1 3 VariablesAleatorias

3.
Variables aleatorias
Estadstica
Ingeniera Informatica
Curso 2009-2010
Estadstica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33
Contenidos
1
Variables aleatorias y su distribucion
2
Transformacion de variables aleatorias
3
Medidas caractersticas de una variable aleatoria
Esperanza
Momentos de una variable aleatoria. Varianza
Otras medidas caractersticas
Si en un experimento aleatorio, a cada suceso elemental del espacio (, P)
le asignamos un valor numerico obtenemos una variable que hereda de
la probabilidad P, y que denominamos variable aleatoria.
La probabilidad P de que X tome un valor concreto a, P(X = a), es la
probabilidad que corresponde a la union de los sucesos aleatorios
elementales a los que hemos asignado ese valor a.
Ejemplo 1:
Experimento aleatorio: lanzar un dado.
v.a. mas natural X: asignar a cada cara del dado su valor numerico
X toma seis valores, del 1 al 6, con probabilidad
P(X = a) =
1
6
, a = 1, ..., 6
v.a. (no tan natural) Y: asignar el valor 1 a las caras que son
m ultiplos de tres y el valor 0 a las que no lo son,
Y =
_
1, con probabilidad p =
1
3
0, con probabilidad p =
2
3
Ejemplo 2:
Vamos a realizar un experimento aleatorio que consiste en
seleccionar una persona al azar. Para cada persona observamos el
n umero de hermanos que tiene y su peso.
Podemos usar las v.a.s:
- X para el n umero de hermanos, cuyos valores seran n umeros enteros a
partir de cero,
- Y para el peso; con rango de valores todos los posibles entre los lmites
naturales; entre dos valores posibles de Y se podran obtener innitos
valores intermedios (si utilizaramos aparatos con suciente precision).
Estos innitos valores en el rango de la variable es lo que diferencia a las
variables continuas (Y) de las discretas (X).
Denici on:
Una variable aleatoria X es una funcion X : R, que a cada elemento
del espacio muestral le hace corresponder un n umero real.
El conjunto de valores reales que tienen asociado alg un elemento del
espacio muestral se denomina rango de la v.a.:
X
= {x R : s , X(s) = x}
Si
X
es un conjunto nito o numerable, entonces la variable
aleatoria se denomina discreta.
En caso de que
X
sea un intervalo, nito o innito, entonces la
variable aleatoria se denomina continua.
C omo asignamos una probabilidad P a los valores del rango de una v.a.?
(c omo hereda la variable X la funcion de probabilidad P del espacio ?)
Dado A R, la probabilidad de A viene dada por
P(A) = P(X A) = P(s : X(s) A)
La funcion de
_
masa (v.a. discreta)
densidad (v.a. continua)
_
caracteriza P (inducida por P)
que signica? que conocida la funcion de masa/densidad de X podemos
calcular la probabilidad de cualquier subconjunto A R
por que usarlas? porque son mas faciles de calcular y de manipular
Funcion de masa (v.a.discreta)
Es una funcion que representa la probabilidad de que X tome cada uno de
los posibles valores (discretos) x
i
, i = 1, ..., n, ...:
p : R [0, 1]
x
i
p(x
i
) = P(X = x
i
) =
= P(s : X(s) = x
i
)
Propiedades:
1. 0 p(x) 1, x R
2.
i
p(x
i
) = 1
3. Dado A R, P(X A) =
x
i
A
p(x
i
)
Funcion de densidad (v.a.continua)
Es una funcion f : R R que describe la probabilidad de X de la
siguiente manera: si tenemos un subconjunto de n umeros reales A R, la
probabilidad de que la variable aleatoria continua X tome un valor en
dicho conjunto es P(X A) =
_
A
f (x)dx.
No hay que confundir la probabilidad P(X = a) con el valor de la funcion
de densidad en a, f (a)
Propiedades:
1. f (x) 0, x R,
2.
_
R
f (x)dx = 1.
Como consecuencia:
P(a X b) =
_
b
a
f (x)dx
P(X = a) =
_
{a}
f (x)dx =
_
a
a
f (x)dx = 0
la probabilidad de que una v.a. continua X tome un valor a es cero
P(X a) = P(X < a)
P(X a) = P(X > a)
Funcion de distribucion
Otra funcion F que caracteriza la funcion de probabilidad P de una v.a.
X:
F(x) = P(, x] = P(s : X(s) x), x R
Propiedades:
1. lm
x
F(x) = 0
2. lm
x
F(x) = 1
3. x
1
< x
2
F(x
1
) F(x
2
) (monotona no decreciente)
4. F(x
+
) = lm
h0
+
F(x + h) = F(x) (continua por la derecha)
Como consecuencia:
P(a, b] = P(, b] P(, a] = F(b) F(a)
P(a, b) = P(, b) P(, a] = F(b
) F(a)
P[a, b] = P(, b] P(, a) = F(b) F(a
)
P[a, b) = P(, b) P(, a) = F(b
) F(a
)
P{a} = P(, a] P(, a) = F(a) F(a
) (salto de probabilidad
en a)
donde P(, a) = F(a
)
Si F tiene un salto en un punto a entonces P(a) > 0
Funcion de distribucion de una v.a.discreta
F(x) =
x
i
x
P(X = x
i
) =
x
i
x
p(x
i
)
es una funcion continua a trozos (funcion en escalera)
Funcion de distribucion de una v.a.continua
F(x) =
_
x
f (t)dt
F es continua: no tiene saltos (todos los conjuntos formados por un
solo punto tienen probabilidad cero)
Calculamos f (x) a partir de F(x) derivando: f (x) =
dF(x)
dx
Ejemplo 1:
Experimento aleatorio: lanzar cuatro veces una moneda equilibrada.
Espacio muestral:
= {CCCC, CCC+, CC + C, C + CC, +CCC, CC + +, C + C+, C +
+C, +CC+, +C +C, ++CC, +++C, ++C+, +C ++, C +++, ++++}
X v.a. que expresa el n umero de cruces obtenidas; toma el valor 0 cuando
el resultado es {CCCC}, el valor 1 si ocurre el suceso {CCC+, CC + C,
C + CC, +CCC}, el valor 2 si aparece {CC + +, C + C+, C + +C,
+CC+, +C + C, + + CC}, el valor 3 para los resultados {+ + +C,
+ + C+, +C + +, C + ++}, y el valor 4 si sale {+ + ++}.
P(x
i
) =
_
_
1
16
x
i
= 0
4
16
x
i
= 1
6
16
x
i
= 2
4
16
x
i
= 3
1
16
x
i
= 4
F(x) =
_
_
0 x < 0
1
16
0 x < 1
5
16
1 x < 2
11
16
2 x < 3
15
16
3 x < 4
16
16
= 1 x 4
Ejemplo 1 (cont.):
Se quiere hallar la probabilidad de que aparezcan mas de dos cruces:
P(X > 2) = P(X = 3) + P(X = 4) =
4
16
+
1
16
=
5
16
o tambien:
P(X > 2) = 1 P(X 2) = 1 F(2) =
5
16
Se quiere calcular la probabilidad de que el n umero de cruces sea
mas de 1 y menos de 4:
P{1 < X < 4} = P(X = 2) + P(X = 3) =
4
16
+
6
16
=
10
16
Ejemplo 2:
Sea X una variable aleatoria continua, caracterizada por la siguiente
funcion de densidad:
f (x) =
_
k(x
2
+ 1) si 0 < x < 3
0 en el resto
Para que sea funcion de densidad, la integral en R debe ser 1:
1 =
_
R
f (x)dx =
_
3
0
k(x
2
+ 1)dx =
_
k
x
3
3
+ kx
_
3
0
= k
3
3
3
+ 3k =
= 9k + 3k = 12k k =
1
12
Funcion de distribucion:
F(x) =
_
_
0, x < 0
_
x
0
k(t
2
+ 1)dt, 0 x 3
1, x > 3
=
_
_
0, x < 0
x
3
+ 3x
36
, 0 x 3
1, x > 3
Transformaci on de variables aleatorias
Transformacion de variables aleatorias
Dadas una variable aleatoria X y una funcion real de variable real
g : R R queremos estudiar la distribucion de la variable aleatoria
transformada por g de X, Y = g(X)
Basta con calcular la funcion de distribucion de Y (P esta caracterizada
por F)
F
Y
(y) = P
Y
(Y y) = P
Y
(g(X) y) = P
X
(X A
y
),
donde A
y
= {x : g(x) y} (en muchos casos es sencillo de calcular)
Transformacion de una v.a.discreta
Funcion de distribucion:
F
Y
(y) = P
X
(X A
y
) =
x
i
A
y
p
X
(x
i
) =
g(x
i
)y
p
X
(x
i
)
Funcion de masa:
p
Y
(y) = P
Y
(Y = y) = P
Y
(g(X) = y) =
g(x
i
)=y
p
X
(x
i
)
Transformacion de una v.a.continua
Funcion de distribucion (g continua y creciente):
F
Y
(y) = P
Y
(g(X) y) = P
X
(X g
1
(y)) = F
X
(g
1
(y))
Funcion de densidad (g derivable e inyectiva):
f
Y
(y) = f
X
(x)
dx
dy

Ejemplo:
Dadas la variable aleatoria continua X, con funcion de densidad
f
X
(x) = 2x, 0 < x < 1, y la funcion continua g(x) = 3x + 1, calcular
la funcion de densidad de la variable aleatoria continua Y = g(X).
Como x = g
1
(y) =
y 1
3
,
y
dx
dy
1
3
=
1
3
, sera:
f
Y
(y) =
1
3
f
X
(
y1
3
) =
2y2
9
,
(1 < y < 4)
Ejemplo (cont.):
Alternativamente, podemos calcular f
Y
de la siguiente manera:
Funcion de distribucion de Y:
F
Y
(y) = P(Y y) = P(g(X) y) = P
_
X g
1
(y)
_
= F
X
_
g
1
(y)
_
=
=
_ y1
3
0
2tdt = t
2
y1
3
0
=
(y 1)
2
9
,
y derivamos F
Y
para obtener la funcion de densidad:
f
Y
(y) =
2(y 1)
9
=
2y 2
9
Medidas caractersticas de una variable aleatoria
Medidas caractersticas de una v.a.
El estudio y comparacion de la distribucion de probabilidad de distintas
variables aleatorias es mas sencillo mediante el uso de constantes
(medidas caractersticas de la variable) que caracterizan
la tendencia central de las distribuciones (o valor central alrededor del
cual se encuentran repartidas de forma equilibrada las probabilidades),
la dispersion (mayor o menor densidad en torno al valor central),
etc.
Medidas caractersticas de una variable aleatoria Esperanza
Esperanza (I)
medida caracterstica de tendencia central mas importante
tambien se denomina esperanza matematica, media o valor
esperado de la v.a.
se denota como E[X] o
X
representa el valor promedio o centro de gravedad de los valores que
toma la variable, ponderando estos mediante la correspondiente
probabilidad.
Esperanza (II)
Esperanza de una v.a.discreta
X
= E[X] =
i
x
i
p
X
(x
i
)
Dada g : R R, la esperanza de Y = g(X), viene dada por
Y
= E[Y] =
i
g(x
i
)p
X
(x
i
)
Esperanza de una v.a.continua
X
= E[X] =
_
R
xf
X
(x)dx
Dada g : R R, la esperanza de Y = g(X), viene dada por
Y
= E[Y] =
_
R
g(x)f
X
(x)dx
Esperanza (III)
Propiedades:
Dadas las variables aleatorias X, Y y dos n umeros reales a, b R, se tiene:
E[aX + b] = aE[X] + b
E[X + Y] = E[X] + E[Y]
(es un operador lineal)
Medidas caractersticas de una variable aleatoria Momentos de una variable aleatoria. Varianza
Momentos
valores esperados de ciertas funciones de X
se pueden denir alrededor de cualquier punto de referencia
alrededor del cero momentos ordinarios o respecto al origen
alrededor de la esperanza de X momentos centrales o respecto a la

media
Momento ordinario de orden k:
k
= E[X
k
]
1
=
X
(el momento ordinario de orden 1 es la media de X)
Momento central de orden k:
k
= E[(X
X
)
k
]
1
= E[X
X
] = E[X]
X
=
X

X
= 0 (el momento central de
orden 1 de cualquier v.a. es cero)
Dos v.a. con los mismos momentos tienen la misma distribucion de
probabilidad (los momentos caracterizan la distribucion de probabilidad)
Varianza (I)
momento central de orden 2:
2
= E[(X
X
)
2
]
se denota por V(X) o
2
X
representa la distancia cuadratica promedio a la media dispersion
de una v.a. en torno a su media
su raz cuadrada, , se denomina desviacion tpica
E[(X
X
)
2
] = E[X
2
]
2
X
(el momento central de orden 2 es igual al momento ordinario de orden 2
menos el cuadrado del momento ordinario de orden 1)
Varianza (II)
Varianza de una v.a.discreta
2
X
= V(X) = E[(X
X
)
2
] =
i
(x
i

X
)
2
p
X
(x
i
)
o alternativamente:
2
X
= E[X
2
]
2
X
=
i
x
2
i
p
X
(x
i
)
2
X
Varianza de una v.a.continua
2
X
= V(X) = E[(X
X
)
2
] =
_
R
(x
X
)
2
f
X
(x)dx
o alternativamente:
2
X
= E[X
2
]
2
X
=
_
R
x
2
f
X
(x) dx
2
X
Varianza (III)
Propiedades:
Dada una variable aleatoria X y dos n umeros reales a, b R, se verica:
V(X) = E[X
2
] (E[X])
2
V(aX) = a
2
V(X)
V(b) = 0
V(aX + b) = a
2
V(X)
Desigualdad de Chebichev:
P(|X
X
| > k
X
)
1
k
2
Medidas caractersticas de una variable aleatoria Otras medidas caractersticas
Mediana (I)
Mediana de una v.a. X
Es el valor Me tal que
P(X < Me)
1
2
, y F(Me) = P(X Me)
1
2
es una medida de tendencia central en el sentido de que es el valor
para el cual la distribucion de probabilidad queda dividida en dos
partes iguales
Mediana (II)
Mediana de una v.a.discreta
es el primer valor (o rango de valores) que acumula (por la izquierda) una
probabilidad mayor o igual a
1
2
Mediana de una v.a.continua
es el valor que verica F(Me) =
1
2
Coeciente de variaci on
CV
X
=

X
X
expresa la magnitud de la dispersion de una variable aleatoria con
respecto a su valor esperado
permite comparar la dispersion relativa de dos distribuciones de
probabilidad
especialmente util cuando la escala de medida de las variables que
queremos comparar diere notablemente
Ejemplo:
Sea la variable aleatoria discreta X correspondiente al n umero de
cruces obtenidas al lanzar 4 veces una moneda
Funcion de masa: P(x
i
) =
_
_
1
16
x
i
= 0
4
16
x
i
= 1
6
16
x
i
= 2
4
16
x
i
= 3
1
16
x
i
= 4
Media:
X
= 0
1
16
+ 1
4
16
+ 2
6
16
+ 3
4
16
+ 4
1
16
= 2
La funcion de distribucion a la izquierda de 2 es
5
16
y en 2 es
11
16

Me =2.
Varianza:
2
X
= 0
2
1
16
+1
2
4
16
+2
2
6
16
+3
2
4
16
+4
2
1
16
2
2
=
16
16
= 1
Coeciente de variacion: CV
X
=
1
2
=
1
2
Ejemplo:
Sea la variable aleatoria continua X, con funcion de densidad
f
X
(x) = 2x, si 0 < x < 1.
Media:
X
=
_
1
0
x 2xdx =
2x
3
3
1
0
=
2
3
= 0,67
La mediana sera el valor Me tal que
1
2
=
_
Me
0
2xdx = x
2
Me
0
= Me
2
,
luego Me =
_
1
2
= 0,71
Momento ordinario de orden 2: E[X
2
] =
_
1
0
x
2
2xdx =
2x
4
4
1
0
=
1
2

2
X
=
1
2

_
2
3
_
2
=
1
18
= 0,05
Coeciente de variacion: CV
X
=
_
1
18
2
3
=
1
2
2
=
2
4

1 3 VariablesAleatorias

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

1 3 VariablesAleatorias

Enviado por

Direitos autorais:

Formatos disponíveis

3.

Estadstica (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 18 / 33

alrededor del cero momentos ordinarios o respecto al origen

alrededor de la esperanza de X momentos centrales o respecto a la

Você também pode gostar