Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 76 vistas

    Capacitación Variables Aleatorias

    Cargado por

    Profe Alexis Rojas
    Este documento presenta los objetivos y conceptos clave de una capacitación sobre variables aleatorias. Los objetivos incluyen entender el concepto de variable aleatoria discreta y continua, y aplicar conceptos como valor esperado, varianza y desviación estándar. También incluye analizar modelos binomiales y la distribución normal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Capacitación Variables Aleatorias

    Cargado por

    Profe Alexis Rojas
    76 vistas31 páginas
    Este documento presenta los objetivos y conceptos clave de una capacitación sobre variables aleatorias. Los objetivos incluyen entender el concepto de variable aleatoria discreta y continua, y aplicar conceptos como valor esperado, varianza y desviación estándar. También incluye analizar modelos binomiales y la distribución normal.

    Descripción original:

    Variable Aleatoria

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta los objetivos y conceptos clave de una capacitación sobre variables aleatorias. Los objetivos incluyen entender el concepto de variable aleatoria discreta y continua, y aplicar conceptos como valor esperado, varianza y desviación estándar. También incluye analizar modelos binomiales y la distribución normal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    76 vistas31 páginas

    Capacitación Variables Aleatorias

    Cargado por

    Profe Alexis Rojas
    Este documento presenta los objetivos y conceptos clave de una capacitación sobre variables aleatorias. Los objetivos incluyen entender el concepto de variable aleatoria discreta y continua, y aplicar conceptos como valor esperado, varianza y desviación estándar. También incluye analizar modelos binomiales y la distribución normal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 31

    Capacitacin en

    Variables Aleatorias
    Alexis Rojas P.

    Objetivos
    Concepto de Variable Aleatoria: Soporte y clasificacin.
    Variable
    aleatoria discreta: funcin de probabilidad y
    establecimiento de la relacin con la funcin de distribucin.
    Aplicacin e interpretacin grfica de los conceptos de valor
    esperado, varianza y desviacin estndar.
    Modelo binomial para analizar situaciones o experimentos, cuyos
    resultados son dicotmicos: cara o sello, xito o fracaso o bien
    cero o uno
    Variable aleatoria continua: funcin de densidad de una variable
    aleatoria con distribucin normal. Estudio y aplicacin de
    elementos bsicos de la distribucin normal, a partir de diversas
    situaciones en
    contexto tales como: mediciones de peso y
    estatura en adolescentes; puntajes de pruebas nacionales e
    internacionales; datos meteorolgicos de temperatura o
    precipitaciones. Relacin entre la distribucin normal y la
    distribucin normal estndar. Aproximacin de la probabilidad
    binomial por la probabilidad de la normal, aplicacin al clculo de
    experimentos binomiales.

    Variable aleatoria discreta

    El mismo Doob explicaba el origen del trmino variable aleatoria (random


    variable): "Cuando estaba escribiendo mi libro [Stochastic Processes] tuve una
    discusin con William Feller. l aseguraba que todo el mundo deca "variable
    aleatoria" (random variable), mientras que yo sostena que se usaba "variable al
    azar" (chance variable).
    Obviamente, debamos usar el mismo nombre en nuestros libros, as que optamos
    por tomar la decisin mediante un procedimiento aleatorio: lanzamos una moneda
    y l gan".

    Variable aleatoria
    Una variable aleatoria X es una funcin que asocia a
    cada suceso del espacio muestral E de un experimento
    aleatorio un valor numrico real:

    X :
    w X ( w)
    Llamar variable a una funcin resulta algo confuso,
    por ello hay que insistir en que es una funcin.
    La variable aleatoria puede ser discreta o continua.
    Nos centraremos en el caso discreto.

    Ejemplo de variable aleatoria discreta:

    Nmero de caras al lanzar


    3 monedas.
    Elementos del
    espacio muestral

    SSS

    SSC SCS

    CSS

    CCS

    CSC SCC CCC

    Ley de
    correspondencia

    N reales
    (# de caras)

    Establecer una variable aleatoria


    para un experimento aleatorio no
    es ms que una manera de asignar
    de "manera natural" nmeros a los
    eventos.

    X :
    w X ( w)

    3 caras

    Funcin de probabilidad
    Voy a pensar un nmero entero del 1 al 100.
    Qu numero ser?
    Intentaremos representar el estado de incertidumbre
    mediante una funcin matemtica: la funcin de
    probabilidad.
    P

    1/100
    1 2 3

    ........

    99 100 X

    Suponga que un alumno pregunta si es par.


    Y respondo que no. Cmo modifica la funcin?
    P

    1/50
    1 2 3

    ........

    99 100 X

    Que pasar si el alumno pregunta: Tiene dos cifras el


    nmero? o Es un nmero primo?

    Funcin de probabilidad o distribucin


    Una vez definida una variable aleatoria X, podemos
    definir una funcin de probabilidad o distribucin
    de probabilidad asociada a X, de la siguiente forma:

    p : [0,1]
    x p ( x) P( X x)
    La funcin de probabilidad debe cumplir:

    (i ) 0 p( x) 1 x
    (ii ) p( x) 1
    x

    (Suma sobre todos los posibles valores


    que puede tomar la variable aleatoria).

    Funcin de probabilidad
    discreta
    Valores

    S
    S
    S

    Probabilidad

    1/4 = 0.25

    2/4 = 0.50

    1/4 = 0.25

    X :
    w X ( w)

    p : [0,1]
    x p ( x) P( X x)

    Requerimientos de una
    distribucin de probabilidad
    X

    P(X)

    P(X)

    P(X)

    -1
    0
    1
    2
    3

    .1
    .2
    .4
    .2
    .1
    1.0

    -1
    0
    1
    2
    3

    -.1
    .3
    .4
    .3
    .1
    1.0

    -1
    0
    1
    2
    3

    .1
    .3
    .4
    .3
    .1
    1.2

    0 p( x) 1 para todo x

    p( x) 1
    x

    Observa que aun si el espacio muestral es infinito


    numerable, tambin podemos definir una variable
    aleatoria discreta y una funcin de probabilidad.
    Ejemplo: Sea X = Nmero de lanzamientos de una
    moneda antes de que aparezca una cara.
    Entonces:
    P(X = 1) = P(C) = 1/2
    P(X = 2) = P(+C) = 1/2 1/2 = 1/4
    P(X = 3) = P(++C) = 1/2 1/2 1/2 = 1/8
    ...
    y en general P(X = n) = (1/2)n, n = 1, 2,

    Sea el experimento lanzar dos dados. Definamos


    el espacio muestral E como:
    E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

    Definamos la variable aleatoria discreta X como:

    con S = {2,3,...,12} la suma de puntos.


    Una posible funcin de probabilidad es:

    f : [0,1]
    f (2) P(X 2 ) P( (1,1) ) 1/ 36
    f (3) P(X 3 ) P( (1,2) (2,1) ) 2 / 36
    f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36
    ...

    Funcin de probabilidad de la variable aleatoria X


    6/36

    P
    5/36

    5/36

    4/36

    4/36

    3/36

    3/36

    2/36

    2/36

    1/36

    1/36

    10

    11

    12

    Observa que cumple las dos condiciones: es siempre


    positiva (y menor o igual a 1).

    Funcin de distribucin (acumulada)


    Dada una variable aleatoria discreta X se llama
    funcin de distribucin a la funcin F definida
    como:

    F : [0,1]
    x F ( x) P( X x)

    En nuestro ejemplo de los dos dados:


    F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
    F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

    Funcin de distribucin de la variable aleatoria X


    F
    1,0

    0,5

    0,028

    10 11

    12

    Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin


    de distribucin F(x) de una variable discreta definida
    como:
    X = Nmero en la cara de un dado.
    X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
    uno con probabilidad 1/6

    1
    6

    F(x)

    f(x)

    0.5

    Funcin de probabilidad f(x)

    0 1

    Funcin de distribucin F(x)

    Algunos problemas de probabilidad estn relacionados


    con la probabilidad P(a <X b) de que X asuma algn
    valor en un intervalo (a, b]. Observa que:

    P(a < X b) = F(b) - F(a)


    Para demostrarlo observa que, como los sucesos
    X a y a < X b son mutuamente excluyentes, entonces:
    F(b) = P(X b) = P(X a) + P(a < X b)
    = F(a) + P(a < X b)
    En el ejemplo de los dos dados, calcula la probabilidad de
    que los dos dados sumen al menos 4 pero no ms de 8:
    P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

    Mtodo de Monte Carlo


    Realicemos ahora el siguiente
    experimento aleatorio: girar la
    ruleta de la imagen y apuntar el
    nmero del sector que coincide
    con la flecha.

    La variable aleatoria X de este experimento asocia cada sector a un


    nmero entero, como podemos observar en la imagen. Es una
    variable aleatoria discreta. Los resultados posibles son:
    {0, 1, 2, 3, 4, 5, 6, 7}. Por simetra podemos establecer una funcin de
    probabilidad: la probabilidad de cada resultado es 1/8.

    Repitamos un experimento aleatorio semejante, pero ahora con esta


    nueva ruleta:
    Ahora el espacio muestral est
    compuesto por 4 eventos.
    Establecemos una nueva
    variable aleatoria discreta X' que
    asocia cada sector (evento) a los
    nmeros: {0, 1, 2, 3}.

    Ahora teniendo en cuenta el tamao relativo de los sectores


    podemos establecer una funcin de probabilidad, que asocia a cada
    uno de los valores de la variable aleatoria
    {0, 1, 2, 3} las probabilidades {1/4, 1/2, 1/8, 1/8}, respectivamente
    (proporcionales al ngulo del sector).

    Cmo simular con el


    ordenador la
    distribucin de
    probabilidad de las
    ruletas?

    Resultado Funcin de
    probabilidad

    P. acumulada
    (Funcin de
    distribucin)

    0
    1

    0.25
    0.5

    0.25
    0.75

    2
    3

    0.125
    0.125

    0.875
    1

    Condicin

    Resultado

    0 g < 0.25
    0.25 g < 0.75

    0
    1

    0.75 g < 0.875


    0.875 g < 1

    2
    3

    Una vez visto un caso particular, el problema general puede


    formularse del siguiente modo:
    Si X es una variable aleatoria discreta cuyos posible resultados son
    {x0, x1, x2 , ... xn} y sean {p0, p1, p2, ... pn} sus respectivas
    probabilidades. Al sortear un nmero aleatorio g, uniformemente
    distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se
    verifica la siguiente condicin:

    i 1

    p
    j 0

    g p j
    j 0

    21

    Esperanza matemtica o media


    de una funcin de probabilidad
    discreta

    E X xi P( X xi ) xi p( xi )
    i

    P(x)

    x P(x)

    -1
    0
    1
    2
    3

    .1
    .2
    .4
    .2
    .1

    -.1
    .0
    .4
    .4
    .3
    1.0

    Siempre que no genere


    ambigedad pasaremos
    de arrastrar la variable
    aleatoria: en vez de poner
    X = xi ponemos
    directamente xi.
    22

    Calcular la esperanza de la variable aleatoria X en


    el ejemplo de los dos dados:
    12

    E ( X ) P (i ) i
    i2

    1
    2
    6
    1
    2 3 ... 7 ... 12 7
    36
    36
    36
    36

    Propiedades:
    (1)
    (2)
    (3)

    E (c) c

    E ( X Y ) E ( X ) E (Y )
    E(aX b) aE( X ) b

    Juegos
    A un juego de azar podemos asignarle una variable aleatoria X, cuyos
    valores son las ganancias correspondientes a los posibles resultados.
    La esperanza matemtica de la variable aleatoria X representa el
    beneficio medio o ganancia media
    que se obtiene en cada jugada cuando se juega un nmero elevado de
    veces.

    Si la esperanza matemtica es 0 se dice que el juego es justo.


    Si es mayor que 0 se dice que el juego es favorable al jugador.
    Si es menor que 0 se dice que perjudica al jugador y no es favorable.
    Sea el juego que consiste en sacar una bola de una urna que contiene 7
    bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extrada es roja
    y pagamos 150 euros en el caso de que sea negra. Qu podemos esperar
    si jugamos muchas veces?

    Espacio muestral = {R, N}. Consideramos las ganancias como


    positivas y las prdidas negativas:
    Variable aleatoria X

    Funcin de probabilidad

    50

    0,7

    -150

    0,3

    50 0,7 (150) 0,3 10


    Ganancia media

    Marc Kac, en Enigmas of Chance (1985), explica cmo aplicar el concepto


    de esperanza a la vida real:
    "Una semana, apareci un anuncio del Imperial College of Science and
    Technology ofreciendo un puesto de profesor de Matemticas con un salario
    de 150 libras anuales; ser ciudadano britnico no era requisito necesario. El
    salario era tan escaso que supuse que ningn ciudadano britnico respetable
    estara interesado en ese trabajo. Fui a preguntar a Steinhaus si deba o no
    optar al puesto. Por entonces no saba ni una palabra de ingls, pero estaba
    dispuesto a jurar que mis conocimientos eran los suficientes.
    "Djame pensar", me dijo Steinhaus. "Estimara que la probabilidad de que
    consigas el trabajo es de una entre mil. Si multiplicas esto por ciento
    cincuenta libras, tienes tres chelines. Eso es mucho ms de lo que cuesta
    enviar la carta, as que deberas hacerlo". Lo hice, pero el trabajo fue al
    final para un ciudadano britnico (despus de todo, s que haba alguno
    interesado).

    Varianza y desviacin estndar o


    tpica de una funcin de
    probabilidad discreta
    Varianza

    Var ( X ) E (( X ) )
    2

    (x )
    i

    P( X xi )

    Desviacin estndar
    o tpica

    Var (X )

    Ambas miden la dispersin de los datos. Observa que la desviacin


    tpica lo hace con las mismas unidades que los propios datos.

    Ejemplo
    X

    P(X)

    -1
    0
    1
    2
    3

    .1
    .2
    .4
    .2
    .1

    -2
    -1
    0
    1
    2

    ( X ) ( X ) P( X )
    2

    4
    1
    0
    1
    4

    ( xi ) P( xi ) 1,2
    2

    Var ( X ) 1.10

    .4
    .2
    .0
    .2
    .4
    1.2

    Calcula la varianza y desviacin tpica de la variable


    aleatoria X en el ejemplo de los dos dados:
    12

    Var ( X ) P (i ) (i 7 )
    2

    i2

    1
    2
    1
    2
    2
    ( 2 7 ) (3 7 ) ... (12 7 ) 2 5,83
    36
    36
    36

    Var ( X ) 5,83 2,41

    Algunas propiedades de la
    varianza

    Var ( X ) E ( X ) ( E ( X ))
    2

    Var (cX ) c Var ( X )


    Var ( X a ) Var ( X )
    2

    Var (aX b) a Var ( X )


    2

    También podría gustarte