Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6 Pie Variable Aleatoria
6 Pie Variable Aleatoria
Conceptos básicos
Carlos Gamero Burón
José Luis Iranzo Acosta
Departamento de Economía Aplicada
Universidad de Málaga
Estadística I
Bloque II
GRADO EN
ADMINISTRACIÓN Y
DIRECCIÓN DE
EMPRESAS
2
Estadística I [VARIABLE ALEATORIA]
5.1. INTRODUCCIÓN
Ejemplo:
3
Estadística I [VARIABLE ALEATORIA]
Figura 4.1
Variable aleatoria como función real
E ℝ
e1 = cc 2 = x1
e2 = ck 1 = x2
e3 = kc
0 = x3
e4 = kk
4
Estadística I [VARIABLE ALEATORIA]
∀B ∈ B : X −1 ( B ) ∈ A
donde X −1 ( B) = {e ∈ E / X (e) ∈ B} .
PX ( B ) = P ( X −1 ( B ) )
( E , A,P ) ( ℝ, B,PX )
La probabilidad original es P, y está definida sobre el espacio
probabilizable original ( E , A ) .
5
Estadística I [VARIABLE ALEATORIA]
Ejemplos:
6
Estadística I [VARIABLE ALEATORIA]
Ejemplos:
- tiempo en minutos que dedica un alumno a hacer un
examen con duración máxima de dos horas
( 0 ≤ x ≤ 120 ) ,
- cantidad de agua caída al día en un determinado
punto geográfico ( x ≥ 0 ) .
7
Estadística I [VARIABLE ALEATORIA]
f ( xi ) = P( X = xi ) = pi para i = 1, 2,..., k
Las dos propiedades que debe cumplir una función real de variable real
para ser función de cuantía son:
8
Estadística I [VARIABLE ALEATORIA]
Ejemplo 1:
0,1x x = 1, 2,3, 4
f ( x) =
0 en el resto
Es una función de cuantía porque cumple las dos propiedades que le son
exigibles.
9
Estadística I [VARIABLE ALEATORIA]
Ejemplo 2:
Figura 4.3
Ejemplo 2 de función de cuantía
(Representación gráfica)
f(x)
0.6
0.5
0.4
0.3
0.2
0.1
0
-1 0 1 2 x
10
Estadística I [VARIABLE ALEATORIA]
Figura 4.4
Función de densidad como límite del histograma
f(x)
60
50
40
30
20
10
0
x
0 4 8 12 16 20 24 28 32 36 40
• A esa línea continua que nos da las ordenadas del histograma límite
se le llama función de densidad de una v.a. continua.
11
Estadística I [VARIABLE ALEATORIA]
+∞
2) ∫
-∞
f ( x)dx = 1 , implica que el área bajo la curva y por encima del
f(x)
0.35
0.3
0.25
0.2
0.15
0.1 S
0.05
0
3.5
x
a b
P( X = xi ) = ∫ f ( x)dx = 0.
xi
12
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
Resolución:
+∞ 20
20 20
x2 20
2) ∫
-∞
f ( x)dx = ∫
0
f ( x)dx = ∫
0
0,1xdx = 0,1
2 0
= 0,1
2
− 0 = 1.
0.4
0.3
0.2
0.1
S = 0, 4
0
0 1 2 3 4 5 x
20
13
Estadística I [VARIABLE ALEATORIA]
F ( x) = P ( X ≤ x)
• Propiedades:
1. F ( −∞ ) = 0
2. F ( +∞ ) = 1
4. P ( a < X ≤ b ) = F (b) − F (a )
F ( x) = P ( X ≤ x ) = ∑ f ( xi )
xi ≤ x
14
Estadística I [VARIABLE ALEATORIA]
- P ( X > xi ) = 1 − P ( X ≤ xi ) = 1 − F ( xi )
- P ( X < xi ) = P ( X ≤ xi −1 ) = F ( xi −1 )
- P ( X ≥ xi ) = 1 − P ( X < xi ) = 1 − F ( xi −1 )
- P ( a < X ≤ b) = F (b) − F ( a )
- P ( a ≤ X ≤ b ) = F (b ) − F ( a ) + P ( X = a )
- P ( a ≤ X < b) = F (b) − P ( X = b) − F ( a ) + P ( X = a )
Ejemplo:
La tabla adjunta recoge la función de distribución de la v.a. X cuya función
de cuantía es:
0,1x x = 1, 2,3, 4 xi F ( xi )
f ( x) =
0 en el resto. [−∞,1) 0
[1, 2) 0,1
[2,3) 0,3
[3, 4) 0,6
[4, +∞) 1,0
Fi
1
0.8
0.6
0.4
0.2
0
-1 0 1 2 3 4 5 6 x
15
Estadística I [VARIABLE ALEATORIA]
1) P ( X = 3) = F ( 3) − F ( 2 ) = 0, 6 − 0,3 = 0,3
4) P ( X < 3) = P ( X ≤ 2 ) = F ( 2 ) = 0,3
5) P ( X > 2 ) = 1 − P ( X ≤ 2 ) = 1 − F ( 2 ) = 1 − 0,3 = 0, 7
16
Estadística I [VARIABLE ALEATORIA]
- P ( X < xi ) = P ( X ≤ xi ) = F ( xi )
F ( x2 ) − F ( x1 ) = ∫ f ( x)dx.
x1
dF ( x)
f ( x) = o, lo que es lo mismo, f ( x) = F ′( x).
dx
Ejemplo:
t=x
x x
t2 x2
F ( x) = ∫
−∞
f (t )dt = ∫ 0,1tdt = 0,1 = 0,1 − 0 = 0,05 x 2 .
0 2 t =0 2
dF ( x )
Se comprueba que: = F ′ ( x ) = 0,1x = f ( x).
dx
0 para x ≤ 0
F ( x) = 0,05 x 2 para 0 < x ≤ 20
1 para x > 20
17
Estadística I [VARIABLE ALEATORIA]
F(x)
0.8
0.6
0.4
0.2
0
-1 0 1 2 3 4 5 x
20
-0.2
18
Estadística I [VARIABLE ALEATORIA]
a) Esperanza Matemática
Ejemplo:
1 37
E [ X ] = 35 ⋅ + (−1) ⋅ ≃ −0,0526 euros
38 38
1 1 1 1 1 1
E [ X ] = 1 ⋅ + 2 ⋅ + 3 ⋅ + 4 ⋅ + 5 ⋅ + 6 ⋅ = 3,5
6 6 6 6 6 6
19
Estadística I [VARIABLE ALEATORIA]
E ( X ) = ∑ x f ( x) = µ
x
E ( X ) = ∫ x f ( x) dx = µ
x
20
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
Supongamos el juego según el cual un jugador recibe 100 euros por cada
punto que obtenga en el lanzamiento de su dado. ¿Cuál es el valor esperado
de este juego? Veamos qué valores toma la v.a. original, su función y las
probabilidades asociadas:
xi ϕ ( xi ) = 100 xi f ( xi )
1 100 1/6
2 200 1/6
3 300 1/6
4 400 1/6
5 500 1/6
6 600 1/6
E[ϕ ( X )] = ∑ ϕ ( x) f ( x) = ϕ ( x1 ) f ( x1 ) + ϕ ( x2 ) f ( x2 ) + ⋯ + ϕ ( x6 ) f ( x6 ) =
x
1 1 1 1 1 1
= 100 ⋅ + 200 ⋅ + 300 ⋅ + 400 ⋅ + 500 ⋅ + 600 ⋅ = 350 euros.
6 6 6 6 6 6
- V.a. discreta: E [ a ] = ∑ af ( x) =a ∑ f ( x) =a ⋅1 = a
x x
2. (Cambio de origen): Si ϕ ( X ) = a + X , E [ a + X ] = a + E [ X ]
21
Estadística I [VARIABLE ALEATORIA]
4. (Transformación lineal): Si ϕ ( X ) = a + bX , E (a + bX ) = a + bE ( X )
- V.a. continua:
5. Si a ≤ X ≤ b, entonces a ≤ E ( X ) ≤ b.
6. Si ϕ ( X ) = g ( X ) + h( X ) , E[ g ( X ) + h( X )] = E[ g ( X )] + E[h( X )]
E[ g ( X ) + h( X )] = ∫ [ g ( x) + h( x) ] f ( x)dx =
x
= ∫ g ( x) f ( x)dx + ∫ h( x) f ( x)dx = E [ g ( X ) ] + E [ h( X ) ]
x x
n
n
E (a + bX ) = ∑ a n-i bi E ( X i )
n
i =0 i
22
Estadística I [VARIABLE ALEATORIA]
Si r = 0 µ0′ = E X 0 = E [1] = 1
µ r = E ( X - µ ) = ∑ ( x - µ ) r f ( x )
r
si X es una v.a. discreta
x
µr = E ( X - µ ) = ∫ ( x − µ ) r f ( x)dx
r
si X es una v.a. continua
x
23
Estadística I [VARIABLE ALEATORIA]
Si r = 0 µ0 = E ( X - µ ) = E [1] = 1
0
Si r = 1 µ1 = E ( X - µ ) = E [ X ] − E [ µ ] = µ − µ = 0.
1
Si r = 2 µ2 = E ( X − µ ) = Var ( X ) = σ 2
2
24
Estadística I [VARIABLE ALEATORIA]
Var ( X ) = σ 2 = µ 2 = E ( X − µ ) = µ 2′ − µ 2
2
• Propiedades de la varianza:
1. Var ( a ) = 0
• Desv ( X ) = σ = + Var ( X )
σ
• CV = ⋅100
µ
25
Estadística I [VARIABLE ALEATORIA]
d) Variable tipificada
• Es adimensional
• Propiedades:
1. E [Z ] = 0
X - µX 1 1 1
E [Z ] = E = E [ X − µ ] =
E [ X ] − E [ µ ]
X = [µX − µX ] = 0
σX σ σ σ
X
X X X
2. Var ( Z ) = 1
X − µX 1 1 1 2
Var ( Z ) = Var = Var ( X − µ ) = Var ( X ) = σ X =1
σX σ σ σ
2 X 2 2
X X X
26
Estadística I [VARIABLE ALEATORIA]
M X (t ) = E etX ⇒ ϕ ( X ) = etX
• Principal utilidad:
d r M X (t )
µr′ = M (t ) t =0
(r )
X = r r = 0,1, 2,.....
dt t =0
Ejemplos:
dM X (t )
µ1′ = µ = M X(1) (0) =
dt t =0
d 2 M X (t )
µ2′ = M (2)
X (0) = 2
dt t =0
d 3 M X (t )
µ3′ = M (3)
X (0) = 3
dt t =0
27
Estadística I [VARIABLE ALEATORIA]
• Propiedades de M X (t ) = E etX :
1. M X (0) = 1
tµ
− t
M Z (t ) = e σ
MX
σ
Teorema de la Unicidad:
28
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
x
si x = 1, 2,3, 4,
f ( x) = 10
0 en el resto.
Se pide:
a) Comprobar que es función de cuantía.
b) Obtener la función generatriz de momentos.
c) Utilizando dicha función, determinar los valores de la esperanza y la
varianza.
Resolución:
1) f ( x) ≥ 0 ∀x (se cumple)
i =k
2) ∑ f ( xi ) = 1
i =1
i =k i=4
x 1 2 3 4
∑ f ( x ) = ∑ 10 = 10 + 10 + 10 + 10 = 1
i =1
i
i =1
(se cumple)
1 2 3 4
M X (t ) = E etX = ∑e
x
tx
f ( x ) = et 1
10
+ e t 2 + et 3 + et 4 =
10 10 10
1 t
= e + 2e2t + 3e3t + 4e 4t
10
29
Estadística I [VARIABLE ALEATORIA]
c) Esperanza y varianza:
1 t
M X (t ) = e + 2e 2t + 3e3t + 4e 4t
10
E [ X ] = µ = M X(1) (t )
t =0
dM X (t ) 1 t
= e + 4e 2t + 9e3t + 16e 4t
dt 10
dM X (t ) 1 1
E[X ] = µ = = e0 + 4e0 + 9e0 + 16e0 = [1 + 4 + 9 + 16] = 3
dt t =0 10 10
d 2 M X (t ) 1 t
2
= e + 8e 2t + 27e3t + 64e4t
dt 10
d 2 M X (t ) 1 0 1
µ2′ = = + + + 10 [1 + 8 + 27 + 64] = 10
=
0 0 0
e 8e 27 e 64e
dt 2 t =0 10
30
Estadística I [VARIABLE ALEATORIA]
f ( xi , y j ) = P ( X = xi , Y = y j ) ∀i = 1, 2,..., k ∀j = 1, 2,..., m
1. f ( xi , y j ) ≥ 0 ∀i = 1, 2,..., k ∀j = 1, 2,..., m
k m
2. ∑∑ f ( x , y ) = 1
i =1 j =1
i j
31
Estadística I [VARIABLE ALEATORIA]
P( x ∈ A, y ∈ B) = ∑∑ f ( x, y ).
x∈A y∈B
Ejemplo:
Experimento aleatorio consistente en sacar dos naipes, sin reposición, de
una baraja de 52 (4 palos x 13 naipes):
39 38
f (0, 0) = P ( X = 0, Y = 0) = ⋅ = 0,5588
52 51
13 39
f (1,0) = P ( X = 1, Y = 0) = ⋅ = 0,1912
52 51
39 13
f (0,1) = P ( X = 0, Y = 1) = ⋅ = 0,1912
52 51
13 12
f (1,1) = P ( X = 1, Y = 1) = ⋅ = 0,0588
52 51
En forma de tabla:
(x,y) f(x,y)
(0,0) 0,5588
(1,0) 0,1912
(0,1) 0,1912
(1,1) 0,0588
1
32
Estadística I [VARIABLE ALEATORIA]
2. ∫ ∫ f ( x, y)dxdy = 1
x y
P( x1 ≤ X ≤ x2 ; y1 ≤ Y ≤ y2 ) = ∫ ∫ f ( x, y )dxdy.
x1 y1
33
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
1 para 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1
f ( x, y ) =
0 en el resto
Se pide:
2. ∫ ∫ f ( x, y)dxdy = 1
x y
1
f ( x, y )dxdy = ∫ ∫ 1dxdy = ∫ ∫ 1dy dx = ∫ [ y ] dx = ∫ 1dx = [ x ]0 = 1
1 1 1 1 1 1
∫∫
1
x =0 y = 0 y =0
x =0 x =0 0 x =0
x y
0,5 0,6
P (0, 2 ≤ X ≤ 0,5;0, 4 ≤ Y ≤ 0,6) = ∫ ∫ f ( x, y )dxdy =
x =0,2 y =0,4
0,6
=∫
0,5
0,6 1dy dx = 0,5 [ y ] dx = 0,5 0, 2dx = [ 0, 2 x ]0,5 = 0, 2[0,5 − 0, 2] = 0,06
∫y =0,4
x =0,2 ∫x=0,2 0,4 ∫x=0,2 0,2
34
Estadística I [VARIABLE ALEATORIA]
F ( x, y ) = P ( X ≤ x, Y ≤ y )
F ( x, y ) = P( X ≤ x, Y ≤ y ) = ∑ ∑ f ( xi , y j )
xi ≤ x yi ≤ y
x y
F ( x, y ) = P ( X ≤ x, Y ≤ y ) = ∫∫
−∞ −∞
f ( x, y )dxdy
Propiedades:
2. F (+∞, +∞) = 1
Si x1 < x2 ⇒ F ( x1 , y ) ≤ F ( x2 , y )
Si y1 < y2 ⇒ F ( x, y1 ) ≤ F ( x, y2 )
∂ 2 F ( x, y )
= f ( x, y )
∂x∂y
35
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
1 para 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1
f ( x, y ) =
0 en el resto
Por tanto,
∂ 2 F ( x, y )
b) Comprobación de la propiedad = f ( x, y ) :
∂x∂y
∂F ( x, y )
=y
∂x
∂F ( x, y )
d
∂ F ( x, y ) ∂x
2
= = 1 = f ( x, y ).
∂x∂y dy
36
Estadística I [VARIABLE ALEATORIA]
• En resumen:
Caso discreto: f X ( x ) = ∑ f ( x, y ) fY ( y ) = ∑ f ( x, y )
y x
Ejemplo 1:
x+ y
x = 1, 2,3 y = 1, 2
f ( x, y ) = 21
0 en el resto
Resolución:
r s
2) ∑∑ f ( x , y ) = 1
i =1 j =1
i j (se cumple)
37
Estadística I [VARIABLE ALEATORIA]
y=2
x + y x +1 x + 2 2x + 3
f X ( x ) = ∑ f ( x, y ) = ∑ = + = con x = 1, 2,3
y y =1 21 21 21 21
2x + 3
x = 1, 2,3
Por tanto, la función de cuantía de X es: f X ( x) = 21
0 en el resto
2 + y
y = 1, 2
Por tanto, la función de cuantía de Y es: fY ( y ) = 7
0 en el resto.
Ejemplo 2:
1 0 ≤ x ≤ 1 0 ≤ y ≤ 1
f ( x, y ) =
0 en el resto,
Resolución:
f X ( x) = ∫ f ( x, y )dy = ∫ 1dy = [ y ]0 = 1
1
si 0 ≤ x ≤ 1 y
1
0 en el resto.
y y =0
fY ( y ) = ∫ f ( x, y )dx = ∫ 1dx = [ x ]0 = 1
1
si 0 ≤ y ≤ 1 y
1
0 en el resto.
x x =0
38
Estadística I [VARIABLE ALEATORIA]
f ( x, y )
f ( y / x) = para f X ( x) > 0
f X ( x)
y de igual forma,
f ( x, y )
f ( x / y) = para fY ( y ) > 0.
fY ( y )
Ejemplo 1:
x+ y
x = 1, 2,3 y = 1, 2
f ( x, y ) = 21
0 en el resto
Resolución:
2x + 3
x = 1, 2,3
f X ( x) = 21
0 en el resto
39
Estadística I [VARIABLE ALEATORIA]
Por tanto:
x+ y
f ( x, y ) x+ y
f ( y / x) = = 21 = para x = 1, 2,3 y = 1, 2.
f X ( x) 2 x + 3 2 x + 3
21
x+ y x +1 x+2 2x + 3
2) ∑ f ( y / x) =∑ 2 x + 3 = 2 x + 3 + 2 x + 3 = 2 x + 3 = 1.
y y
Ejemplo 2:
Resolución:
f ( x, y )
f ( x / y) = para fY ( y ) > 0.
fY ( y )
Ya sabemos que fY ( y ) = 1 si 0 ≤ y ≤ 1 y 0 en el resto.
Por tanto:
f ( x, y ) 1
f ( x / y) = = =1 para 0 ≤ x ≤1 0 ≤ y ≤1
fY ( y ) 1
1) Es no negativa
f ( x / y )dx = ∫ 1dx = [ x ]0 = 1.
1
∫
1
2)
x x=0
40
Estadística I [VARIABLE ALEATORIA]
f ( x, y ) = f x ( x ) ⋅ f y ( y ) ∀x, ∀y (condición 1)
f ( x / y ) = f X ( x) ∀x, ∀y (condición 2)
f ( y / x ) = fY ( y ) ∀x, ∀y (condición 3)
P ( x1 ≤ X ≤ x2 ; y1 ≤ Y ≤ y2 ) = P ( x1 ≤ X ≤ x2 ) P ( y1 ≤ Y ≤ y2 ) .
P ( x1 ≤ X ≤ x2 ; y1 ≤ Y ≤ y2 ) = ∫
x2 y2 x2 y2
x1 ∫ y1
f ( x, y )dxdy = ∫
x1 ∫ y1
f X ( x) fY ( y )dxdy =
= ∫ f X ( x)dx ∫ fY ( y )dy = P ( x1 ≤ X ≤ x2 ) P ( y1 ≤ Y ≤ y2 )
x2 y2
x1 y1
41
Estadística I [VARIABLE ALEATORIA]
Ejemplo:
1 0 ≤ x ≤ 1 0 ≤ y ≤ 1
f ( x, y ) =
0 en el resto,
Resolución:
f X ( x) = ∫ f ( x, y )dy = ∫ 1dy = [ y ]0 = 1
1
si 0 ≤ x ≤ 1 y
1
0 en el resto.
y y =0
fY (Y ) = ∫ f ( x, y )dx = ∫ 1dx = [ x ]0 = 1
1
si 0 ≤ y ≤ 1 y
1
0 en el resto.
x x=0
f ( x, y ) = f x ( x ) ⋅ f y ( y ) = 1 ⋅ 1 = 1 ∀x, ∀y.
42
Estadística I [VARIABLE ALEATORIA]
+∞ +∞
E[ϕ ( X , Y )] = ∫ ∫ ϕ ( x, y ) f ( x, y )dxdy (variables continuas).
−∞ −∞
• Propiedades:
1. Si ϕ ( X , Y ) = g ( X ) + h(Y ), entonces E [ϕ ( X , Y )] = E [ g ( X ) ] + E [ h(Y ) ]
Aplicaciones:
(1) E [ X + Y ] = E [ X ] + E [Y ]
(2) E [ aX + bY ] = aE [ X ] + bE [Y ]
E [ϕ ( X , Y )] = E [ g ( X ) ⋅ h(Y )] = E [ g ( X )] ⋅ E [ h(Y ) ]
Aplicaciones:
(1) Si X e Y son independientes: E [ XY ] = E [ X ] E [Y ]
E [ X 1 X 2 ⋯ X n ] = E [ X 1 ] E [ X 2 ]⋯ E [ X n ]
M W (t ) = M X ( t ) ⋅ M Y ( t )
43
Estadística I [VARIABLE ALEATORIA]
+∞ +∞
µrs′ = ∫ ∫x
r
y s f ( x, y )dxdy para v.a.´s continuas
−∞ −∞
+∞ +∞
µrs = ∫ ∫ (x − µ X ) r ( y − µY ) s f ( x, y )dxdy para v.a.´s continuas.
−∞ −∞
44
Estadística I [VARIABLE ALEATORIA]
µ10′ = E[ X 1Y 0 ] = E [ X ] = µ x
′ = E[ X 0Y 1 ] = E [Y ] = µ y
µ01
′ = E[ X 2Y 0 ] = E[ X 2 ]
µ20
µ02
′ = E[ X 0Y 2 ] = E[Y 2 ]
µ20 = E[( X − µ X ) 2 (Y − µY )0 ] = E[( X − µ X ) 2 ] = σ X 2 = Var ( X )
µ02 = E[( X − µ X )0 (Y − µY ) 2 ] = E[(Y − µY ) 2 ] = σ Y 2 = Var (Y )
• Propiedades de la covarianza:
Demostración:
Cov ( X , Y ) = E [ XY ] − E [ X ] E [Y ] = E [ X ] E [Y ] − E [ X ] E [Y ] = 0.
por
independencia
45
Estadística I [VARIABLE ALEATORIA]
X e Y independientes ⇒ Cov ( X , Y ) = 0
Cov ( X , Y ) = 0 ⇒ no relación lineal pero no necesariamente independencia
Cov ( X , Y ) ≠ 0 ⇒ X e Y no son independientes.
2. Cov ( X , Y ) = Cov (Y , X ) .
3. Cov ( X , X ) = Var ( X ) .
Cov( X , Y ) σ µ11
ρ XY = = XY =
Var ( X ) Var (Y ) σ X σ Y µ 20 µ02
46
Estadística I [VARIABLE ALEATORIA]
−1 ≤ ρ XY ≤ 1
σ XY 0
ρ XY = = = 0.
σ XσY σ XσY
Ejemplo:
σ XY
ρ XY =
σ XσY
47
Estadística I [VARIABLE ALEATORIA]
1
1 1 x x3 1 x 2 7
E [ X ] = µ X = ∫ xf X ( x)dx = ∫ x x + dx = ∫ x + dx = +
1 1
2
=
0 0
2 0
2 3 2 2 0 12
1
1 1 1 1 x2 x 4 1 x3 5
E X = ∫ x f X ( x)dx = ∫ x x + dx = ∫ x + dx = +
2 2 2
3
=
0 0
2 0
2 4 2 3 0 12
2
5 7 11
σ = E X − E [ X ] = − =
2 2 2
X
12 12 144
1
1 1 y y3 1 y 2 7
E [Y ] = µY = ∫ yfY ( y )dy = ∫ y y + dy = ∫ y + dy = +
1 1
2
=
0 0
2 0
2 3 2 2 0 12
1
1 1 1 1 y2 y 4 1 y3 5
E Y = ∫ y fY ( y )dy = ∫ y y + dy = ∫ y + dy = +
2 2 2 3
=
0 0
2 0
2 4 2 3 0 12
2
5 7 11
σ = E Y − E [Y ] = − =
2 2 2
Y
12 12 144
48
Estadística I [VARIABLE ALEATORIA]
E [ XY ] = ∫ xy ( x + y ) dxdy = ∫ ∫ (x y + xy 2 ) dxdy =
1 1 1 1 1 1
∫ xyf ( x, y )dxdy = ∫ ∫
2
0 0 0 0 0 0
y =1 1
x 2 y 2 xy 3 x =1 x x x3 x 2
= ∫ ∫ ( x y + xy ) dy dx = ∫
2
x =1
1
1
+ dx = ∫x=0 2 + 3 dx = 6 + 6 =
2 2
0
0 x =0
2 3 y =0 0
1 7 7 1
σ XY = E [ XY ] − E [ X ] E [Y ] = − ⋅ =−
3 12 12 144
y el coeficiente de correlación:
1
−
σ XY 1
ρ XY = = 144 =− = −0,09.
σ XσY 11 11 11
⋅
144 144
Se concluye que existe una relación lineal inversa muy débil, ya que el
coeficiente de correlación toma un valor muy próximo a cero.
49
Estadística I [VARIABLE ALEATORIA]
Línea de regresión
σY
ψ ( x) = E [Y / x ] = a + bx = µY + ρ XY (x − µX )
σX
f ( y / x ) = fY ( y ) f ( x / y ) = f X ( x)
ψ ( x) = E [Y / x ] = E[Y ]
ψ ( y ) = E [ X / y ] = E[ X ]
50
Estadística I [VARIABLE ALEATORIA]
EJERCICIOS RESUELTOS
kx 2
0≤ x≤6
f ( x) = 9
0
en el resto
Se pide:
a) Indique si se trata de una variable discreta o continua.
b) Determine el valor de k para que f(x) sea función de densidad.
Represente dicha función.
c) Obtenga la función de distribución de X y represéntela gráficamente.
d) Calcule las siguientes probabilidades:
P ( 0 < X ≤ 1) ; P ( X > 3) ; P ( X < 2 )
e) Halle la media, la mediana y la moda de la distribución.
f) Obtenga la varianza, la desviación típica y el coeficiente de variación.
Resolución:
a) Tipo de variable:
kx 2
1) f ( x) = ≥ 0 ⇒ k ≥ 0.
9
+∞
2) ∫
-∞
f ( x)dx = 1
+∞ 6
k x3 k 63 03
6
kx 2 1
1= ∫
-∞
f ( x)dx = ∫
0
9
dx = = − = 8k ⇒ k =
9 3 0 9 3 3 8
51
Estadística I [VARIABLE ALEATORIA]
x2
0≤ x≤6
f ( x) = 72
0
en el resto
f(x)
0,6
0,5
0,4
0,3
0,2
0,1
0,0
x
-2 -1 0 1 2 3 4 5 6 7 8
-0,1
0 si x < 0
x
F ( x) = P ( X ≤ x ) = ∫ f (t )dt si 0 ≤ x ≤ 6
0
1 si x > 6
donde:
x
1 t3
x x
t2 1 3
∫
0
f (t )dt = ∫ dt = =
0
72 72 3
0 216
x
52
Estadística I [VARIABLE ALEATORIA]
Por tanto:
0 si x < 0
1
F ( x) = x3 si 0 ≤ x ≤ 6
216
1 si x > 6
F(x)
1,2
1,0
0,8
0,6
0,4
0,2
0,0
x
-2 -1 0 1 2 3 4 5 6 7 8
-0,2
d) Cálculo de probabilidades:
1
• P ( 0 < X ≤ 1) = F (1) − F (0) = F (1) =
216
33
• P ( X > 3) = 1 − P ( X ≤ 3) = 1 − F (3) = 1 − = 0,875
216
23
• P ( X < 2 ) = P (−2 < X < 2) = P( X ≤ 2) − P( X ≤ −2) = F (2) = = 0, 037
=0
216
53
Estadística I [VARIABLE ALEATORIA]
+∞ 6
1 x4
6
x2 64
• E [ X ] = µ = ∫ xf ( x) dx = ∫ x dx = = = 4,5
−∞ 0
72 72 4
0 4 ⋅ 72
P ( X ≤ Me ) = F ( Me) = 0,5
1
F ( Me) = ( Me ) = 0,5 ⇒ Me = 4, 76
3
216
0
72 72 5 0
σ 1,162
• CV = ⋅100 = ⋅100 = 25,82%.
µ 4,5
54
Estadística I [VARIABLE ALEATORIA]
e − x x>0
f ( x) =
0 en el resto
Resolución:
0 0
+∞ si t ≥ 1
1 x ( t −1) +∞
= e = 1 0 +∞ 1 1
t −1 0
t − 1 e −∞
− e 0 = − t − 1 = 1 − t si t < 1
1
M X (t ) =
1− t
• Media:
µ = E [ X ] = M X′ (0)
( −1) 1
M X′ (t ) = − =
(1 − t )2 (1 − t )2
µ = M X′ (0) = 1
• Varianza:
2(1 − t )
M X′′ (t ) = − M X′′ (0) = 2
(1 − t ) 4
σ 2 = µ2′ − µ 2 = 2 − 12 = 1.
55
Estadística I [VARIABLE ALEATORIA]
x
1 − 0≤ x≤2
f ( x) = 2
0 en el resto.
Se pide:
a) Determine la probabilidad de que la demanda diaria:
a.1) no supere las 3500 unidades.
a.2) esté comprendida entre 635 y 1870 unidades.
b) Determine la mediana de X y explique su significado con respecto a la
demanda del artículo.
Resolución:
x
1 − 0≤ x≤2
f ( x) = 2
0 en el resto.
a) Determinación de probabilidades:
b) Mediana
x
x
t t2 x2
F ( x) = ∫ 1 − dt = t − = x −
0
2 4 0 4
56
Estadística I [VARIABLE ALEATORIA]
x2 x = 2, 41
F ( x) = x − = 0,5 ⇒
4 dos x = 0,586
soluciones
57
Estadística I [VARIABLE ALEATORIA]
26
0<k < x<∞
f ( x) = x5
0
en el resto.
Se pide:
a) Obtenga el valor de k.
b) Se desea pagar un subsidio especial a los parados de muy larga
duración. ¿A partir de qué semana de permanencia en paro deberá
pagarse para que cubra al 20% de los parados que llevan más
semanas en paro?
c) El 40% de los trabajadores en paro son mujeres y la probabilidad de
permanecer en paro más de tres semanas es de 0,25 para las mujeres.
¿Cuál es la probabilidad de permanecer en paro más de tres semanas
para los hombres?
d) ¿Cuál es la duración media del paro en esta Comunidad Autónoma?
¿Cuántos trabajadores en paro es probable que tengan una
permanencia en paro menor a la media?
Resolución:
a) Valor de k:
26
1) f ( x) = 5 ≥ 0 ⇒ k ≥ 0.
x
+∞
2) ∫
-∞
f ( x)dx = 1
+∞ +∞ −5+1 +∞ −4 +∞
26 6 x 6 x −4 +∞ 24
1= ∫ f ( x)dx = ∫ dx = 2 = 2 −4 = −2 x k = k 4 ⇒ k =2
4
-∞ k
x5 −5 + 1 k k
58
Estadística I [VARIABLE ALEATORIA]
−5+1 x −4x
6 t 6 t
x x
26 −4 x 24
F ( x) = ∫ f (t )dt = ∫ 5 dt = 2 = 2 −4 = −2 t 2 = 1 − x 4 .
4
-∞ 2
t −5 + 1 2 2
Por tanto,
24
P( X ≥ x ) = 0, 2 ⇒ F ( x ) = 0,8 ⇒ 1 − *4 = 0,8 ⇒ x* ≃ 3 semanas.
* *
x
Debe pagarse el subsidio a partir de las tres semanas en paro, para cubrir al
20% de parados con mayor duración en el desempleo.
c) P( X > 3 / H ) :
59
Estadística I [VARIABLE ALEATORIA]
+∞ +∞ −4+1 +∞
26 6 x
E [ X ] = ∫ xf ( x)dx = ∫ x 5 dx = 2 = 2, 67 semanas
−∞ 2
x − 4 + 1 2
24
P ( X < 2,67 ) = F ( 2,67 ) = 1− = 0, 685
( 2, 67 )
4
F ( x ) calculada
en el apartado b)
60
Estadística I [VARIABLE ALEATORIA]
c(2 x 2 + 3 y ) x = 0,1, 2; y = 1, 2; x + y ≤ 3
f ( x, y ) =
0 en el resto.
Se pide:
a) El valor de c para que f ( x, y ) sea función de densidad.
b) La función de densidad marginal de X.
c) Calcule las siguientes probabilidades:
P ( X = 2 ) P ( X = 3) P ( X = 2, Y = 1) P ( X = 2, Y = 2 )
d) Determine la distribución de probabilidad de la variable Y
condicionada por el valor 0 de X. ¿Son las variables X e Y
independientes?
Resolución:
a) Valor de c:
1) f ( x, y ) = c(2 x 2 + 3 y ) ≥ 0 ⇒ c ≥ 0.
2) ∑∑ f ( x, y ) = 1 ⇒ ∑∑ c(2 x 2 + 3 y ) = 1
x y x y
61
Estadística I [VARIABLE ALEATORIA]
1
3c + 5c + 11c + 6c + 8c = 1 ⇒ c =
Y =1 Y =2 33
f X ( x ) = ∑ f ( x, y )
y
1 y=2 1 1
f X ( x) = ∑ (2 x 2 + 3 y ) = 2 x 2 + 3 + 2 x 2 + 6 = 4 x 2 + 9
33 y =1 33 33
1 11 1
Para x=2: f X ( x) = f (2,1) = [8 + 3] = =
33 33 3
c) Cálculo de probabilidades:
1
P ( X = 2 ) = f X (2) =
3
P ( X = 3) = f X (3) = 0
1
P ( X = 2, Y = 1) = f (2,1) =
3
P ( X = 2, Y = 2 ) = 0
d) f (Y / x = 0). ¿Son las variables independientes?
f ( x, y )
f ( y / x) =
f X ( x)
3y
f (0, y ) 33 1
• f (Y / x = 0) = = = y para y = 1, 2 y 0 en el resto.
f X (0) 9 3
33
• Las variables son independientes si se cumple cualquiera de estas tres
condiciones para todo x y para todo y:
62
Estadística I [VARIABLE ALEATORIA]
1) f ( x, y ) = f X ( x) ⋅ fY ( y ) 2) f X ( x) = f ( X / Y = y ) 3) fY ( y ) = f (Y / X = x)
1
P ( X = 2, Y = 1) = f (2,1) = [apartado c)]
3
1
P ( X = 2 ) = f X (2) = [apartado c)]
3
x =2 x=2
1 19
P (Y = 1) = fY (1) = ∑ f ( x, y ) =∑ (2 x 2 + 3) =
x=0 x =0 33 33
1 1 19
Vemos que f (2,1) = ≠ f X (2) ⋅ fY (1) = ⋅ . Por tanto, las variables
3 3 33
aleatorias no son independientes.
63
Estadística I [VARIABLE ALEATORIA]
x + y 0 ≤ x ≤ 1; 0 ≤ y ≤ 1
f ( x, y ) =
0 en el resto.
Se pide:
a) Compruebe que f ( x, y ) es función de densidad.
b) Calcule los valores esperados de las cuotas de mercado. Proporcione
sendas medidas relativas de dispersión y comente los resultados.
c) Obtenga la probabilidad de que la cuota de mercado del producto A
sea igual a la cuota de mercado del producto B y ambas iguales a 0,5.
d) Obtenga la función de densidad de la cuota de mercado del producto
A condicionada a una cuota de mercado para el producto B de 0,5.
e) ¿Son las cuotas de mercado de ambos productos independientes entre
sí?
f) Obtenga el coeficiente de correlación lineal entre las variables.
Comente el resultado.
g) ¿Cuál sería el valor esperado de la cuota de mercado del producto B
para una cuota de mercado del 20% para el producto A?
Resolución:
1) f ( x, y ) ≥ 0. Se cumple para 0 ≤ x ≤ 1; 0 ≤ y ≤ 1
x =1 y =1 x =1 y =1 x =1 x =1
y2 1 x2 1
∫∫
x y
f ( x, y )dxdy = ∫ ∫ ( x + y )dxdy = ∫ xy + dx = ∫ x + dx = + x = 1
x =0 y =0 x =0
2 y =0 x =0
2 2 2 x =0
64
Estadística I [VARIABLE ALEATORIA]
E [ X ] = µ X = ∫ xf X ( x)dx
x
1
1 y2 1
f X ( x) = ∫ f ( x, y )dy = ∫ ( x + y )dy = xy + = x + si 0 < x < 1 y 0 en el resto.
y =0 2 0 2
y
1
1 1 x x3 1 x 2 7
E [ X ] = µ X = ∫ xf X ( x)dx = ∫ x x + dx = ∫ x + dx = +
1 1
2
=
0 0
2 0
2 3 2 2 0 12
• Coeficiente de variación de X:
σX
CVX = ⋅100
µX
1
1 x2 x 4 1 x3
2 1 5
1 1
E X = ∫ x f X ( x)dx = ∫ x x + dx = ∫ x + dx = +
2 2 3
=
0 0
2 0
2 4 2 3 0 12
2
5 7 11
σ = E X − E [ X ] = − =
2 2 2
X
12 12 144
11
+
σX 144 ⋅100 = + 11 ⋅100 = 47,38%
CVX = ⋅100 =
µX 7 7
12
1
fY ( y ) = y + si 0 < y < 1 y 0 en el resto.
2
65
Estadística I [VARIABLE ALEATORIA]
7 5 11 σY
E [Y ] = µY = E Y 2 = σ Y2 = CVY = ⋅100 = 47,38%
12 12 144 µY
Vemos que en ambos casos la desviación típica supone menos del 50% de
la media, por lo que concluimos que ambas cuotas medias son
representativas de sus respectivas distribuciones.
c) P ( X = 0,5; Y = 0,5)
d) f ( x / Y = 0,5) :
f ( x, y ) x + y
f ( x / y) = = 0 ≤ x ≤1 0 ≤ y ≤1
fY ( y ) 1
y+
2
1
x+
f ( x / Y = 0,5) = 2 = x + 1 para 0 ≤ x ≤ 1
1 1 2
+
2 2
e) Comprobación de independencia:
1) f ( x, y ) = f X ( x) ⋅ fY ( y ) 2) f X ( x) = f ( X / Y = y ) 3) fY ( y ) = f (Y / X = x)
1 1
f X ( x) ⋅ fY ( y ) = x + y + ≠ x + y = f ( x, y )
2 2
66
Estadística I [VARIABLE ALEATORIA]
σ XY
ρ XY = donde σ XY = E [ XY ] − µ X µY
σ XσY
E [ XY ] = ∫ xy ( x + y ) dxdy = ∫ ∫ (x y + xy 2 ) dxdy =
1 1 1 1 1 1
∫ xyf ( x, y )dxdy = ∫ ∫
2
0 0 0 0 0 0
y =1
x =1 x y xy 3
= ∫ ∫ ( x y + xy ) dy dx = ∫
2 2
1
1
+ dx =
2 2
0
0 x =0
2 3 y =0
1
x =1 x2 x x3 x 2 1
= ∫ + dx = + =
x =0
2 3 6 6 0 3
1 7 7 1
σ XY = E [ XY ] − E [ X ] E [Y ] = − ⋅ =−
3 12 12 144
y el coeficiente de correlación:
1
−
σ XY 1
ρ XY = = 144 =− = −0,09.
σ XσY 11 11 11
⋅
144 144
Las variables presentan una asociación lineal negativa pero muy débil,
puesto que el coeficiente está muy próximo a cero.
g) E [Y / x = 0, 2]
µY / X = E [Y / X ] = ∫ yf ( y / x)dy
y
67
Estadística I [VARIABLE ALEATORIA]
f ( y, x) x + y
f ( y / x) = = 0 ≤ x ≤1 0 ≤ y ≤1
f X ( x) x + 1
2
y =1 y =1 y =1
x+ y 1 y2
1 y3
µY / X = ∫ y dy = ∫y=0 y( x + y)dy = 1 2 x + 3 =
1 1
y =0 x+ x+ x+ y =0
2 2 2
1 x 1 3x + 2
= + =
1 2 3 6 x + 3
x+
2
3x + 2
Por tanto, µY / X = para 0 ≤ x ≤ 1. Obsérvese que la línea de regresión
6x + 3
no es una línea recta y que sólo es función de la variable X.
3 ⋅ 0, 2 + 2
E [Y / x = 0, 2] = µY / X =0,2 = = 0,619.
6 ⋅ 0, 2 + 3
Vemos que la cuota de mercado esperada del producto B dada una cuota de
mercado del 20% para el producto A es del 61,9%.
68