Tema 5 Variables aleatorias: distribuciones de probabilidad y características.
|
|
- Adrián Luna Segura
- hace 7 años
- Vistas:
Transcripción
1 Tema 5 Variables aleatorias: distribuciones de probabilidad y características. 1. Introducción Según se ha reflejado hasta el momento, el espacio muestral asociado a un experimento aleatorio puede ser de dos tipos: Cuantitativo, como el asociado al lanzamiento de un dado (Ω = {1, 2,..., 6}). Cualitativo, como en los siguientes ejemplos: Lanzamiento de dos monedas (Ω = {cc, cx, xc, xx}). Extracción de bolas de una urna. Elección de un individuo de la población. Es evidente que el tratamiento matemático de un espacio muestral de tipo cualitativo no es simple. Sin embargo, cuando un experimento da lugar a un espacio muestral de tipo cualitativo, es posible considerar una o varias características numéricas que describan las propiedades de mayor interés. Por ejemplo: En el lanzamiento de tres monedas: número de caras o de cruces, diferencia entre el número de caras y de cruces, etc. En la extracción de bolas de una urna: número de bolas de un determinado color, etc. En la elección de un individuo: estatura, peso, etc. Así, cada resultado del experimento tendrá asociado un valor numérico y el espacio muestral original se transforma en un espacio cuantitativo. Incluso en espacios muestrales cuantitativos, puede que el interés se centre no en el resultado concreto del experimento, sino en alguna característica numérica como, por ejemplo, en el lanzamiento de dos dados, la suma de los valores obtenidos. De esta forma surge el concepto de variable aleatoria que, en términos generales, puede definirse como una función que asigna un valor real a cada elemento de un espacio muestral. Al considerar una variable aleatoria sobre un espacio muestral, los conjuntos de interés estarán definidos en términos de dicha variable. Por ejemplo, conjunto de resultados elementales, tales que el valor de la variable esté comprendido entre dos números reales a y b. Para poder calcular la probabilidad de conjuntos de este tipo, es preciso exigir que tal conjunto sea un suceso. Este requerimiento implica que no toda función numérica de los resultados de un experimento es una variable aleatoria, sino que ésta debe satisfacer determinadas propiedades. Patricia Román Román 1
2 Para introducir de manera formal el concepto de variable aleatoria, comenzaremos definiendo la σ-álgebra de Borel sobre R. 2. Espacio de Borel unidimensional Sobre el conjunto de números reales R, se define la σ-álgebra de Borel como la mínima clase de conjuntos con estructura de σ-álgebra que contiene a todos los intervalos de R. Esto es, si Y denota la clase de intervalos de R, la σ-álgebra de Borel, B, es una clase de conjuntos de R, (B P(R)), tal que: 1. B Y. 2. B es σ-álgebra. 3. Si A P(R) es una σ-álgebra, tal que A Y, entonces A B. Al par (R, B) se le denomina Espacio de Borel. Los elementos de B se denominan Conjuntos de Borel o Borelianos. Todo intervalo y, en particular, todo número real ({a} = [a, a]), es un conjunto de Borel. Todo conjunto numerable y, en particular, todo conjunto finito, es un conjunto de Borel. Todo conjunto formado a partir de las operaciones de uniones numerables, intersecciones numerables y complementarios, realizadas a partir de intervalos de R, es un conjunto de Borel. Teorema: Caracterización de B B coincide con la σ-álgebra generada por los intervalos del tipo (, x]. Análogamente, B es la σ-álgebra generada por intervalos de cualquier tipo. 3. Variables aleatorias El concepto de variable aleatoria surge de la necesidad de calcular probabilidades de conjuntos de interés definidos en términos de dicha variable. Así, si (Ω, A, P) es el espacio de probabilidad asociado al experimento aleatorio en el que se pretende analizar la característica numérica de interés, ésta vendrá definida por una función X : Ω R. Ahora bien, cada valor de X se corresponde con el subconjunto de puntos de Ω que se aplica en dicho valor esto es {ω Ω / X(ω) = x}, que notaremos por simplicidad {X = x}. Obviamente el estudio probabilísticos de una variable aletoria conlleva el cálculo de probabilidades de dichos conjuntos así como de otros más generales como {ω Ω / X(ω) x} = {X x}, {ω Ω / X(ω) < x} = {X < x}, Patricia Román Román 2
3 {ω Ω / X(ω) x} = {X x}, {ω Ω / X(ω) > x} = {X > x}, {ω Ω / x 1 X(ω) x 2 } = {x 1 X x 2 },... {ω Ω / X(ω) I} = {X I}, I Y, {ω Ω / X(ω) B} = {X B}, B B. Para poder calcular la probabilidad de dichos conjuntos es necesario que los mismos sean sucesos, esto es pertenezcan a la σ álgebra de Borel del espacio probabilístico donde se define la función que describe la característica numérica de interés. Así, la definición formal de variable aleatoria es Definición Una variable aleatoria definida sobre un espacio de probabilidad (Ω, A, P ) es una función X : Ω R que verifica X 1 (B) A, es decir X 1 (B) = {ω Ω / X(ω) B} = { X B} A, B B. (Notación: X : (Ω, A, P ) (R, B).) La medibilidad proporciona el aspecto analítico de las variables aleatorias, mientras que el hecho de estar definidas sobre un espacio de probabilidad les da el carácter probabilístico. La definición de variable aleatoria no es siempre operativa, por lo que, a la hora de probar que una función X sobre un espacio de probabilidad es una variable aleatoria, resulta conveniente hacer uso de la siguiente caracterización. Teorema: Caracterización de variables aleatorias X : (Ω, A, P ) (R, B) es una variable aleatoria si y sólo si se cumple alguna de las siguientes condiciones, todas ellas equivalentes: 1. X 1 ((, x]) = {ω/x(ω) x} = {X x} A, x R. 2. X 1 ((, x)) = {ω/x(ω) < x} = {X < x} A, x R. 3. X 1 ([x, + )) = {ω/x(ω) x} = {X x} A, x R. 4. X 1 ((x, + )) = {ω/x(ω) > x} = {X > x} A, x R. 5. X 1 ((a, b]) = {ω/a < X(ω) b} = {a < X b} A, a, b R. 6. X 1 ([a, b)) = {ω/a X(ω) < b} = {a X < b} A, a, b R. 7. X 1 ((a, b)) = {ω/a < X(ω) < b} = {a < X < b} A, a, b R. 8. X 1 ([a, b]) = {ω/a X(ω) b} = {a X b} A, a, b R. Patricia Román Román 3
4 Ejemplos de variables aleatorias Si se trabaja en un espacio probabilístico (Ω, P(Ω), P ), en el que todo subconjunto de Ω es un suceso, entonces cualquier función X : Ω R es una variable aleatoria. Esto es lo usual si el espacio muestral Ω es finito. Ejemplo 1: Funciones indicadoras de conjuntos medibles Una función de la forma I A : Ω R, definida como { 1 ω A I A (ω) = ω / A donde A Ω, se denomina función indicadora del conjunto A. Si (Ω, A, P ) es un espacio de probabilidad, y A A, entonces I A es una variable aleatoria. En efecto: 1 / B, / B I 1 A (B) = A 1 B, / B A C = I 1 1 / B, B A (B) A B B. Ω 1 B, B Ejemplo 2: Funciones simples Sea (Ω, A, P ) un espacio de probabilidad, y {A i } n i=1 una partición de Ω, tal que A i A (partición medible). Sean x 1,..., x n R. La función X : Ω R definida como X(ω) = x i si w A i se denomina función simple, y es una variable aleatoria, pues X 1 (B) = n i=1/x i B A i A. O sea, toda función definida en un espacio de probabilidad que tome un número finito de valores, cada uno sobre un conjunto medible, es una variable aleatoria. Esto es obviamente extensible a particiones no finitas numerables, ya que, en tal caso, la anti-imagen de B sería una unión, no necesariamente finita, pero numerable. Ejemplo 3: En el lanzamiento de un dado, se asigna el valor 1 a los resultados pares, y el resultado a los impares. El espacio de probabilidad de la variable aleatoria es (Ω, A, P ), donde Ω = {1, 2, 3, 4, 5, 6}; A = P(Ω); P uniforme. Al considerar A = P(Ω), cualquier función real definida en (Ω, A, P ) sería una variable aleatoria. Veamos cómo se comprobaría que X es una variable aleatoria en el caso de considerar otra σ-álgebra: Por una parte Patricia Román Román 4
5 X : Ω R X(ω) = { 1 ω {2, 4, 6} ω {1, 3, 5} X = I {2,4,6} = X es variable aleatoria si {2, 4, 6} A. Para ello bastaría considerar una σ-álgebra que contenga a dicho conjunto. Sin embargo, si se considera por ejemplo la σ-álgebra A = {Ω,, {1}, {2, 3, 4, 5, 6}}, entonces X no sería una variable aleatoria. También se podría haber razonado usando la definición de variable aleatoria. Así, 1 / B X 1 {1, 3, 5} B, 1 / B (B) = {2, 4, 6} / B, 1 B Ω, 1 B y de nuevo se llega a la conclusión de que basta exigir que {2, 4, 6} A (o, equivalentemente {1, 3, 5} A). Veamos cómo, aún en este caso tan simple, se puede simplificar el razonamiento usando la caracterización de variable aleatoria. Así x < X 1 ((, x]) = {1, 3, 5} x < 1 Ω x 1 llegando a la misma conclusión. Ejemplo 4: Dos jugadores, A y B, lanzan cada uno un dado. Describir el espacio de probabilidad asociado a este experimento y cada una de las siguientes variables: 1. Puntuación obtenida por el jugador A. 2. Mayor puntuación. 3. Ganancia del jugador A si se conviene que el que obtenga mayor puntuación recibe una moneda del contrario. 4. Ganancia del jugador A si se conviene que el que obtenga menor puntuación paga al contrario la diferencia de puntuación. Notamos cada resultado elemental por (i, j), donde i es la puntuación de A y j la de B. Ω = {(i, j)/i, j = 1,..., 6}; A = P(Ω); P ((i, j)) = 1/36 1. X(i, j) = i; X : 1, 2, 3, 4, 5, 6. { i i > j 2. Y (i, j) = j i j Y : 1, 2, 3, 4, 5, 6. Patricia Román Román 5
6 1 i > j 3. Z(i, j) = i = j 1 i < j 4. U(i, j) = i j U = 5, 4, 3, 2, 1,, 1, 2, 3, 4, 5. Ejemplo 5: En el ejemplo anterior, especificar los sucesos: La puntuación obtenida por A es 2: {X = 2} = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)}. La mayor puntuación es 2: {Y 2} = {(1, 1), (1, 2), (2, 1), (2, 2)}. Se se ha convenido que el que obtenga menor puntuación paga al contrario la diferencia: A gana al menos 4 monedas: {U 4} = {(5, 1), (6, 1), (6, 2)}. A pierde más de 2 monedas: {U < 2} = {(1, 4), (1, 5), (1, 6), (2, 5), (2, 6), (3, 6)}. No pierde ni A ni B: {U = } = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)}. 4. Operaciones algebraicas con variables aleatorias La clase de variables aleatorias definidas sobre un mismo espacio de probabilidad es cerrada para las operaciones algebraicas usuales. En efecto: Teorema 1: Si X es una variable aleatoria sobre (Ω, A, P ), y a, b R, entonces la aplicación ax + b : Ω R, dada por (ax + b)(ω) = a(x(ω)) + b es una variable aleatoria sobre el mismo espacio. Teorema 2: Si X e Y son variables aleatorias sobre (Ω, A, P ), y a, b R, entonces la aplicación X + Y : Ω R, dada por (X + Y )(ω) = X(ω) + Y (ω) es una variable aleatoria sobre el mismo espacio. Corolario 1: Si X 1, X 2,..., X n son variables aleatorias definidas sobre (Ω, A, P ), entonces X 1 + X X n es una variable aleatoria definida sobre (Ω, A, P ). Corolario 2: Cualquier combinación lineal de variables aleatorias sobre (Ω, A, P ) es una variable aleatoria sobre (Ω, A, P ). Corolario 3: Si X e Y son variables aleatorias sobre (Ω, A, P ), entonces {ω / X(ω) Y (ω)} A y {ω / X(ω) = Y (ω)} A. Patricia Román Román 6
7 Teorema 3: Si X es una variable aleatoria sobre (Ω, A, P ), y a, b R, entonces la aplicación X 2 : Ω R, dada por (X 2 )(ω) = (X(ω)) 2 es una variable aleatoria sobre el mismo espacio. Teorema 4: Si X e Y son variables aleatorias sobre (Ω, A, P ), entonces la aplicación X Y : Ω R, dada por (X Y )(ω) = X(ω) Y (ω) es una variable aleatoria sobre el mismo espacio. Teorema 5: Si X e Y son variables aleatorias sobre (Ω, A, P ), e Y, entonces la aplicación ( ) X X Y : Ω R, dada por (ω) = X(ω) Y Y (ω) es una variable aleatoria sobre el mismo espacio. Teorema 6: Si X e Y son variables aleatorias sobre (Ω, A, P ), entonces max(x, Y ) y min(x, Y ) son variables aleatorias sobre el mismo espacio. Corolario: Si X es una variable aleatoria sobre (Ω, A, P ), entonces X + = max(, X), X = min(, X) y X = X + + X son variables aleatorias sobre (Ω, A, P ). El recíproco no es cierto: Si X es variable aleatoria, X no tiene por qué serlo. Ejemplo Ω = {1, 2, 3, 4}, A = {, Ω, {1, 2, 3}, {4}} X : Ω R X : Ω R ω 1 X 1 es una variable aleatoria, sin embargo, X 1 ({1}) = {1, 3} / A y, por tanto, X no lo es. 5. Distribución de probabilidad de una variable aleatoria Cuando se considera una variable aleatoria X sobre un espacio de probabilidad (Ω, A, P ), los únicos sucesos de interés son los que se expresan en términos de esta variable, esto es, los sucesos de la forma {ω Ω / X(ω) B} = X 1 (B) = {X B} A Patricia Román Román 7
8 Las probabilidades de estos sucesos describen completamente el comportamiento de la variable X y dan lugar a lo que se denomina la distribución de probabilidad de X. Definición Dada una variable aleatoria X sobre (Ω, A, P ), se denomina distribución de probabilidad de X o probabilidad inducida por X a la función de conjunto P X = P X 1 : B [, 1] Teorema P X es una medida de probabilidad sobre (R, B). B P X (B) = P (X 1 (B)) = P ({X B}) Demostración.- AI: P X (B), B B AII: P X (R) = P (X 1 (R)) = P (Ω) = 1 AIII: {B n } B mutuamente excluyentes {X 1 (B n )} mutuamente excluyentes, entonces ( ) ( ( )) ( ) P X B n = P X 1 B n = P X 1 (B n ) = P X (B n ) n n n n Por lo tanto, la variable aleatoria X transforma el espacio probabilístico original en un nuevo espacio probabilístico (R, B, P X ) X : (Ω, A, P ) = (R, B, P X ) y el interés se centra exclusivamente en el estudio de este nuevo espacio, esto es, en el estudio de P X. Esta es la característica esencial de las variables aleatorias, que transforman un espacio probabilístico arbitrario en un espacio de probabilidad numérico. Ejemplo En el ejemplo 3 de la sección anterior asociado al lanzamiento de un dado se había considerado la variable aleatoria { 1 ω {2, 4, 6} X : Ω R X(ω) = ω {1, 3, 5} y se había obtenido que, 1 / B X 1 {1, 3, 5} B, 1 / B (B) = {2, 4, 6} / B, 1 B Ω, 1 B Por tanto la distribución de probabilidad de X es Patricia Román Román 8
9 P ( ) =, 1 / B P X (B) = P (X 1 (B)) = P ({1, 3, 5}) = 1 2 P ({2, 4, 6}) = 1 2 P (Ω) = 1 B, 1 / B / B, 1 B, 1 B 6. Función de distribución de una variable aleatoria Como ya hemos indicado, el estudio de una variable aleatoria se reduce al de su distribución de probabilidad, que es una función de conjunto, definida sobre la σ-álgebra de Borel B. Si bien para ciertos tipos de variables aleatorias el manejo de estas funciones de conjunto puede ser simple (como es el caso de variables con un número finito de valores), en general, trabajar con este tipo de funciones puede ser complicado. Este inconveniente se resuelve asignando a cada distribución de probabilidad P X una función de punto que la describe completamente y se denomina función de distribución de la variable aleatoria X. Definición Dada una variable aleatoria X definida sobre un espacio de probabilidad (Ω, A, P ) con distribución de probabilidad P X, se denomina función de distribución de la variable a Teorema F X : R [, 1] x F X (x) = P X ((, x]) = P {X x} La función de distribución de una variable aleatoria X satisface 1) Es monótona no decreciente 2) Es continua a la derecha 3) lim F (x) = 1 y lim F (x) = x + x Demostración 1) x 1 < x 2 = (, x 1 ] (, x 2 ] = (usando la monotonía de P X ) F X (x 1 ) = P X ((, x 1 ]) P X ((, x 2 ]) = F X (x 2 ). 2) La demostración rigurosa de esta propiedad exige trabajar con sucesiones de conjuntos y usaremos (aunque no se ha probado) la continuidad de una medida de probabilidad, es decir, que si {A n } n N es una sucesión de conjuntos tal que lima n = A, entonces limp (A n ) = P (A). Patricia Román Román 9
10 Puesto que F X es monótona, x R, lim F X (x) y este límite puede obtenerse por x x + sucesiones monótonas decrecientes a x. Por tanto, hemos de probar que En efecto lim F X (x n ) = F X (x ) x n x {(, x n ]} n (, x n ] = (, x ] y, por tanto, lim n P X ((, x n ]) = P X ((, x ]) 3) Análogamente, considerando x n + = (, x n ] R y x n = (, x n ] Notemos que la demostración de estas propiedades se basa exclusivamente en el hecho de que P X es una medida de probabilidad. Por tanto, cualquier medida de probabilidad P sobre (R, B) define una función de punto F P : R [, 1] no decreciente, continua a la derecha y tal que lim F P (x) = 1 y lim x + x F P (x) =. Dicha función se define por F P (x) = P ((, x]). Sin embargo, lo realmente importante en Cálculo de Probabilidades es que el recíproco de este resultado es también cierto. Esto es, toda función F : R R no decreciente, continua a la derecha y tal que lim F (x) = 1 y lim F (x) =, determina una única medida de x + x probabilidad P F sobre (R, B) tal que P F ((, x]) = F (x). Teorema de Correspondencia Si P es una medida de probabilidad sobre (R, B), F P : R R definida como F P (x) = P ((, x]) es no decreciente, continua a la derecha y verifica lim F P (x) = 1 y lim x + x F P (x) =. Si F : R R es no decreciente, continua a la derecha y verifica lim F (x) = 1 y x + lim F (x) =, entonces existe una única medida de probabilidad P F sobre (R, B) que x satisface P F ((, x]) = F (x), x R. Existe, por tanto, una correspondencia biunívoca entre las medidas de probabilidad en (R, B) y las funciones de punto sobre R verificando tales propiedades. Según esta correspondencia, a la distribución de probabilidad de una variable aleatoria X, P X, le corresponde su función de distribución, esto es, F PX = F X y a la función de distribución F X le corresponde P X, ya que P X ((, x])) = F (x). Por tanto, la función de distribución de una variable aleatoria determina completamente su distribución de probabilidad. Patricia Román Román 1
11 Teorema Toda función F : R R verificando 1), 2) y 3) es la función de distribución de alguna variable aleatoria definida sobre algun espacio de probabilidad. Demostración En efecto, por el Teorema de Correspondencia, existe una única medida de probabilidad P F sobre (R, B) que satisface P F ((, x]) = F (x), x R. Asi, si definimos X : (R, B, P F ) (R, B) como X(x) = x, la distribución de probabilidad P X de dicha variable aleatoria coincide con P F y, por tanto, su función de distribución F X (x) = P X ((, x]) = P F ((, x]) = F (x), x R. Otras propiedades de la función de distribución 1. x R, lim y x F X(y) = F X (x ) = P (X < x) y Demostración: lim y x + F X(y) = F X (x) = P (X x) La existencia de los límites está garantizada por ser F X monótona y por la continuidad a la derecha, es claro que lim y x + F X(y) = F X (x). Veamos ahora que lim y x F X(y) = P ({X < x}). Ya que el límite existe, puede tomarse por sucesiones crecientes lim F X(y) =lim F y x xn x X(x n ) F X (x n ) = P (X x n ) = P X ((, x n ]) P X ((, x)) = P (X < x). 2. Los únicos puntos de discontinuidad de F X son de salto y la longitud del salto en cualquier punto x R es P (X = x) = F X (x) F X (x ) Demostración: Esto es debido a la continuidad a la derecha, no decrecimiento y existencia de límite a la izquierda. Además, el salto es lim F X(y) lim F X(y) = P (X x) P (X < x) = P (X = x) y x + y x 3. x es un punto de continuidad de F X P (X = x) =. Patricia Román Román 11
12 4. El conjunto de puntos de discontinuidad de F X es numerable. Demostración: D = {x R / F X (x) > F X (x )} x D F X (x) F X (x ) > n / F X (x) F X (x ) 1/n. Entonces, si E n = {x D / F X (x) F X (x ) 1/n} es claro que D = E n. Ya que E n n contiene a lo más n puntos (en caso contrario, la suma de los saltos sería mayor que uno), D es numerable. Cálculo de probabilidades mediante funciones de distribución P (X x) = F X (x) P (X < x) = F X (x ) P (X = x) = F X (x) F X (x ) P (X > x) = 1 F X (x) P (X x) = 1 F X (x ) P (X x) = 1 F X (x ) P (a < X b) = P (X b) P (X a) = F X (b) F X (a) P (a X b) = P (X b) P (X < a) = F X (b) F X (a ) P (a < X < b) = P (X < b) P (X a) = F X (b ) F X (a) P (a X < b) = P (X < b) P (X < a) = F X (b ) F X (a ) Ejemplo: En el ejemplo 3 de la sección anterior asociado al lanzamiento de un dado se había considerado la variable aleatoria { 1 ω {2, 4, 6} X : Ω R X(ω) = ω {1, 3, 5} y se había obtenido que Por tanto la función de distribución de X es x < X 1 ((, x]) = {1, 3, 5} x < 1 Ω x 1 Patricia Román Román 12
13 7. Variables aleatorias discretas P ( ) = x < F X (x) = P ({1, 3, 5}) = 1/2 x < 1 P (Ω) = 1 x 1 Definción Una variable aleatoria X : (Ω, A, P ) (R, B, P X ) es discreta si toma valores en un conjunto numerable, es decir, E X R tal que P (X E X ) = 1 Nota: E X es el conjunto de valores de la variable y es claro que x / E X, P (X = x) = Función masa de probabilidad Si X es una variable aletoria discreta con valores en el conjunto E X = {x n, n N}, se define su función masa de probabilidad como p X : E X [, 1] x n P X (x n ) = P (X = x n ) = P X ({x n }) Propiedades de la función masa de probabilidad Es no negativa, p X (x), x E X. La suma de sus valores es la unidad, p X (x) = 1 x E X La función masa de probabilidad de una variable aleatoria discreta determina la distribución de probabilidad de la variable B B, P X (B) = P (X B) = P (X = x) x B E X y, por tanto, su función de distribución con x R, F X (x) = xn E X xn x ɛ(x) = P (X = x n ) = P (X = x n )ɛ(x x n ) n=1 { 1 x x < Patricia Román Román 13
14 Por tanto, la función de distribución de una variable aleatoria discreta es una función de salto cuyos puntos de salto son aquellos números reales x n tales que P ({X = x n }) > y dicha probabilidad es la longitud del salto. El crecimiento a saltos de la función de distribución caracteriza a las variables discretas: Teorema: Caracterización de variables discretas X : (Ω, A, P ) (R, B, P X ) es discreta si y sólamente si F X crece sólo a saltos. Demostración: =) Si F X sólo crece a saltos, ya que lim F X(x) = 1 y x + longitudes de todos los saltos debe ser uno. Sea D el conjunto de puntos de salto. Puesto que D es numerable P (X D) = x D P (X = x) = 1. lim F X(x) =, la suma de las x Entonces, X toma valores en D, numerable, y es, por tanto, discreta. = ) El recíproco es inmediato, como se ha visto anteriormente. Teorema Toda colección numerable de números no negativos, de suma la unidad constituyen los valores de la función masa de probabilidad de alguna variable aleatoria de tipo discreto Demostración Dada {p n ; n 1} con p n, n 1 y p n = 1, se define x < x 1 x < F (x) =, o bien F (x) = p n x i x < x i+1 p n i x < i + 1 n i n i Patricia Román Román 14
15 Esta función es, evidentemente, no decreciente, continua a la derecha y con límites cero y uno en y +, respectivamente. Por tanto, por la aplicación del Teorema de Correspondencia, existe una variable aleatoria con tal función como función de distribución y, además, por las características mostradas por ella, dicha variable es de tipo discreto. EJEMPLOS Ejemplo 1 Un jugador recibe una moneda si en el lanzamiento de un dado sale un número par; en caso contrario, pierde una moneda. Calcular la función masa de probabilidad y la función de distribución de la variable aleatoria que describe la ganancia. Función masa de probabilidad P (X = 1) = P X (1) = P (X 1 ({1})) = P ({2, 4, 6}) = 1/2 P (X = 1) = 1/2 Función de distribución F X : R R x < 1 x P ({X x}) = 1/2 1 x < 1 1 x 1 Patricia Román Román 15
16 En general, si B es un conjunto de Borel arbitrario P ( ) = P (X B) = P X (B) = P (X 1 P ({1, 3, 5}) = 1/2 (B)) = P ({2, 4, 6}) = 1/2 P (Ω) = 1 1 / B, 1 / B 1 B, 1 / B 1 / B, 1 B 1 B, 1 B Ejemplo 2 Se introducen al azar tres bolas en dos urnas U 1 y U 2. Sea N el número de bolas en la primera urna, especificar su función masa de probabilidad y su función de distribución. Sean B 1, B 2 y B 3 las tres bolas; las distintas colocaciones, todas equiprobables son: Cada disposición puede identificarse con una ordenación de las dos urnas Ω = {U 1 U 1 U 1, U 1 U 1 U 2, U 1 U 2 U 1, U 2 U 1 U 1, U 1 U 2 U 2, U 2 U 1 U 2, U 2 U 2 U 1, U 2 U 2 U 2 } Función masa de probabilidad P (N = ) = 1/8 N : Ω R U 1 U 1 U 1 3 U 1 U 1 U 2 2 U 1 U 2 U 1 2 U 2 U 1 U 1 2 U 1 U 2 U 2 1 U 2 U 1 U 2 1 U 2 U 2 U 1 1 U 2 U 2 U 2 Patricia Román Román 16
17 P (N = 1) = 3/8 P (N = 2) = 3/8 P (N = 3) = 1/8 Función de distribución F N (x) = x < 1/8 x < 1 4/8 1 x < 2 7/8 2 x < 3 1 x 3 Distribución de probabilidad P N (B) = P (N B) = 3 P (N = i) Ejemplo 3 Un juego consiste en lanzar una modeda cuatro veces y contar el número de rachas de resultados iguales. El jugador recibe una moneda por cada racha pero tiene que pagar una moneda por participar en el juego. Dar la distribución de probabilidad del beneficio del jugador. i= i B Patricia Román Román 17
18 Función masa de probabilidad P (X = ) = 1/8 P (X = 1) = 3/8 P (X = 2) = 3/8 P (X = 3) = 1/8 Función de distribución Distribución de probabilidad RESULTADOS POSIBLES Ω BENEFICIO X CCCC CCCX 1 CCXC 2 CXCC 2 XCCC 1 CCXX 1 CXCX 3 XCCX 2 CXXC 2 XCXC 3 XXCC 1 XXXC 1 XXCX 2 XCXX 2 CXXX 1 XXXX F X (x) = P X (B) = P (X B) = x < 1/8 x < 1 4/8 1 x < 2 7/8 2 x < 3 1 x 3 3 P (X = i) Observemos que P X P N (del ejemplo anterior). Por tanto, las dos variables aleatorias, aunque referidas a espacios de probabilidad distintos, tienen la misma distribución. Si, en el ejemplo anterior, un jugador recibe una moneda por cada bola que haya en la primera urna, N es su beneficio. Por tanto, los dos juegos serían equivalentes, en el sentido de que el jugador puede ganar las mismas cantidades con las mismas probabilidades. i= i B Patricia Román Román 18
19 8. Variables aleatorias continuas Existen muchas situaciones prácticas en las que las variables de interés toman valores en un conjunto no numerable de puntos: Tiempo de vida de un determinado producto. Suma de dos puntos elegidos al azar de un intervalo. En tales casos, no es posible asignar una probabilidad positiva a cada uno de los valores de la variable de forma que la suma de esas probabilidades sea la unidad como ocurre en el caso discreto. Así, el tratamiento probabilístico de este tipo de variables es diferente al de las variables discretas. Aunque la clase de variables de este tipo es más amplia, vamos a estudiar ahora un tipo particular, las denominadas variables absolutamente continuas, a las que es usual llamar simplemente de tipo continuo o continuas. Definición Una variable aleatoria X : (Ω, A, P ) (R, B, P X ) es continua si su función de distribución es continua en todo R y derivable, y con derivada continua, salvo en a lo sumo un conjunto numerable de puntos. Esto es equivalente a que f X : R R no negativa e integrable tal que F X (x) = x f X (t)dt, x R La función f X se denomina función de densidad de la variable aleatoria X. Propiedades 1. La función de densidad de una variable aleatoria X es una función no negativa, integrable y + f X (t)dt = 1. La no negatividad e integrabilidad forman parte de la definición y + x f X (t)dt = lim f X (t)dt = lim F X(x) = F X (+ ) = 1 x + x + 2. Si x es un punto de continuidad de f X, F X es derivable en x y F X (x ) = f X (x ). 3. La función de densidad de un variable aleatoria continua determina a su función de distribución F X y a su distribución de probabilidad P X. En efecto, por la definición se tiene F X (x) = x f X (t)dt, x R Patricia Román Román 19
20 y además se puede probar que P X (B) = P (X B) = f X (x) dx, Para intervalos, es evidente B B B P (X b) = P X ((, b]) = F X (b) = b f X(x) dx Además, como F X es continua y, por tanto, x R, P X ({x}) = P (X = x) = F X (x + ) F X (x ) =, P (X < b) = P (X b) = F X (b) = b f X(x) dx P (a < X b) = F X (b) F X (a) = b a f X(x) dx De nuevo esa probabilidad coincide con P (a X < b), P (a < X < b) y P (a X b). Para conjuntos de Borel más generales esta integral debe entenderse en el sentido de Lebesgue (más general que la integral de Riemann y que escapa a los contenidos de este curso) Finalmente, como consecuencia del Teorema de Correspondencia, se tiene el siguiente resultado. Teorema Si f : R R es no negativa, integrable y tal que de alguna variable aleatoria de tipo continuo. Demostración Definimos F : R R como F (x) = x + f(t)dt f(t)dt = 1, f es la función de densidad F es no decreciente, continua (y, por tanto, continua a la derecha) y F ( ) = y F (+ ) = 1. Entonces F es la función de distribución de alguna variable aleatoria, la cual, evidentemente, es de tipo continuo con función de densidad f. EJEMPLOS Ejemplo 1 Sea X una variable aleatoria con función de distribución x < F (x) = x x < 1 1 x 1 Patricia Román Román 2
21 F es derivable en R {, 1} y Entonces, podemos definir x < F (x) = 1 < x < 1 x > 1 x < f(x) = 1 x 1 x > 1 que es continua salvo en x =, 1 y es evidente que F (x) = x f(t)dt, x R Por tanto, f es la función de densidad de X (notemos que f puede cambiarse arbitrariamente en y 1 y no es única; tomamos la versión más usual) P ({.4 < X.6}) = F (.6) F (.4) =.2 =.6.4 f(t)dt = dt Ejemplo 2 Comprobar que la siguiente función es función de densidad. Calcular su función de distribución y, si X es una variable aleatoria con dicha distribución, calcular P ({.3 < X 1.5}). x x < x 1 f(x) = 2 x 1 x < 2 x 2 Dicha función es no negativa y además, + f(t) dt = 1 t dt (2 t) dt = t ( 2t t = = 1. Patricia Román Román 21
22 F (x) = x < x 1 t dt = x2 2 t dt + x 1 x < 1 (2 t) dt = 2x x x < 2 1 x 2 P [,3 < X 1,5] = F (1,5) F (,3) =,83 En general, si f = salvo en (a, b), entonces F (x) = si x < a y F (x) = 1 si x b. Si f = salvo en (a, + ), entonces F (x) = si x < a. Si f = salvo en (, b), entonces F (x) = 1 si x b. 9. Variables aleatorias mixtas Aunque la mayoría de las distribuciones que aparecen en problemas prácticos son discretas o continuas, a veces es necesario considerar otro tipo de distribuciones que son mezcla de ambos tipos. Son las denominadas distribuciones mixtas. Definición Una variable aleatoria X : (Ω, A, P ) (R, B, P X ) se dice que es mixta si D X numerable y h X : R R no negativa e integrable tal que x R, F X (x) = P ({X x}) = x P ({X = x j }) + h X (t) dt. x j D X x j x R Notemos que en este tipo de variables, h X no es una función de densidad ya que 1. + h X (t) dt Ejemplo Supóngase que en un sistema eléctrico, el voltaje X es una variable aleatoria continua con función de densidad x f X (x) = 1 (1 + x) 2 x Así, x F X (x) = x 1 + x x Patricia Román Román 22
23 El voltaje de este sistema se mide con un voltímetro que registra el valor real de X si X 3, pero si X > 3 el voltímetro registra siempre el valor 3. Se define Y como el valor registrado por el voltímetro. Entonces la distribución de Y es mixta: + 1 P ({Y = 3}) = P ({X 3}) = (1 + x) dx = x = 1 4 > De lo anterior se deduce que P ({ < Y < 3}) = 3/4 y F Y (y) = F X (y) = y y < y 1 y En este caso, D X = {3} con P (Y = 3) = F Y (3) F Y (3 ) = 1 3/4 = 1/4 y h Y (y) = f X (y) = 1 (1 + y) 2, < y < Funciones de variables aleatorias. Cambio de variable Teorema Si X : (Ω, A, P ) (R, B, P X ) es una variable aleatoria y g : (R, B) (R, B) es una función medible (esto es, g 1 (B) B), entonces Y = g(x) : (Ω, A, P ) (R, B) es una variable aleatoria. Demostración B B, Y 1 (B) = (g(x)) 1 (B) = X 1 (g 1 (B)) A B Patricia Román Román 23
24 Por tanto, Y 1 (B) A y, puesto que está definida sobre un espacio de probabilidad es una variable aleatoria. Nos planteamos el problema de obtener la distribución de probabilidad de Y a partir de la de X. En teoría, el problema se resuelve de forma inmediata mediante el siguiente teorema general. Teorema general de Cambio de Variable Sea X : (Ω, A, P ) (R, B, P X ) una variable aleatoria y g : (R, B) (R, B) una función medible. Sea Y = g(x), entonces B B, P Y (B) = P X (g 1 (B)) y R, F Y (y) = P X (g 1 ((, y])) Demostración P Y (B) = P [Y 1 (B)] = P [X 1 (g 1 (B))] = P X (g 1 (B)) F Y (y) = P Y ((, y]) = P X (g 1 ((, y])) Pero en la práctica trabajaremos con variables discretas o continuas, o sea, con funciones masa de probabilidad o funciones de densidad. Nos interesa, por tanto, especificar las fórmulas de cambio de variable para tales casos. Cambio de variable discreto Teorema general de Cambio de Variable Si X : (Ω, A, P ) (R, B, P X ) una variable aleatoria discreta, P ({X E X }) = 1 y g : (R, B) (R, B) una función medible, entonces Y = g(x) es discreta con valores en g(e X ) y P {Y = y} = P {X = x}, y g(e X ) x g 1 (y) E X Demostración g(e X ) es numerable y P {Y g(e X )} = P {g(x) g(e X )} P {X E X } = 1 y g(e X ), P {Y = y} = P {g(x) = y} = P {X g 1 (y)} = P {X = x} x g 1 (y) E X Patricia Román Román 24
25 EJEMPLOS Ejemplo 1 Sea X una variable aleatoria discreta con función masa de probabilidad P {X = x} = e λ λ x, x =, 1, 2... (λ > ) x! (colección numerable de números no negativos de suma la unidad). Calcular la distribución (función masa de probabilidad) de Y = X 2. E X = {, 1, 2,...} g(x)=x2 g(e X ) = {, 1, 4,...} y g(e X ) P {Y = y} = P {X 2 = y} = P {X = y} = e λ λ y y! Ejemplo 2 Sea X una variable aleatoria discreta con función masa de probabilidad P {X = 2} = 1/5, P {X = 1} = 1/6, P {X = } = 1/5, P {X = 1} = 1/15, P {X = 2} = 11/3. Calcular la función masa de probabilidad de Y = X E X = { 2, 1,, 1, 2} g(x)=x2 +3 g(e X ) = {7, 4, 3} P {Y = 3} = P {X = 3} = P {X 2 = } = P {X = } = 1/5 P {Y = 4} = P {X = 4} = P {X 2 = 1} = P {X = 1} + P {X = 1} = 7/3 P {Y = 7} = P {X = 7} = P {X 2 = 4} = P {X = 2} + P {X = 2} = 17/3 Cambio de variable continuo Este caso no es tan simple como el discreto, ya que una variable aleatoria de tipo continuo no tiene por qué transformarse en otra de tipo continuo. Por ejemplo, sea X una variable aleatoria continua con función de densidad 1/2 x ( 1, 1) f(x) = x / ( 1, 1) y g : (R, B) (R, B) una función medible definida como x < g(x) = 1 x Y = g(x) toma valores en el conjunto {, 1} y es, por tanto, una variable aleatoria discreta con P {Y = } = P {X < } = 1/2 y P {Y = 1} = P {X } = 1/2. Patricia Román Román 25
26 Sin embargo si se define g como x x < g(x) = 1 x Y = g(x) toma valores en el conjunto ( 1, ) {1} y es una variable de tipo mixto con P {Y = 1} = P {X } = 1/2 y 1/2 y ( 1, ) h y (y) = y / ( 1, ) Aquí analizaremos el caso de transformaciones que convierten una variable continua en discreta y el caso de transformaciones biunívocas de variables continuas (que transforman variables continuas en continuas). Teorema (CV continua a discreta): Sea X : (Ω, A, P ) (R, B, P X ) una variable aleatoria continua con función de densidad f X y sea Y = g(x) una variable aleatoria discreta con valores en un conjunto numerable E Y. Entonces, y E Y, P {Y = y} = f X (x) dx g 1 (y) Demostración P {Y = y} = P {g(x) = y} = P {X g 1 (y)} = g 1 (y) f X(x) dx Ejemplo Sea X una variable aleatoria continua con función de densidad f(x) = 1 2π e x2 /2, x R y sea Y una variable aleatoria definida como 1 X > Y = 1/2 X = 1 X < Evidentemente, Y es una variable discreta y, además P {Y = 1/2} =. Por tanto, el conjunto de valores de Y es { 1, 1} y su función masa de probabilidad es + 1 P {Y = 1} = P {X > } = e x2 /2 dx 2π P {Y = 1} = P {X < } = 1 2π e x2 /2 dx = [y = x, dy = dx] = P {Y = 1} Patricia Román Román 26
27 Así, P {Y = 1} = P {Y = 1} = 1/2. Teorema (CV continua a continua): Sea X : (Ω, A, P ) (R, B, P X ) una variable aleatoria continua con valores en el intervalo (a, b) ( f X > x (a, b)) y sea g : (a, b) R una función derivable y estríctamente monótona (creciente o decreciente). Entonces Y = g(x) es una variable aleatoria continua con función de densidad f X (g 1 (y)) dg 1 (y) dy y g((a, b)) f Y (y) = y / g((a, b)) EJEMPLOS Ejemplo 1 Sea X una variable aleatoria continua con función de densidad { x < f(x) = λe λx x Calcular la función de densidad de Y = X 2. Consideramos la función g : R + R x x 2 Observemos que esta transformación es creciente estrictamente para x que es el recinto donde toma valores nuestra variable. Entonces, Y = g(x) = X 2, (Y (, + )) y { y < f Y (y) = f(g 1 (y)) y dg 1 (y) dy dg 1 (y) dy = 1 2 y y = g(x) = x 2 x = g 1 (y) = y, y, por tanto, { y < f Y (y) = λe λ y 1 2 y y Patricia Román Román 27
28 Otra opción, sería calcular directamente la función de distribución y luego derivar. { y < F Y (y) = P [X 2 y] = P [X y] y donde P [X y] = y λe λx = [ e λx] y = 1 e λ y De aquí se deduce también que { y < f Y (y) = λe λ y 1 2 y y Ejemplo 2 Sea X una variable aleatoria continua con función de densidad { 1/2 x ( 1, 1) f(x) = x / ( 1, 1) Calcular la distribución de Y = X. X ( 1, 1) pero g : ( 1, 1) R con g(x) = x no está en las condiciones del Teorema de cambio de variable continuo. Observamos que Y [, 1), pero cada valor de Y tiene dos antiimágenes X = ±Y. Calculemos la función de distribución de Y y < F Y (y) = P [ X y] y < 1 1 y 1 con P [ X y] = P [ y X y] = F X (y) F X ( y) = [ y, y] [ 1, 1]. y y 1 2 dx = y Patricia Román Román 28
29 Entonces de donde y < F Y (y) = y y < 1 1 y 1 f Y (y) = { y / (, 1) 1 y (, 1) Observemos en este ejemplo lo siguiente: y < F Y (y) = F X (y) F X ( y) y < 1 1 y 1 y / (, 1) f Y (y) = f X (y) + f X ( y) y (, 1) Entonces, en realidad, lo que se hace es aplicar la fórmula de Cambio de Variable a cada una de las antiimágenes y después, sumar. 1) Y = X X = Y dx dy 2) Y = X X = Y dx dy = 1 > (estamos considerando sólo las antiimágenes positivas) f 1 Y (y) = { y / (, 1) f X (y) 1 y (, 1) = 1 < (estamos considerando sólo las antiimágenes negativas) f 2 Y (y) = { y / (, 1) f X ( y) 1 y (, 1) Si ahora sumamos f 1 Y y f 2 Y obtenemos f Y. Este resultado es cierto en general y constituye una extensión del Teorema de Cambio de Variable que hemos estudiado para el caso continuo. Extensión del Teorema de C. V. continuo Sea X : (Ω, A, P ) (R, B, P X ) y sea Y = g(x) una nueva variable aleatoria tal que para cada valor de Y, existe un número finito (o incluso numerable) de antiimágenes, cada una de ellas derivable y estrictamente monótona. Entonces, Y es una variable aleatoria de tipo continuo y su función de densidad se obtiene aplicando la fórmula de Cambio de Variable a cada antiimagen y sumando las funciones resultantes. Patricia Román Román 29
30 Ejemplo Sea X una variable aleatoria con función de densidad f θ (x) = θe θx, x > (θ > ). Calcular la función de densidad de Y = (X 1/θ) 2. y = g(x) = (x 1/θ) 2 La variable aleatoria Y toma valores en (, + ). Si < y < 1/θ 2, la función g tiene dos imágenes inversas, cada una de ellas derivable y estrictamente monótona: g1 1 (y) = 1 θ + y con dg 1 1 (y) = 1 dy 2 y > 2 (y) = 1 θ y con dg 1 2 (y) dy g 1 Así = 1 2 y < ( 1 f Y (y) = f X θ + ) 1 y 2 y + f X ( 1 θ ) y 1 2 y = [ ( 1 f X θ + ) ( 1 y + f X θ )] 1 y 2 y, < y < 1 θ 2 Si y > 1/θ 2, la función g tiene una imagen inversa, derivable y estrictamente monótona g 1 (y) = 1 θ + y Así con dg 1 1 (y) dy = 1 2 y > Patricia Román Román 3
31 ( 1 f Y (y) = f X θ + ) 1 y 2 y = f X ( 1 θ + ) 1 y 2 y, y > 1 θ 2 Por tanto, f Y (y) = y < [ fx ( 1 θ + y ) + f X ( 1 θ y )] 1 2 y < y < 1 θ 2 ( dos antiimágenes) f X ( 1 θ + y ) 1 2 y y > 1 θ 2 f Y (y) = y < [ θ 2 y e 1 θ y + e ] 1+θ y < y < 1 θ 2 ( una antiimagen) θ 2 y e 1 θ y y > 1 θ 2 Se podría haber calculado directamente la función de distribución y < F Y (y) = P [(X 1/θ) 2 y] y con P [(X 1/θ) 2 y] = P [ y + 1/θ X y + 1/θ] = F X (1/θ + y) F X (1/θ y). Observemos que si y > 1/θ 2 entonces F X (1/θ y) =. 11. Esperanza matemática de una variable aleatoria Existe una definición global de esperanza matemática aplicable a cualquier tipo de variable aleatoria, que se expresa en términos de integrales de Lebesgue. Aquí daremos la particularización de esta definición para las variables discretas, continuas y mixtas. Esperanza de una variable aleatoria discreta Sea X : (Ω, A, P ) (R, B, P X ) un variable aleatoria discreta con valores en E X. Se define la esperanza de X como EX = x E X xp (X = x) siempre que dicha suma sea absolutamente convergente, es decir x E X x P (X = x) <. Patricia Román Román 31
32 Notemos que si la variable toma un número finito de valores, la suma que define la esperanza tiene un número finito de sumandos y es siempre absolutamente convergente. Por tanto, la esperanza de una variable aleatoria con un número finito de valores siempre existe. Por el contrario, si E X es infinito, es necesario imponer la condición de convergencia absoluta de la serie ya que, en caso contrario, distintas reordenaciones de los sumandos podrían dar distintos valores de la esperanza. Ejemplo: Sea X una variable aleatoria con función masa de probabilidad ] j+1 3j P [X = ( 1) = 2, j = 1, 2,... j 3j 3j ( 1)j+1 j j=1 2 3 = j j=1 2 j = la serie no es absolutamente convergente y, por tanto, X no tiene esperanza. Sin embargo, notemos que ( 1) j=1 j+1 3j j [ 2 3 = ( 1) j+1 2 j j = 2 j=1 = 2 [ k= k= ( 1) 2k+2 2k + 1 ] 1 (2k + 1)(2k + 2) Esperanza de una variable aleatoria continua <. + k= ] ( 1) 2k+3 = 2k + 2 Sea X un variable aleatoria continua con función de densidad f X. Se define la esperanza de X como EX = xf X (x)dx siempre que la función xf X (x) sea absolutamente convergente, es decir x f X (x)dx < Esperanza de una variable aleatoria mixta Sea X un variable aleatoria mixta con función de distribución R F X (x) = xj x x j D X P[X = x j ] + R x h(t)dt Patricia Román Román 32
33 Se define la esperanza de X como EX = x j P[X = x j ] + x j D X R xh(x)dx siempre que la suma sea absolutamente convergente y x h(x)dx <. R El número EX se denomina también valor esperado o media de la variable aleatoria X o de la distribución de X (está determinado por la distribución de la variable). EJEMPLOS Ejemplo 1.- Sea X una variable aleatoria con valores en {, 1, 2} y función masa de probabilidad P[X = ] = 1/4 P[X = 1] = 1/4 P[X = 2] = 1/2 EX = = 5 4 Obsérvese que la media no es el valor central, que sería 1, sino un valor comprendido entre los valores extremos, que no tiene por qué ser un valor de la variable (centro de gravedad). Ejemplo 2.- Sea X una variable aleatoria con función masa de probabilidad P[X = n] = 1, n = 1, 2,... n(n + 1) 1 n n(n + 1) = 1 n n(n + 1) =, n=1 luego no existe la esperanza de X. Ejemplo 3.- Sea X una variable aleatoria con función de densidad { 1/4 x [1, 5] f(x) = en otro caso n=1 Patricia Román Román 33
34 Por tanto, EX = x f(x)dx = 5 1 xf(x)dx = 5 1 x 4 dx = 3 Ejemplo 4.- Sea X una variable aleatoria con función de densidad f(x) = { λe λx x > x (λ > ) x λe λx = xλe λx = λ xe λx = [u = x, dv = e λx dx] = λ = λ [ e λx λ 2 ] = λ 1 λ = 1 2 λ Por tanto, EX = 1 λ. Ejemplo 5.- Sea X una variable aleatoria con función de densidad [ xe λx λ + e λx λ ] + luego EX. x f(x)dx = 1 π + f(x) = 1 π(1 + x 2 ) x R x 1 + x dx = 2 + x 2 π 1 + x dx = 2 2 π ln(1 + x 2 ) 2 = Ejemplo 6.- Sea X una variable aleatoria con función de distribución x < x F X (x) = x < x 1 x 3 Por una parte, D X = {3} P[X = 3] = 1/4 y, por tanto, la suma en la expresión de la media consta de un único término. Por otra parte, 1 x (, 3) (1 + x) h X (x) = 2 en otro caso Patricia Román Román 34
35 3 1 x (1 + x) = x (1 + x) = = 1 [ ln(1 + x) 2 ] (1 + x) dx = 1 1 ln x Así, EX = ( ) 2(1 + x) (1 + x) 2 dx = 2 (1 + x) 2 1 x = ln 4. (1 + x) 2 Esperanza de una función de una variable aleatoria 3 = ln = ln 4 3/4 < 4 Sea X una variable aleatoria y g : (R, B) (R, B) una función medible. Entonces, Y = g(x) es una variable aleatoria cuya esperanza, en caso de existir, viene dada por y yp[y = y] si es discreta EY = yfy (y)dy si es continua Sin embargo, no será necesario calcular la función de densidad o función masa de probabilidad de la nueva variable para determinar si existe su esperanza y cuanto vale, sino que esto puede hacerse a partir de la distribución de la variable original X, como probamos a continuación en dos casos particulares: X discreta, o bien X continua y g en las condiciones del Teorema de Cambio de Variable (derivable y estrictamente monótona). Teorema Sea X una variable aleatoria y g : (R, B) (R, B) una función medible. a) Si X es discreta E[g(X)] x E X g(x) P[X = x] < Patricia Román Román 35
36 E[g(X)] = g(x)p[x = x] x E X b) Si X es continua y g en las condiciones del T. C. V. (derivable y estrictamente monótona) E[g(X)] g(x) f X (x)dx < R E[g(X)] = g(x)f X (x)dx R Ejemplo.- Sea X el valor obtenido al lanzar un dado. Calcular EX y EX 2. EX = 1 6 ( ) = 7 2 EX 2 = 1 91 ( ) = 6 6 Observemos que si se quiere calcular la esperanza de muchas funciones de una variable aleatoria (EX 3, EX 4,...), no hay que hacer un cambio de variable cada vez. Además, notemos que, en general, EX 2 (EX) 2 Corolario EX E X Propiedades de la esperanza matemática 1. X = c = EX = c. 2. X = Si EX, EX DISCRETA EX = CONTINUA EX = x E X xp[x = x], ya que x E X x + 3. X y EX = P (X = ) = 1 ) Es evidente. xf X (x)dx = [f X (x) =, x < ] = + xf X (x)dx ) Si X es continua con función de densidad f X, se debe verificar que f X (x) =, x < y, por tanto E[X] = + xf X (x) dx. Patricia Román Román 36
37 Dado que el integrando es una función no negativa E[X] = xf X (x) =, x f X (x) =, x >. Así X y EX = f X (x) =, x, que está en contradicción con que f X sea una función de densidad. Por tanto X es discreta. Dado que E[X] es una suma de cantidades no negativas, el hecho de ser igual a cero implica que todos los términos son nulos, es decir, si x > P [X = x] =. De esto se deduce que sólo el puede tener probabilidad positiva. 4. Si EX = EX E X DISCRETA EX = xp[x = x] x P[X = x] = E X x E X x E X CONTINUA EX = xf X (x)dx x f X (x)dx = E X 5. Si X está acotada ( M R / P( X M) = 1) = EX y EX M DISCRETA x E X x M x E X x P[X = x] M x E X P[X = x] = M < EX E X M CONTINUA: x > M f X (x) = y, por tanto x f X (x)dx = M M x f X (x) dx M M EX E X M M f X (x) dx = 1 f X (x)dx = M < 6. Linealidad: Si EX = a, b R, E[aX + b] = aex + b DISCRETA ax + b P[X = x] a x P[X = x] + b < x E X x E X (ax + b)p[x = x] = a xp[x = x] + b = aex + b x E X x E X CONTINUA ax + b f X (x)dx a x f X (x)dx + b < (ax + b)f X (x)dx = a xf X (x)dx + b = aex + b Patricia Román Román 37
38 7. Linealidad para funciones de una misma variable: Sean h 1 (X),..., h n (X) v. a. tales que E[h i (X)], i = 1,..., n. Entonces E[a 1 h 1 (X) + + a n h n (X)] = a 1 E[h 1 (X)] + + a n E[h n (X)], a 1,..., a n R DISCRETA a 1 h 1 (x)+ +a n h n (x) P[X = x] a 1 h 1 (x) P[X = x]+ + a n h n (x) P[X = x] < x E X x E X x E X (a 1 h 1 (x)+ +a n h n (x))p[x = x] = a 1 h 1 (x)p[x = x]+ +a n h n (x)p[x = x] = x E X x E X x E X CONTINUA: Análoga = a 1 E[h 1 (X)] + + a n E[h n (X)] 8. Conservación del orden: Sea X una v. a. y h y g funciones medibles tales que h(x) g(x), entonces si E[h(X)] y E[g(X)], entonces E[h(X)] E[g(X). Dem.- (g h)(x) = E[(g h)(x)] 12. Momentos de una variable aleatoria En muchas situaciones, no es fácil determinar completamente la distribución de probabilidad de una variable aleatoria. Sin embargo, sí pueden determinarse diversas características de la distribución que, si bien no proporcionan una descripción completa de la distribución, pueden dar una visión general de la misma. Destacamos en primer lugar los momentos de una distribución, que pueden ser de distintos tipos como vemos a continuación. Momentos no centrados (centrados respecto al origen u ordinarios) Sea X una variable aleatoria y k un entero no negativo. Se define el momento no centrado de orden k de X como EX k, siempre que exista. x k P[X = x] caso discreto m k = EX k x = x k f X (x)dx caso continuo En particular, m 1 = EX, m 2 = EX 2, m 3 = EX 3,... Patricia Román Román 38
39 Momentos centrados (respecto a la media) Sea X una variable aleatoria, tal que EX y sea k un entero no negativo. Se define el momento centrado de orden k de X como E[(X EX) k ], siempre que exista. (x EX) k P[X = x] caso discreto µ k = E[(X EX) k x ] = (x EX) k f X (x)dx caso continuo En particular, µ 1 = y el momento centrado de orden 2, si existe, se denomina la varianza de la variable VarX = E[(X EX) 2 ] y a su raíz cuadrada, la desviación típica. Posteriormente, estudiaremos con detenimiento algunas de sus propiedades y su significado. Momentos absolutos (respecto al origen) Sea X una variable aleatoria y α R +. Se define el momento absoluto de orden α de X como E X α, siempre que exista. Observemos que EX k E X k Teorema de existencia de momentos Si E X t (t R + ) = E X s s t Demostración: DISCRETA E X s x s P[X = x] < x x s P[X = x] = x s P[X = x] + CONTINUA E X s x x x s f X (x)dx = x/ x 1 x/ x 1 P[X = x] + x/ x >1 P[ X 1] + E X t < x s f X (x)dx < x/ x 1 x/ x 1 x s f X (x)dx + f X (x)dx + x/ x >1 P[ X 1] + E X t < x/ x >1 x s P[X = x] x t P[X = x] x/ x >1 x s f X (x)dx x t f X (x)dx Patricia Román Román 39
40 Corolario m k = EX k = m j = EX j j k µ k = E[(X m 1 ) k ] = µ j = E[(X m 1 ) j ] j k Demostración: m k E X k = E X j j k ( m j j k) µ k E X m 1 k = E X m 1 j j k ( µ j j k) Relación entre momentos centrados y no centrados 1) Si m k = µ k = 2) Si µ k = m k = k ( ) k ( 1) n m k n m n 1 n n= k n= ( ) k µ k n m n 1 n Demostración: [ k ( ) ] k 1) µ k = E[(X m 1 ) k ] = E ( 1) n X k n m n 1 n n= Dado que existe la esperanza de cada sumando (por el corolario), todos funciones de X, existen la esperanza de la suma y se tiene, por la linealidad, la expresión para µ k. [ k ( ) ] k 2) m k = EX k = E[((X m 1 ) + m 1 ) k ] = E (X m 1 ) k n m n 1 n n= y se tiene la propiedad mediante un razonamiento similar a 1. Caso particular: V arx = E[X 2 ] (E[X]) Desigualdades relacionadas con momentos de una variable aleatoria: Teorema de Markov y Desigualdad de Chebychev Como ya hemos indicado, en ciertas ocasiones, la distribución de probabilidad de una variable aleatoria no es conocida pero se conocen ciertas características de ella como pueden ser los momentos. En tal caso, como vemos a continuación, podemos calcular cotas para ciertas probabilidades relativas a la variable bajo estudio. Patricia Román Román 4
41 Teorema de Markov (Desigualdad básica) Si X es una variable aleatoria arbitraria y h : (R, B) (R, B) una función medible no negativa tal que E[h(X)], entonces ɛ > P[h(X) ɛ] E[h(X)] ɛ Demostración: DISCRETA E[h(X)] = h(x)p[x = x] = x h(x)p[x = x] ɛ CONTINUA x/h(x) ɛ x/h(x) ɛ h(x)p[x = x] + x/h(x) ɛ x/h(x)<ɛ P[X = x] = ɛp[h(x) ɛ] h(x)p[x = x] E[h(X)] = h(x)f X (x)dx = h(x)f X (x)dx + h(x)f X (x)dx {x/h(x) ɛ} {x/h(x)<ɛ} h(x)f X (x)dx ɛ f X (x)dx = ɛp[h(x) ɛ] {x/h(x) ɛ} {x/h(x) ɛ} Desigualdad de Chebychev Si EX 2 = k > P[ X EX k] VarX k 2 Demostración: Se obtiene de la desigualdad básica aplicada a (X EX) 2 con ɛ = k 2. Expresiones alternativas de la desigualdad de Chebychev P[ X EX < k] 1 VarX k 2 P[ X EX k VarX] 1 k 2 P[ X EX < k VarX] 1 1 k 2 Patricia Román Román 41
42 La desigualdad de Chebychev permite acotar la probabilidad de que una variable (con momento de segundo orden) esté dentro de un intervalo centrado en la media y de longitud 2k, en términos de la varianza P[EX k < X < EX + k] 1 VarX k 2, o, dentro de un intervalo centrado en la media y de longitud 2k VarX P[EX k VarX < X < EX + k VarX] 1 1 k 2. Así, para k = 4, tenemos que la probabilidad de que una variable aleatoria esté comprendida en un intervalo centrado en la media de la variable y de longitud 8 veces la desviación típica es, al menos, Para k = 5, la probabilidad de que una variable esté dentro de un intervalo centrado en su media y de longitud 1 veces la desviación típica es, al menos,.96. NOTA: Observemos que para mayores valores de k, las cotas son más altas (precisas) pero, sin embargo, los intervalos son mayores. Ejemplo.- Si X es una variable aleatoria con media cero y varianza uno, encontrar un intervalo en el que esté contenida la variable con probabilidad mayor o igual que 1).99 2) 1/3 P[ X < k] 1 1 k 2 1) 1 1/k 2 =,99 k = 1 P[ 1 < X < 1],99 2) 1 1/k 2 = 1/3 k = 3/2 P[ 3/2 < X < 3/2] 1/3 Entonces, toda variable con media cero y varianza uno toma valores entre -1 y 1 con probabilidad mayor o igual que.99, sea cual sea su distribución. 14. Función generatriz de momentos Los momentos de una variable aleatoria pueden determinarse, en general, sin más que aplicar su definición; sin embargo, en ciertos casos, los cálculos no son simples. Un método alternativo para el cálculo de los momentos es a través de la denominada función generatriz de momentos de una variable aleatoria cuya importancia, además de su relación con los momentos, es que esta función, si existe, determina la distribución de la variable. Definición Sea X una variable aleatoria tal que E[e tx ] t ( t, t 1 ), (t, t 1 R + ). Se define su función generatriz de momentos como M X : ( t, t 1 ) R + dada por M X (t) = E [ e tx], t ( t, t 1 ). Patricia Román Román 42
3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Variables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Tema 5: Funciones medibles. Variables aleatorias. Función de distribución.
Tema 5: Funciones medibles. Variables aleatorias. Función de distribución. El concepto de variable aleatoria formaliza las magnitudes numéricas asociadas a los resultados de una experimento aleatorio.
Experimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos. Introducción En este Tema 6. construiremos y estudiaremos una serie de parámetros o características
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Unidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Probabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Procesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Ejercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO
1 DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Universidad de Sevilla Ejercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO 2005-2006. NOTACIONES Y NOMENCLATURA:
Tema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Curso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Variables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
TEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Modelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Part I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Cálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Probabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Integración de Funciones Reales
Capítulo 20 Integración de Funciones Reales Nos proponemos estudiar en este capítulo las propiedades fundamentales del operador integral. n particular, extenderemos aquí al caso de funciones medibles con
Resumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Transformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Tema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso
Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso 2010-11 Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad y esperanza condicionada: recordatorio
Repaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Variables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Tema 2: Variables Aleatorias
Estadística Aplicada I. Curso 2009-2010 Tema 2: Variables Aleatorias José G. Clavel 1 1 Departamento de Métodos Cuantitativos para la Economía y la Empresa jjgarvel@um.es Universidad de Murcia 6 de octubre
Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de Poisson. Aplicaciones
Tema 65 Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de oisson. Aplicaciones 65.1 Conceptos básicos en Teoría de la robabilidad Sea un conjunto
4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
Teoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Unidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
Derivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Variables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Tema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Capítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
En primer lugar, vamos a precisar un concepto al que ya nos hemos referido anteriormente, el de σ-álgebra.
Capítulo 20 Conjuntos de Borel Hemos demostrado ya que la familia M de los conjuntos medibles contiene a todos los abiertos de R n y, por tanto, a todos los conjuntos que podamos formar a partir de los
Tema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Estadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Continuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Variables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Modelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
TEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Variables aleatorias
Capítulo 5 Variables aleatorias 5.1. Introducción Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son valores numéricos. Por ejemplo, si el experimento consiste
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
VECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Notas para un curso de Probabilidad y Estadística Borradores: Variables aleatorias (e)
Notas para un curso de Probabilidad y Estadística Borradores: Variables aleatorias (e) Apéndice 9 de marzo de 010 Las leyes físicas deben tener la simplicidad y belleza de las matemáticas. (Paul Adrien
1. Medida Exterior. Medida de Lebesgue en R n
1. La integral de Lebesgue surge del desarrollo de la integral de Riemann, ante las dificultades encontradas en las propiedades de paso al ĺımite para calcular la integral de una función definida como
Funciones convexas Definición de función convexa. Tema 10
Tema 10 Funciones convexas Los resultados obtenidos en el desarrollo del cálculo diferencial nos permiten estudiar con facilidad una importante familia de funciones reales de variable real definidas en
Estadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 3. Probabilidad y variable aleatoria
Estadís5ca Tema 3. Probabilidad y variable aleatoria María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema
Estadística. Grado en Biología. Universidad de Alcalá. Curso Capítulo 4: Variables Aleatorias. Fernando San Segundo. Actualizado:
Grado en Biología. Universidad de Alcalá. Curso 2017-18. Fernando San Segundo. Actualizado: 2017-10-16 Fernando San Segundo. Actualizado: 2017-10-16 1 Qué es una variable aleatoria? Pronto veremos una
VARIABLES ALEATORIAS INTRODUCCIÓN
DOCENTE: SERGIO ANDRÉS NIETO DUARTE CURSO: ESTADÍSTICA DE LA PROBABILIDAD VARIABLES ALEATORIAS INTRODUCCIÓN Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son
RESUMEN ELEMENTOS DE GEOMETRÍA DIFERENCIAL Y TOPOLOGÍA CURSO
RESUMEN ELEMENTOS DE GEOMETRÍA DIFERENCIAL Y TOPOLOGÍA CURSO 2008-09 En este resumen no se puede escribir o añadir nada, ni por delante, ni por detrás. En todo caso, sólo se permite subrayar lo que se
Continuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Tema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Estadís4ca y Métodos Numéricos Tema 2. Variable Aleatoria
Estadís4ca y Métodos Numéricos Tema. Variable Aleatoria Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo García
Práctica 3 Esperanza Condicional
1. Generalidades Práctica 3 Esperanza Condicional 1. Sea (X i ) i I una familia de variables aleatorias definidas sobre un mismo espacio medible (Ω, F) y sea Y otra variable aleatoria en este espacio.
Variables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Integrales impropias múltiples
Integrales impropias múltiples ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna imarrero@ull.es Índice 1. Introducción 1 2. Caracterización de la integrabilidad impropia 2 3.
Cap. 3 : Variables aleatorias
Cap. 3 : Variables aleatorias Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 16 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Tema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Material introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Momentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Estadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Sucesiones y series de funciones
Sucesiones y series de funciones Renato Álvarez Nodarse Departamento de Análisis Matemático Facultad de Matemáticas. Universidad de Sevilla http://euler.us.es/ renato/ 8 de octubre de 2012 Sucesiones y
x (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Variables Aleatorias
Variables Aleatorias Memo Garro Resumen En este artículo introduciremos un tipo específico de funciones definidas sobre la dupla (Ω F. Estas funciones son llamadas variables aleatorias y son de gran importancia
Representaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Variables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
10. Series de potencias
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 7-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San
LA FUNCIÓN VARIABLE ALEATORIA (va.)
LA FUNCIÓN VARIABLE ALEATORIA (va.) Una variable aleatoria X es una función que asocia un número real con cada elemento del espacio muestral. Ej: Se sacan fichas de manera sucesiva sin reemplazo de una
Tema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
UNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS Curso INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 5 AÑOS Curso 17-18 Ex. Modelo MATERIA: MATEMÁTICAS II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN Después de leer atentamente
Teorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Vectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Distribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
1. Funciones Medibles
1. Medibles Medibles simples... Hasta ahora hemos estudiado la medida de Lebesgue definida sobre los conjuntos de R n y sus propiedades. Vamos a aplicar ahora esta teoría al estudio de las funciones escalares
Tema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
El Teorema de Fubini-Tonelli
Capítulo 26 El Teorema de Fubini-Tonelli Veremos en este capítulo que el cálculo de una integral múltiple se reduce al de integrales simples. Concretamente se va a probar que si f(x, y) es una función
Tema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Espacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
Derivadas e integrales
Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................
Notas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas