Intro VA

Introducción a las Variables Aleatorias
1 Concepto de variable aleatoria
2 Variables aleatorias discretas y continuas
Función de probabilidad
Función de distribución
Función de densidad
3 Medidas características de una variable aleatoria
Esperanza, varianza, percentiles

Medidas de forma
4 Transformaciones de variables aleatorias

1
Estadística, Profesora: María Durbán
1 Concepto de
Introducción variable
a las aleatoria
1 Concepto de variable al

Medidas de forma

2
En ocasiones, describir todos los posibles resultados de un experimento

aleatorio no es suficiente
Lanzar una moneda 3 veces: {(CCC), (CCX), …}

Lanzar un dado dos veces: {(1,1), (1,2), (1,3), …}
A veces es útil asociar un número a cada resultado del experimento
Definir una variable
No conocemos el resultado del experimento antes de realizarlo

No conocemos el valor que va a tomar la variable antes del experimento
3
En ocasiones, describir todos los posibles resultados de un experimento

aleatorio no es suficiente
Lanzar una moneda 3 veces: {(CCC), (XCX), …}

Lanzar un dado dos veces: {(1,1), (1,2), (1,3), …}
A veces es útil asociar un número a cada resultado del experimento.

X = Número de caras en el primer lanzamiento X[(CCC)]=1, X[(XCX)]=0, …
No conocemos el resultado del experimento antes de realizarlo
Y = Suma de las puntuaciones Y[(1,1)]=2, Y[(1,2)]=3, …
No conocemos el valor que va a tomar la variable antes del experimento
4
Una variable aleatoria es una función que asocia un

número real a cada elemento del espacio muestral
Las variables aleatorias se representan por letras mayúsculas,

normalmente empezando por el final del alfabeto: X,Y, Z, etc.
Los posibles valores que puede tomar la variable se representan

por letras minúsculas,
x=1 es un posible valor de X

y=3.2 es un posible valor de Y
z=-7.3 es posible valor de Z
5
Ejemplos
Número de unidades defectuosas en una muestra aleatoria de 5

unidades
Número de defectos superficiales en un cm2 de cierto material
Tiempo de duración de una bombilla
Resistencia a la compresión de un material de construcción
6
si
E X(si) = b; si  E
sk
X(sk) = a
RX
a b
• El espacio RX es el conjunto de TODOS los posible valores de X(s).
• A cada posible suceso de E le corresponde un valor en RX
• En cierto sentido podemos considerar Rx como otro espacio muestral
7
si
E X(si) = b; si  E
sk
X(sk) = a
RX
a b
Si sobre los elementos de E existe una distribución de probabilidad, esta

se transmite a los valores que toma la variable X. Es decir, toda v.a. conserva
la estructura probabilística del experimento aleatorio que describe:
Pr( X  x)  Pr( s  E : X ( s )  x)
8
22 Variables
Variables aleatorias
aleatorias discretas
discretas yy continuas
continuas

Medidas de forma

9
El rango de una variable aleatoria es el conjunto de

valores que puede tomar la variable.
Atendiendo al rango las variables se pueden clasificar como:
Variables
Variablesaleatorias
aleatoriasdiscretas:
discretas:Aquellas
Aquellasen
enlas
lasque
queelelrango
rangoes
esfinito
finitooo
infinito
infinitonumerable
numerable
Variables
Variablesaleatorias
aleatoriascontinuas:
continuas:Aquellas
Aquellasen
enlas
lasque
queelelrango
rangoes
esun
unintervalo
intervalo
de
denúmeros
númerosreales
reales
10
Ejemplos
Ejemplosde
devariables
variablesaleatorias
aleatoriasdiscretas
discretas
Número
Númerode
dedefectos
defectosen
enlalasuperficie
superficiede
deun
uncristal
cristal
Proporción
Proporciónde
depiezas
piezasdefectuosas
defectuosasen
enuna
unamuestra
muestrade
de1000
1000
Frecuentemente
Número
Númerode
debits
bitstransmitidos
transmitidosque
quese
sereciben
recibencorrectamente
correctamente cuentan el
número de veces
que ocurre algo
Ejemplos
Ejemplosde
devariables
variablesaleatorias
aleatoriascontinuas
continuas
Corriente
Corrienteeléctrica
eléctrica
Longitud
Longitud Frecuentemente miden una
magnitud
Temperatura
Temperatura
Peso
Peso
11
2 Variables aleatorias discretas
Los valores de una variable aleatoria cambian de un experimento a

otro al cambiar los resultados del experimento
Una v.a. está definida por
Los valores que toma.

La probabilidad de tomar cada uno de esos valores .
Es una función que indica las probabilidad de cada

posible valor
p ( xi )  P ( X  xi )
12
Las propiedades de la función de probabilidad se deducen de forma

Inmediata de los axiomas de la probabilidad:
1. 0≤P(A) ≤1 2. P(E)=1
3. P(AUB)=P(A)+P(B) si A∩B=Ø
0  p( xi )  1
p(xi) n
 p( x )  1
i 1
i
a  b  c  A  a  X  b B  b  X  c
Pr(a  X  c)  Pr(a  X  b)  Pr(b  X  c)
x
x1 x2 x3 x4 x5 x6 xn
13
Experimento: Lanzar 2 Monedas.

X=Número de cruces.
E 0
1/
XC 4
CC XX 1/
CX 2
Pr
X 1
RX
0 1 2
14

X=Número de cruces.
C C X P(X=x)
C X 0 1/4
1 1/2
X C 2 1/4
X X
15

X=Número de caras.
p(x) X P(X=x)
0 1/4
1 1/2
2 1/4
x=0 x=1 x=2 X
16
En ocasiones nos puede interesar la probabilidad de que una

variable tome un valor menor o igual que una cantidad
F ( x0 )  P ( X  x0 )
F ()  0 F ()  1
si X toma valores x1  x 2    x n :
F ( x1 )  P ( X  x1 )  p ( x1 )
F ( x2 )  P ( X  x2 )  p ( x1 )  p ( x2 )

F ( xn )  P ( X  xn )   i 1 p ( xi )  1
n
17

X=Número de caras.
p(x) X P(X=x)
0 1/4
1 1/2
2 1/4
x=0 x=1 x=2 X
18

X=Número de caras.
F(x) X F(x)
1
0 1/4
0.75
0.5
1 3/4
0.25
2 1
x=0 x=1 x=2 X
19
2 Variables aleatorias continuas
Cuando una variable es continua, no tiene sentido hacer la suma:


 p( x )  1
i 1
i
ya que el conjunto de valores que toma la variable es no numerable
Lo natural es generalizar  
Introducimos un nuevo concepto que sustituye en variables continuas al

de función de probabilidad en variables discretas
20
La función de densidad describe la distribución de probabilidad de

una variable continua. Es una función continua que verifica:
f ( x)  0

 
f ( x) dx  1
b
P (a  X  b)   f ( x) dx
a
21
La función de densidad describe la distribución de probabilidad de

una variable continua. Es una función que verifica:
f ( x)  0

 
f ( x) dx  1
b
P (a  X  b)   f ( x) dx
a b
a
Área por debajo de
ese trozo de curva
22
a
P ( X  a )   f ( x) dx  0
a
P ( a  X  b)  P ( a  X  b)
 P ( a  X  b)
 P ( a  X  b) a
23
0.5
La función de
densidad no tiene
0.4
por qué ser
simétrica, ni estar fX (x |  )
definida para toda la
0.3
recta real
x2
0.2
0.1
La forma de la
curva dependerá
0.0
de uno o más
parámetros 0 5 10 15 20 25 30
y
24
Si medimos una variable continua y la representamos e un histograma:
Si hacemos las clases cada vez más pequeñas:

25
26
El polígono de frecuencias tenderá a un curva:
f ( x)
27
Ejemplo
 La función de densidad para el tiempo de uso de un tipo de

máquinas durante un año (en horas x100):
f(x)
0.4
 0.4
 2.5 x, 0  x  2.5
 0.4
f ( x )  0.8  x, 2.5  x  5
 2.5
0, else
en otro
 caso
x
2.5 5
28
Ejemplo
 ¿Cuál es la probabilidad de que una máquina elegida al azar

haya funcionado durante menos de 320 horas?
f(x)
P ( X  3. 2 )  0.4
2.5 3. 2
 0. 4   0. 4 
  x dx    0.8  x dx
0
2. 5  2.5
2. 5 
 0.74
x
2.5 5
3.2 29
Al igual que en el caso de variables discretas, podemos describir la

distribución de una variable aleatoria continua mediante la Función de
Distribución:
x
F ( x)  P( X  x)   f (u ) du   x  

P( X  x)
x 30
Al igual que en el caso de variables discretas, podemos describir la

distribución de una variable aleatoria continua mediante la Función de
Distribución:
x
F ( x)  P( X  x)   f (u ) du   x  

En el caso discreto la diferencia entre dos valores consecutivos de F(x)

proporcionan la función de probabilidad. En el caso de variables
continuas:
dF ( x)
f ( x) 
dx
31
La función de distribución verifica las siguientes propiedades:
a  b  F (a )  F (b) Es no decreciente
F ()  0 F ()  1 Es continua
Definimos los sucesos disjuntos:

X  a a  X  b  X  a  a  X  b  X  b
Primer axioma de la
probabilidad
Pr( X  b)  Pr( X  a)  Pr(a  X  b)  F (b)
0
32
Tercer axioma de la probabilidad
La función de distribución verifica las siguientes propiedades:
a  b  F (a )  F (b) Es no decreciente
F ()  0 F ()  1 Es continua

F ()  Pr( X  )   f ( x)dx  0


F ()  Pr( X  )   f ( x)dx  1

33
Ejemplo
 La función de densidad para el tiempo de uso de un tipo de

máquinas durante un año (en horas x100):
f(x)
0.4
 0.4
 2.5 x, 0  x  2.5
 0.4
f ( x )  0.8  x, 2.5  x  5
 2.5
0, else
en otro
 caso
x
2.5 5
34
Ejemplo
 0.4
 2.5 x, 0  x  2.5

 0.4
f ( x)  0.8  x, 2.5  x  5
 2.5
0, en otro caso


Pr(0  X  2.5) Pr(2.5  X  x)
 x 0.4
 0 u du 0  x  2.5
 2.5
 2.5 0.4 x 0.4
F ( x)    u du   0.8  u du, 2.5  x  5
0 2.5 2.5 2.5



1 Pr( X  5) x 5 35
Ejemplo
Ejemplo
P(x<3.2)
x=3.2

0.08 x 2 0  x  2.5

F ( x)  -1  0.8 x - 0.08 x 2 2.5  x  5


1 x5
36
Ejemplo
P(x<3.2)
37
33Medidas
Medidascaracterísticas
característicasde
deuna
unavariable
variablealeatoria
aleatoria

Medidas de forma

38
3 Medidas características de una v.a.
Medidas de Centralización
En el caso de una muestra de datos la media muestral:

1 1 1
x x1  x2    xn a cada valor se le asigna un peso 1/n
n n n
La media  o Esperanza de una v.a. utiliza la probabilidad como peso:
  E  X    xi p ( xi ) v.a. discreta
i

  E  X    x f ( x) dx v.a. continua

39
Medidas de Centralización
Intuitivamente: Mediana = valor que divide a la probabilidad total en dos

partes iguales
P ( X  m)  0.5
F (m)  0.5
0.5 0.5
40
Ejemplo
 ¿Cuál es el tiempo medio de funcionamiento de las máquinas?
 0.4
 2.5 x, 0  x  2.5

 0.4
f ( x)  0.8  x, 2.5  x  5
 2.5
0, en otro caso


 0.4 2 0.4 2
EX   
2.5 5
xf ( x)dx   x dx   0.8 x  x dx
 0 2.5 2.5 2.5
 2.5
41
Ejemplo
 Si queremos saber el tiempo de funcionamiento tal que el 50% de
las máquinas tiene una duración menor o igual a ese
F (m)  0.5
0.08 x 2 0  x  2.5

F ( x)  -1  0.8 x - 0.08 x 2 2.5  x  5
1 x5

0.08 x 2  0.5  m  2.5
-1  0.8 x - 0.08 x 2  0.5  m  2.5
42
Medidas de posición
El percentil p de una variable aleatoria es el valor x p que verifica:
p( X  x p )  p y p( X  x p )  p v.a. discretas
F (xp )  p v.a. continuas
Un caso particular son los cuartiles que dividen a la distribución en 4

partes iguales
Q1  p0.25
Q2  p0.5  Mediana
Q3  p0.75
43
Ejemplo
Una empresa está interesada en fabricar un nuevo tipo de destornillador
eléctrico. Se sabe que la distribución de probabilidad del número de
vueltas para ajustar tornillos de 10cm es la siguiente:
x p(x)
11 0.03
12 0.03
13 0.03
14 0.06
15 0.26
16 0.09
17 0.12
18 0.21
19 0.14
20 0.03 44
Ejemplo
x p(x) F(x)
11 0.03 0.03
12 0.03 0.06 p ( X  x p )  0.7 y p ( X  x p )  0.7
13 0.03 0.09
14 0.06 0.15
15 0.26 0.41
16 0.09 0.5
17 0.12 0.62
18 0.21 0.83
19 0.14 0.97
20 0.03 1 45
Medidas de dispersión
Var  X   E  X  E  X  
 2
 
En el caso de una muestra de datos la varianza muestral es una medida
de la dispersión de los datos:
1 2 1 1
s  ( x1  x )  ( x2  x )    ( xn  x ) 2
2 2
n n n
La Varianza de una v.a. utiliza la probabilidad como peso:
 2  Var  X    ( xi   ) p ( xi )
2
v.a. discreta
i

  Var  X    ( x   ) 2 f ( x) dx
2 v.a. continua 46
Estadística, Profesora: María Durbán 
Medidas de dispersión
Var  X   E  X  E  X  
 2
 
Var  X   E  X    E  X 
2 2
E  X  E  X   E X   E  X   2 XE  X 
  
2 2 2
   
 E  X 2    E  X   2 E  X  E  X  E  X  es una constante,
2
no depende de X
 E  X    E  X 
2 2
Es un operador lineal
47

Medidas de forma
4 Transformaciones
4 Transformaciones dede variables
variables aleatorias
aleatorias
48
En algunas situaciones necesitamos conocer la distribución de

probabilidad de una función de una variable aleatoria
Ejemplos
Cambiar las unidades

Utilizar la escala
logarítmica
aX  b
sin X
X nis X2
11
Y  g( X ) |X |
XX
X
log X
eX 49
Sea X una v.a. cualquiera. Si realizamos el cambio de variable Y=h(X),

tenemos una nueva v.a. :
Y  h( X )
FY ( y )  Pr(Y  y )  Pr(h( X )  y )  Pr( x  A)

A  x, h( x)  y
50
Ejemplo
x p(x) F(x)
11 0.03 0.03 ¿ Pr( X 2  144)? 
A  x, x  144 
12 0.03 0.06
13 0.03 0.09
14 0.06 0.15
Pr( X 2  144)  Pr( x  A) A  x, x 2  144
15 0.26 0.41 Pr  X  12   0.06
16 0.09 0.5
17 0.12 0.62
18 0.21 0.83
19 0.14 0.97
20 0.03 1 51
Y  h( X )
En general:
Si h es continua y monótona creciente:
FY ( y )  Pr(h( X )  y )  Pr( X  h 1 ( y ))  FX (h 1 ( y ))
Si h es continua y monótona decreciente:

1 1
FY ( y )  Pr(h( X )  y )  Pr( X  h ( y ))  1  FX ( h ( y ))
52
Si X es una v.a. continua e Y=h(X),
dx
fY ( y )  f X ( x )
dy
x
 FX ( x) dx
FY ( y ) Fx (h 1 ( y )) 
creciente
dx dy
fY ( y )   
y y   (1  FX ( x)) dx
decreciente
 dx dy
53
Si X es una v.a. continua e Y=h(X), donde h es una función derivable

e inyectiva,
dx
fY ( y )  f X ( x )
dy
Para v.a. discretas:
pY ( y )  Pr(Y  y )  
h ( xi )  y
Pr( X  xi )
54
Ejemplo
La velocidad de una partícula de gas es una v.a. V con función de densidad
(b 2 / 2)v 2 e  bv v  0
fV (v) 
0 en el resto
La energía cinética de la partícula es W  mV 2 / 2 . ¿Cuál es la

función de densidad de W?
55
Ejemplo
(b 2 / 2)v 2 e  bv v  0
fV (v) 
0 en el resto
W  mV 2 / 2  v  2w / m v   2w / m
dv 1
 
2
 1
fV (h ( w))  (b / 2)
2
2w / m eb 2w/ m
dw 2mw
56
Ejemplo
(b 2 / 2)v 2 e  bv v  0
fV (v) 
0 en el resto
(b 2 / 2m) 2 w / m e  b 2 w / m w  0
fW ( w) 
0 en el resto
57
Esperanza

E  h( X )  
 
h( x) f X ( x)dx
 h( xi ) p ( X  xi )
Y  h( X ) xi , h ( xi )  y
creciente
  dx
E  y   yf y ( y )dy   h( x) f X ( x) dy
  dy
58
Esperanza

E  h( X )  
 
h( x) f X ( x)dx

xi , h ( xi )  y
h( xi ) p ( X  xi )
Transformaciones lineales
Y  a  bX
E Y   a  bE  X 
Var Y   b 2Var  X 
59

Intro VA

Cargado por

Copyright:

Formatos disponibles

Intro VA

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Intro VA

Cargado por

Copyright:

Formatos disponibles

Introducción a las Variables Aleatorias

1 Concepto de variable aleatoria

2 Variables aleatorias discretas y continuas

3 Medidas características de una variable aleatoria

Esperanza, varianza, percentiles

4 Transformaciones de variables aleatorias

2 Variables aleatorias discretas y continuas

3 Medidas características de una variable aleatoria

Esperanza, varianza, percentiles

4 Transformaciones de variables aleatorias

En ocasiones, describir todos los posibles resultados de un experimento

Lanzar una moneda 3 veces: {(CCC), (CCX), …}

A veces es útil asociar un número a cada resultado del experimento

Definir una variable

No conocemos el resultado del experimento antes de realizarlo

En ocasiones, describir todos los posibles resultados de un experimento

Lanzar una moneda 3 veces: {(CCC), (XCX), …}

A veces es útil asociar un número a cada resultado del experimento.

No conocemos el valor que va a tomar la variable antes del experimento

Una variable aleatoria es una función que asocia un

Las variables aleatorias se representan por letras mayúsculas,

Los posibles valores que puede tomar la variable se representan

x=1 es un posible valor de X

Número de unidades defectuosas en una muestra aleatoria de 5

Número de defectos superficiales en un cm2 de cierto material

Tiempo de duración de una bombilla

Resistencia a la compresión de un material de construcción

• El espacio RX es el conjunto de TODOS los posible valores de X(s).

• A cada posible suceso de E le corresponde un valor en RX

• En cierto sentido podemos considerar Rx como otro espacio muestral

Si sobre los elementos de E existe una distribución de probabilidad, esta

1 Concepto de variable aleatoria

3 Medidas características de una variable aleatoria

Esperanza, varianza, percentiles

4 Transformaciones de variables aleatorias

El rango de una variable aleatoria es el conjunto de

Atendiendo al rango las variables se pueden clasificar como:

Los valores de una variable aleatoria cambian de un experimento a

Los valores que toma.

Es una función que indica las probabilidad de cada

Las propiedades de la función de probabilidad se deducen de forma

Experimento: Lanzar 2 Monedas.

Experimento: Lanzar 2 Monedas.

Experimento: Lanzar 2 Monedas.

En ocasiones nos puede interesar la probabilidad de que una

Experimento: Lanzar 2 Monedas.

Experimento: Lanzar 2 Monedas.

Cuando una variable es continua, no tiene sentido hacer la suma:

ya que el conjunto de valores que toma la variable es no numerable

Introducimos un nuevo concepto que sustituye en variables continuas al

La función de densidad describe la distribución de probabilidad de

La función de densidad describe la distribución de probabilidad de

Si medimos una variable continua y la representamos e un histograma:

Si hacemos las clases cada vez más pequeñas:

El polígono de frecuencias tenderá a un curva:

 La función de densidad para el tiempo de uso de un tipo de

 ¿Cuál es la probabilidad de que una máquina elegida al azar

Al igual que en el caso de variables discretas, podemos describir la

Al igual que en el caso de variables discretas, podemos describir la

En el caso discreto la diferencia entre dos valores consecutivos de F(x)