Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema5 Orig PDF
Tema5 Orig PDF
Tema5 Orig PDF
Para leer
Podéis ver los mini-videos de Emilio Letón y su equipo sobre Variables
Aleatorios.
Hasta ahora, hemos tratado de sucesos, por ejemplo A = “la suma de dos
tiradas de un dado es 7”. Ahora queremos generalizar y tratar de variables,
por ejemplo “la suma de las dos tiradas” o “el número de llamadas telefónicas
en una hora”.
Formalmente, podemos pensar en una variable como una función que asocia
un valor numérico a cada suceso elemental del espacio muestral, es decir que
una variable aleatoria X es una función
X : ω ∈ Ω → X(ω) ∈ R
n
px(1 − p)n−x para x = 0, 1, 2, . . . , n
P (X = x) = x
0 para otros valores de x
Esta función es un ejemplo de una distribución binomial.
• 0 ≤ P (X = x) ≤ 1 para todo x ∈ R.
P
• i P (X
= xi) = 1 donde se toma el sumatorio sobre todos los valores
posibles de X, say x1, x2, . . ..
P
• P (X ≤ x) = i,xi ≤x P (X = xi).
P
• P (a ≤ X ≤ b) = i,a≤xi ≤b P (X = xi).
F (x) = P (X ≤ x) para x ∈ R.
800 799
P (X = 0) = × = 0.886
850 849
800 50 50 800
P (X = 1) = × + × = 0.111
850 849 850 849
50 49
P (X = 2) = × = 0.003
850 849
1. La función de probabilidad de Y .
2. La función de distribución de Y
F (xp) = p ⇒
x2p
= p
4
√
xp = 2 p
√
x̃ = 2 0.5 ≈ 1.414
√
Q1 = 2 0.25 = 1
√
Q3 = 2 0.75 ≈ 1.732
P (X ≤ x) ≥ 0.5 y P (X ≥ x) ≥ 0.5.
Igualmente, podemos definir los cuartiles Q1, y Q3 como valores que cumplen
dF
f (x) = .
dx
1. 0 ≤ f (x) ∀ x.
R∞
2. −∞
f (x) dx = 1.
Rx
3. −∞
f (u) du = F (x).
Rb
4. a
f (x) dx = P (a < X < b).
0 si x < 0
F (x) = x2
4 para 0 ≤ x ≤ 2
1 para x > 2
d d
En este caso, f (x) = 0 si x < 0 o si x > 2, porque dx 0 = dx 1 = 0. Si
0 ≤ x ≤ 2, tenemos
d x2 2x x
f (x) = = = .
x dx 4 4 2
2 si 0 ≤ x ≤ 2
f (x) =
0 en caso contrario
d −x
= 0 − (−e−x) = e−x
f (x) = 1−e
dx
y luego
e−x si x > 0
f (x) =
0 en caso contrario
1. ¿Cuál es el valor de c?
3. Calcular la moda de Y
4. ¿Cuál es la mediana?
Z 0 Z 1 Z ∞
1 = 0 dy + cy 2(1 − y) dy + 0 dy
−∞ 0 1
Z 1
= c y 2 − y 3 dy
0
3 4 1
y y
−
= c
3 4 0
1 1
= c − ⇒
3 4
c
=
12
⇒ c = 12
0 si y ≤ 0
F (y) = 4y 3 − 3y 4 si 0 < y < 1
1 si y ≥ 1
d. ¿Cuál es la moda de X?
ax2 + b si x ∈ (0, 2)
f (x) =
0 en caso contrario
a. a y b
b. La función de distribución.
• la mediana, definida tal que hay una probabilidad de (≥) 50% de caer a
cada lado de la mediana.
Observamos que la media no tiene que ser uno de los valores posibles de X.
En este caso,
Z ∞
E[Y ] = yf (y) dy
−∞
Z 1
= y × 12y 2(1 − y) dy
0
Z 1
= 12 y 3 − y 4 dy
0
4 5 1
y y 3
= 12 − =
4 5 0 5
1+x2
f (x) = 12 si x ∈ (0, 3)
0 en otro caso
Si una variable discreta está definida sobre un conjunto finito de valores, por
ejemplo x1 ≤ x2 ≤ · · · ≤ xn, entonces su media siempre existe, ya que
n
X n
X
E[X] = xiP (X = xi) ≤ xnP (X = xi) = xn.
i=1 i=1
e−1
P (X = x) = para x = 0, 1, 2, . . . , ∞.
x!
¿Cuál es la media de X?
∞
X e−1
E[X] = x
x=0
x!
∞
X e−1
=
x=1
(x − 1)!
∞ −1
X e
= =1
y=0
y!
6
P (X = x) = para x = 1, 2, . . . , ∞.
π 2x2
Calculamos la media de X.
∞ ∞
X 6 6 X1
E[X] = x× 2 2 = 2 =∞
x=1
π x π x=1 x
1
f (x) = para −∞ < x < ∞.
π(1 + x2)
Z ∞
x
E[X] = 2
=∞
−∞ π(1 + x )
E[c] = c
E[bg(X)] = bE[g(X)]
E[g(X) + h(X)] = E[g(X)] + E[h(X)]
En el ejemplo con
E[5Y − 2] = 5E[Y ] − 2
3
= 5× −2=1
5
2
V [X] = E (X − E[X])
V [X] = E X − E[X]2
2
Demostración
2
V [X] = E (X − E[X])
2 2
= E X − 2XE[X] + E[X]
2 2
= E X − E[2E[X]X] + E E[X]
E X − 2E[X]E[X] + E[X]2
2
=
E X − E[X]2
2
=
En el ejemplo continuo
Z 1 Z 1
2 2 2
E[Y ] = y × 12y (1 − y) dy = 12 y 4 − y 5 dy
0 0
5 6 1
y y 12 2
= 12 − = =
5 6 0 30 5
2
2 3 1 1
V [Y ] = − = ⇒ DT [Y ] =
5 5 25 5
No es del todo natural tener una medida de dispersión que depende de las
unidades de la variable. Por este razón, se define el coeficiente de variación de
una variable X como
DT [X]
CV [X] = .
|E[X]|
X−µ
La variable Y = σ es una variable estandarizada.
Demostración Ejercicio.
σ2
P (|X − µ| ≥ c) ≤ 2 .
c
Demostración
2 2
P (|X − µ| ≥ c) = P (X − µ) ≥ c
2
E (X − µ)
≤ 2
por la desigualdad de Markov
c
V [X]
= por la definición de V [X]
c2
σ2
=
c2
1
P (|X − µ| ≥ 2σ) ≤
4
1
P (|X − µ| ≥ 3σ) ≤
9
3 1
f (y) = 12y 2(1 − y) E[Y ] = V [Y ] =
5 25
1 3 1
µ = −1 × + 0 × + 1 × = 0
8 4 8
σ2 = E X 2
2 1 2 3 2 1 1
= (−1) × + 0 × + 1 × =
8 4 8 4
Ahora,
1 3
3
E (X − µ) es el coeficiente de asimetrı́a
σ
1 4
E (X − µ) es el coeficiente de curtosis
σ4
la media es n
X n
E[X] = x px(1 − p)n−x
x
x=0
y tenemos que trabajar bastante para resolver el sumatorio. Además, si
queremos calcular la varianza, asimetrı́a etc., tenemos que resolver más
sumatorios.
∞
X X
G(s) = E s = sxP (X = x).
x=0
• G(1) = 1,
• G(0) = P (X = 0).
dG
E[X] =
ds s=1
dG
E[X(X − 1)] =
ds2 s=1
k
d G
E[X(X − 1) · · · (X − k + 1)] =
dsk s=1
Demostración
V [X] = E X − E[X]2
2
= E X − X + X − E[X]2
2
n
X n
(a + b)n = aibn−i.
i
i=0
Luego:
dM
= E[X]
ds s=0
2
d M 2
2
= E X
ds s=0
k
d M k
k
= E X
ds s=0
dM d sX
= E e
ds ds
d sX
= E e
ds
sX
= E Xe
dM 0
= E Xe = E[X]
ds s=0
dM λ
=
ds (λ − s)2
dM λ
=
ds
s=0 λ2
1
E[X] =
λ
d2 M 2λ
=
dM 2 (λ − s)3
2 2
E X =
λ2
2
2 1 1
V [X] = − =
λ2 λ λ2
−1
P (Y = y) = P (g(X) = y) = P X = g (y) .
√ √
Z
Por ejemplo, si X toma valores en y g(x) = x2 entonces tendremos que
x = y y x = − y que son soluciones de x2 = y y luego,
√ √
P (Y = y) = P (X = y) + P (X = − y).
−1 −1
FY (y) = P (Y ≤ y) = P (g(X) ≤ y) = P X ≤ g (y) = FX g (y) .
−1 −1
FY (y) = P (Y ≤ y) = P (g(X) ≤ y) = P X ≥ g (y) = 1 − FX g (y) .
dg −1(y) −1
−1
dx
fY (y) = − fX g (y) = −fX g (y)
dy dy
fX (x) = e−x
dx y
y = log x ⇒ x = e ⇒ = ey
dy
y luego, la densidad de Y es
−ey y y−ey
fY (y) = e × |e | = e
Demostración Ejercicio.