Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 3 VariablesAleatorias PDF
1 3 VariablesAleatorias PDF
Variables aleatorias
Estadı́stica
Ingenierı́a Informática
Curso 2009-2010
Ejemplo 1:
Experimento aleatorio: “lanzar un dado”.
v.a. más natural X : asignar a cada cara del dado su valor numérico ⇒
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
múltiplos de tres y el valor 0 a las que no lo son,
1, con probabilidad p = 13
Y =
0, con probabilidad p = 23
Ejemplo 2:
Vamos a realizar un experimento aleatorio que consiste en
“seleccionar una persona al azar”. Para cada persona observamos el
número de hermanos que tiene y su peso.
Podemos usar las v.a.’s:
- X para el número de hermanos, cuyos valores serán números enteros a
partir de cero,
- Y para el peso; con rango de valores todos los posibles entre los lı́mites
naturales; entre dos valores posibles de Y se podrı́an obtener infinitos
valores intermedios (si utilizáramos aparatos con suficiente precisión).
Estos infinitos valores en el rango de la variable es lo que diferencia a las
variables continuas (Y ) de las discretas (X ).
Definición:
Una variable aleatoria X es una función X : Ω → R, que a cada elemento
del espacio muestral le hace corresponder un número real.
ΩX = {x ∈ R : ∃s ∈ Ω, X (s) = x}
¿Cómo asignamos una probabilidad P a los valores del rango de una v.a.?
(¿cómo hereda la variable X la función de probabilidad P del espacio Ω?)
masa (v.a. discreta)
La función de caracteriza P (inducida por P)
densidad (v.a. continua)
p:R → [0, 1]
xi → p(xi ) = P(X = xi ) =
= P(s ∈ Ω : X (s) = xi )
Propiedades:
1. 0 ≤ p(x) ≤ 1, ∀x ∈ R
X
2. p(xi ) = 1
i
X
3. Dado A ⊂ R, P(X ∈ A) = p(xi )
xi ∈A
Propiedades:
1. f (x) ≥ 0, ∀x ∈ R,
Z
2. f (x)dx = 1.
R
Como consecuencia:
Z b
P(a ≤ X ≤ b) = f (x)dx
a
Z Z a
P(X = a) = f (x)dx = f (x)dx = 0
{a} a
Función de distribución
Otra función F que caracteriza la función de probabilidad P de una v.a.
X:
F (x) = P(−∞, x] = P(s ∈ Ω : X (s) ≤ x), ∀x ∈ R
Propiedades:
1. lı́m F (x) = 0
x→−∞
2. lı́m F (x) = 1
x→∞
3. x1 < x2 ⇒ F (x1 ) ≤ F (x2 ) (monótona no decreciente)
4. F (x + ) = lı́m+ F (x + h) = F (x) (continua por la derecha)
h→0
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− )
Ejemplo 1:
Experimento aleatorio: lanzar cuatro veces una moneda equilibrada.
Espacio muestral:
Ω = {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 número 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
4
16 0≤x <1
xi = 1
5
16
1≤x <2
6 16
P(xi ) = 16 xi = 2 F (x) = 11
4 16 2≤x <3
xi = 3
15
16 3≤x <4
1 16 16
xi = 4
16 = 1 x ≥4
16
Ejemplo 1 (cont.):
Se quiere hallar la probabilidad de que aparezcan más de dos cruces:
4 1 5
P(X > 2) = P(X = 3) + P(X = 4) = + =
16 16 16
o también:
5
P(X > 2) = 1 − P(X ≤ 2) = 1 − F (2) =
16
Se quiere calcular la probabilidad de que el número de cruces sea
más de 1 y menos de 4:
4 6 10
P{1 < X < 4} = P(X = 2) + P(X = 3) = + =
16 16 16
Ejemplo 2:
Sea X una variable aleatoria continua, caracterizada por la siguiente
función de densidad:
k(x 2 + 1) si 0 < x < 3
f (x) =
0 en el resto
Para que sea función de densidad, la integral en R debe ser 1:
3 3 3
33
Z Z
x 2
1 = f (x)dx = k(x + 1)dx = k + kx = k + 3k =
R 0 3 0 3
1
= 9k + 3k = 12k ⇒ k =
12
Función de distribución:
0, x < 0 0, x <0
Z x
3
x + 3x
F (x) = k(t 2 + 1)dt, 0 ≤ x ≤ 3 = , 0≤x ≤3
0
36
1, x >3
1, x >3
Estadı́stica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 16 / 33
Transformación de variables aleatorias
FY (y ) = PY (Y ≤ y ) = PY (g (X ) ≤ y ) = PX (X ∈ Ay ),
Función de masa:
X
pY (y ) = PY (Y = y ) = PY (g (X ) = y ) = pX (xi )
g (xi )=y
Ejemplo:
Dadas la variable aleatoria continua X , con función de densidad
fX (x) = 2x, 0 < x < 1, y la función continua g (x) = 3x + 1, calcular
la función de densidad de la variable aleatoria continua Y = g (X ).
y −1
Como x = g −1 (y ) = ,
3
dx 1 1
y = = , será:
dy 3 3
fY (y ) = 31 fX ( y −1
3 )=
2y −2
9 ,
(1 < y < 4)
Ejemplo (cont.):
Alternativamente, podemos calcular fY de la siguiente manera:
Función de distribución de Y :
FY (y ) = P(Y ≤ y ) = P(g (X ) ≤ y ) = P X ≤ g −1 (y ) = FX g −1 (y ) =
y −1
(y − 1)2
Z
3 y −1
= 2tdt = t 2 0 3 = ,
0 9
y derivamos FY para obtener la función de densidad:
2(y − 1) 2y − 2
fY (y ) = =
9 9
Esperanza (I)
Esperanza (II)
Esperanza de una v.a.discreta
X
µX = E [X ] = xi pX (xi )
i
Dada g : R → R, la esperanza de Y = g (X ), viene dada por
X
µY = E [Y ] = g (xi )pX (xi )
i
Esperanza (III)
Propiedades:
Dadas las variables aleatorias X , Y y dos números reales a, b ∈ R, se tiene:
E [aX + b] = aE [X ] + b
(es un operador lineal)
E [X + Y ] = E [X ] + E [Y ]
Momentos
valores esperados de ciertas funciones de X
se pueden definir alrededor de cualquier punto de referencia
I alrededor del cero ⇒ momentos ordinarios o respecto al origen
I alrededor de la esperanza de X ⇒ momentos centrales o respecto a la
media
Varianza (I)
Varianza (II)
Varianza de una v.a.discreta
X
σX2 = V (X ) = E [(X − µX )2 ] = (xi − µX )2 pX (xi )
i
o alternativamente:
X
σX2 = E [X 2 ] − µ2X = xi2 pX (xi ) − µ2X
i
Varianza (III)
Propiedades:
Dada una variable aleatoria X y dos números 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:
1
P(|X − µX | > kσX ) ≤
k2
Mediana (I)
Mediana (II)
Coeficiente de variación
σX
CVX = µX
expresa la magnitud de la dispersión de una variable aleatoria con
respecto a su valor esperado
permite comparar la dispersión relativa de dos distribuciones de
probabilidad
especialmente útil cuando la escala de medida de las variables que
queremos comparar difiere notablemente
Ejemplo:
Sea la variable aleatoria discreta X correspondiente al número de
cruces obtenidas al lanzar 4 1veces una moneda
16 xi = 0
4
16 xi = 1
6
Función de masa: P(xi ) = 16 xi = 2
4
xi = 3
16
1
16 xi = 4
1 4 6 4 1
Media: µX = 0 · +1· +2· +3· +4· =2
16 16 16 16 16
5 11
La función de distribución a la izquierda de 2 es y en 2 es ⇒
16 16
Me =2.
1 4 6 4 1 16
Varianza: σX2 = 02 · + 12 · + 22 · + 32 · + 42 · − 22 = =1
16 16 √ 16 16 16 16
1 1
Coeficiente de variación: CVX = =
2 2
Ejemplo:
Sea la variable aleatoria continua X , con función de densidad
fX (x) = 2x, si 0 < x < 1.
Z 1 1
2x 3 2
Media: µX = x · 2xdx = = 3 = 0,67
0 3 0 Z Me
1 Me
La mediana será el valor Me tal que = 2xdx = x 2 0 = Me 2 ,
r 2 0
1
luego Me = = 0,71
2 1
Z 1
2 2 2x 4 1
Momento ordinario de orden 2: E [X ] = x · 2xdx = =
0 4 0 2
2
1 2 1
⇒ σX2 = − = = 0,05
2 3 18
√
q
1
18 1 2
Coeficiente de variación: CVX = 2 = √ =
3 2 2 4