Unidad II: Variables Aleatorias Concepto Discreta y Continua Fun. de densidad Fun. de probabilidad...
-
Upload
raul-segura-maidana -
Category
Documents
-
view
249 -
download
9
Transcript of Unidad II: Variables Aleatorias Concepto Discreta y Continua Fun. de densidad Fun. de probabilidad...
Unidad II: Variables Aleatorias
Concepto Discreta y Continua
Fun. de densidadFun. de probabilidad
F. de distribución
Esperanza y Varianza Propiedades
El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
En estos casos aparece la noción de variable aleatoria
2.1 Concepto de Variable aleatoria
Función que asigna a cada elemento del espacio muestral un número
2.1 Variable Aleatoria: Notación
- Las letras mayúsculas (X, Y, Z, etc) representarán a las variables aleatorias.
- La letra griega ω representará un elemento genérico del espacio muestral.
- X(ω) será la representación funcional de la variable aleatoria X.
- Las letras minúsculas (x, y, z, etc) representarán valores particulares en el recorrido de la variable.
Def.: Se dice que una aplicación
xX
X :
que a cada suceso elemental hace corresponder un número real, es una v.a. si
ebraAxXAx lg/,
Propiedades:
1.- Por ser A un suceso, tiene definida una
probabilidad, y por tanto, podemos obtener la
probabilidad de que la v.a. tome valores inferiores
a un x dado:
xXPAP
2.- Se puede obtener también la probabilidad de
que una v.a. tome valores dentro de un intervalo:
aXPbXPbXaP
3.- Dadas dos v.a. X e Y, definidas sobre un
mismo espacio de probabilidad, se puede definir la
suma, resta, producto y cociente (con
denominador no nulo), obteniéndose otra
aplicación que verifica también la condoción de
v.a.
FUNCIÓN DE DISTRIBUCIÓN DE UNA V.A
Es una función de una v. real que se introduce
para conocer cómo se renarte la probabilidad de
los valores que toma una v.a.
Se define como la función
xxXPxF
ss
cs
sc
cc
,
,
,
,
X = Número de caras que aparecen al lanzar dos monedas
V. A. DISCRETA
2,1,0XR0
1
2
X
Función de probabilidad (V. A. Discretas)
• Asigna a cada posible valor de una v.a.d. su probabilidad.
Recuerda los conceptos de frecuencia relativa y
diagrama de barras.
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
X 0 1 2 3 xXp 81 83 83 81
EjemploX = Número de caras al lanzar 3 monedas.
?X = Número de ampolletas seleccionadas azules
2,1,0XR
X = 0 X = 1 X = 2
x 0 1 2
P( X = x ) 3/28 15/28 10/28
2
828# 3
0
5
2
3
151
5
1
3
10
2
5
0
3
Función de densidad (V. A. Continuas)
Es una función no negativa de integral 1 Piénsalo como la generalización
del histograma con frecuencias
relativas para variables continuas.
¿Para qué lo voy a usar?
- Nunca lo vas a usar directamente.
- Sus valores no representan probabilidades.
¿Para qué sirve la f. densidad?
• Muchos procesos aleatorios vienen descritos por variables de forma que son conocidas las probabilidades en intervalos.
• La integral definida de la función de densidad en dichos intervalos coincide con la probabilidad de los mismos.
• Es decir, identificamos la probabilidad de un intervalo con el área bajo la función de densidad.
1)
0 )
dxxfii
xxfi
X
X
Una variable aleatoria X es continua si su recorrido es un intervalo de la recta real.
2.3 Variables Aleatorias Continuas
Función de Densidad de probabilidad: f ( x )
b
aX dxxfbXaP )(
Ejemplo
0,2
1)(
.2/11
2/
2/
xexf
cdxce
xX
x
tanto, lo Por que obtiene se , que hecho el Utilizando0
6
36)2/1(2/ 05.0)2/1()6( eedxeXP x
X= concentración diaria del contaminante por cada 103 litros
?cualquiera día un en tecontaminan este de polución de problema un ocurra
que adprobabilid la es ¿Cuál 6 los excede iónconcentrac la si nación
-contami de problema un ocurrirá que sabe Se densidad
de función tiene arroyo un en tecontaminan cierto de diaria iónconcentrac La
.10/
.0,)(
3
2/
ltmg
xcexf xX
Y la probabilidad que ocurra el problema de polución es:
Ejemplo
0 1
0 0)(
2/2xe
xxH
x
Claramente H(x) satisface las condiciones (1) – (4), por lo tanto H corresponde a la función de distribución acumulada de alguna variable aleatoria X.
Cambio de variable
Sea X una v.a.c. con f.d.p xf . Sea yfy una función
continua y biyectiva que define un cambio de variable YX .
Supongamos que existe y es derivable la función inversa
yxx . Entonces, la función de densidad de la v.a. Y es:
dydx
yxfyf XY
Esperanza y varianza de una variable aleatoria
Def. de Esperanza: la esperanza matemática es una generalización del concepto de media aritmética. Dada una muestra de n valores observados de un variable X, con sus respectivas frecuencias:
n
nffffrecxxxX
... : ... :
21
21
n
ii nf
1
La media muestral es:
n
i
ii
n
iii n
fxxf
nx
11
1 Frec.relativa
Por tanto, la frecuencia relativa se puede considerar como la probabilidad que tiene el valor xi de presentarse en la muestra total de tamaño n. Luego,
n
iii
ii xXPxx
n
fxXP
1
Esta forma de expresar la media de la muestra, sugiere la definición de Esperanza en el caso discreto
Significado de la esperanza:
1.Como valor medio teórico de todos los valores que puede tomar la variable. Representa una medida de centralización.
2. Como centro de gravedad de los puntos que corresponden a los valores de la variable, asignándoles una cantidad de masa proporcional a la función de densidad en cada punto.
3.Si la v.a. es la ganancia o pérdida en un determinado juego al azar, la esperanza representa la ganancia por jugada. Un juego es equitativo si su esperanza es cero.
1.La esperanza es lineal, es decir: cualesquiera sean
las v.a. X e Y:
E [X+Y] = E [x] + E [Y]
E[aX+b] = a E [x] + b, a y b constantes
2. Si las v.a. X e Y son independientes,
E [XY] = E [x] E [Y]
3. La esperanza está influenciada por los valores
extremos de la variable debido a su interpretación
como centro de gravedad de una masa lineal.
Propiedades de la Esperanza
4. Si Y = g(X) es una variable obtenida a partir de X
mediante una función continua g, la esperanza de
la nueva variable Y, se obtiene utilizando la
fórmula:
v.a.ces si
v.a.des si
)(Xdxxfxg
Xxpxg
XgEYE
ii
i
5. Si X e Y son dos v.a. con distribución bivariante
continua de f.d.p. f(x,y), y h(x,y), es una función
continua, la Esperanza matemática de Z = h(X, Y)
es:
dy,,),( dxyxfyxhYXhEZE
Definición de varianza
La varianza mide la dispersión media de los valores de una variable respecto de su valor medio.En el caso de una muestra de tamaño n la dispersión de un valor respecto de su centro se puede medir por 2xxi y la media aritmética de esta dispersión:
in
ii
in
ii xXPxx
n
fxxS
1
2
1
22
Se llama varianza de la muestra o varianza muestral.Su generalización para una v.a es:
Definición: Si X es una v.a. con esperanza finita E[X], se
llama Varianza de X, a la esperanza de la nueva variable
)(])[( 22 XVarXE xx
:2XEXY
suponiendo que existe
La Desviación típica o estándar de una variable aleatoria X, es la raíz cuadrada positiva de la varianza y se define como:
22222 ])[(][][ XEXEXE xx
Propiedades
Sea X una variable aleatoria con media μ y varianza σ2. Entonces:
Var(X)Var(X)Y)Var(XYeXd
kXVarkkXVarc
XVarkXVarb
kkVara
tienese v.a.i.,dosson Si )
)()( )
)()( )
constante ; 0)( )
222
2
Teorema: Sea X una variable aleatoria y g(X) una función no negativa
de X con dominio en R. Entonces:
0)]([
))(( kk
XgEkXgP ,
Teorema: (Desigualdad de Chebyshev). Sea X una variable aleatoria con esperanza y varianza finitas, se verifica
0 , )var(
))((2
hh
XhXEXP
Funciones de una Variable Aleatoria
Teorema Sea X una variable aleatoria discreta con recorrido RX y
función de probabilidades px(x). Sea Y=H(X) una transformación uno a
uno sobre X, con inversa X=H-1(Y) en el recorrido de Y, RY. Entonces
la función de probabilidad de Y, py(y), está dada por:Yx RyyHp , ))(( 1
YXY Rydy
ydHyHfyf
,
)())(()(
11
Teorema Sea X una variable aleatoria continua con función de
densidad fx(x) y Sea H(X) una función monótona, continua y
diferenciable. Si Y=H(X), entonces su función de distribución está dada por:
edecrecient es si
creciente es si
)())((1
)())(()(
1
1
XHtHF
XHtHFtF
X
XY
y la función de densidad de Y es:
Ejemplo
Sea X una variable aleatoria con función de distribución FX(t) y función
de densidad fX(t). Sea Y = a+bX, b>0, entonces como Y es una
función monótona creciente de la variable X tenemos, de acuerdo al teorema anterior, que la función de distribución acumulada y la función de densidad de Y son respectivamente:
b
atf
btf
b
atFtF XYXY
1)()( y
En este caso se tiene de inmediato que la media y la varianza de Y están dadas por
menterespectiva , y 222)()( XY bXbEaYE
Ejemplo
Consideremos la variable aleatoria X, cuya función de distribución está dada por
/1/;)(
bab
atFtF XZ y donde
01)( 2 tetF tX si
La forma estándar de X se define por la transformación Z = (X - )/. De acuerdo al ejemplo anterior, la función de distribución de Z está dada por
Así,
0/1
/,1)( /1
/2
t
etF
t
Z si
…
… Realizando los cálculos, tenemos que = 1/2 y = 1/2, entonces
11)( )1( tetF tZ si
Finalmente, como Z = -/ + X/, entonces
Así, la forma estándar de una variable aleatoria siempre tendrá media cero y varianza unitaria.
1)/1()(0//)( 22 ZVarZE y
Ejemplo
Sea X una variable aleatoria continua con función de distribución FX(·),
tal que FX(t) = 0, para todo t ≤ 0. Si Y = X1/2, entonces
0)(2)( 2 ttfttf XY si
0)()( 2 ttFtF XY si
y
Notemos que, aparte de ser X una variable aleatoria continua, ella debe ser positiva, tal que su raíz cuadrada sea real; de lo contrario el resultado no es válido.
Ejemplo
Consideremos la variable aleatoria X que tiene función de densidad fX(x) = 2(1 – x), 0 <x< 1, y determinemos la función de densidad Y =
eX.
eyyyyfY 1,/)ln1(2)(
H(x) = ex una función monótona de x, cuya función inversa es
x = lny = H-1(y). Entonces una aplicación directa del Teorema nos conduce a la función de densidad de Y
Ejemplo
Sea X una variable aleatoria continua con función de densidad f(x)=1/2, -1< x <1. Determinemos la distribución de la nueva variable Y=X2.
Primero notemos que RX=(-1,1), entonces RY=[0,1). Así
inmediatamente sabemos que
11
00)(
y
yyFY
si
si
Ahora, para valores y tales que, 0 ≤ y ≤ 1 podemos razonar como sigue:
a y a
eequivalent es cual el evento al eequivalent es evento El
}.{}{
}{}{ 2
yXyyX
yXyY
…
… Por lo tanto, para 0 ≤ y ≤ 1
)()(})({)( yFyFyXyPyF XXY
10
10)2
1)((
2
1)(
00
)( 2/12/1
y
yyyfyyf
y
yf XXY
si
si
si
entonces derivando la función de distribución anterior obtenemos la función de densidad de Y como
Esto es,
casos otros en
si
0
102
1)(
2/1 yyyfY
Ejemplo
Sea X una variable con densidad fX(x)=1/3 para -1 ≤ x ≤ 2 y función de
distribución
3
2)()()()( 2 y
yFyFyXPyF XXY
21
213
1
10
)(
x
xx
x
xFX
si
si
si
Determinemos la distribución de Y = X2.
Claramente, RY=[0,4] por lo que FY(y)=0 para y<0 y FY(y)=1 para y>4.
Ahora para y ϵ [0,4], analicemos los intervalos [0,1) y [1,4] por separado.
Si 0 ≤ y < 1:
…