) = 0.9973 tal y como se muestra en la siguiente gura.

Tema 4

Curso 2010-11

Pgina: 11 a

Grado en Ciencia y Tecnolog de los Alimentos a

M. Iniesta Universidad de Murcia

7.

Aproximacin de la distribucin Binomial a la o o Normal

La densidad Normal tambin es posible usarla para calcular probabilidades aproxie madas. Concretamente la distribucin Binomial B(n, p) puede ser aproximada mediante o una distribucin normal N ( = np, = np(1 p)) cuando n es grande y p es cercano o a 0.5. Es decir, si X B(n, p), entonces X aprox. N ( = np, = np(1 p))

Ejemplo 7.1 Supongamos que la probabilidad de nacer nio es la misma que la de nacer n nia y que deseamos calcular la probabilidad de que en 1000 nacimientos se produzcan n ms de 450 nias. a n Si llamamos X=N de nias en 1000 nacimientos, entonces n X B(n = 1000, p = 0.5) aprox. N ( = 500, = 250 = 15.81) Calcular mediante el software R la probabilidad deseada
450

P (X > 450) = 1 P (X 450) =

x=0

p(x) = 0.9991347

donde p(x) = 1000 0.5x 0.51000x x Sin embargo, aproximando por el modelo normal es, usando R: P (X > 450) = 0.999218

8.

Bibliograf a

1. Tema 2, seccin 2 del texto Estad o stica para Ciencias Agropecuarias. Autor: Di Riezo, J. A. 2. Cap tulo 5, seccin 3 y Cap o tulo 1, seccin 4 del texto Estad o stica Aplicada Bsica. a Autor: D. S. Moore

Tema 4

Curso 2010-11

Pgina: 12 a