Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables y Funciones de
Distribución
C.I.V.- 29.894.467
1
ÍNDICE
Pág.
Introducción…………………………………………………………… 3
Variable Aleatoria…………………………………………………….. 5
condicional…………………………………………………………….. 15
Conclusión………………………………………………………………. 22
Referencias bibliográficas……………………………………………….. 23
2
INTRODUCCIÓN
3
emplearon recursos bibliográficos ubicados en páginas y enlaces de la web,
estructurando y adecuando cada aspecto de la investigación de tal forma de hacerlo lo
más fácil posible de comprender para cualquier persona que se tome el tiempo de
leerlo. Igualmente se espera que esta investigación pudiese servir de referencia a
investigaciones futuras.
4
VARIABLE ALEATORIA
Χ: Ω = ℝ
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una cantidad
cuyo valor actualmente existente es incierto (p.e., como resultado de una medición
incompleta o imprecisa). Intuitivamente, una variable aleatoria puede tomarse como
una cantidad cuyo valor no es fijo pero puede tomar diferentes valores; una
distribución de probabilidad se usa para describir la probabilidad de que se den los
diferentes valores. En términos formales una variable aleatoria es una función
definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones o cualquier tipo de elementos (de
un espacio medible). El término elemento aleatorio se utiliza para englobar todo ese
tipo de conceptos relacionados. Un concepto relacionado es el de proceso estocástico,
un conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).
5
RX= (X ϵ ℝ ʒ ώ ϵ Ω: Χ (ώ)= x)
Por ejemplo: en una epidemia de cólera, se sabe que una persona cualquiera
puede enfermar o no (suceso), pero no se sabe cuál de los dos sucesos va a ocurrir.
Solamente se puede decir que existe una probabilidad de que la persona enferme.
6
Una variable aleatoria es cualquier función que hacemos corresponder a un
determinado experimento aleatorio, mediante la cual asociamos a cada elemento del
espacio muestra, que denotamos por Ω, un número real: X: Ω →R.
Llamamos rango de una variable aleatoria a la imagen de la función anterior,
es decir, los números reales que puede tomar nuestra variable aleatoria: R= {xεR/
existe ωε Ω: X (ω)=x}.
Para denotar las variables aleatorias utilizamos letras mayúsculas, mientras
que para designar los valores concretos de las mismas utilizamos las letras
minúsculas. Una variable aleatoria discreta es aquella que asociamos a experimentos
a aleatorios donde la variable sólo puede tomar valores enteros; aunque en algunas
ocasiones también pueden ser decimales siempre y cuando estén dentro de un rango
concreto. Por ejemplo si X= {2; 2,5; 3; 3,5}, en este caso se trata de una variable
discreta porque X no puede tomar ningún valor entre medias.
Algunos de los ejemplos para los que utilizamos este tipo de variables es
cuando estudiamos el número de hijos o hermanos de una familia, el número obtenido
al lanzar un dado, entre otros.
Ejemplo: Si lanzamos dos monedas, hallar la variable aleatoria X que estudia
el número de caras.
1º) En primer lugar, estudiamos el espacio muestra: Ω= {XX,CC,XC,CX},
(donde X corresponde a sacar cara y evidentemente, C corresponde a sacar cara)
2º) Definimos nuestra variable aleatoria como la siguiente aplicación:
X: Ω →R
Una variable aleatoria discreta viene determinada por su función de
probabilidad: P(X=x), que es una aplicación que asocia a cada valor x de la variable
aleatoria X, la probabilidad de que la variable tome ese valor. Por tanto, es una
aplicación que tiene como conjunto de partida la variable X y como conjunto de
llegado el intervalo [0,1], ya que la probabilidad tiene que estar entre esos valores:
P(X=x): X→[0,1].
Propiedades: Si llamamos Pi=P(X=xi) para cada xi perteneciente a la variable
aleatoria X, se tiene que:
7
a) Por ser una probabilidad: 0≤Pi≤1
b) La suma de todas las probabilidades tiene que ser 1: ∑Pi=1.
c) Se representa mediante un diagrama de barras.
Ejemplo: A partir del caso anterior, cuando lanzamos dos monedas, estudiar la
función de probabilidad para la variable aleatoria X= {número de caras}
1º) En primer lugar definimos la variable aleatoria (lo cual hemos hecho en el
ejemplo anterior), para saber los valores que puede tomar. Luego, X={0,1,2}
Por tanto la función de probabilidad que la representamos mediante una tabla queda
de la siguiente manera:
Una variable aleatoria puede ser discreta o continua según sea el rango de esta
función.
8
Dada una variable aleatoria discreta X, a la función acumulativa:
2. F(x i) ³ F(x j) si xi ³ xj
9
Una función de probabilidad de una variable aleatoria discreta es una
función que asigna probabilidades a los valores de la variable aleatoria. Su fórmula es
la siguiente:
Sea una variable aleatoria X sobre (Ω, A, P) y una función medible de Borel g: ℝ- ℝ
entonces Y=g(X) será también una variable aleatoria sobre Ω dado que la composición de
funciones medibles también es medible a no ser g sea una función medible de Lebesgue. El
mismo procedimiento que permite ir de un espacio de probabilidad (Ω, P) a ( ℝ dFx) puede
ser utilizado para obtener la distribución de Y. La función de probabilidad acumulada de Y es
10
Si la función g es invertible, es decir g-1 existe, y es monótona creciente, entonces
la anterior relación puede ser extendida para obtener
Si y ≥ 0, entonces
por lo tanto
11
Se define como el cociente entre la probabilidad de X de tomar un valor en el
intervalo [x, x + dx] y dx, siendo dx un infinitésimo.
12
La función de distribución de una variable aleatoria con valores en (o más
precisamente de su ley) es la función , de en [0,1], que a asocia:
Proposición:
Ejemplo de la distribución
13
exactamente 190 libras es cero. Podría calcular una probabilidad diferente de cero de
que un hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1
libras, pero la probabilidad de que pese exactamente 190 libras es cero.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
14
0.08346; por lo tanto, la probabilidad de que el número de llamadas por día sea 15 o
más es 8.35%.
Cuando X y Y son v.a. continuas, f(x,y) es una superficie sobre un plano xy,
entonces:
15
Variables aleatorias conjuntas continuas
Cuando X y Y son v.a. continuas, f(x,y) es una superficie sobre un plano xy,
entonces:
16
El comportamiento de las variables aleatorias puede modificar el
comportamiento probabilístico de la otra variable, esto sólo sucede si las variables
conjuntas son dependientes.
Si para dos v.a. conjuntas (X,Y), se conoce con certeza el valor que tomará Y,
el mejor pronóstico del valor que tomará X, es el valor esperado de X a partir de su
distribución condicional correspondiente. Es decir, si se sabe que Y=y0, el valor
pronosticado para X es:
Correlación:
17
X y Y son ortogonales si R_XY=0
Propiedades:
1. Si X e Y son variables aleatorias independientes, entonces ρ=0.
2. Para cualquier par de variables conjuntas -1≤ ρ ≤ 1.
18
aleatorio cuando la probabilidad de cada suceso se mantiene constante y el
experimento se repite un elevado número de veces. Cabe decir que el valor que toma
la esperanza matemática en algunos casos puede no ser "esperado" en el sentido más
general de la palabra (el valor de la esperanza puede ser improbable o incluso
imposible).
y cabe destacar que 3,5 no es un valor posible al tirar el dado. En este caso, en
el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media
aritmética. Una aplicación común de la esperanza matemática es en las apuestas o los
juegos de azar. Por ejemplo, la ruleta francesa tiene 37 casillas equiprobables. La
ganancia para acertar una apuesta a un solo número paga de 35 a 1 (es decir,
cobramos 35 veces lo que hemos apostado). Por tanto, considerando los 37 posibles
resultados, la esperanza matemática del beneficio para apostar a un solo número es:
19
Definición: Para una variable aleatoria discreta con valores posibles y
sus probabilidades representadas por la función de probabilidad P (Χ) la esperanza se
calcula como ejemplo:
k
Las esperanzas E [X ] para K= 1,2,3…… se llaman momentos de orden (K)
Más importantes son los momentos centrados No todas las
variables aleatorias tienen un valor esperado. Por ejemplo, la distribución de Cauchy
no lo tiene.
Propiedades
Si X está delimitada por dos números reales, a y b, tal que: a < X < b,
entonces también lo está su media: a < E [X]<b
Linealidad
20
La esperanza es un operador lineal, ya que si X e Y son independientes Por
ende:
21
CONCLUSIÓN
22
REFERENCIAS BIBLIOGRÁFICAS
23