Documentos de Académico
Documentos de Profesional
Documentos de Cultura
aleatorias
2.) Se considera la secuencia de números x1, x2, x2, x3, x3, x3,…,
xn , xn ,…, xn ; donde xi se repite i veces. En tal caso la media
aritmética se expresa como
x1 x2 x 2 x3 x3 x3 .... xn xn ... xn 1 2 n
x1 x2 ... xn
n(n
( 1) n(n
( 1) n(n
( 1) n(n
( 1)
2 2 2 2
1 2 n
x1
n(n 1)
x2
n(n 1)
... xn
n(n 1)
x X()
xif(xi)
i
2 2 2
n
(n 1)! n 1
(n 1)!
np p x 1qn 1(x 1) np y !( p y
qn 1 y np(p q)n 1=np
x 1 ( 1)!(
(x )!(n 1 (
(x 1))! y 0 !(n 1 y)!
)!
Modelo Binomial
0,25 n=10, p=0.5
0,2
0,15
f(x)
0,1
0,05
0
0 2 4 5 6 8 10
x
Valor
medio: np
Modelo Binomial
0,4 n=10, p=0.1
f(x) 0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
x
Valor
medio: np
función de densidad
función de densidad
función de densidad
6/36
6/36
6/36
5/36
5/365/36
4/36
4/364/36
f(x)f(x)
f(x)
3/36
3/36
3/36
2/36
2/36
2/36
1/36
1/36
1/36
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x
0 1 2 3 4 5 6 x 7 8 9 10 11 12 13 14
Valor medio
x
x 1 d
dq
q
d( qx ) d( )
1q 1 1
p x 1
p p
dq dq (1 q)2 p
Modelo Geométrico
0,5 prob. éxito
0,5
0,4
( ) 0,3
f(x)
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13
x
Valor medio 2 ,1 y 3 son los valores de
máxima p probabilidad
1 2
1 2
x dx (x
2 2
2x)dx 1
0 1
3 3
0.8
0.6
f(x)
0.4
0.2
0
0 04
0.4 08
0.8 1 12
1.2 16
1.6 2
x
Valor medio
1
,axb
f(x) b a
0 en el resto de
P ttanto,
Por t b
1 ba
x E(X) xf(x)dx x dx
a
ba 2
Observación:
Si eligiésemos
li ié all azar una cantidad
tid d suficiente
fi i t ded
números en el intervalo [a,b] (realizando sucesivos ensayos)
x1 , x2 , x3 , ....,, xn , .....
y se calculase su media aritmética (media muestral) se obtendría
un número próximo a (a+b)/2 : n
x1 x2 x3 ... xn xi ab
i 1
(si n )
n n 2
Modelo exponencial
0,5
0,4
0,3
f(x)
0,2
0,
0,1
0
0 2 4 6 8 10 12
x
Valor medio
1
y2
- 2
ye 2
dy 0 (se trata de una funcion impar: f(x) -f(-x))
0.08
f(x) 0.06
0.04
0.02
0
62 67 72 77 82 87 92
x
Valor medio
02 f(0) 12 f(1) 22 f(2) .... k 2f(k) 12 f(1) 22 f(2) .... k 2f(k)
02 f(0) (1)2 f(1) (2)2 f(2) .... (k)2 f(k) 12 f(1) 22 f(2) .... k 2f(k)
xX()
x2 f(x)
( )
xX()
T(x)f(x)
( )( )
T(x1 , x2 ,..., xn )f(x1 , x 2 ,..., xn ) , si (X1 , X 2 ,..., Xn) es discreta
Y (x1 ,x2 ,...,xn )(X1 ,X2 ,...,Xn )()
... T(x , x ,..., x )f(x , x ,..., x )dx dx ...dx , si (X , X ,..., X ) es continua
- - - 1 2 n 1 2 n n n 1 1 1 2 n
Ejemplo sobre
sob e la utilidad
tilidad de estas p opiedades. Al considerar el
propiedades
modelo binomial B(n,p),
en el tema 2, observamos la
descomposición de X en suma de variables dicotómicas (Xi
Bernoulli) : X X1 X2 ... Xn , con
1 , si exito , p(Xi 1) p
Xi
p( i 0) 1 p
0 , si fracaso , p(X
i 1, 2,...,n
2 1 0 1 2 6
5 5
E( Y y )
yY()
y y fy (y) 2 2 fy (2) 0 2 fy (0) 2 2 fy (2) 4 2 fy (4) 6 2 fy (6)
4 2 0 2 4 12
5 5
Por tanto, la desviación media de Y es el doble que la de X : la
variable Y tiene más contenido en aleatoriedad que X . Sin embargo,
el uso de la desviación media p presenta algunos
g inconvenientes
por el manejo del valor absoluto. Es preferible poner de
manifiesto la variabilidad de una variable, sobre todo a efectos
comparativos con el parámetro varianza (y su raíz cuadrada,
comparativos, cuadrada la
desviación típica) que calcula la media de los cuadrados de las
distancias de los valores de la variable a su valor medio:
4 1 0 1 4 10
2x Var(X) E (X x )2
xX()
(x x )2 fx (x)
5
5
2
16 4 0 4 16 40
2y Var(Y) E (Y y )2
yY()
(y y )2 fy (y)
5
5
8
y 2y 2 2 2 2x 2 x
x 0 x 0 x
10 10
10
y2 E (Y y )2 (y 1)2 f (y) (y 1)2
y
y
(0.1) (0.9)
10 y
10 0.1 0.9 0.9 npq
y 0 y 0 y
3) Retomamos el modelo
d l de
d probabilidad
b bilid d Normal
N l o de
d Gauss
G , N(,)
N( ),
cuya función de densidad es
1 (x )2
1
2 2
f(x) e , - x
2
, parametros (constantes) , 0
x-
con el cambio y ( x y , dx dy ) se tiene
1 1 1
1 y2 1 y2 1 y2
Var(X)
2
y 2
e 2
dy 2
ye 2 2
e 2 dy 2
2
2 2
1
0
0 08
0,08
f(x)
0,06
0 04
0,04
0,02
0
52 57 62 67 72 77 82 87 92 97 102
x
x Var(X)
Dicho proceso
proceso, no modifica básicamente el modelo de
probabilidad de X, sí sus parámetros media y varianza, los
convierte en valores estándares. Veamos, por ejemplo, dicha
estandarización,
t d i ió a nivel
i l gráfico,
áfi en una variable
i bl con modelo
d l de
d
probabilidad normal N(, ) :
0,4
N(4,2.3)
N(0,1)
0,3
f(x) 0,2
0,1
0
-8 -4 0 4 8 12 16
x
Propiedades inmediatas
E(XY)
( )
(x ,y)(X ,Y)()
xyf(x,
y ( , y) , e
en e
el caso d
discreto
sc eto
E(XY)
xyf(x, y)dxdy , en el caso continuo
se p
puede comprobar
p q
que Cov(X,Y)=
( , ) x y .
Cov(X, Y) 0 X e Y independientes
((X i X)(Y
)( i Y)
)
Sxy i 1
n 1
Dpto. Matemática Aplicada (Biomatemática) Fac. Biología UCM 34
Covarianza. Coeficiente de correlación.(4)
Un valor de Sxy significativamente distinto de cero, nos induciría a
admitir que X e Y son dependientes.
e ) Si una v.a.
e.) v a X admite la siguiente descomposición
X X1 X2 ... Xn donde Cov(Xi , X j) 0 , i j
entonces
t por la
l propiedad
i d d 5) se tiene
ti que:
Var(X) Var(X1) Var(X2 ) ... Var(Xn ) y, por tanto,
Var(Xi ) Var(Xi )
0 1
Var(X) Var(X1) Var(X2 ) ... Var(Xn )
Cov(X,
( , Y)
)
xy
x y
1) E(Z) 0
2) Var(Z) sea mínima
3) Cov(( X), Z) 0
En efecto:
Se define Z=Y-(+X) , cualesquiera que sean y . La exigencia
que figura en 1) se traduce en lo siguiente:
E(Z) E(Y ( X)) y ( x ) 0 y x
En decir,
decir la variabilidad de Y viene explicada o es debida a la
variabilidad de término lineal
y
y (X - x ) (2)
x
y a la variabilidad de Z .
En caso de ser Var (Z)=0, entonces Z=0, y resultaría que
y
Y y (X - x )
x
(Var(Z) 2y (1 2 ))