Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALEATORIO
Julian de la Horra
Departamento de Matematicas U.A.M.
Introducci
on
Una variable aleatoria discreta es una modelizacion teorica de una caracterstica X de tipo discreto, en la que nos quedamos con lo esencial que se
obtendra en un proceso de muestreo.
Recordemos que una caracterstica X es de tipo discreto cuando puede
tomar una serie de valores claramente separados x1 , ..., xk . En una muestra
concreta de tama
no n, cada uno de estos valores aparece n1 , ..., nk veces
(frecuencias absolutas). La frecuencia relativa de cada valor es fi = ni /n.
Ejemplo.- Vamos a motivar la definicion de variable aleatoria discreta
mediante un ejemplo sencillo. Consideramos la variable X=Resultado obtenido
al lanzar un dado equilibrado con seis caras. Los valores posibles de esta
variable son 1, 2, ... , 6. Si lanzamos el dado 60 veces, las frecuencias absolutas de cada valor pueden ser, por ejemplo, 8, 11, 14, 7, 11 y 9 y, por tanto,
las frecuencias relativas, en este caso, seran:
8/60
11/60
14/60
7/60
11/60
9/60
Varianza muestral = vx =
k
k
X
1X
f i xi
ni xi =
n i=1
i=1
k
k
X
1X
fi (xi x)2
ni (xi x)2 =
n i=1
i=1
k
X
i=1
xi P (xi )
k
X
i=1
k
X
i=1
Una variable aleatoria continua es una modelizacion teorica de una caracterstica X de tipo continuo, en la que nos quedamos con lo esencial que se
obtendra en un proceso de muestreo.
Recordemos que una caracterstica X es de tipo continuo cuando puede
tomar cualquier valor en un intervalo de la recta real. En una muestra concreta de tama
no n, los valores obtenidos se pueden representar graficamente,
en un diagrama de tallos y hojas o en un histograma, obteniendo as el perfil
de los datos.
Ejemplo.- Vamos a motivar la definicion de variable aleatoria continua
mediante un ejemplo sencillo. Consideramos la variable X=Altura (en cm)
de los varones adultos de una poblacion. Los valores posibles de esta variable son todos los valores dentro de un intervalo razonable. Si medimos la
altura de 100 varones adultos elegidos al azar en esa poblacion, y representamos su histograma (de frecuancias relativas), obtenemos un perfil de la
distribucion de dichas alturas. Si a continuacion obtenemos otra muestra de
100 varones adultos, en las mismas condiciones, el perfil de distribucion de
alturas obtenido con el nuevo histograma sera seguramente parecido, pero
difcilmente igual.
Lo que hacemos al definir una variable aleatoria continua es quedarnos con
la esencia del proceso estudiado, sustituyendo el perfil del histograma por una
funcion de densidad (que representa el perfil suavizado de un histograma),
prescindiendo as de los resultados de una muestra concreta:
Definici
on.- Una variable aleatoria, X, decimos que es de tipo continuo cuando puede tomar cualquier valor en un intervalo de la recta real
con una funci
on de densidad f (x) que representa la modelizacion en la
poblacion del perfil suavizado obtenido a partir de los datos en un histograma
de frecuencias relativas.
Las propiedades basicas de cualquier funcion de densidad son las siguientes:
1. f (x) 0 (las frecuencias relativas tampoco podan ser negativas).
3
2.
<
xf (x)dx
<
= V (X) =
x2 f (x)dx (E[X])2
<
<
Modelo discreto
Modelo continuo
F. de Prob.=P (xi )
F. de densidad=f (x)
Media del modelo:
Media del modelo:
R
Pk
i=1 xi P (xi )
< xf (x)dx
Varianza del modelo: Varianza del modelo:
R
Pk
2
2
i=1 (xi E[X]) P (xi )
< (x E[X]) f (x)dx
Definici
on.- Consideramos una variable aleatoria continua X con funcion
de densidad f (x).
La mediana de X se define como el valor M que verifica:
Z M
f (x)dx =
1
2
Modelos de probabilidad m
as importantes
X=
P (X = 1) = p
para x = 0, 1.
V (X) =
Definici
on.- Realizamos n pruebas de Bernoulli independientes, con
P (E) = p en cada prueba. El modelo binomial con parametros n y p,
que representaremos abreviadamente por B(n; p), es el modelo de probabilidad de la variable aleatoria X = N
umero de exitos obtenidos en las n
pruebas. Los valores posibles para esta variable son x = 0, 1, . . . , n, y su
funcion de probabilidad es:
P (x) =
n
x
px (1 p)nx
para x = 0, 1, . . . , n
El hecho de que una variable aleatoria X tenga distribucion B(n; p) lo representaremos abreviadamente por X B(n; p). El mismo tipo de notacion
se utilizara para otros modelos de probabilidad.
La esperanza y la varianza de una variable aleatoria con distribunion
binomial se obtienen facilmente utilizando las propiedades de las esperanzas
y las varianzas. Para esto, definimos:
(
Xi =
(i = 1, . . . , n)
De esta forma, tenemos que X1 , . . . , Xn son variables aleatorias independientes con distribucion de Bernoulli y, ademas, X = X1 + . . . + Xn . Por lo
tanto:
E[X] = E[X1 + . . . + Xn ] = E[X1 ] + . . . + E[Xn ] = p + . . . + p = np
V (X) = V (X1 + . . . + Xn ) = V (X1 ) + . . . + V (Xn ) = p(1 p) + . . . +
p(1 p) = np(1 p)
Calcular probabilidades correspondientes a la distribucion binomial no
es nada complicado mediante una calculadora. Puede utilizarse tambien la
tabla correspondiente a esta distribucion.
El modelo de Poisson es otro de los modelos mas utilizados en Probabilidad y Estadstica. La forma mas sencilla e intuitiva de presentarlo es como
lmite de la distribucion binomial B(n; p), cuando n y p 0. Veamos,
para esto, cual es el lmite de las probabilidades binomiales, cuando n ,
p 0 y np (0 < < ):
lim
n
x
n(n 1) . . . (n x + 1) x
p (1 p)nx
x!
n(n 1) . . . (n x + 1)
(np)x (1 p)nx
= lim
x
x!n
1 nn1
nx+1
(1 p)n
= lim
...
(np)x
x! n n
n
(1 p)x
e x
=
x!
px (1 p)nx = lim
e x
x!
para x = 0, 1, . . .
X
X
X
e x
x
P (x) =
= e
= e e = 1
x!
x!
x=0
x=0
x=0
Ya que hemos presentado el modelo de Poisson como lmite del modelo
binomial, es fundamental comprender en que situaciones nos encontraremos,
de manera aproximada, con el modelo de Poisson: decir que n lo entenderemos, intuitivamente, como que n es grande, y decir que p 0 lo
entenderemos como que p es proximo a cero. Por tanto, cuando nos encontremos con un modelo binomial con las circunstancias indicadas, lo podremos
sustituir por el correspondiente modelo de Poisson, tomando = np (a ttulo
orientativo, digamos que esta sustitucion puede resultar aconsejable cuando
n 30, p 00 1 y np 10). Veamos algunos ejemplos en los que surge,
de manera natural, la distribucion de Poisson como modelo de la variable
aleatoria considerada:
X=N
umero de erratas por pagina en un libro.
X=N
umero de asegurados en una compa
na que han declarado alg
un
siniestro en un a
no.
En resumen, digamos que la distribucion de Poisson es un modelo bastante razonable cuando estamos interesados en estudiar el n
umero de exitos
obtenidos en un n
umero grande de pruebas independientes de Bernoulli, y la
probabilidad de exito, cada vez que se repite la prueba, es peque
na.
Una manera informal, pero sencilla, de obtener la esperanza y la varianza
de una variable aleatoria X con distribucion de Poisson, consiste en recordar
que la distribucion de Poisson es lmite del modelo binomial; de este modo,
tenemos:
E[X] = lim np =
V (X) = lim(np)(1 p) =
(por supuesto, de forma aproximada) en muchas situaciones: medidas morfologicas en especies animales o vegetales (peso, altura, etc), mediciones en
experimentos fsicos y qumicos, etc. En general, la distribucion Normal
surge siempre que los resultados de un experimento sean debidos a un conjunto muy grande de causas independientes que act
uan sumando sus efectos,
siendo cada efecto individal de poca importancia respecto al conjunto.
Definici
on.- El modelo Normal de parametros y ( < <
y > 0), que representaremos abreviadamente por N (; ) o por N (; 2 ),
es el modelo de probabilidad caracterizado por la funcion de densidad:
"
1 x
1
f (x) = exp
2
2
2 #
X1 + . . . + Xn N = 1 + . . . + n ; =
X1 X 2 N = 1 2 ; =
12
12 + 22
+ ... +
n2
P (X > 7) = P
75
X 5
>
= P (Z > 0, 50) = 0, 30854.
4
4
X 5
75
1 5
P
<
<
4
4
4
0
0
P (1 50 < Z < 0 50)
1 P (Z < 10 50) P (Z > 00 50)
1 P (Z > 10 50) P (Z > 00 50)
1 00 06681 00 30854 = 00 62465.
P (1 < X < 7) =
=
=
=
=
10
Definici
on.- El modelo exponencial de parametro ( > 0), que
representaremos abreviadamente por Exp (), es el modelo de probabilidad
caracterizado por la funcion de densidad:
(
f (x) =
ex para x > 0
0
en el resto
V (X) =
1
2
X=
Bernoulli (p)
1
n
Pn
Varianza muestral=VX =
i=1
1
n
Xi
Pn
i=1 (Xi
Cuasi-varianza muestral=S 2 =
1
n1
2=
X)
1
n
hP
2
i=1 (Xi X)
Pn
n
i=1
2
Xi2 nX
1
n1
hP
n
i=1
2
Xi2 nX
=
1. E[X]
=
2. V (X)
2
n
3. E[S 2 ] = 2
4. E[VX ] =
n1 2
14