Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de Ciencias Económicas
de la UNC. Cuya autora es la Dra. Angela Diblasi
UNIDAD Nº 2
1
Ejemplo 1: En el caso de arrojar una moneda el espacio muestral S está constituido
por sólo dos resultados cara y sello por lo que tendríamos v.a.: X(cara) y X(sello), las que
asignarían el numero real 0 (cero) a cara y el 1 (uno) a sello.
En símbolos, X e, e 0 ; X e, e X e, e 1 ; X e, e 2
2
X (1) 1 , X (2) 2 , X (3) 3 , X ( 4) 4 , X (5) 5 , X (6) 6 , de modo que
el conjunto imagen de la v.a. es X S 1,2,3,4,5,6 .
Este es un caso particular ya que la variable aleatoria es la función identidad.
Hemos comprobado que los posibles resultados del espacio muestral tienen asociada
una cierta probabilidad, también hay formas de asociar probabilidades a los valores que
toma la variable aleatoria. Veremos dos funciones muy importantes definidas sobre el
conjunto de valores que toma una v.a. y que la vinculan con la probabilidad.
3
Sea X una v.a., se llamará función densidad de probabilidad de la v.a.d. X a
la fX :R [0,1] de tal forma que:
Gráficamente:
X e, e 0 ;
X e, e X e, e 1 ; X e, e 2
4
206 si x 0
12
si x 1
f X ( x) 202
20 si x 2
0 en cualquier otro caso
Realice la representación gráfica correspondiente.
1 si x A
I A ( x)
0 si x A
El conjunto A nos “indica” el conjunto de valores que tomará la v.a. X.
Si se escribe la función densidad que acabamos de obtener para el caso de los cheques,
utilizando la función indicadora, resulta:
f X ( x) 6
20
I 0 ( x) 12
20 I 1 ( x )
2
20
I 2 ( x )
Compruebe que la función densidad para el ejemplo 3, del lanzamiento del dado, es
f X ( x) 1
6 I 1, 2,3, 4,5,6 ( x)
1) f X ( x) 0 xR
2) f
x j X ( s )
X (x j ) 1
5
FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA
Gráficamente:
0 si x0
6
20 si 0 x 1
FX (x) 18
20 si 1 x 2
1 si x2
6
Realice la representación gráfica correspondiente, debería obtener un gráfico escalonado.
Esta misma función de distribución acumulativa se puede escribir utilizando la función
indicadora como:
FX ( x ) 6
20 I 0,1 ( x) 18
20 I 1, 2 ( x ) I 2 , ( x )
Demostración:
Sea x1 < x2 FX(x2)= P(Xx2)= P(Xx1)+ P[x1<X x2]= FX(x1)+ P[x1<X x2] ,
Y como P[x1<X x2] 0
resulta: FX(x1) FX(x2 )
3) La función Fx es una función continua por la derecha en cada punto. Es decir que la
función es continua por intervalos y presenta discontinuidades o "saltos" en los que el valor
de la función es igual al límite por la derecha:
# Cualquier gX : R [0,1] que cumpla con estas tres propiedades es una función de
distribución acumulativa de una v.a.
RELACIÓN ENTRE FX Y fX
7
1) Dado fX se obtiene la función FX del siguiente modo:
FX ( x ) f
x j x
X (x j ) P( X
x j x
xj)
P X x j P X x
1
P X 1 FX (1) f X (x j ) j
x j 1 x j 1 x j 0
P X 1 P X 0 P X 1 f X (0) f X (1) 6
20
1220 1820
2) la probabalidad de obtener exactamente un cheque con error a partir de la función de
distribución acumulada, equivale a plantear
Se expondrán a continuación algunas medidas útiles para analizar la distribución de una v.a.
CUANTILES
En muchas ocasiones es útil determinar un valor de la v.a. que tiene una posición fija
dentro de la distribución de valores que tiene la variable. Por ejemplo, si se estudian los
sueldos de una empresa puede resultar interesante encontrar el sueldo máximo que tienen
por lo menos el 50% de los empleados de la empresa, o también el sueldo mínimo debajo
del cual se ubican el 25% de los empleados. Para encontrar estoa valores dentro de la
distribución que tiene la v.a. en estudio, se calculan loas medidas llamadas “cuantiles”
Definición: En cuantil de orden “q” , que se escribe como “ x q ”, de una variable aleatoria
8
Algunos cuantiles más conocidos son aquellos que dividen a la distribución en cuatro partes
iguales , se conocen como cuartiles y son x 0.25 ; x 0.50 ; x 0.75 . En particular el valor x 0.50
recibe el nombre de mediana.
En el ejemplo 2, de los cheques con error, el valor mediana es x 0.50 1 ya que es el menor
valor de la v.a. que cumple P X x0.50 P X 1 0.90 0.50 . Una forma de interpretar
este resultado es :”Por lo menos en el 50% de los casos se espera encontrar a lo sumo un
cheque con error”.
n
eventos Aj sumarán x j p j , donde la cantidad que recibe el apostador se puede
j 1
n
las apuestas representa entonces el valor esperado de la v.a X ; E ( X ) x j p j
j 1
Interpretación frecuentista
La esperanza matemática también poseee una importante propiedad asociada al concepto
ni
frecuentista de probabilidad , recordando lím n n
p i , luego la esperanza es
n nj
xj E ( X ) entendiendo este concepto como un “promedio”.
j 1 n
La esperanza representa el valor promedio de una v.a., después de un número
grande de experimentos; da una idea del "centro de equilibrio" o de la "Tendencia central"
de la distribución de los valores de la v.a. X.
Definición: Sea X una v.a. discreta definida en S, (S,P) el espacio de probabilidad y X(S) el
conjunto de los valores que toma X; la esperanza:
E X x
x j X ( S )
j f X (x j ) x P X
x j X ( S )
j xj
(1)
Cabe aclarar que la esperanza de una v.a. puede no existir, ya que si el campo de
variación de la v.a. no es un conjunto finito, sino que es un conjunto infinito numerable; la
suma (1) es una serie infinita. Por lo que la esperanza existirá si la serie es absolutamente
convergente.
10
Obtendremos esta “medida” en el experimento aleatorio de seleccionar dos cheques
sin reemplazo: en este ejemplo, el conjunto de valores que la v.a. X le asigna al espacio
muestral es X S 0,1,2 y además la función densidad es
f X ( x) 6
20 I 0 ( x) 12
20 I 1 ( x ) 20 I 2 ( x )
2
Luego la E X
E X x
x j X ( S )
j f X (x j ) x P X
x j 0 ,1, 2
j xj
Este número es un “promedio esperado”, puede como en este caso no ser un valor
observado de la variable aleatoria. Una forma de interpretar este resultado es: “Se espera
que el nº promedio de cheques con error sea de 0.8”
Ejemplo 4: La demanda (en unidades) de cierto producto varía de mes a mes, basándose
en la información obtenida en el pasado, se puede construir una distribución de
probabilidad de la demanda del producto en cuestión
Luego, el valor esperado o esperanza de la v.a. "demanda por mes" es de 445 unidades.
Sea g:RR y X:S R una v.a., entonces la función compuesta g X= g(X) es también
una v.a.
Al ser g X una nueva variable aleatoria se puede obtener su esperanza del siguiente
modo:
11
E g X g(x j ) f X (x j )
x j X ( S )
2) Sean “g”,”h” dos funciones cualquiera definida de los reales en los reales, hemos dicho
que g(X) y h(X) también son v.a.,entonces la esperanza de la suma de dos funciones es la
suma de las esperanzas de dichas funciones:
Hemos visto que la Esperanza de una v.a. nos da idea del centro de la distribución de
los valores de la v.a. X, pero no nos da información sobre la forma en que se distribuyen
dichos valores.
Puede ocurrir que tengamos dos v.a. X1 y X2 que tengan el mismo valor medio, es
decir E ( X 1 ) E ( X 2 ) y sin embargo su funciones densidad sean diferentes.
Una medida que refleja esta realidad es la Varianza.
12
VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA
X2 var( X ) x E X
2
j f X (x j )
x j X ( S )
La varianza de una v.a. discreta se define como la suma de los productos entre el cuadrado
de los desvíos y su probabilidad: Notar que por su definición esta medida es no negativa.
Otra medida que suele calcularse también y que tiene una interpretación más clara es la
desviación tipica o estándar, que es la raíz cuadrada de la varianza, es decir si
Calcularemos estas medidas en el caso del ej. 2 de los cheques, recordando que
f X ( x) 6
20 I 0 ( x) 12
20 I 1 ( x )
2
20 I 2 ( x) y que además E ( X ) 0.8 , entonces
x j 0,1, 2
Este resultado no nos dice mucho, pero si se calcula el desvío estándar de la v.a. X ,
tendremos X 0.36 0.6 cheques con error. Y una forma de interpretar este resultado
es decir que : “Se espera que en promedio los valores de la variables se desvíen respecto
de su media en 0.6 unidades”.
13
1) La varianza de una constante es igual a cero:
X: SR, X(S)= c, sS E(c) = c
var (c)= E(c- E( c))2= E( 0)= 0
Demostración:
var (c X)= E(c X - E(c X )) 2=
= E [(c2 X2) + (cE( X)2 -2 cX cE(X)]= E(c2X2) +c2E2(X)- 2c2E2(X)=
= c2 E(X2) - c2 2 =
= c2(E(X2) - 2) =
= c2 var(X)
14
Momentos no centrados de orden r
Momentos centrados de orden r
Notar que g ( X ) X r es una nueva v.a. ya que es una función de la v.a. X. Por otro lado,
Casos Particulares
1) Si r = 1, tendremos:
1' E X 1 x 1
j f X (x j )
es lo que hemos definido con “Esperanza” de la v.a. X y
x j X ( S )
Casos Particulares
1) Si r = 1, tendremos:
1 E X E X E E X 0
1
2) Si r = 2, tendremos:
2 E X 2 x 2
j f X ( x j ) var( X )
x j X ( S )
15
es lo que hemos definido con “Varianza” de la v.a. X y que podemos indicarlo como:
2 var( X ) para hacer referencia al momento centrado de orden 2, o bien var X 2
IMPORTANTE:
Una expresión que frecuentemente es utilzada para calcular la varianza de una v.a. ,
es aquella en la que se expresa esta medida en función de los respectivos momentos no
centrados de orden uno y dos de la v.a.
Se puede demostrar que 2 var( X ) E X 2 E 2 X
x j X ( S )
Y luego
2 var( X ) E X 2 E 2 X 1 (0.8) 2 1 0.64 0.36
MODELO DE BERNOULLI
16
Una v.a. será Bernoulli cuando el experimento aleatorio de lugar a sólo dos
resultados, es decir, se está frente a un determinado experimento en el que el resultado será
la ocurrencia o la no ocurrencia de un evento, a los que se llamará "éxito" (e) o "fracaso"
(f), respectivamente
Si al evento "éxito" se le asigna 1(uno) y al de "fracaso" 0(cero), tenemos:
S={e,f}; X(S)= {0,1}
: 0 1
Gráficamente:
fX(x) fX(0)= 1-
fX(1)=
1-
0 1
E X
17
Varianza de la variable Bernoulli
2 var( X ) E X 2 E 2 X
X (S )
j
var( X ) E X 2 E 2 X 2 1
var(X ) 1
E(X)= 1/2
var(X)= (1- )= 1/4
MODELO BINOMIAL
Son muchas las aplicaciones prácticas de este modelo, por ejemplo si un proceso de
fabricación industrial produce algunas unidades defectuosas, si la proporción de estas
unidades es constante durante un período razonable y se seleccionan, aleatoriamente y
como procedimiento de rutina, un determinado número de unidades, entonces se podrá
emplear el modelo binomial para hacer proposiciones de probabilidad con respecto al
número de artículos defectuosos. Otra aplicación muy común es en el caso de la publicidad
de un producto o servicio, ya que a una determinada inversión publicitaria, y suponiendo
18
que la probabilidad de venta es constante para todos los consumidores, la distribución
binomial será un buen modelo para emplear puesto que las personas tienen un criterio
independiente para comprar.
El interés de este modelo, a diferencia del de Bernoulli, está en determinar la
probabilidad de obtener exactamente X= x éxitos durante n ensayos.
S={0,1}; X(S)= {0,1,2,3,...,n}
n!
x 1 I 0,1, 2,...,n ( x)
n x
f X ( x)
x! (n x)!
Se tendrá para cada par de valor de los parámetros, una función densidad, de ahí que
éstos definen una familia de distribuciones binomiales.
Gráficamente:
n=5, =0,8
f(x) 0,6
0,4
0,2
0
0 1 2 3 4 5
(Se dibujan barras en vez de puntos, con el sólo objeto de hacer más claros sus valores)
19
n
n!
E X x j f X (x j ) x j 1 j
x n x
j
x j X ( S ) xj 0 x j ! (n x j )!
Se puede probar que el resultado es
E(X) = n
x
n
n!
f X ( x j ) x 2j j 1 j
x n x
Luego la E X
2 2
j
x j X ( S ) x j 0 x j ! (n x j )!
Reemplazando:
var( X ) E X 2 E 2 X n n 1 2 n n 2 2
var( X ) n 2 2 n 2 n n 2 2 n n 2
var( X ) n 1
4
f X ( x ) 0.2 x 1 0.2
n x
I 0 ,1, 2 ,3, 4 ( x )
x
20
b) La probabilidad de que X=2
Parámetros: n=4 , =0,2
4
f X ( x ) 0.2 2 0.8 I 0 ,1,2 ,3 ,4 ( x )
2
2 Número combinatorio:
fX ( x )
4!
2! 4 2 !
0.2 2 0.8 I 0 ,1,2 ,3 ,4 ( x )
2
n n!
f X ( 2 ) 0.1536
x !( xnx )!
La probabilidad que exactamente dos personas contraten un seguro en la primera entrevista
es de aproximadamente el 15,4%.
Con el programa “R” se puede calcular esta misma probabilidad a través del comando
>dbinom(2,4,0.8)
c) E(X) = n
E(X) = 4 x 0,2 = 0,8 pólizas
var(X) = n (1- )
var(X) = 4 x 0,2 x 0,8 = 0,64
= 0,64
= 0,8 pólizas
Se espera que en promedio el número de pólizas vendidas en una sola entrevista de cada
cuatro efectuadas se desvíen respecto de su media en 0.8 unidades.
MODELO GEOMÉTRICO
21
serie de pruebas que termina al obtener el primer éxito. Por consiguiente, el experimento
podría terminar en la primera prueba al obtener un éxito o podría seguir indefinidamente.
El espacio muestral S para el experimento contiene el siguiente conjunto infinito numerable
de elementos:
E1 : E (éxito en la primer prueba)
E2 : FE (fracaso en la primer prueba y éxito en la segunda)
E3 : FFE (fracasos en la primera y segunda, éxito en la tercera)
E4 : FFFE ......................................................................................
..............................................................................................................
E k : FFF
....
F E
k 1
P ( X x ) P ( E x ) P( FFF
...
F E )
x 1
a) P ( X 5) 0.60(0.40) 4 0.01536
22
MODELO DE POISSON
Este modelo tiene características similares a la distribución Binomial diferenciándose
en que se emplea cuando los sucesos no ocurren como resultado de n pruebas, sino que
cada determinadas unidades de tiempo o espacio. Como por ejemplo número de personas
que abren una cuenta bancaria por mes, cantidad diaria de solicitudes de crédito rechazadas,
número de defectos en un metro de tela, etc.
Sea X una v.a. que representa el número de eventos aleatorios independientes que
ocurren a una rapidez constante sobre el tiempo o espacio, se dice que X tiene una
distribución de Poisson con función de probabilidad:
e x
f X ( x) I N ( x)
x!
= R+
Se tendrá para cada valor del parámetro , una función densidad, definiéndose una familia
de distribución de Poisson al variar x.
Gráficamente:
23
Para obtener la Esperanza de la variable Poisson , se debería calcular
xj
e
E X x j f X (x j ) xj
x j X ( S ) xj 0 x j!
E X
2 var( X ) E X 2 E 2 X
xj
e
Luego la E X x
2 2
j f X (x j ) x 2
j
x j X ( S ) xj 0 x j!
var(X )
=3
e 3 3 0
P X 0 f X (0) 0.049 5%
0!
Con el programa “R” se puede calcular esta misma probabilidad a través del comando
>dpois(0,3)
Con el programa “R” se puede calcular esta misma probabilidad a través del comando
>(1-ppois(5,3))
mX(t)= Σ et xj fX(xj)
xjX(S)
Propiedad: Si mX es la función generadora de momentos de la v.a.X, entonces:
En general:
Nota: Existe una correspondencia biunívoca entre las f.g.m. y las funciones de densidad (y
por ende también con las funciones de distribución acumulativas), así, si las f.g.m. de dos
variables aleatorias son iguales, entonces las funciones densidad de esas v.a., son también
iguales y recíprocamente.
mX(t)= Σ et xj fX (xj)
xjX(S)
mx(t)= et0 fX(0) + et1 fX(1)
mX(t)= 1- π + et π
mX(t)= π et + (1- π)
Para este modelo, 0 =R ya que et está definido para todo t real.
26