Estadstica I 1 Melanie Nogu fructuoso

TEMA 3 VARIABLES ALEATORIAS DISCRETAS

1. Definicin
Hasta ahora hemos ido analizando las caractersticas de las variables de una muestra. No obstante, ahora las analizaremos de un experimento aleatorio. Por ejemplo, escoger al azar una familia de una poblacin y preguntarnos la probabilidad de que la familia tenga 5 miembros. Tenemos las mismas partes: la muestra (), -lgebra (un suceso) y la funcin de probabilidad. Las variables aleatorias son numricas, como por ejemplo lanzar una moneda sera 2 (cara o cruz). En el experimento de las familias: ={fam1, fam2, fam3} P(fam1)= 1/10, P(fam2)= 1/10 X=n de miembros. Y= sueldo mensual. Z= n de ordenadores.

Tenemos tres caractersticas que nos interesan, solo que ahora las llamamos VARIABLES ALEATORIAS del experimento. Con ello nos interesa calcular las probabilidades de esas variables aleatorias como la probabilidad de que tengan 5 miembros, 3 ordenadores EJEMPLO I Lanzamos una moneda:

Qu valores puede tomar X si X=n de caras?

o o X(CC)=2, X(+C)=1, X(C+)=1, X(++)=0 A los posibles valores que toma la variable se le llama soporte. En nuestro caso: Sop(X)= {0,1,2}

Cuando nuestro espacio muestral es elevado (como una poblacin con muchas familias), el soporte lo definiramos de 0 a .

2. Clculo de probabilidades de una variable aleatoria

Si volvemos con el experimento de las monedas, con X=n de caras, y Sop(X)={0,1,2}, queremos calcular la probabilidad de que el n de caras sea 0, 1 o 2.

Estadstica I 2 Melanie Nogu fructuoso a. Probabilidad de que el nmero de caras sea 0: P(X=0)=P(++) Tenemos que volver a nuestro experimento y ver cundo no tenemos ninguna cara. Por lo tanto ser P(++)= b. Probabilidad de que el nmero de caras sea 1: P(X=1)=P(+C C+)= + = c. Probabilidad de que el nmero de caras sea 2: P(X=2)=P(CC)= Estas probabilidades las podemos agrupar en una tabla, llamada FUNCIN DE PROBABILIDAD donde P(X=x) se escribir ( ):

X 0 1 2

( )

La f nos recuerda a las frecuencias relativas. En este caso las frecuencias relativas es la funcin de probabilidad. EJEMPLO II Lanzamos dos dados: X= suma de los dos dados. ={(1,1) , (1,2), (1,3), , (6,6)} Sop(X)={2,3,412}

Calculamos probabilidades: P(X=2)= P(X=3)= P(X=4)= ( ( ( )=1/36 )= P((2,1) i (1,2))=2/36 )= 3/36

Las colocamos en la tabla de funcin de probabilidad: La ecuacin viene dada por: X 2 3 4 5 6 7 8 9 10 11 12

( )

( )

( )

( ) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Estadstica I 3 Melanie Nogu fructuoso

2.1.

Propiedades

i. ii.

( ) 0 Por que las probabilidades siempre son positivas. ( )= 1 Si sumamos todas las

3. Funcin de distribucin (=funcin probabilidad acumulada)

Es la probabilidad acumulada (sumando) como las frecuencias. La denotaremos ( ) que significa que es la probabilidad acumulada hasta el punto x. la como representaremos as: ( ) ( )

Si la representramos grficamente, nos dara un grfico de barras con pendiente positiva.

3.1.

Propiedades

i. ii. iii. iv.

( ) ( ) es creciente porque seguimos sumando. ( ) P(a < X b) Cmo calculamos la probabilidad de un intervalo a travs de la frecuencia acumulada? Por ejemplo, tenemos P(3 < X 10), no obstante, ( )y ( ). nosotros solo tenemos 3 10

Nos piden esta diferencia: ( )( )

v.

P(X > x) por ejemplo si quisiramos saber P(X > 5) = 1-

( )

Segn el tipo de soporte, podemos clasificar en: Discreta: soporte finito o infinito contable. Continua: si el soporte es infinito no contable.

Estadstica I 4 Melanie Nogu fructuoso EJEMPLO III Variable aleatoria discreta Lanzamos una moneda hasta obtener cara X=n de lanzamientos hasta obtener cara. Sop(X)={1,2,3} Infinito contable Variable discreta.

EJEMPLO IV Lanzar una bola en una pista de 10m. X=distancia desde el punto de lanzamiento hasta al punto donde cae. Sop(X)=[0,10] Infinito contable Variable discreta.

4. Caractersticas numricas: esperanza y varianza

Se parecen a las del tema 1, pues contienen los mismos conceptos pero en trminos para las variables aleatorias.

4.1.
1.

Esperanza

Es el valor esperado de una variable aleatoria. Es equivalente a la media del tema

( )

( )

( )

Si la calculamos en nuestro ejemplo de los dos dados, necesitamos la tabla con la funcin de probabilidad: ( ) Este 7 significa que si repitiramos 100 veces (o un nmero muy elevado) este experimento, la media dara 7 o un nmero muy prximo a 7. ( )

4.1.1. Propiedades

i. ii. iii. iv. v.

E(a)= a donde a es un nmero constante y no un nmero aleatorio. E(aX)= a E(X) E(a+X) = a+ E(X) E(X+Y) = E(X) + E(Y) E(XY)= E(X) E(Y) SLO SI SON INDEPENDIENTES! Es decir, que conocer Y no afecta las probabilidades de X.

Estadstica I 5 Melanie Nogu fructuoso vi. vii. E( )= )=

( )

( )
( )

E(2X-

( ) (

a. Por ejemplo:

X 1 2

( ) 0,4 0,6
4.2. Varianza

Corresponde a una medida de dispersin. La frmula es igual que la vista en el tema 1, solo que cambia que lo que medimos es cun dispersa est la variable de la esperanza. ( ) EJEMPLO I X= suma de los dos dados. E(X)=7 ( ) ( ) ( ) ( )
( )

( ) (

( ))

Tambin tenemos OTRA frmula para calcular la varianza:

( )

( )

( )

( )

( )

( )

4.2.1. Propiedades de la varianza

i. ii. iii. iv. v. vi.

Para denotarla usamos y se llama varianza poblacional. V(a)=0. V(a X)= a V(X) V(a + X) = V(X) Al sumar una constante no hace variar la varianza pues la distancia entre los valores sigue siendo la misma. V(X + Y) = V(X) + V(Y) SOLO SI SON INDEPENDIENTES! V(X) 0

Estadstica I 6 Melanie Nogu fructuoso

5. Desviacin tpica (SD) de una variable aleatoria

( ) Sirve para lo mismo que en el tema 1, nos da las unidades pues no queremos las unidades al cuadrado. La SD(X) tambin se puede denotar con sigma .

6. Coeficiente de variacin
( ) ( ) ( )

Tambin mide el grado de dispersin. Adems NO tiene unidades.

7. Variables aleatorias mutlidimensionales

Nos interesar ver el grado de relacin de ms de una variable. Lo haremos mediante la covarianza y el grado de correlacin. Dos variables son independientes (X e Y) cuando conozco las probabilidades de Y y no afecta a las de X. Necesitaremos la tabla de probabilidades conjunta ( tabla de frecuencias conjuntas)

Para denotar de forma conjunta el soporte de dos variables emplearemos: ( Por ejemplo: Sop(X)= {0,1,2} Sop(Y)={3,4} Sop(X,Y)= {(0,3) , (0,4) , (1,3) , (1,4) , (2,3) , (2,4)} ) ( ) ( )

Es decir, estar compuesto por pares de nmeros. En algunos casos como por ejemplo en el lanzamiento de 2 dados, dar soportes conjuntos con probabilidad 0 como (12,5) que quiere decir que la suma es 12 y la diferencia es 5. Para saber qu pares tendremos que tachar (puesto que dan probabilidad 0) haremos:

7.1.

Clculo de probabilidades bidimensionales.

en

variables

aleatorias

EJEMPLO I se lanzan 2 dados: X=suma de los 2 dados. Y= diferencia en valor absoluto de los dos dados.

Estadstica I 7 Melanie Nogu fructuoso

D A D O 1

1 2 3 4 5 6

1 (2,0) (3,1) (4,2) (5,3) (6,4) (7,5)

2 (3,1) (3,0) (5,1) (6,2) (7,3) (8,4)

DADO 2 3 4 5 6 (4,2) (5,3) (6,4) (7,5) (5,1) (6,2) (7,3) (8,4) (6,0) (7,1) (8,2) (9,3) (7,1) (8,0) (9,1) (10,2) (8,2) (9,1) (10,0) (11,1) (9,3) (10,2) (11,1) (12,0)

Entonces, todos aquellos pares de nmeros que NO estn en la tabla, tendrn probabilidad 0. Para calcular la tabla de probabilidades conjunta, tenemos que ir mirando la tabla. Un breve ejemplo de esta tabla de probabilidades sera:

0 2 1/36 3 0 4 1/36 5 0 6 1/36 7 0 8 1/36 9 0 10 1/36 11 0 12 1/36

1 0 2/36 0 2/36 0 2/36 0 2/36 0 2/36 0

Par (2,0) Probabilidad de sacar dos 1, entonces: P(dados (1,1))= 1/6 1/6 = 1/36 Par (2,1) No ocurre en ningn caso. Par (3,1) Ocurre dos veces, para el (2,1) y el (1,2). La anotacin es importante, pues en el ltimo par sera: P(X=2 Y=0) = ) que dice funcin de probabilidad de X e Y donde X=2 e Y=0.

Con ellos tambin podemos sacar las distribuciones marginales. En nuestro ejemplo, la funcin de probabilidad marginal sera a la pregunta: probabilidad de que X=3? ( ( ) ) ( ) ( (

) (

( )

( )

) ( ) ( )

Estadstica I 8 Melanie Nogu fructuoso

En resumen: ( ( ) ) ( ( ) )

Imaginemos que nos piden el valor esperado de Y (E(Y)). Debemos multiplicar el valor de Y por su probabilidad. ( ) Si E(XY)=201/36+ (XY ) Si E(X)=21/36+32/36 (X )

8. Funcin de probabilidad y esperanza condicionada. Concepto de independencia

Probabilidad condicionada: tenemos dos variables, las cuales sabemos el valor de una y nos preguntan por la probabilidad de la otra. Por ejemplo (los dados), probabilidad de que la suma de 2 dados sea 5 si sabemos que la diferencia es 1? La anotacin sera P(X=5|Y=1) ( | ) ( (

*Esto lo vemos en la tabla de las probabilidades marginales. Recordemos que el tema 2, la primera frmula para calcular la probabilidad condicionada era: ( | ) ( ) ( )

No obstante, en este caso la anotacin sera:

|

( )

Finalmente podemos construir una tabla con las probabilidades condicionadas, por ejemplo de X condicionada a que Y=1. No servira para responder la pregunta Valor esperado de la suma de 2 dados pero condicionada a que la diferencia sea 1? esto se llama ESPERANZA CONDICIONADA. Para calcularla, usaremos la expresin de la esperanza condicionada que es: ( | ) ( )
|

( )

Estadstica I 9 Melanie Nogu fructuoso

9. Independencia de dos variables

Si recordamos el tema 2, dos sucesos era independientes si P(A|B)=P(A) o bien P(AB)=P(A)+P(B). Entonces, si tenemos dos variables aleatorias:

( (

) )

( (

) )

( ) ( ) ( ) ( ) ( )

10.

Coeficiente de correlacin

Se denomina rho y se calcula: ( ( ) ) ( )

Mide la relacin entre dos variables y siempre estar entre -1 y 1. Si X e Y son independientes, el coeficiente dar 0.

11.

Distribuciones discretas clsicas

Hay 4 distribuciones y de cada una sabemos la funcin de probabilidad, el soporte y la varianza.

11.1. BERNOULLI
Slo dos resultados son posibles, llamados xito y fracaso. Por ejemplo, preguntar a 10 personas si trabajan. Cada s ser un xito y cada no un fracaso. X= 1 xito X=0 no xito Soporte (X)={1,0}

Lo que nos interesa comprobar ser el xito. Por ejemplo, lanzamos una moneda, ser xito cuando sea cara y no xito cuando sea cruz. Entonces la P(X=1)=P(cara)=1/2=p Se llama p la probabilidad de xito. Y ser P(X=0)=P(cruz)=1/2 = 1-p

X b(p)

Estadstica I 10 Melanie Nogu fructuoso

La definicin general es: X se distribuye como una Bernoulli de parmetro p. ( ) { ( )

Para calcular la esperanza: ( ) Y la varianza: ( ) ( )

11.2. BINOMIAL
Es cuando nuestra variable cuenta el nmero de xitos que ocurren. Por ejemplo, el nmero de caras que salen al lanzar la moneda 10 veces.

X B(n,p)

Donde n es el nmero de veces que se repite el experimento y p la probabilidad de que ocurra un xito. Soporte (X)= {0,1,2,n} ( ) { ( ) ( )

( ) ( ) ( )

11.3. GEOMTRICA
Se trata de repetir el experimento hasta que se logre el primer xito, quedando: X= n de repeticiones de un experimento hasta lograr el primer xito.

X G(p)

Estadstica I 11 Melanie Nogu fructuoso El soporte sera un infinito numerable, pues se repite hasta lograr un xito siendo: Sop(X)={1,2,3}

No obstante, tenemos la frmula para calcular la probabilidad: ( )

( )

( )

( )

11.4. POISSON
Se cuenta el nmero de veces que ocurre un suceso en un intervalo de tiempo dado. X= n de xitos en un intervalo

X P()

Donde es el nmero medio de xitos en el intervalo de tiempo. El soporte tambin es infinito numerable, y para calcular la probabilidad se hace:

( )

( )

( )

TABLA RESUMEN:

Forma

Probabilidad

Estadstica I 12 Melanie Nogu fructuoso

Bernoulli

X b(p)

( )

( )
Binomial X B(n,p)

( )

Geomtrica

X G(p)

( )

Poisson

X P()

( )