Métodos Estadísticos TEMA30

VARIABLES ALEATORIAS
EXPERIMENTO ALEATORIO
resultados
cuantitativos
resultados
cualitativos
Exp. al.: Lanzar una
moneda
Exp. al.: Lanzar un dado
= {1, 2, 3, 4, 5, 6} = {cara, cruz}
1
Definicin: Sea un espacio muestral sobre el que hay definida
una funcin de probabilidad. Una funcin X: , que a cada
elemento de le asocia un nmero real, se dice que es una
variable aleatoria.
Ejemplo 1: Exp. aleatorio: Lanzar tres veces una moneda
Una persona se presta a participar en el siguiente juego:
si sale cara en la 1 tirada, cobrar 3 ,
si la 1 cara sale en la 2 tirada, cobrar 1,2 ,
si la 1 cara sale en la 3 tirada, perder 1,2 , y
si siempre sale cruz, perder 3 .
2
Ejemplo 1: Sabemos que el espacio muestral es
= {ccc, ccx, cxc, cxx, xcc, xcx, xxc, xxx}
Consideremos la variable aleatoria X, tal que
Resultado Valor de X Probabilidad
{ccc, ccx, cxc, cxx}
3 0,5
{xcc, xcx}
1,2 0,25
{xxc}
-1,2 0,125
{xxx}
-3 0,125
3
Definicin: Se dice que una variable aleatoria es discreta
cuando el conjunto de valores que puede tomar es finito o
infinito numerable.
Ejemplos: -> n de clientes que llegan a una tienda en un
perodo de una hora.
-> n de llamadas telefnicas que se reciben en
una central de atencin al cliente, en un
intervalo de cinco minutos.
4
Definicin: Se dice que una variable aleatoria es continua
cuando sus valores determinan uno o ms intervalos de la
recta real.
Ejemplos: -> magnitud de la desviacin, a partir de un
valor prescrito, del peso neto de ciertos
recipientes que se llenan mediante una
mquina.
-> duracin en minutos de una llamada de
negocios.
5
VARIABLES ALEATORIAS DISCRETAS
Definicin: Se denomina funcin de probabilidad de la
variable aleatoria discreta X, a la funcin f:X() , tal que
f(x) es la probabilidad de que dicha variable aleatoria tome el
valor x.
{ }
( )
( ) ( ) : ( ) f x P X x P X x = = = =
Propiedades:
1. Para todo valor de la variable se tiene 0 ( ) 1. f x
( )
2. ( ) 1.
x X
f x

=
6
Definicin: Se denomina funcin de probabilidad acumulada o
funcin de distribucin acumulada de la variable aleatoria
discreta X, a la funcin F: , tal que
{ }
( )
( ) ( ) : ( ) F x P X x P X x = =
Propiedades:
1. ( ) 0 . F x x para todo R
2. , ( ) ( ). F x y x y F x F y < es creciente : con se tiene R
3. . F x es continua a la derecha R
4. lim ( ) 0 lim ( ) 1.
x x
F x F x

= = y
7
cargada, cuya probabilidad de cara es 3/4
X = n de caras n de cruces
Resultados Valores de X f(x)
xxx -3
cxx -1
xcx -1
xxc -1
ccx 1
cxc 1
xcc 1
ccc 3
( )
3
( 3) 1 / 4 f =
( )
3
2
( 1) 3 1 / 4 f =
( )
3
(1) 3 / 4 f =
( )
3
(3) 3 / 4 f =
8
Ejemplo 2:
Funcin de distribucin acumulada:
0 si -3
1/ 64 si -3 1
( ) 10/ 64 si 1 1
37/64 si 1 3
1 si 3
x
x
F x x
x
x
<
<
= <
<
Nota:
1
( ) ( ) ( ) ( ) ( )
i
i i i i
x x
F x f x f x F x F x
= =
9
Definicin: Se llama esperanza, media o valor esperado de la
variable aleatoria discreta X, que tiene funcin de probabilidad
f, al nmero:
( )
( ) ( )
x X
E X x f x

= =

cargada, cuya probabilidad de cara es 3/4
X = n de caras n de cruces
{ }
( ) 3, 1,1, 3 X =
1 9 27 27
( ) ( 3) ( 1) 1 3 1, 5
64 64 64 64
E X = + + + =
10
Definicin: Se llama varianza de la variable aleatoria discreta
X, que tiene funcin de probabilidad f, al nmero:
La raz cuadrada positiva, , de la varianza de X, se denomina
desviacin tpica de X.
( )
2
2
( )
( ) ( )
x X
Var X x f x

= =
Ejemplo 2: X = n de caras n de cruces

11
2 2
2 2
1 9
( ) ( 3 1, 5) ( 1 1, 5)
64 64
27 27
(1 1, 5) (3 1, 5) 2, 25 1, 5
64 64
Var X
= + +
+ + = =
Proposicin: Sea X una variable aleatoria discreta definida
sobre el espacio muestral , con funcin de probabilidad f. Sea
la funcin h: , y sea Y la variable aleatoria definida
mediante Y = h(X). Entonces se verifica:
( )
( ) ( ) ( )
x X
E Y h x f x

=
Observacin:
( ) ( )
( )
2 2
( )
( ) ( )
x X
Var X x f x E X

= =
12
Proposicin: Sea X una variable aleatoria discreta y sean a y b
dos nmeros reales cualesquiera. Se verifica:
a) ( ) ( ) , E aX b a E X b + = +
2
b) ( ) ( ), Var aX b a Var X + =
( )
( )
2
2
c) ( ) ( ) . Var X E X E X =
Demostracin:
( ) ( )
( )
a) ( ) ( ) ( ) ( )
( ) ( ) .
x X x X
x X
E aX b ax b f x a x f x
b f x a E X b

+ = + = +
+ = +

13
Demostracin:
( )
2
( )
2
2 2
( )
b) ( ) ( ) ( )
( ) ( ).
x X
x X
Var aX b ax b a b f x
a x f x a Var X

+ = + =
= =
( ) ( )
( )
2 2
( ) ( )
2
( ) ( )
2
2 2 2 2
c) ( ) ( ) ( ) ( )
( ) 2 ( )
2 ( ) .
x X x X
x X x X
Var X x f x x f x
f x x f x
E X E X E X

= = +
+ =
= + =

14
DISTRIBUCIN UNIFORME
Definicin: Sea X la variable aleatoria discreta tal que toma un
nmero N finito de valores, todos con la misma probabilidad.
Entonces se dice que X sigue una distribucin uniforme de
parmetro N y se denota por X ~ U(N).
1
( ) , ( )
i i
f x x X
N
= { }
1 2
( ) , , ,
N
X x x x =
,
i j
x x i j < <
Si
1
1
0 si
( ) / si 1, 2, , 1
1 si
i i
N
x x
F x i N x x x i N
x x
+
<
= < =

15
Teorema: Sea X ~ U(N). La media y la varianza de X vienen
dadas por las expresiones:
( )
2
2
1 1
1 1

N N
i i
i i
x x
N N

= =
= =

Ejemplo 3: Exp. aleatorio: Lanzar un dado
= {1, 2, 3, 4, 5, 6} y X(i) = i, i = 1, 6
(6) X U
Por tanto,
16
( )
6 6
2
2
1 1
1 21 1
3, 5 3, 5 2, 916
6 6 6
i i
i i
= =
= = = = =

DISTRIBUCIN DE BERNOULLI
Definicin: (Experimento de Bernoulli)
Un experimento de Bernoulli es un experimento aleatorio en el
que slo hay dos resultados posibles: uno se identifica como
xito (P(E) = p) y el otro como fracaso (P(F) = 1 p = q).
Dado un experimento de Bernoulli, podemos definir una
variable aleatoria discreta X del siguiente modo:
X(E) = 1 y X(F) = 0
17
Definicin: Sea X la variable aleatoria discreta tal que toma los
valores 1 y 0 con probabilidades respectivas p y q = 1 - p.
Entonces se dice que X sigue una distribucin de Bernoulli de
parmetro p y se denota por X ~ B(p).
Las funciones de probabilidad y distribucin son:
x f(x)
1 p
0 q
0 si 0
( ) si 0 1
1 si 1
x
F x q x
x
<
= <
18
( ) X B p Sea . Entonces,
( )
( ) ( ) 0 1
x X
E X x f x q p p

= = + =
( )
( )
2
2 2 2 2
2
( ) ( ) 0 1
(1 )
Var X E X E X q p p
p p p p pq
= = + =
= = =
19
DISTRIBUCIN BINOMIAL
Definicin: Consideremos un experimento de Bernoulli cuya
probabilidad de xito es p, que se repite, de forma independiente,
n veces. Sea X la variable aleatoria que representa el nmero de
xitos en estos n experimentos. Entonces se dice que X sigue una
distribucin binomial de parmetros n y p y se denota por X ~
B(n,p).
( , ) X B n p Sea . Entonces,
{ }
( ) 0,1, , X n =
20
La funcin de probabilidad es:
( ) ( ) (1 ) ,
0, 1, ,
x n x
n
f x P X x p p
x
x n

= = =

=
y la media y varianza
( ) ( ) E X np Var X npq = = y
Observacin:
si n = 1, entonces
donde
( ) X B p .
1
n
i
i
X X
=
=
( ), 1, ,
i
X B p i n =
21
Ejemplo 4: Exp. aleatorio: Lanzar cinco veces un dado
X = n de veces que se obtiene un 3 en las 5 tiradas
sale 3 (xito)
Exp. Bernoulli: Lanzar un dado
no sale 3 (fracaso)
Entonces,
(5,1 6). X B
1 5
( ) 5
6 6
E X np = = =
1 5 25
( ) 5
6 6 36
Var X npq = = =
22
DISTRIBUCIN GEOMTRICA
Definicin: Consideremos un experimento de Bernoulli cuya
probabilidad de xito es p y sea X la variable aleatoria que
representa el nmero de veces que hay que repetir este
experimento de forma independiente, hasta que se produce el
primer xito. Entonces se dice que X sigue una distribucin
geomtrica de parmetro p y se denota por X ~ G(p).
{ }
( ) 1, 2, 3, X =
1
( ) ( ) , 1, 2, 3,
x
f x P X x q p x
= = = =
23
( ) 1 X G p x Sea . Entonces, si , se tiene
( ) ( ) F x P X x = =
( 1) ( 2) ( [ ]) P X P X P X x = = + = + + = =
2 [ ] 1 x
p q p q p q p
= + + + + =
[ ]
[ ]
1 , [ ]
1
x
x
p p q
q x
q

= = =
donde parte entera de x

Por tanto,
[ ]
0, si 1
( )
1 , si 1
x
x
F x
q x
<

24
( ) X G p Si entonces,
2
1
( ) ( )
q
E X Var X
p p
= = y
Teorema: (Carencia de memoria)
( ). , X G p x y
+
Sea Si , se verifica :
( | ) ( | ) ( ), P X x y X x P X x y X x P X y > + > = + = > a)
( | ) ( ), P X x y X x P X y + > = b)
( | ) ( 1). P X x y X x P X y > + = > + c)
25
Demostracin:
( )
( ) ( )
( | )
( )
P X x y X x
P X x y X x
P X x
> + >
> + > = =
>
a)
( ) 1 ( )
( ) 1 ( )
P X x y
P X x y
P X x P X x
> +
+
= = =
>
1 ( ) ( ).
x y
y
x
q
q P X y P X y
q
+
= = = = >
Anlogamente,
1
1
( | ) ( ).
x y
y
x
q
P X x y X x q P X y
q
+
+ = = = >
26
27
DISTRIBUCIN DE POISSON
Definicin: Dado un intervalo de nmeros reales, supongamos
que el n de ocurrencias de un determinado suceso es aleatorio
en dicho intervalo. Si ste puede dividirse en subintervalos
suficientemente pequeos tales que:
Entonces, el experimento aleatorio recibe el nombre de proceso
de Poisson.
1. La probabilidad de ms de una ocurrencia en cada
subintervalo es despreciable.
2. La probabilidad de una ocurrencia en un subintervalo es la
misma para todos los subintervalos y proporcional a la
longitud de stos.
3. El n de ocurrencias en cada subintervalo es independiente
del de los dems subintervalos.
Definicin: En un proceso de Poisson, si el nmero medio de
ocurrencias en el intervalo es > 0, entonces decimos que la
variable aleatoria X que representa el nmero de ocurrencias en
el intervalo, tiene una distribucin de Poisson de parmetro , y
se denota por X ~ P().
Observacin: La definicin del proceso de Poisson y de la
distribucin de Poisson pueden extenderse a regiones del
plano o del espacio.
28
( ), X P X = Sea n de ocurrencias en un intervalo I.
1 2 n
I I I I =
1,
0,
i
i
I
X

=

si hay una ocurrencia en el subintervalo

en otro caso
1, 2, , i n =
1
( , ),
n
n i
i
Y X B n p p
=
=
siendo la probabilidad de una

ocurrencia (al menos) en un subintervalo.
, lim
n
n
n p n Y X

= = Si entonces
29
Por tanto,
( ) (1 ) 1
x n x
x n x
n
n n
P Y x p p
x x n n

= = = =

( )
!
1
! !
x n x
n
x n x n n

= =

1 2 1
1 1 1 1 1
!
n x
x
x
x n n n n n

lim ( )
!
x
n
n
P Y x e
x
= =
30
( ), X P Sea entonces la f. de probabilidad es
( ) , 0,1, 2, 3,
!
x
f x e x
x
= =
Teorema: Sea X ~ P(). La media y la varianza de X vienen
dadas por = y = .
Observacin:
Cuando n > 25, p < 0,1 y np 5, la distribucin de Poisson
puede usarse para aproximar la binomial (haciendo = np).
31
VARIABLES ALEATORIAS CONTINUAS
Ejemplo 5: Exp. aleatorio: Elegir al azar un nmero
del intervalo [0,3]
X = funcin identidad X() = [0,3]
P(X = x) = 0, para cualquier x del intervalo [0,3]
Sin embargo,
1 2
( 1) ( 2) ( 3) 1
3 3
P X P X P X = = =
32
Definicin: Se denomina funcin de probabilidad acumulada o
funcin de distribucin acumulada de la variable aleatoria
continua X, a la funcin F: , tal que
{ }
( )
( ) ( ) : ( ) F x P X x P X x = =
Ejemplo 5:
0 0
( ) ( ) / 3 0 3
1 3
x
F x P X x x x
x
<
= = <
si
si
si
Teorema: La funcin de distribucin acumulada de una
variable aleatoria continua X, es una funcin continua en , si
y solo si P(X = x) = 0 para todo x real.
33
Definicin: Sea X una variable aleatoria continua con funcin
de distribucin F. Una funcin no negativa f: se llama
funcin de densidad de probabilidad de X si est definida y es
integrable en (-,x) y adems verifica
( ) ( ) .
x
F x f t dt
Ejemplo 5: La funcin
0, si 0 o 3
( )
1 3, si 0 3
x x
f x
x
< >

es una funcin de densidad de probabilidad de X.
34
Nota: Segn el teorema fundamental del Clculo, si f es
continua en (-,x), entonces F es derivable en (-,x) y
se verifica
'( ) ( ) ( , ). F t f t t x =
Como el teorema tambin es vlido para intervalos de la
forma [a,b], se tiene que la igualdad anterior es cierta,
salvo a lo sumo en un conjunto numerable de valores.
Ejemplo 5:
La funcin
0, si 0 o 3
( )
1 3, si 0 3
x x
f x
x
< >

es la derivada de F(x) salvo para x = 0 y x = 3.
35
Propiedades: Se verifica
1. ( ) lim ( ) 1
x
f t dt F x

= =
2. ( ) 1 ( ) ( )
a
P X a P X a f t dt
= < =
3. ( ) ( ) ( )
( ) ( ) ( )
b a b
a
P a X b F b F a
f t dt f t dt f t dt

= =
= =

36
Definicin: Se llama esperanza, media o valor esperado de la
variable aleatoria continua X, que tiene funcin de densidad de
probabilidad f, al nmero:
( ) ( ) E X x f x dx

= =
Definicin: Se llama varianza de la variable aleatoria continua

X, que tiene funcin de densidad de probabilidad f, al nmero:
La raz cuadrada positiva, , de la varianza de X, se denomina
desviacin tpica de X.
( )
2
2
( ) ( ) Var X x f x dx
= =
37
Ejemplo 5: Exp. aleatorio: Elegir al azar un nmero
del intervalo [0,3]
Sabemos que
0, si 0 o 3
( )
1 3, si 0 3
x x
f x
x
< >

Por tanto,
3
0
( ) ( ) 1, 5
3
x
E X x f x dx dx

= = = =

( )
( )
2
3
2
2
0
1, 5
( ) ( ) 0, 75
3
x
Var X x f x dx dx
= = = =

38
Proposicin: Sea X una variable aleatoria continua definida
sobre el espacio muestral , con funcin de densidad de
probabilidad f. Sea la funcin h: , y sea Y la variable
aleatoria definida mediante Y = h(X). Entonces se verifica que
siempre que sea finita.
( ) ( ) ( ) E Y h x f x dx
| ( ) | ( ) h x f x dx
Observacin:
( ) ( )
( )
2 2
( ) ( ) Var X x f x dx E X
= =
39
Proposicin: Sea X una variable aleatoria continua y sean a y
b dos nmeros reales cualesquiera. Se verifica:
a) ( ) ( ) , E aX b a E X b + = +
2
b) ( ) ( ), Var aX b a Var X + =
( )
( )
2
2
c) ( ) ( ) . Var X E X E X =
Demostracin:
a) ( ) ( ) ( ) ( )
( ) ( ) .
E aX b ax b f x dx a x f x dx
b f x dx a E X b

+ = + = +
+ = +

40
Demostracin:
( )
( )
( )
2
2
2
2 2
b) ( ) ( )
( ) ( )
( ) ( ).
Var aX b E aX b E aX b
ax b a b f x dx
a x f x dx a Var X
+ = + + =
= + =
= =
( ) ( )
( )
2 2
2
2
2 2 2 2
c) ( ) ( ) ( ) ( )
( ) 2 ( )
2 ( ) .
Var X x f x dx x f x dx
f x dx x f x dx
E X E X E X

= = +
+ =
= + =

41
Definicin: Decimos que una variable aleatoria continua X, que
toma todos los valores del intervalo [a,b] real, sigue una
distribucin uniforme de parmetros a y b, si su funcin de
densidad de probabilidad es
Se representa por X~U(a,b).
1
, si
( )
0, en otro caso
a x b
f x
b a

.
Ejemplo 5:
0, si 0 o 3
( ) (0, 3)
1 3, si 0 3
x x
f x X U
x
< >

42
Si X ~ U(a,b), entonces su funcin de distribucin
acumulada es:
0
( ) ( )
1
x a
x a
F x P X x a x b
b a
b x
<
= = <
si
si
si
Teorema: Sea X ~ U(a,b). Entonces, la media y la varianza de
X vienen dadas por:
( )
2
2
y .
2 12
b a
a b

+
= =
43
DISTRIBUCIN NORMAL
Definicin: Decimos que una variable aleatoria continua X,
tiene una distribucin normal o de Gauss de parmetros y , si
su funcin de densidad de probabilidad es
Se representa por X ~ N(,).
2
1
2
1
( ) , con , y 0
2
x
f x e

= >
Teorema: Sea X ~ N(,). Entonces, E(X) = y Var(X) = .
44
DISTRIBUCIN NORMAL
Campana de Gauss
45
DISTRIBUCIN NORMAL
Definicin: Si X ~ N(0,1), se dice que X sigue una distribucin
normal estndar y se la denota con la letra Z. A su funcin de
distribucin acumulada se la denota por . Es decir,
2
1
2
1
( ) ( )
2
z x
z P Z z e dx
= =

Teorema: Sea X ~ N(,). Entonces, tenemos que
(se dice que la variable X ha sido normalizada o tipificada).
(0,1)
X
Z

=
46
DISTRIBUCIN NORMAL
Demostracin:
Sean F y G las funciones de distribucin de las variables
y
X
X Z

=
respectivamente. Entonces,
( ) ( ) ( )
X
G z P z P X z F z

= = + = + =

2
2
1
1
2
2
1 1
( )
2 2
t
z z u
e dt e du z
+

= = =

t
u

= cambio de variable:
47
DISTRIBUCIN NORMAL
Teorema: Sea X ~ B(n,p). Entonces, tenemos que
(0,1)
n
n
X np
X
npq

=
Aproximacin de la distribucin binomial por la normal
( )
b np a np
P a X b
npq npq

48
DISTRIBUCIN NORMAL
Correccin por continuidad
sin embargo,
y
son dos cantidades
diferentes
{ }
0,1, 2, , , [0,1) a b n Si y , entonces , se tiene que
( ) ( ) P a X b P a X b = +
( )
b np a np
P a X b
npq npq

+
+

( )
b np a np
P a X b
npq npq

49
DISTRIBUCIN NORMAL
1. ( ) ( 0, 5 0, 5) P a X b P a X b = +
{ }
0,1, 2, , a b n Si y ,
2. ( ) ( 0, 5 0, 5) P a X b P a X b < = + +
3. ( ) ( 0, 5 0, 5) P a X b P a X b < =
4. ( ) ( 0, 5 0, 5) P a X b P a X b < < = +
50
DISTRIBUCIN NORMAL
Ejemplo 6: Sea X ~ B(800, 0,2). Hallar P(X = 160).
160 800 160
800
( 160) (0, 2) (0, 8)
160
P X

= =

( 160) (160 160) (159, 5 160, 5) P X P X P X = = =
160, 5 800 0, 2 159, 5 800 0, 2
800 0, 2 0, 8 800 0, 2 0, 8

( ) ( )
0, 044 0, 044 2 0, 01756 0, 03512 = =
El valor exacto es 0,0352426
51
DISTRIBUCIN NORMAL
Teorema: Sea X ~ P(). Entonces, la variable aleatoria
tipificada
de forma aproximada.
(0,1)
X
Z

=
Aproximacin buena: > 25
Correccin por continuidad mejora la aproximacin
52
DISTRIBUCIN NORMAL
Teorema:
Sean X
1
y X
2
dos v.a. normales independientes con E(X
i
) =
i
y Var(X
i
) =
i
2
, para i = 1,2. Entonces, la variable aleatoria
Y =
1
X
1
+
2
X
2
sigue una distribucin normal con
E(Y) =
1
1
+
2
2
y Var(Y) =
1
2
1
2
+
2
2

2
2
.
53
DISTRIBUCIN EXPONENCIAL
Ejemplo 7: Sea Y ~ P(3x) v.a. que representa el n de
clientes que llegan a un banco en x horas.
Entonces, la probabilidad de que no entre ningn cliente
durante el intervalo de tiempo [0, x] es:
0
3 3
(3 )
( 0)
0!
x x
x
P Y e e

= = =
Sea X = tiempo hasta que entra el primer cliente.
3
( ) ( 0)
x
P X x P Y e
> = = =
3 3
( ) ( ) 1 ( ) 3 .
x x
F x P X x e f x e

= = =
54
Definicin: Una variable aleatoria continua X, cuya funcin de
densidad de probabilidad es de la forma
se dice que tiene una distribucin exponencial de parmetro .
Se representa por X ~ Exp().
1
1
, si 0
( ) 0,
0, en otro caso
x
e x
f x
>
= >

Ejemplo 7:
3
1
( ) 3
3
x
f x e X Exp
55
Teorema: Sea X ~ Exp(). Entonces, E(X) = y Var(X) = .
Observacin:
En el ejemplo 7,
Teorema: (Carencia de memoria)
nmero medio de clientes por hora.
1
3
= =
( )
. , , : Sea X Exp Si x y se verifica
+
Z
( | ) ( ) P X x y X x P X y < + > = <
56
( )
, : Sea X Exp y sean x y
+
Z
Demostracin:
( )
( ) ( )
( | )
( )
P X x y X x
P X x y X x
P X x
< + >
< + > = =
>
( ) ( ) ( ) 1 1
( ) 1 ( )
1 1
x y x
x
P x X x y
F x y F x e e
P X x F x
e

< < +
+ +
= = = =
>
+
(1 )
1 ( ) ( ).
x y
y
x
e e
e F y P X y
e

= = = = <
57

Métodos Estadísticos TEMA30

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Métodos Estadísticos TEMA30

Transféré par

Droits d'auteur :

Formats disponibles

VARIABLES ALEATORIAS

Ejemplo 2: Exp. aleatorio: Lanzar tres veces una moneda

Ejemplo 2: X = n de caras n de cruces

donde parte entera de x

si hay una ocurrencia en el subintervalo

siendo la probabilidad de una

Definicin: Se llama varianza de la variable aleatoria continua

Vous aimerez peut-être aussi