Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VarAleatorias 3
VarAleatorias 3
Como verás hay v.a. de dos tipos discretas y continuas y de estos dos tipos hay de una dimensión, de dos ,...
en general de dimensión n.
El tema 3 se refiere a aspectos generales de todas.
El tema 4 de algo muy específico que yo lo dejaría para el final.
El tema 5 es para algunos modelos de v.a. discretas de dim 1 con nombre propio (más "famosos")
El tema 6 es para algunos modelos de v.a. continuas de dim 1 con nombre propio (más "famosos")
El tema 7 es para algunos modelos de v.a. discretas y otros de continuas de dim2 con nombre propio (más
"famosos")
A mí me parece más fácil estudiar primero las v.a. discretas de dim 1(parte del tema 3). Seguir con las de ese
tipo que tiene nombre propio (tema5).
Pasar a ver las continuas de dim 1 (parte del tema 3). Seguir con las de ese tipo que tiene nombre propio
(tema6).
Pasar a las de dim 2 primero discretas y luego continuas (parte del tema 3) y pasar a las de nombre propio
(tema7).
Las transparencias están preparadas en ese orden.
Los conceptos en discretas y continuas son los mismos, pero en discretas el cálculo es más fácil. Así si se
empieza por las discretas a la vez que entiendes los conceptos vas llevando los cálculos más fácilmente. cuando
pasas a las continuas, como los conceptos están ya vistos, solo te tienes qué preocupar de entender qué cambia
en el cálculo.
Discreta 1 Temas 3 y 5 Tema 4 : función generatriz de momentos
y función característica de una variable aleatoria
Variable aleatoria
(dimensión=1)
Continua 2 Temas 3 y 6
Discreta Temas 3 y 7
Variable aleatoria bidimensional
Vector aleatorio (dimensión=2)
Continua Temas 3 y 7
Discreta Temas 3 y 7
Variable aleatoria n-dimensional
Vector aleatorio (dimensión=n)
Continua Temas 3 y 7
Variable aleatoria Variables aleatorias
Discretas Continuas
Se hacen tres lanzamientos de una moneda Sus valores son puntos
cuya probabilidad de cara es: P(c)=0.8 Sus valores forman un
aislados de R
intervalo de R
Si queremos observar “el número de caras”, el
Ejp1: número de caras
resultado será un número que no podemos prever. Ejp3: Punto donde para la
en tres lanzamientos
Tenemos la variable aleatoria X: número de caras aguja en esta ruleta de
de la moneda P(c)=0.8
juego 0
{0,1,2,3}
cxx ccx 0.75 0.25
3
1 0.096
P(X=1)=P(cxx) =0.8 0.2^2 3=0.096
1
3 2 0.384
P(X=2)=P(ccx) 2
=0.8^2 0.2 3=0.384
P(X=3)=P(ccc)=0.8^3=0.512 3 0.512
Suma=1
Función de probabilidad o cuantía Otro ejemplo (ejp2): con la moneda de P(c)=0.8 s considera la v.a. X:
Otro ejemplo: en tres lanzamientos de la moneda con P(c)=0.8, se número de lanzamientos hasta obtener cara. En ese caso las imágenes
observa la v.a. X: “número de caras menos número de cruces”. posibles para X son:{1,2,3,4,5,6,…}
En ese caso las imágenes posibles son: 3, cuando hay 3 caras; 1, con P(X=1)=P(C1)=0.8
dos caras y una cruz; -1, con una cara y dos cruces y -3, con tres P(X=2)=P(X1,C2) =0.2 0.8=0.16
cruces. P(X=3)= P(X1,X2, C3) =0.2^2 0.8 =0.032
P(X=4)=P(X1,X2, X3,C4)=0.2^3 0.8=0.0064
P(X=-3)=P(xxx)=0.2^3=0.008. ……
P(X=-1)=P(cxx) 31 =0.8 0.2^2 3=0.096
P(X=1)=P(ccx) 32 =0.8^2 0.2 3=0.384 X P
P(X=3)=P(ccc)=0.8^3=0.512 1 0.8
2 0.2 0.8
X P 3 0.2^2 0.8
-1 0.096 … …
3 0.512
…… ….
Suma=1
Suma=1
Esperanza o media de una v.a. E[X]
En el segundo ejemplo
La idea de esperanza es la idea de valor
X P
promedio. Se trata de representar al conjunto
de valores de la variable con un único valor. -3 0.008
Esto implica la pérdida de información. -1 0.096
Este valor se calcula así: 1 0.384
3 0.512
E[X]=Σ x P(X=x),
donde x representa cada valor de la variable. E[X]=Σ x P(X=x)=(-3)*0.008+(-1)*0.096+1*0.384+3*0.512=1.8
En el primer ejemplo
X P
0 0.008
En el tercer ejemplo
1 0.096
X P
2 0.384 E[X]=Σ x P(X=x)=1*0.8+2*0.2*0.8+3*0.2^2*0.8+….=1.25
1 0.8
3 0.512 Esta suma es una serie. Es posible que os aparezcan
2 0.2 0.8
series para sumar. Es aconsejable que estudiéis la
E[X]=Σ x P(X=x)= 3 0.2^2 0.8 serie geométrica, la suma de los infinitos términos
=0*0.008+1*0.096+2*0.384+3*0.512=2.4 y la suma de los k primeros términos, porque puede
4 0.2^3 0.8
salir .
… …
*La serie anterior no es geométrica.
Vamos a calcular la función de probabilidad de ser Y=X2
Transformada de una v.a. Y=g(X)
¿Qué valores toma Y?
Si X=-3 Y=9
Supongamos que tenemos la variable Y=X2 P
Si X=-1 Y=1
aleatoria X con su distribución de probabilidad
Si X=1 Y=1 1 0.096+0.384=0.48
y que estamos interesados en una
Si X=3 Y=9 9 0.008+0.512=0.52
transformada de X, g(X) como pueden ser Y=X2
o Z=2X-1 o T=(X-1)2.
Se puede calcular su esperanza
Podemos decir que si X es una v.a., es decir es E[Y]= E[X2]= 1*0.48+9*0.52=5.16
un numero que está elegido por el azar,
Vamos a calcular la función de probabilidad de ser Z=2X-1
también lo es Y, dado que será un numero que
también estará elegido por el azar. ¿Qué valores toma Y? Z=2X-1 P
Tiene sentido obtener la función de Si X=-3 Z=-7 -7 0.008
probabilidad de Y. Si X=-1 Z=-3 -3 0.096
(Lo mismo de Z y T) Si X=1 Z=1
1 0.384
Si X=3 Z=5
Ejemplo: sea la v.a. X cuya función de probabilidad es: 5 0.512
Vamos a calcular la función de probabilidad de ser T=(X-1)2
X P
¿Qué valores toma Y?
-3 0.008 Si X=-3 T=16 T=(X-1)2 P
-1 0.096 Si X=-1 T=4 0 0.384
1 0.384 Si X=1 T=0 4 0.608
Si X=3 T=4
3 0.512 16 0.008
Esperanza de una transformada de una v.a. E[g(X)]
Varianza de una de una v.a. σ2(X)
Se trata de calcular la E[g(X)] sin necesidad de obtener su función
de distribución.
E[g(X)]=Σ g(x) P(X=x) σ2(X)=E[ (X-E[X])2 ]
Ejemplo: sea la v.a. X cuya función de probabilidad es: atajo de cálculo
X P
-3 0.008 σ2(X)=E[X2]-(E[X])2
-1 0.096
La varianza de una v.a. X es la media del cuadrado
1 0.384
de las distancias de sus valores a su media.
3 0.512 Es una medida de la cantidad de variación de la
variable.
E[X2]=Σ x2 P(X=x)=
En nuestro ejemplo
(-3)2*0.008+(-1)2*0.096+12*0.384+32*0.512=5.16
σ2(X)=E[X2]-(E[X])2 =5.16-1.82=1.92
!!CUIDADO!! Se llama desviación típica o estándar de la
No es lo mismo E[g(X)] que g(E[X]) variable a σ(X)= σ2(X)
Por ejemplo E[X2]≠ (E[X])2
En nuestro ejemplo
Propiedad de linealidad de la esperanza σ2(X)= σ2(X)= 1.92 = 1.38
La llamada de atención anterior tiene una excepción muy
práctica. PROPIEDAD DE LINEALIDAD DE LA VARIANZA
E[aX+b]=aE[X]+b σ2(aX+b)=a2 σ2(X)
En nuestro ejemplo E[2X-1]=2E[X]-1=2*1.8-1=2.6