Académique Documents
Professionnel Documents
Culture Documents
Variable Aleatoria
3.1.
Introducci
on
82
X : IR
es decir una funcion cuyo dominio es el espacio muestral y rango el conjunto de los
n
umero reales.
Ejemplo 3.2 Consideremos el experimento en el cual se lanza una moneda. El espacio
muestral para este experimento est
a dado por = {C, S}. Sea X = {N
umero de caras},
esta funcion asigna los siguientes valores a los elementos del espacio muestral:
Si el resultado obtenido al lanzar la moneda es cara, w = C, entonces, X(w) = 1.
Si el resultado obtenido al lanzar la moneda es sello, w = S, entonces, X(w) = 0.
Por lo tanto, la variable aletaoria X toma los valores {0, 1}
Ejemplo 3.3 Consideremos el experimento en el cual se lanza dos monedas. El espacio muestral para este experimento est
a dado por = {CC, CS, SC, SS}. Sea X =
{N
umero de caras}, esta funcion asigna los siguientes valores a los elementos del espacio muestral:
Si el resultado obtenido al lanzar las dos monedas es w = CC, entonces, X(w) =
2.
Si el resultado obtenido al lanzar las dos monedas es w = CS, entonces, X(w) =
1.
Si el resultado obtenido al lanzar las dos monedas es w = SC, entonces, X(w) =
1.
Si el resultado obtenido al lanzar las dos monedas es w = SS, entonces, X(w) =
0.
83
3.2.
Clasicaci
on de las Variables Aleatorias
3.3.
Distribuci
on de Probabilidad
Vamos a estudiar por separado cuando la variable aleatoria es discreta al caso continuo.
84
3.3.1.
Distribuci
on de Probabilidad de una Variable Aleatoria
Discreta
Hemos visto que una variable aleatoria es una funcion denida sobre el espacio muestral
de un experimento aleatorio . Por ejemplo si X es una variable aleatria denida sobre
, que toma los valores X = {x1 , x2 , ..., xn }, entonces X = x1 esta asociado a un
subconjunto de , al cual hemos llamado evento, por lo tanto,X = x1 es tambien un
evento y en consecuencia tiene asociada una probabilidad, la cual esta dada por:
(3.1)
1
4
1
4
1
4
1
4
1
2
DE PROBABILIDAD
3.3. DISTRIBUCION
85
, si x = 0 o x = 2;
4
1
P (X = x)
, si x = 1.
2
0, otro caso.
Otra forma de expresar este resultado es la manera tabular,
x
P (X = x)
1
4
1
2
1
4
Ejemplo 3.8 En un proceso productivo los artculos pueden clasicarse como defectuosos o no defectuosos. Se sabe por estudios anteriores que la producci
on de artculos
defectuosos es del 10 %. Si se extraen 3 artculos al azar, vamos a determinar la distribuci
on de probabilidad del n
umero de artculos defectuosos. Para ello denamos la
siguiente variable aleatoria
X = {N
umero de artculos defectuosos}
entonces X = {0, 1, 2, 3} con las siguientes probabilidades
P (X = 0) = P ({Dc Dc Dc }) = 0,9 0,9 0,9 = 0,729
P (X = 1) = P ({DDc Dc } {Dc DDc } {Dc Dc D})
= P ({DDc Dc }) + P ({Dc DDc }) + P ({Dc Dc D}) = 3 0,92 0,1 = 0,243
P (X = 2) = P ({DDDc } {DDc D} {Dc DD})
= P ({DDDc }) + P ({DDc D}) + P ({Dc DD}) = 3 0,9 0,12 = 0,027
P (X = 3) = P ({DDD}) = 0,1 0,1 0,1 = 0,001
86
0,729, si x = 0 ;
0,243, si x = 1;
P (X = x) 0,027, si x = 2;
0,001, si x = 3;
0,
otro caso.
De manera tabular quedara,
x
P (X = x)
Otra funcion que caracteriza la distribucion de probabilidad de una variable aleatoria es la Funcion de Distribucion (FD).
Denici
on 3.9 (Funci
on de Distribuci
on) Sea X una variable aleatoria, la Funci
on de Distribucion de X se dene como
F (x) = P (X x)
Como estamos considerando el caso en que X es discreta, la funcion de distribucion
viene dada por:
F (x) = P (X x) =
P (X = x)
Ejemplo 3.3.1 La funcion de distribucion para el ejemplo del lanzamiento de las dos
DE PROBABILIDAD
3.3. DISTRIBUCION
monedas es
0,
1,
4
F (x) =
1,
87
x < 0;
0 x < 1;
1 x < 2;
x 2.
0,
0,729,
F (x) =
0,972,
0,999,
1,
x < 0;
0 x < 1;
1 x < 2;
2 x < 3;
x 3.
3.3.2.
Problemas
88
3.4.
89
Valor Esperado
3.4.1.
Ademas de conocer la distribucion de probabilidad de una variable aleatoria es importante conocer algunas medidas descriptivas numericas, parametros, relacionadas con la
variable aleatoria, las cuales dan informacion importante sobre la variable en estudio.
Denici
on 3.11 (Valor Esperado) Sea X una variable aleatoria discreta con funci
on de probabilidad p(x). El valor esperado de X, denotado por E(X), se dene como
E(x) =
xp(x) =
xP (X = x)
(3.2)
Ejemplo 3.4.1 Para el ejemplo del lanzamiento de las dos monedas se tiene que
1
1
1
xP (X = x) = 0P (X = 0) + 1P (X = 1) + 2P (X = 2) = 0 + 1 + 2 = 1
E(X) =
4
2
4
x
Este resultado indica que se espera que ocurra una cara al lanzar las dos monedas.
Ejemplo 3.4.2 Para el ejemplo de los artculos defectuosos se tiene que el valor esperado es:
E(X) =
xP (X = x)
= 0P (X = 0) + 1P (X = 1) + 2P (X = 2) + 3P (X = 3)
= 0(0,729) + 1(0,243) + 2(0,027) + 3(0,001) = 0,3
Lo cual indica que se espera no hayan defectuosos en la extraccion de los tres artculos.
El valor esperado no es mas que la media del conjunto de valores que toma la variable
aleatoria.
90
3.4.2.
Teorema 3.12 Sea X una variable aleatoria discreta con funcion de masa de probabilidad p(x) y sea g(X) una funcion de X. El valor esperado de g(X), denotado por
E(g(X)), esta dado por:
E(g(X)) =
g(x)p(x) =
g(x)P (X = x)
(3.3)
Ejemplo 3.4.3 Para el ejemplo del lanzamiento de las dos monedas se tiene que
E(X 2 ) =
x2 P (X = x) = 02 P (X = 0) + 12 P (X = 1) + 22 P (X = 2)
1
1
3
1
= 0 +1 +4 =
4
2
4
2
3
3
x P (X = x) = 03 P (X = 0) + 13 P (X = 1) + 23 P (X = 2)
E(X ) =
x
1
1
1
5
= 0 +1 +8 =
4
2
4
2
Ejemplo 3.4.4 Para el ejemplo de los artculos defectuosos se tiene que el valor esperado es:
E(X 2 ) =
x2 P (X = x)
= 02 P (X = 0) + 12 P (X = 1) + 22 P (X = 2) + 32 P (X = 3)
= 0(0,729) + 1(0,243) + 4(0,027) + 9(0,001) = 0,36
Teorema 3.4.1 (Propiedades del Valor Esperado) Sean X una variable aleatoria, g1 y g2 dos funciones de X, a y b dos constantes, entonces
91
1. E(a) = a
2. E(aX + b) = aE(X) + b
Un resultado muy importante que se obtiene a partir del Teorema 3.12, es la posibilidad
de poder calcular la medida de dispersion mas importante de un conjunto de datos,
como lo es la varianza.
Denici
on 3.13 Sea X una variable aleatoria discreta con funcion de masa de probabilidad p(x), la varianza de X, denotada por V ar(x), se dene como
V ar(x) = E[(X E(x))2 ]
(3.4)
Teorema 3.4.2
V ar(X) = E(X 2 ) [E(X)]2
Demostraci
on
Ejemplo 3.4.5 Para el ejemplo del lanzamiento de las dos monedas, la varianza esta da-
92
da por,
3
1
12 =
2
2
Ejemplo 3.4.6 Para el ejemplo de los artculos defectuosos se tiene que la varianza
es:
V ar(X) = E(X 2 ) E(X)2 = 0,36 0,32 = 0,27
Teorema 3.4.3 (Propiedades de la Varianza) Sean X una variable aleatoria, g1
y g2 dos funciones de X, y a una constante, entonces
1. V ar(a) = 0
2. V ar(X + a) = V ar(X)
3. V ar(aX) = a2 V ar(X)
3.4.3.
Ejercicios
93
de un a
no en 10.000 BsF. a un prima de 110 BsF. Cual es la ganacia esperada
de la compa
nia?.
4. La probabilidad de que una casa se incendie en el lapso de un a
no es de 0.005.
Una aseguradora ofrece una poliza contra incendio que cubre 20.000 BsF. con
vigencia de un a
no; se paga una prima anual por 150 BsF. Cuanto espera ganar
la aseguradora?.
5. Se selecciona una muestra aleatoria de tres personas sin reemplazo de un grupo
de cuatro hombres y tres mujeres, para realizas los preparativos de un congreso.
Cual es el n
umero esperado de mujeres en la muestra?
6. Para la siguiente distribucion de probabilidad
x
-20 -10
P(X=x)
3
10
2
10
30
5
10
10025
10050
10075
P (X = x)
0.2
0.3
0.5
X
2
94
3.5.
3.5.1.
Distribuci
on de Probabilidad Multivariable
Introducci
on
Es posible denir diversas variables aleatorias en el mismo espacio muestral. Por ejemplo, considere el experimento en el cual se estudian las caractersticas de una persona,
podramos denir las siguientes variables aleatorias: estatura, peso, edad, grado de
instruccion entre otras.
En la discusion que sigue introduciremos la nocion de funcion de probabilidad conjunta
de dos variables aleatorias, la funcion de probabilidad marginal y la funcion de probabilidad condicional, tambien se hara una introduccion al estudio del valor esperado en
el caso de varias variables aleatorias.
3.5.2.
Distribuci
on de Probabilidad Conjunta
En las secciones anteriores vimos que para conocer el comportamiento de una variable
aleatoria era importante determinar la probabilidad de que la variable asumiera un valor particular, es decir, conocer su distribucion de probabilidad. Ahora, para estudiar
la relacion entre dos variables, nos interesa saber la probabilidad de que las dos variables en conjunto asuman valores particulares, es decir, la distribucion de probabilidad
conjunta de las dos variables que se consideran.
Al igual que para el caso de una variable aleatoria la distribucion de probabilidad
conjunta esta caracterizada por una funcion de probabilidad, conocida en este caso
como funcion de probabilidad conjunta, la cual se dene a continuacion.
Denici
on 3.14 (Funci
on de Masa de Probabilidad Conjunta) Sean X y Y dos
variables aleatorias discretas, la funcion de probabilidad conjunta, denotada por p(x, y),
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
95
se dene como
p(x, y) = P (X = x, Y = y)
(3.5)
CCC
CCS
CSC
SCC
CSS
SCS
SSC
SSS
Puesto que todos los puntos muestrales son igualmente probables, cada uno tiene una
probabilidad de 18 . Por lo tanto la funcion de probabilidad conjunta se muestra en la
siguiente tabla cruzada.
@
x
@
0
@
@
y
@
1
8
1
8
2
8
2
8
1
8
1
8
96
{1, 1}
{1, 2}
{1, 3}
{2, 1}
{2, 2}
{2, 3}
{3, 1}
{3, 2}
{3, 3}
Puesto que todos los puntos muestrales son igualmente probables, cada uno tiene una
probabilidad de 19 . Por lo tanto la funcion de probabilidad conjunta se muestra en la
siguiente tabla cruzada.
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
97
x
@
0
@
@
y
@
1
9
2
9
1
9
2
9
2
9
1
9
Los resultados que se muestran en la tabla anterior se obtienen de la siguiente manera: el punto muestral {1, 1} es el u
nico punto muestral correspondiente a (X =
2, Y = 0), y en consecuencia, P (X = 2, Y = 0) = 19 . Asimismo, P (X = 1, Y = 1) =
P ({1,2}o{2,1}) = 29 . Y as sucesivamente para los demas.
Al igual que para el caso de una variable, otra manera de caracterizar la distribucion
de probabilidad conjunta es usando la Funcion de Distribucion Conjunta, la cual se
dene a continuacion:
Denici
on 3.15 Sean X y Y dos variables aleatorias discretas, la funcion de distribucion conjunta de X y Y , denotada por F (x, y), se dene como:
F (x, y) = P (X x, Y y) =
p(t1 , t2 )
(3.6)
t1 x t2 y
Ejemplo 3.5.3 Considere las variables aleatorias X y Y del ejemplo *** . Vamos a
calcular F (1, 2), F (1,5, 2) y F (5, 7).
De acuerdo con los resultados de la tabla ***, tenemos que
F (1, 2) = P (X 1, Y 2) = 0
F (1,5, 2) = P (X 1,5, Y 2) = p(0, 0)+p(0, 1)+p(0, 2)+p(1, 0)+p(1, 1)+p(1, 2) =
8
9
F (5, 7) = P (X 5, Y 7) = 1
98
3.5.3.
Distribuci
on de Probabilidad Marginal y Condicional
Denici
on 3.16 Sean X y Y variables aleatorias discretas con funcion de masa de
probabilidad conjunta p(x, y). Entonces las funciones de masa de probabilidad marginal
de X y Y respectivamente, estan determinadas por
p(x) =
p(x, y)
(3.7)
p(x, y)
(3.8)
p(y) =
x
Ejemplo 3.5.4 Consideremos el ejemplo del lanzamiento de las tres monedas. Las
funciones de masa de probabilidad marginal est
an dadas por:
Las marginales de X son:
p(x) = 3y=1 p(x, y) = p(x, 1) + p(x, 2) + p(x, 3)
Para x = 0, P (0) = p(0, 1) + p(0, 2) + p(0, 3) =
1
8
+0+0=
1
8
1
8
3
8
1
8
3
8
+0+0=
1
8
1
8
2
8
4
8
2
8
1
8
+0+0+
1
8
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
99
p(y)
1
8
1
8
2
8
2
8
2
8
4
8
1
8
1
8
2
8
p(x)
1
8
3
8
3
8
1
8
Denici
on 3.17 (Funci
on de masa de probabilidad Condicional) Sean X y Y
variables aleatorias discretas con funcion de masa de probabilidad conjunta p(x, y) y
funciones de masa de probabilidad marginal p1 (x) y p2 (y). Entonces las funciones de
masa de probabilidad condicional de X, dado Y , es
p(x/y) = P (X = x/Y = y) =
P (X = x, Y = y)
p(x, y)
=
P (Y = y)
p2 (y)
(3.9)
Ejemplo 3.5.5 Consideremos el ejemplo del lanzamiento de las tres monedas, y vamos a calcular la distribucion condicional de X dado que Y = 1. Para ello, vamos a
concentrarnos en la la correspondiente a Y = 1. Entonces
1
8
2
8
P (X = 0/Y = 1) =
p(0,1)
p2 (1)
P (X = 1/Y = 1) =
p(0,1)
p2 (1)
=0
P (X = 2/Y = 1) =
p(0,1)
p2 (1)
=0
P (X = 3/Y = 1) =
p(0,1)
p2 (1)
3.5.4.
2
8
2
8
1
8
2
8
1
2
1
2
100
P (A B) = P (A)P (B)
Veamos ahora cuando 2 variables aleatorias son independientes.
Denici
on 3.18 Sean F1 (x) y F2 (y) funciones de distribucion de X y Y , respectivamente, y F (x, y) la funcion de distribucion conjunta de X y Y . Entonces, se dice que
X y Y son independientes si y solo si
(3.10)
3.5.5.
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
101
Denici
on 3.20 Sean X y Y dos variables aleatorias con funcion de masa de probabilidad conjunta p(x, y) y sea g(X, Y ) una funcion de esas dos variables. Entonces, el
valor esperado de g(X, Y ), esta dado por
E[g(X, Y )] =
x
g(x, y)p(x, y)
(3.11)
Ejemplo 3.5.6 Consideremos el ejemplo del lanzamiento de las tres monedas. La distribuci
on conjunta para este caso estaba dada por:
@
x
@
0
@
@
y
@
p(y)
1
8
1
8
2
8
2
8
2
8
4
8
1
8
1
8
2
8
p(x)
1
8
3
8
3
8
1
8
E(XY ) =
3
3
xyp(x, y)
x=0 y=1
2
1
1
= (0)(1) + (0)(2)0 + (0)(3)0 + (1)(1)0 + (1)(2) + (1)(3)
8
8
8
2
1
1
= (2)(1)0 + (2)(2) + (2)(3) + (3)(1) + (3)(2)0 + (3)(3)0
8
8
8
4 3
6 3
= 0+0+0+0+ + +0+1+ + +0+0=3
8 8
8 8
Teorema 3.21 Si g(X, Y ) = X Y entonces E[g(X, Y )] = E[X Y ] = E[X] E[Y ]
102
Demostraci
on
E[g(X, Y )] = = E[X Y ] =
=
x
x
xp(x, y)
xpx (x)
(x y)p(x, y) =
x
x
yp(x, y) =
x
p(x, y)
y
p(x, y)
x
E(X + Y ) =
3
3
(x + y)p(x, y)
x=0 y=1
2
1
1
= (0 + 1) + (0 + 2)0 + (0 + 3)0 + (1 + 1)0 + (1 + 2) + (1 + 3)
8
8
8
2
1
1
= (2 + 1)0 + (2 + 2) + (2 + 3) + (3 + 1) + (3 + 2)0 + (3 + 3)0
8
8
8
1
6 4
5 4
7
=
+0+0+0+ + +0+1+ + +0+0=
8
8 8
8 8
2
Si calculamos la E(X) y E(Y ) por separado, tenemos que
E(X) =
3
px (x)
x=0
1
3
3
1
12
3
= (0) + (1) + (2) + (3) =
=
8
8
8
8
8
2
3
E(Y ) =
py (y)
y=1
2
4
2
16
= (1) + (2) + (3) =
=2
8
8
8
8
Ahora,
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
E(X) + E(Y ) =
3
2
+2 =
7
,
2
103
conjunta
Teorema 3.22 Si X y Y son variables aleatorias independientes, entonces E(XY ) =
E(X)E(Y )
Demostraci
on
E(XY ) = =
x
x
(xy)p(x, y) =
xp(x)ypy (x, y) =
xpx (x)
ypy (y)
= E(X)E(Y )
3.5.6.
(3.12)
La covarianza mide el grado de asociacion lineal entre las variables X y Y . Mientras mas
grande sea el valor absoluto de la covarianza de X y Y , mayor sera la dependencia lineal
entre ellas. Los valores positivos indican que Y aumenta a medida que X aumenta; los
valores negativos indican que Y disminuye a medida que X aumenta.Si el valor de
104
Denici
on 3.24 Si X y Y son variables aleatorias con desviaciones estandar x y y
respectivamente, el coeciente de correlaci
on de X y Y , denotado por , esta dado por:
Cov(X, Y )
x y
(3.13)
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
105
Demostraci
on
Cov(X, Y ) = E[(X x )(Y y )] = E(XY Xy Y x + x y )
= E(XY ) E(Xy ) E(Y x ) + E(x y )
= E(XY ) y E(X) x E(Y ) + x y
= E(XY ) E(Y )E(X) E(X)E(Y ) + E(X)E(Y ) = E(XY ) E(Y )E(X)
Cov(X, Y ) = 0
Demostraci
on
Cov(X, Y ) = E(XY ) E(Y )E(X) = E(X)E(Y ) E(X)E(Y ) = 0
106
3.5.7.
Ejercicios
3. En una empresa hay nueve ejecutivos, de los cuales cuatro estan casados, tres son
solteros y dos son divorciados. Tres de ellos seran seleccionados al azar para un
umero de ejecutivos casados y X2 el de ejecutivos solteros
ascenso. Si X1 es el n
entre los tres elegidos para el ascenso, encuentre la distribucion de probabilidad
conjunta de X1 y X2 .
0, si el ni
no sobrevive;
X1 =
1, si el ni
no no sobrevive.
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
107
X2 =
1, si utilizaba cinturon de seguridad;
y1
@
y2 @
@
0.38 0.17
0.14 0.02
0.24 0.05
108
@
y @
@
0.10 0.15
0.20 0.30
0.10 0.15
DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
d ) Son X y Y independientes?
e) Cual es el grado de asociacion lineal entre las variables?.
109
110