Variables aleatorias

C L A S E N ° 5
I N 3 4 0 1
S E M E S T R E O T O Ñ O , 2 0 1 2
Unidad 1
a. Probabilidades y Estadística
1

Parámetros v.a.
3
 La función de densidad o la distribución de probabilidad de
una v.a. contiene exhaustivamente toda la información
sobre la variable.
 Sin embargo resulta conveniente resumir sus características
principales con unos cuantos valores numéricos. Estos son,
fundamentalmente la esperanza y la varianza.
 Diferenciamos entre v.a. discretas y continuas.

Esperanza
4
 V.a. discretas: es la suma del producto de la probabilidad
de cada suceso por el valor de dicho suceso. Si todos los
sucesos son de igual probabilidad la esperanza es la media.
 Para una variable aleatoria discreta con valores posibles x1,
x2 … xn, la esperanza se calcula como:

Esperanza
5
 V.a. continuas: la esperanza se calcula mediante la
integral de todos los valores y la función de densidad:
 La esperanza es un operador lineal:
E(aX + b) = E(aX ) + E(b) = aE(X ) + b

Varianza
6
 La varianza se define como la esperanza de la transforma-
ción [X-E(X)]2 : E ([X-E(X)]2).
 La desviación estándar s es la raíz cuadrada de la
varianza.
 V.a. discretas:

Varianza
8
 V.a. continuas: integrar
 Propiedades:
s2 =E(X 2)-E(X)2
V(aX+b)=a2 s2 (X)

Distribuciones Truncadas
9
 Ej: "La longitud de las varillas fabricadas por una
máquina es una variable aleatoria X distribuida según fX.
Si nos quedamos solamente con las varillas que miden más
de 2cm, ¿cómo se distribuye la longitud de las varillas que
quedan?“
 La nueva distribución excluye la probabilidad de la
condición, por lo que la nueva distribución no suma/integra
1.Es necesario corregir la distribución dividiendo por la
probabilidad de la condición y excluyendo los valores
descartados.

Distribuciones Truncadas(2)
10
 Ej (cont):
 Condición: X>2
 Se excluyen los valores descartados:

11
 Ej (cont): Se corrige la distribución dividiendo por la
probabilidad del suceso:
 Verificamos que es efectivamente una distribución:

12
 Gráficamente:

13
 Ej 2(v.a. discretas): Se tienen piezas de tipo 1, 2, 3 y 4,
ubicadas, mezcladas, en una caja. El experimento consiste
en tomar una pieza al azar de la caja. Hay un 20% de piezas
tipo 1, 40% de tipo 2, 3% de tipo 3, y 10% de tipo 4. Luego
alguien se toma el trabajo de quitar todas las piezas tipo 3
de la caja. ¿Cómo se distribuye X ahora?
 Se tiene la siguiente distribución:

14
 Ej 2: condición X 3
 Función con dominio restringido:
 Corrección de la distribución:

15
 Gráficamente:

Distribución conjunta
16
 Se deben cumplir los mismos supuestos que para variables
unidimensionales:
 La interpretación de la función de densidad conjunta es una
función bidimensional.

Distribución conjunta(2)
17
 Ej: X: el número que sale al tirar un dado.
Y: la cantidad de caras que salen al tirar una moneda.

Distribución conjunta(2)
18
 Ej 2: Caso continuo:

Distribución Marginal
19
 Cada componente de una variable aleatoria bidimensional
es una variable aleatoria unidimensional en sí misma.
 Nos puede interesar conocer la distribución de una
componente por separado, sin tener en cuenta a la otra
componente.
 Eso se denomina "marginar", y la distribución de la variable
unidimensional por separado se llama "distribución
marginal".

Distribución Marginal(2)
20
 (v.a. discretas) Sea la variable aleatoria bidimensional XY
distribuida según PXY(x,y), la distribución marginal de X es:
 Análogamente, la distribución marginal de Y es:

21
 (v.a. continuas) Sea la variable aleatoria bidimensional XY
distribuida según fXY(x,y), la distribución marginal de X es:
 Análogamente, la distribución marginal de Y es:

22
 Ej 1:

24
 Ej 2:

25
 Ej 2: Distribución marginal de X: se aplica la fórmula al
único intervalo relevante (0 < x < 4):

26
 Ej 2: Distribución marginal de Y: se aplica la fórmula al
único intervalo relevante (1 < y < 3):

27
 Ej 3:

28
 Ej 3: Distribución marginal de X: se aplica la fórmula al
único intervalo relevante (0 <x< 2):
 Distribución marginal de Y: se aplica la fórmula al único
intervalo relevante (0 < y < 2):

Covarianza
29
 Introducimos el concepto de probabilidad conjunta, cuando
dos v.a. pueden tomar simultáneamente ciertos valores
concretos (caso discreto):
 La covarianza refleja la relación lineal de 2 v.a. X e Y:
s (X,Y) =E(XY)-E(X) E(Y)

Covarianza(2)
30
Donde:
caso v.a. discretas
caso v.a. continuas
 Correlación de Pearson:

Distribuciones Condicionales.
31
 Supongamos que tenemos las v.a. peso y altura.
 Intuitivamente, si conocemos el valor que tomó una de las
v.a. al hacer el experimento, eso nos modificará la
distribución de probabilidad de la otra variable aleatoria.
 Conociendo función de densidad conjunta de las dos
variables aleatorias, podemos obtener la distribución
marginal del peso. Pero si conociéramos que la variable
altura tomó el valor 1.90m, ¿la distribución marginal del
peso que teníamos sigue siendo válida?

Distribuciones Condicionales(2).
32
 No, Seguramente, la masa de probabilidad del peso tenderá
a distribuirse más hacia los valores más altos:

Distribuciones Condicionales(3).
33
 Se define entonces la función de densidad condicional:
 Caso 2 v.a. discretas X e Y:
 Caso 2 v.a. continuas X e Y:

Independencia de v.a.
34
 Intuitivamente, X e Y son independientes si fX/Y(x,y) es
idéntica para todos los posibles valores de y.
 Por ejemplo, que la distribución del peso es idéntica para
los distintos valores de altura (claramente no se cumple).
 Si fX/Y(x,y) no depende de y, entonces es en realidad fX(x), es
decir, la distribución marginal de X.

Independencia de v.a.(2)
35
 Ej 1:

Independencia de v.a.(4)
37
Ej 2:

Esperanza Condicional
39
 Podemos obtener la esperanza de una distribución
condicional de la misma manera que para el caso
unidimensional:
 Caso 2 v.a. discretas X e Y:
 Caso 2 v.a. continuas X e Y:

Percentiles
40
 El percentil p de una variable aleatoria X es número más
pequeño, que denominaremos xu que cumple:
 el percentil es, por tanto, el valor de la variable aleatoria
para el cual la función de distribución acumulada toma el
valor p.

Distribuciones Discretas - Binomial
41
 Ensayo de Bernoulli: Es un experimento que puede arrojar
2 resultados posibles. A uno de los resultados se lo
denomina arbitrariamente "éxito" y al otro "fracaso".
 El ensayo de Bernoulli lleva asociada una probabilidad (de
éxito). Ej: tirar un dado, donde el éxito es sacar 5:
 P[éxito]=1/6; P[fracaso]=1-1/6=5/6
 Un proceso de Bernoulli considera n ensayos de Bernoulli
independientes

Distribuciones Discretas – Binomial(2)
42
 La probabilidad de obtener k éxitos en un proceso de
Bernoulli de n ensayos se distribuye Binomial(n,p):
 Esto se cumple cuando 0 k n. Para los valores restantes
de k esta probabilidad es cero.
 Además se tiene E(X)=np y V(X)=np(1-p)

Distribuciones Discretas – Binomial(3)
43
 Aspecto de la distribución binomial:
 Importante señalar que todos los valores entre 0 y n tienen
probabilidad no nula, aunque la probabilidad de los valores
cercanos a n será muy pequeña si p es chico, y la probabili-
dad de los valores cercanos al 0 será muy pequeña si p es
grande.

Distribuciones Discretas – Geométrica
44
 La probabilidad de obtener el primer éxito en el intento
número x se distribuye geométrica(p):
 Además se tiene E(X)=1/p y V(X)=(1-p)/p2
 Aspecto:

Distribuciones Discretas – Pascal
45
 "¿Cuál es la probabilidad de obtener el k-ésimo éxito en el
intento número x?“
 X se distribuye Pascal(k , p):
 Además se tiene E(X)=k/p y V(X)=k(1-p)/p2

Distribuciones Discretas – Pascal(2)
46
 Aspecto
 Todos los valores menores que k tienen probabilidad nula.
A partir de k, la probabilidad crece con mayor o menor
velocidad dependiendo de p, y luego de llegar al valor más
probable, decrece lenta y asintóticamente hacia el 0.

Distribuciones Discretas – Poisson
47
 "¿Cuál es la probabilidad de obtener x eventos en un
intervalo de tiempo?”
 La distribución de Poisson usa el parámetro m = lT, donde T
es la longitud del intervalo, y l es la cantidad esperada de
eventos por unidad de tiempo, entonces m resulta ser la
media.
 X:Poisson(m)

Distribuciones Discretas – Poisson(2)
48
 La esperanza y varianza de una distribución de Poisson:
E(X)= m y V(X)= m
 Aspecto:

Distribuciones Continuas– Uniforme
49
 En una distribución uniforme las probabilidades son las
mismas para todos los posibles resultados
 Aspecto: Uniforme (a,b)

Distribuciones Continuas– Uniforme(2)
50
 La media está a mitad de camino de los puntos extremos:
 Varianza:
 Función de densidad: f

Distribuciones Continuas– Exponencial
51
 Mientras que la distribución de Poisson describe las tasas
de llegadas (personas, camiones, etc) dentro de un período
de tiempo, la dist. Exponencial estima el lapso entre arribos
 La esperanza y varianza de una distribución Exponencial:
E(X)= m y V(X)= m

Distribuciones Continuas– Exponencial(2)
52
 Aspecto

Distribuciones Continuas– Normal
53
 En forma simple, la distribución normal (datos continuos)
se asocia una curva simétrica en forma de campana
 Está caracterizada por dos parámetros: N(m,s2)

Distribuciones Continuas– Normal (2)
54
 Distribución Normal y Regla Empírica: La regla
empírica dice que si se incluyen todas las observaciones que
están a una desviación estándar de la media, éstas serán el
68.3% de todas las observaciones.
 De la misma manera: 95.5% de los datos están dentro de
dos desv. estándar y 99.7% de las obs. están dentro de tres
desv. estándar.

55
 Ejemplo:
Distribuciones Continuas– Normal (3)

Distribuciones Continuas– Normal(4)
56
 Normal tipificada o estándar: permite analizar las
propiedades de la Normal sin depender de parámetros:
 El valor de Z se puede interpretar como el número de
desviaciones estándar a las que una observación está por
encima o por debajo de la media.
 Para obtener la probabilidad de un evento se debe ir a la
tabla de la normal estándar.

57
 Ej:

58
 a) 0.4525 b)0.5-0.4525=0.0475
 c) 0.2586

59
 d)

60
 si n es suficientemente grande una dist. binomial puede
aproximarse a una normal de parámetros m=np y

61
 Función de densidad (estandarizada):
 Función de densidad:
 FDA:

Distribuciones Continuas– chi-cuadrado
62
 La distribución χ² con k grados de libertad se utiliza
comúnmente para inferencia estadística, y representa la
distribución de la suma de los cuadrados de k v.a. normales
estándar independientes X1…Xk.
 Función de densidad (G=función Gamma):

Distribuciones Continuas– chi-cuadrado(2)
63
 Aspecto:

Distribuciones Continuas– F-Fisher
64
 Derivada de la distribución χ², también se utiliza frecuente-
mente en la estadística inferencial. También conocida como
F de Snedecor.
 La distribución nace del cociente de dos variables U1 y U2
independientes distribuidas χ² con d1 y d2 grados de
libertad respectivamente:
F(d1,d2)

Distribuciones Continuas– F-Fisher(2)
65
 Aspecto

Distribuciones Continuas– t-Student
66
 Similar a la distribución normal (simétrica, forma de
campana), se suele utilizar en muestras pequeñas.
 Se caracteriza por una varianza mayor a la normal y
dependiente de los grados de libertad (el número de
observaciones de la muesta).
 La distribución t proviene del ratio: (V ~ χ² con n g.l)

Distribuciones Continuas– t-Student
67
 La distribución t tiende a Z cuando n aumenta:
 Varianza:

Variables aleatorias

Más contenido relacionado

La actualidad más candente (20)

Similar a Variables aleatorias (20)

Último (20)

Variables aleatorias