Escolar Documentos
Profissional Documentos
Cultura Documentos
1
1 Variables aleatorias
5 Interpretacion grafica
8 Distribucion Condicional
2
Variables aleatorias
3
Supongamos que a cada punto del espacio muestral se le
asigna un numero. Entonces hemos definido una funcion en el
espacio muestral Esta funcion es llamada variable aleatoria
(o variable estocastica) o de manera mas precisa funcion
aleatoria.
Usualmente, las variables aleatorias se denotan por letras
mayusculas como X o Y . En general, una variable aleatoria
tiene algun significado fsico, geometrico, economico,
financieros, etc.
4
Supongamos que a cada punto del espacio muestral se le
asigna un numero. Entonces hemos definido una funcion en el
espacio muestral Esta funcion es llamada variable aleatoria
(o variable estocastica) o de manera mas precisa funcion
aleatoria.
Usualmente, las variables aleatorias se denotan por letras
mayusculas como X o Y . En general, una variable aleatoria
tiene algun significado fsico, geometrico, economico,
financieros, etc.
4
Supongamos que a cada punto del espacio muestral se le
asigna un numero. Entonces hemos definido una funcion en el
espacio muestral Esta funcion es llamada variable aleatoria
(o variable estocastica) o de manera mas precisa funcion
aleatoria.
Usualmente, las variables aleatorias se denotan por letras
mayusculas como X o Y . En general, una variable aleatoria
tiene algun significado fsico, geometrico, economico,
financieros, etc.
4
Supongamos que a cada punto del espacio muestral se le
asigna un numero. Entonces hemos definido una funcion en el
espacio muestral Esta funcion es llamada variable aleatoria
(o variable estocastica) o de manera mas precisa funcion
aleatoria.
Usualmente, las variables aleatorias se denotan por letras
mayusculas como X o Y . En general, una variable aleatoria
tiene algun significado fsico, geometrico, economico,
financieros, etc.
4
Ejemplo 1.1.
5
Ejemplo 1.1.
5
Funciones de probabilidad
discretas
6
Sea X una variable aleatoria discreta. Supongamos que los
valores que puede tomar son x1 , ..., xk , arreglados en algun
orden dado. Supongamos tambien que esos valores tienen
alguna probabilidad dada por
P (X = xk ) = f (xk ). (2.1)
7
Sea X una variable aleatoria discreta. Supongamos que los
valores que puede tomar son x1 , ..., xk , arreglados en algun
orden dado. Supongamos tambien que esos valores tienen
alguna probabilidad dada por
P (X = xk ) = f (xk ). (2.1)
7
Sea X una variable aleatoria discreta. Supongamos que los
valores que puede tomar son x1 , ..., xk , arreglados en algun
orden dado. Supongamos tambien que esos valores tienen
alguna probabilidad dada por
P (X = xk ) = f (xk ). (2.1)
7
Funcion de probabilidad
f (x)
x = xk
P (X = x) = (2.2)
0
en otro caso
8
En general, f (x) sera una funcion de probabilidad si
f (x)
0
P
x f (x)
= 1.
9
Ejemplo 2.1.
10
Problema Resuelto 2.1.
11
Problema Resuelto 2.2.
12
Funciones de distribucion para
variables aleatorias discretas
13
La funcion de distribucion de una variable discreta X se
obtiene de la funcion de probabilidad a traves de la siguiente
formula
X
F (x) = P (X x) = f (u). (3.1)
ux
14
Si X toma solo un numero finito de valores x1 , ..., xn entonces
la funcion de distribucion esta dada por
0
< x < 0
f (x1 ) x1 x < x2
F (x) = f (x1 ) + f (x2 ) x2 x < x3 (3.2)
. ..
..
.
f (x1 ) + + f (xn ) xn x <
15
Ejemplo 3.1.
16
17
Observacion:
18
Observacion:
18
Observacion:
18
La funcion de probabilidad se puede obtener a partir de la
funcion de distribucion con la siguiente formula
19
Problema Resuelto 3.1.
20
21
Problema Resuelto 3.2.
22
23
Variable Aleatorias Continuas
24
Una variable aleatoria no discreta X se llama absolutamente
continua (o simplemente continua) si su funcion de
distribucion puede ser representada como
Z x
F (x) = P (X x) = f (u)du, < x < . (4.1)
1 f (x) 0
Z
2 f (x)dx = 1.
25
Una variable aleatoria no discreta X se llama absolutamente
continua (o simplemente continua) si su funcion de
distribucion puede ser representada como
Z x
F (x) = P (X x) = f (u)du, < x < . (4.1)
1 f (x) 0
Z
2 f (x)dx = 1.
25
La probabilidad de que X se encuentre entre dos valores a y b
esta dada por
Z b
P (a < x < b) = f (x)dx. (4.2)
a
26
P (X = a) = 0. (4.3)
27
P (X = a) = 0. (4.3)
27
Ejemplo 4.1.
28
Ejemplo 4.1.
28
Ejemplo 4.2.
29
La probabilidad de que X se encuentre entre x y x + x esta
dada por
Z x+x
P (x X x + x) = f (u)du, (4.5)
x
P (x X x + x) f (x)x. (4.6)
30
La probabilidad de que X se encuentre entre x y x + x esta
dada por
Z x+x
P (x X x + x) = f (u)du, (4.5)
x
P (x X x + x) f (x)x. (4.6)
30
Tambien podemos deducir de (4.1), al diferenciar de ambos
lados, que
dF (x)
= f (x) (4.7)
dx
en todos aquellos puntos en que f (x) sea continua. Es decir,
la derivada de la funcion de distribucion es la funcion de
densidad.
31
Tambien podemos deducir de (4.1), al diferenciar de ambos
lados, que
dF (x)
= f (x) (4.7)
dx
en todos aquellos puntos en que f (x) sea continua. Es decir,
la derivada de la funcion de distribucion es la funcion de
densidad.
31
Observacion: Existen variables aleatorias que no son
discretas ni continuas. Por ejemplo
0 x<1
F (x) = x (4.8)
2
1x<2
1 x 2.
32
Observacion: Existen variables aleatorias que no son
discretas ni continuas. Por ejemplo
0 x<1
F (x) = x (4.8)
2
1x<2
1 x 2.
32
Problema Resuelto 4.1.
33
Problema Resuelto 4.1.
33
Problema Resuelto 4.2.
34
Problema Resuelto 4.3.
Encuentre
35
Interpretacion grafica
36
La distribucion F (x) = P (X x) es monotonamente
creciente de 0 a 1...
37
...y el area bajo dicha curva es igual a 1.
38
Distribucion conjunta de
probabilidad
39
Las ideas anteriores se generalizan facilmente a dos o mas
variables.
40
Caso discreto
P (X = x, Y = y) = f (x, y) (6.1)
donde
1 f (x, y) 0;
P P
2 k y f (x, y) = 1.
41
Caso discreto
P (X = x, Y = y) = f (x, y) (6.1)
donde
1 f (x, y) 0;
P P
2 k y f (x, y) = 1.
41
Supongamos que X solo toma uno de los m valores x1 , ..., xm ,
mientras que Y tomas solo toma uno de los n valores
y1 , ..., yn .
Entonces la probabilidad del evento X = xj , Y = yk esta dada
por
P (X = xj , Y = yk ) = f (xj , yk ) (6.2)
42
Supongamos que X solo toma uno de los m valores x1 , ..., xm ,
mientras que Y tomas solo toma uno de los n valores
y1 , ..., yn .
Entonces la probabilidad del evento X = xj , Y = yk esta dada
por
P (X = xj , Y = yk ) = f (xj , yk ) (6.2)
42
Una funcion de probabilidad conjunta para X y Y puede ser
representada por una tabla de probabilidad conjunta como
la siguiente:
43
La probabilidad de X = xj se obtiene de la siguiente manera
n
X
P (X = xj ) = fX (xj ) = f (xj , yk ). (6.3)
k=1
44
De manera similar, la probabilidad de Y = yk se obtiene de la
siguiente manera
m
X
P (Y = yk ) = fY (yk ) = f (xj , yk ). (6.4)
j=1
45
Nos referiremos a fX (x) y fY (y) como funciones de
probabilidad marginal de X y Y respectivamente.
46
Observe que
m
X n
X
fX (xj ) = 1, fY (yk ) = 1, (6.5)
j=1 k=1
47
Observe que
m
X n
X
fX (xj ) = 1, fY (yk ) = 1, (6.5)
j=1 k=1
47
La funcion de distribucion conjunta esta definida por
XX
F (x, y) = P (X x, Y y) = f (u, v) (6.7)
ux vy
48
Caso continuo
49
La funcion de probabilidad conjunta (o de manera mas
comun funcion de densidad conjunta) de Xy Y esta
definida por
1 f (x, y) 0;
Z Z
2 f (x, y)dxdy = 1.
50
Graficamente z = f (x, y) representa una superficie de
probabilidad
51
Z bZ d
P (a < X < b, c < Y < d) = f (x, y)dydx. (6.8)
a c
52
A cada evento A corresponde una region RA del plano xy tal
que
ZZ
P (A) = f (x, y)dxdy. (6.9)
RA
53
La funcion de distribucion conjunta de X y Y en este caso
esta definida por
Z x Z y
F (x, y) = P (X x, Y y) = f (u, v)dvdu.
(6.10)
54
Se sigue que
2F
= f (x, y) (6.11)
xy
Z x Z
P (X x) = FX (x) = f (u, v)dvdu (6.12)
Z Z y
P (Y y) = FY (y) = f (u, v)dvdu (6.13)
55
Diremos que FX (x), FY (y) son las funciones de distribucion
marginal, o simplemente funciones distribuciones, de X y
Y , respectivamente.
56
Las derivadas de (6.12) y (6.13) con respecto a x y y son
llamadas funciones de densidad marginal, o simplemente
las funciones de densidad, de X y Y estan dados por
Z Z
fX (x) = f (x, v)dv, fY (x) = f (u, y)du. (6.14)
57
Variables Aleatorias
Independientes
58
Supongamos que X y Y son variables aleatorias discretas. Si
los eventos X = x y Y = y son eventos independientes para
todo x, y, entonces diremos que X, Y son v.as independientes.
59
Supongamos que X y Y son variables aleatorias discretas. Si
los eventos X = x y Y = y son eventos independientes para
todo x, y, entonces diremos que X, Y son v.as independientes.
59
Supongamos que X y Y son variables aleatorias discretas. Si
los eventos X = x y Y = y son eventos independientes para
todo x, y, entonces diremos que X, Y son v.as independientes.
59
En tal caso,
o de manera equivalente
60
En tal caso,
o de manera equivalente
60
De manera inversa, si para todo x, y la funcion de probabilidad
conjunta f (x, y) pueden ser expresada como el producto de
funciones de probabilidad marginal fX (x)fY (y), entonces
X, Y son independientes.
Si no pueden expresarse de dicha manera, entonces X, Y son
dependientes.
61
De manera inversa, si para todo x, y la funcion de probabilidad
conjunta f (x, y) pueden ser expresada como el producto de
funciones de probabilidad marginal fX (x)fY (y), entonces
X, Y son independientes.
Si no pueden expresarse de dicha manera, entonces X, Y son
dependientes.
61
Si X, Y son v.as continuas, diremos que son independientes
si los eventos X x y Y y son independientes para todo
x, y.
En tal caso, escribiremos
P (X x, Y y) = P (X x)P (Y y) (7.3)
o de manera equivalente
62
Si X, Y son v.as continuas, diremos que son independientes
si los eventos X x y Y y son independientes para todo
x, y.
En tal caso, escribiremos
P (X x, Y y) = P (X x)P (Y y) (7.3)
o de manera equivalente
62
Si X, Y son v.as continuas, diremos que son independientes
si los eventos X x y Y y son independientes para todo
x, y.
En tal caso, escribiremos
P (X x, Y y) = P (X x)P (Y y) (7.3)
o de manera equivalente
62
Si X, Y son v.as continuas, diremos que son independientes
si los eventos X x y Y y son independientes para todo
x, y.
En tal caso, escribiremos
P (X x, Y y) = P (X x)P (Y y) (7.3)
o de manera equivalente
62
De manera inversa, si para todo x, y la funcion de probabilidad
conjunta f (x, y) pueden ser expresada como el producto de
funciones de probabilidad marginal FX (x)FY (y), entonces
X, Y son independientes.
Si no pueden expresarse de dicha manera, entonces X, Y son
dependientes.
63
De manera inversa, si para todo x, y la funcion de probabilidad
conjunta f (x, y) pueden ser expresada como el producto de
funciones de probabilidad marginal FX (x)FY (y), entonces
X, Y son independientes.
Si no pueden expresarse de dicha manera, entonces X, Y son
dependientes.
63
Para v.as independientes continuas, tambien es cierto que la
funcion de densidad conjunta f (x, y) es el producto de
funciones fX (x)fY (y) y estas son las funciones de densidad
marginal de X, Y respectivamente.
64
Problema Resuelto 7.1.
65
66
Problema Resuelto 7.2.
67
Problema Resuelto 7.3.
68
Problema Resuelto 7.4.
69
Problema Resuelto 7.5.
70
Problema Resuelto 7.6.
71
72
Problema Resuelto 7.7.
73
74
Distribucion Condicional
75
Nosotros ya sabemos que si P (A) > 0,
P (A B)
P (B|A) = . (8.1)
P (A)
76
Si X, Y son v.as discretas y tenemos los eventos
A = {X = x} , B = {Y = y} , entonces (8.1) se convierte
f (x, y)
0 < fX (x)
P (Y = y|X = x) = fX (x) (8.2)
0
en otro caso
77
Si X, Y son v.as discretas y tenemos los eventos
A = {X = x} , B = {Y = y} , entonces (8.1) se convierte
f (x, y)
0 < fX (x)
P (Y = y|X = x) = fX (x) (8.2)
0
en otro caso
77
Definimos la funcion de probabilidad condicional de Y
dado X como
f (x, y)
0 < fX (x)
f (y|x) = fX (x) (8.3)
0
en otro caso
78
De manera similar, definimos la funcion de probabilidad
condicional de X dado Y como
f (x, y)
0 < fY (y)
f (x|y) = fY (y) (8.4)
0
en otro caso
79
Estas ideas son facilmente extensibles al caso donde X, Y son
v.as continuas.
80
Por ejemplo, la funcion de densidad condicional de Y
dado X es
f (x, y)
0 < fX (x)
f (y|x) = fX (x) (8.5)
0
en otro caso
81
Por ejemplo, la funcion de densidad condicional de Y
dado X es
f (x, y)
0 < fX (x)
f (y|x) = fX (x) (8.5)
0
en otro caso
81
Usando (8.5) podemos por ejemplo encontrar que la
probabilidad que Y se encuentre entre c y d dado que X = x
es
Z d
P (c < Y < d|X = x) = f (y|x)dy. (8.6)
c
82
Problema Resuelto 8.1.
(a) f (y|2); y
(b) P (Y = 1|X = 2)
83
Problema Resuelto 8.1.
(a) f (y|2); y
(b) P (Y = 1|X = 2)
83
Problema Resuelto 8.2.
encuentre
(a) f (y|x);
(b) P (Y > 21 |X = 12 ).
84
Problema Resuelto 8.2.
encuentre
(a) f (y|x);
(b) P (Y > 12 |X = 12 ).
84
Problema Resuelto 8.3.
Encuentre
85
Problema Resuelto 8.3.
Encuentre
85
Problema Resuelto 8.3.
Encuentre
85
Problema Resuelto 8.3.
Encuentre
85
86
Problema Resuelto 8.4.
87
Bibliografa
88