03 Variables aleatorias y distribuciones de probabilidad

Transcripción

1 03 Variables aleatorias y distribuciones de probabilidad Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1

2 Contenido Variables aleatorias discretas: función de probabilidad y de distribución Variables aleatorias continuas: función de densidad y de distribución Características de las variables aleatorias: valor esperado, varianza Aplicación práctica, representaciones 2

3 Variable aleatoria Sea Ω un espacio muestral. Una función se conoce como variable aleatoria (random variable en inglés) Nota: la definición real es en verdad algo más complicada. Ver:

4 La variable aleatoria transforma los resultados del espacio muestral en cantidades numéricas. La letra mayúscula X denota la función (la variable aleatoria). La letra minúscula x denota el valor que toma la variable aleatoria, es decir, x=x(ω) Observe que una variable aleatoria NO es una variable como tal sino que es una función

5 Lanzamientos de dos dados X denota la suma de los resultados de las dos caras Valor de la variable aleatoria Resultado (ω) (1,1) (1,2), (1,3), (1,4), (1,5), (1,6), (2,6), (3,6), (4,6), (5,6), (6,6) (2,1) (2,2), (2,3), (2,4), (2,5), (3,5), (4,5), (5,5), (6,5) (3,1) (3,2), (3,3), (3,4), (4,4), (5,4), (6,4) (4,1) (4,2), (5,1) (4,3), (5,2), (6,1) (5,3), (6,2) (6,3) x := X(ω) Número de Probabilidad ocurrencias 1 1/36 2 2/36 3 3/36 4 4/36 5 5/36 6 6/36 5 5/36 4 4/36 3 3/36 2 2/36 1 1/36 = 36 =1

6 Una variable aleatoria X es discreta si D tiene una cardinalidad finita o infinita contable (es decir si los elementos de D se pueden poner en una correspondencia uno a uno con los números naturales) Una variable aleatoria X es continua si D tiene una cardinalidad infinita no contable, es decir si D está formado por intervalos de la recta real

7

8

9 Eventos definidos por la variable aleatoria X:Ω R

10 Descripción probabilista de las variables aleatorias Las variables aleatorias discretas se describen mediante: Función de Masa de Probabilidades (FMP) Función de Distribución de Acumulada (FDA) Las variables aleatorias continuas se describen mediante: Función de Densidad de Probabilidades (FDP) Función de Distribución de Acumulada (FDA)

11 Función de Masa de Probabilidades Definición matemática

12 Función de Masa de Probabilidades Una función de masa de probabilidades (FMP) es una funcion que dice la probabilidad que una variable aleatoria discreta tome exactamente un valor. Una FMP. Observe que todos los valores de esta función son nonegativos y suman 1. Una FMP de un dado equilibrado. Todos los números en el dado tienen igual probabilidad de aparecer.

13 Graficando FMPs en MATLAB

14 Propiedades de la FMP Las FMP deben satisfacer las siguientes propiedades:

15 La función Delta de Dirac

16 Representación de una FMP utilizando Deltas de Dirac

17 Ejemplo Para verificar la calidad de un lote de cilindros de concreto, un ingeniero extrae al azar 3 muestras. Suponiendo que la probabilidad que el cilindro no cumpla las especificaciones es del 10%, cual es la probabilidad que: a) los tres cilindros cumplan con las especificaciones b) sólo dos cilindros cumplan con las espeficicaciones c) sólo un cilindro cumpla con las espeficicaciones d) ninguno de los cilindros cumpla con las especificaciones

18 s cilindro que cumple con las especificaciones n cilindro que NO las cumple P(s) = p P(n) = 1-p P[0 OK] = (n,n,n) = (1-p)(1-p)(1-p) = (1-p)3 P[1 OK] = (n,n,s)+(n,s,n)+(s,n,n) = 3(1-p)2p P[2 OK] = (n,s,s)+(s,s,n)+(s,n,s) = 3p2(1-p) P[3 OK] = (s,s,s) = p3 FMP binomial

19 En el caso del ejemplo p = 0.90, siendo la FMP: P[0 OK] = (1-p)3 = (0.1)3 = P[1 OK] = 3(1-p)2p = 3 (0.1)2 x 0.9 = P[2 OK] = 3p (1-p) = 3 (0.9) x 0.1 = P[3 OK] = p = (0.9) = 0.729

20 En la práctica de control de calidad, el ingeniero debe tomar la decisión acerca de si el material se encuentra dentro de las especificaciones o no basado en una observación de dos muestras malas en una muestra de tamaño tres. Suponiendo que el material es satisfactorio, la probabilidad de tal suceso es muy pequeña (2,7%), y por lo tanto, el ingeniero decidirá usualmente que el material no cumple con las especificaciones.

21 Ejemplo lanzamiento de una moneda Cuántas veces se debe lanzar una moneda para obtener caras? 1 C P(C) = SC P(SC) = SSC P(SSC) = SSSC P(SSSC) = n-1 veces n S...SSC P(S...SSC) = 0.5n se extiende hasta el infinito

22 Ejemplo

23

24 Función de Densidad de Probabilidades (FDP)

25 Intelligence quotient IQ μ=100, σ=15

26 Motivación Las FDPs se pueden entender como el límite de un histograma cuando el ancho de cada subintervalo tiende a cero. Cuando la altura de una persona es 172 cm, es lógico entender como [171.5 cm, cm]; por lo tanto, en el caso continuo es más lógico visualizar las probabilidades de intervalos que de un punto en particular.

27 Interpretación de la FDP La FDP fx del caso continuo se debe entender de forma diferente a la FMP px del caso discreto: Con las FMPs, la probabilidad que x tome un valor específico puede ser diferente de cero. Con las FDPs, la probabilidad que x tome un valor específico x es cero. Por lo tanto, la FDP no representa la probabilidad que X=x. Mas bien proporciona un medio para determinar la probabilidad de un intervalo a X b.

28 Interpretación de la FDP El valor de fx(x) solo es una medida de la densidad o intensidad de la probabilidad en el punto x.

29 Interpretación de la FDP El valor de fx(x) solo es una medida de la densidad o intensidad de la probabilidad en el punto x. más frecuencia Colas de la FDP menos frecuencia

30 Función de Distribución Acumulada (FDA)

31 FDA de una función de masa de probabilidades (FMP) FDA de una función de densidad de probabilidades continua FDA de una función de densidad de probabilidades que tiene un componente continuo y una parte discreta.

32 Continuidad por la derecha y por la izquierda Función continua por la derecha Función continua por la izquierda

35 FMP vs FDA

36 Ejemplo: FMP y FDA uniforme discreta

37 Ejemplo: FDA discreta (Poisson) P(X k) λ>0 representa el número esperado de ocurrencias durante un intervalo dado de tiempo. Por la FDA del evento que lleguen k clientes a un banco dado que en promedio llegan λ=1, 4 y 10 clientes/minuto se muestra a continuación: k

38 FDP vs FDA

39 FDP vs FDA

40

41 Ejemplo

42 Continuación ejemplo

43 Función de distribución de probabilidades empírica 43

44 Función de distribución de probabilidades empírica 44

45 El comando disttool del toolbox de estadística de MATLAB Dicho comando es extremadamente útil para explorar la forma de las FDPs y FDAs 45

46 Variables aleatorias mixtas La variable aleatoria puede ser a la vez discreta y continua, es decir asume valores puntuales con una probabilidad diferente de cero, al igual que valores por intervalos. Este es el caso de ensayo de equipos, donde X es el tiempo de funcionamiento del equipo, existe una probabilidad de que el artículo no funcione del todo, falla en el tiempo X = 0; ó también cuando Y es la variable aleatoria que representa la demora de un motorista al hacer un pare obligatorio, existe una probabilidad de que no haya tráfico y el motorista no tenga demora X = 0, sí tiene que esperar, lo debe hacer por un tiempo continuo.

47 Variables aleatorias mixtas g(x)

48 Variables aleatorias mixtas

49

50 Ejemplo 2: variables aleatorias mixtas

51

52

53 FDP truncada

54 FDP condicional Suponga que estamos interesados en la distribución de la demanda o carga X dado que sea mayor que algún valor de umbral x0. HACER GRAFICO FDP truncada

55 FDP de una función g(x)

56 Valor esperado de una variable aleatoria El valor promedio de una variable aleatoria después de un número grande de experimentos es su valor esperado. Se dice valor esperado (expected value) o también esperanza matemática (mathematical expectation)

57 Valor esperado de una variable aleatoria

58 Valor esperado de una variable aleatoria Ver:

59 Propiedades del valor esperado

60 Propiedades del valor esperado Valor esperado de una constante: Desigualdades:

61 Interpretación del valor esperado El término valor esperado no entenderse como el valor más probable. debe El valor esperado se debe entender como el valor promedio que toma la variable aleatoria después de efectuar muchos experimentos independientemente. El valor esperado se puede asociar al centro de gravedad de la FDP.

62 Ejemplo: valor esperado El valor esperado no necesariamente toma un valor que pudiera tomar la variable aleatoria.

63 Paradoja de San Petersburgo

64 Paradoja de San Petersburgo

65 Ejemplo valor esperado VA continua

66 Importancia práctica del valor esperado En un problema físico, en que un fenómeno tiene como modelo una variable aleatoria, generalmente el número más significativo que el ingeniero puede obtener es el valor medio de esa variable; es una medida de la tendencia central de la variable y muchas veces, si se van a hacer observaciones repetidas del fenómeno, del valor alrededor del cual se pude esperar la dispersión. La media muestral de muchas de tales observaciones estará con alta probabilidad muy cerca a la media de la variables aleatoria fundamental.

67 Valor esperado de una función g(x)

68 Valor esperado de una función g(x) Tenga en cuenta que Otra propiedad del valor esperado es:

69 Ejemplo: valor esperado de g(x)

70 Esperanza condicional

71 Ejemplo 1 esperanza condicional

72 Ejemplo 2 esperanza condicional

73 Momentos de una variable aleatoria Los momentos de una variable aleatoria X son los valores esperados de ciertas funciones de X. Estas forman una colección de medidas descriptivas que pueden emplearse para caracterizar la distribución de probabilidad de X y especificarla si todos los momentos de X son conocidos. A pesar de que los momentos de X pueden definirse alrededor de cualquier punto de referencia, generalmente se definen alrededor del cero (momentos no centrales) o del valor esperado de X (momentos centrales).

74 Momentos no centrales

75 Momentos centrales

76 Algunos momentos centrales

77 Notas sobre los momentos Tenga en cuenta que todas las proposiciones anteriores con respecto a los momentos se encuentra sujetas a la existencia de las sumas o integrales que las definan. El uso de los momentos de una variable aleatoria para caracterizar a la FDA es útil especialmente en un medio en el que el experimentador conozca la FDA.

78 Varianza La varianza es una medida de la dispersión de una variable aleatoria.

79 Varianza La varianza es una medida de la dispersión de una variable aleatoria.

80 Propiedades de la varianza

81

82 Notas sobre la varianza Si una distribución no tiene esperanza, como ocurre con la de Cauchy, tampoco tiene varianza. Existen otras distribuciones que, aun teniendo esperanza, carecen de varianza. Un ejemplo de ellas es la de Pareto cuando su índice k satisface 1 < k 2.

83 Un dado perfecto

84 FDP exponencial

85 Ley de la esperanza total 85

86 Ley de la varianza total 86

87 Coeficiente de variación (C.O.V.) Se utiliza en control de calidad No confundir con la covarianza

88 Coeficiente de asimetría (skewness) g1 < 0 distribución asimétrica negativamente g1 > 0 distribución asimétrica positivamente

89 Coeficiente de apuntalamiento (curtosis)

90 Desigualdad de Chebyshev

91 Otras medidas de tendencia central y dispersión La media de una variable aleatoria es generalmente la medida preferida de tendencia central. Sin embargo, en algunas situaciones la mediana y en menor grado la moda, pueden ser mediadas de tendencia central mucho más apropiadas. Por ejemplo, en distribuciones unimodales cuya asimetría es grande, el valor esperado de la variable aleatoria puede verse afectado por los valores extremos de la distribución, mientras que la mediana no lo estará.

92 Relación entre la media, la mediana y la moda en distribuciones unimodales

93 Mediana de una CDF... ver notas

94 mode won't. # ExceptModa for extremely small samples, the mode de una FMP/FDP is insensitive to "outliers" (such as occasional, rare, false experimental readings). The median is also very robust in the presence of outliers, while the mean is rather sensitive. # In continuous unimodal distributions the median lies, as a rule of thumb, between the mean and the mode, about one third of the way going from mean to mode. In a formula, median (2 mean + mode)/3. This rule, due to Karl Pearson, is however not always true and the three statistics can appear in any order.[ 94

95 95