Tema 4: Variables aleatorias

Transcripción

1 Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son cualtatvos, y que sguen patrones muy smlares aunque la naturaleza del expermento no lo sea. Por ejemplo, un expermento consstente en observar el resultado de trar una moneda, s ésta está trucada y la probabldad de cara es 0.9 y la de cruz es 0.1, es smlar al expermento observar una peza fabrcada en un proceso que produce un 90% de pezas buenas y un 10% de pezas con defecto, pues en ambos casos, los posbles resultados del expermento son dos y la asgnacón de probabldades a los resultados es gual. Sn embargo, ambos expermentos son de naturaleza totalmente dferente. 3.1 Varable aleatora y ley de probabldad asocada a la varable. Defncón 1 Dado un espaco muestral Ω asocado a un expermento aleatoro, llamaremos varable aleatora (v.a.) defnda sobre Ω a una aplcacón X de Ω en IR. Por ejemplo, en los dos expermentos de la ntroduccón, podría defnrse la aplcacón X que asgna al resultado cara el valor 1 y al resultado cruz el valor 0. Igualmente, en el caso de la peza, podría defnrse una varable asgnando al resultado buena el valor 1 y al resultado defectuosa el valor 0. Defncón 2 Dada una varable aleatora X defnda sobre el conjunto de sucesos de un expermento aleatoro, llamaremos soporte de X, que se denota por S X, al conjunto de posbles valores (números reales) de la varable aleatora. Observacón 1 El soporte de una varable aleatora puede ser dscreto o consstr en un ntervalo de IR. En los dos ejemplos anterores, S X = {0, 1}. El soporte de la varable aleatora se puede consderar como un nuevo espaco muestral, sobre el que se puede defnr una probabldad relaconada con la probabldad defnda sobre el espaco muestral orgnal Ω, de la sguente forma: dado A IR, p(a) = p({ω Ω/X(ω) A}) De esta forma se defne una aplcacón con llegada en el ntervalo [0,1], sobre los subconjuntos del soporte que son magen de un suceso de Ω y se puede demostrar que esta aplcacón es una probabldad. Esta probabldad se denomna probabldad asocada a la v.a. X, ley de probabldad de la v. a. X o dstrbucón de la v.a. X. En el ejemplo: p(1) = p(cara) = 0.9, p(0) = p(cruz) = 0.1 e gualmente: p(1) = p(buena) = 0.9, p(0) = p(defectuosa) = 0.1 Es decr, las probabldades defndas sobre S X = {0, 1} son guales, aún cuando los expermentos sean dferentes. Una vez que se conoce el soporte de una varable aleatora y su dstrbucón, se puede olvdar el expermento orgnal. Cada varable aleatora dstnta (es decr, con soporte o dstrbucón dstnta) consttuye un modelo probablístco. En el resto del tema y en los sguentes nos centraremos en el estudo de estos modelos.

2 Estadístca Varables aleatoras dscretas. Una varable aleatora es dscreta s su soporte es dscreto, es decr, s consste en un número fnto o numerable de resultados: S X = {x 1, x 2,... x n,...}. Defncón 3 La ley de probabldad o dstrbucón de una varable aleatora dscreta X queda determnada por los valores p(x ) = p(x = x ), = 1, 2,.... Se puede extender la defncón de p a cualquer número real, defnéndola como cero para todos los x x, = 1, 2,.... A esta funcón defnda en IR se la denomna funcón de probabldad o de masa de la varable aleatora. Ejemplo: El ejemplo más sencllo de varable dscreta es la varable dscreta unforme, cuyo soporte es S X = {x 1, x 2,..., x n } con probabldades: p(x ) = 1 n. Otra forma de defnr la dstrbucón de una v.a. dscreta es medante la funcón de dstrbucón: Defncón 4 Llamaremos funcón de dstrbucón de la varable aleatora X a la funcón: F : IR [0, 1] defnda por: F (x) = p(x x). Propedades 1 Propedades de la funcón de dstrbucón. (a) lm F (x) = 1 y lm F (x) = 0. x x La prmera gualdad se debe a que {X } es todo el espaco muestral y la segunda a que {X } es su complementaro. (b) S S X = {x 1, x 2,... x n,...} y los valores están ordenados de menor a mayor, F (x) = k p(x ), s x [x k, x k+1 ). =1 (c) F es crecente: s x y, F (x) F (y). (d) F es contnua a la derecha: lm F (x + h) = F (x). h 0 + (e) p(x ) = F (x ) F (x 1 ). (f) Como consecuenca de todas las propedades anterores, la gráfca de F es dscontnua con saltos fntos en los puntos de probabldad no nula, y crecente. 3.3 Varables aleatoras contnuas. De forma ntutva, una varable aleatora contnua es aquella que toma valores en un ntervalo de IR. Posterormente daremos una defncón más rgurosa. Vamos a ntroducr este concepto y el de dstrbucón de una varable contnua de forma ntutva, partendo de un ejemplo. Consderemos la medda del dámetro nteror de un rodamento de determnadas característcas. Esta medda puede consderarse una varable aleatora pues las meddas de los dstntos rodamentos tomarán valores aleatoros dentro de un ntervalo de IR más o menos amplo. S tomamos 100 de estos

3 Estadístca 48 rodamentos, anotamos sus meddas y construmos el hstograma correspondente, después de haber agrupado en clases, cada rectángulo del hstograma tendrá área proporconal a la frecuenca relatva de la clase correspondente, y esta frecuenca se puede escrbr como: f = F +1 F, donde f es la frecuenca relatva de la clase [x, x +1 ) y F +1 es la correspondente frecuenca relatva acumulada. Vamos a suponer que la razón de proporconaldad es 1 y por tanto, que: (x +1 x )h = F +1 F dónde h es la altura del rectángulo. Podemos observar en ese hstograma que el área total es 1 y que la probabldad de que una de las 100 pezas escogda al azar tenga su medda en el ntervalo [x, x +1 ) es el área del hstograma correspondente a este ntervalo S ahora medmos 1000 pezas y agrupamos en clases (gualmente espacadas), obtendremos un nuevo hstograma; s tomamos pezas y agrupamos en clases,..., los sucesvos hstogramas van a r aproxmándose a una curva (Ley de Regulardad Estadístca). Cuál va a ser la altura f(x) correspondente a cada x del soporte de esta varable, en esa curva?. En el hstograma ncal, la altura de un punto x que estuvese en el ntervalo [x, x +1 ) era: h = F +1 F x +1 x e gualmente en los sucesvos hstogramas, de forma que f(x) será el límte de estas alturas cuando el número de pezas observadas y el número de clases tendan a nfnto (y por tanto la ampltud de las clases tenda a cero). A esta curva límte la vamos a llamar funcón de densdad. Su nombre provene de la smltud entre el concepto de probabldad, las frecuencas relatvas y la nterpretacón de éstas como masas. Cuando se consderan varables aleatoras contnuas, el soporte de la varable se puede nterpretar como una varlla delgada de masa undad y densdad no constante, dada por la funcón de densdad de probabldad f(x). Igual que en el caso de la varlla (en el que cada punto de la msma tene masa cero) la probabldad de cada punto es cero, sn embargo, la probabldad de un ntervalo contendo en el soporte (equvalente a la masa de un trozo de varlla) puede ser no nula. Defncón 5 Dremos que una varable aleatora X es contnua s exste una funcón f : IR IR, ntegrable, tal que: (a) f(x) 0 para todo x IR. (b) f(x)dx = 1. (c) p(x x) = x f(t)dt. A dcha funcón se la denomna funcón de densdad de la varable aleatora X. Observacón 2 A partr de lo desarrollado en la ntroduccón de este punto, se deduce que f(x) descrbe el comportamento a largo plazo ( es decr, cuando el número de observacones tende a nfnto) de la varable.

4 Estadístca 49 Ejemplo: De nuevo, el ejemplo más sencllo de v. a. contnua es la v.a. contnua unforme, que se defne como aquella que tene densdad constante en un ntervalo acotado de IR. Así, la v.a. contnua unforme en [a, b] será la que tene por soporte S X = [a, b] y densdad: f(x) = { 1 b a a x b 0 en otro caso ( Por qué 1 b a?) Igual que ocurre con las v.a. dscretas, la dstrbucón de una v.a. contnua se puede defnr tambén a partr de la funcón de dstrbucón de la varable, que se defne de gual forma: Defncón 6 Llamaremos funcón de dstrbucón de la varable aleatora X a la funcón: F : IR [0, 1] defnda por: F (x) = p(x x). Tenendo en cuenta la defncón de funcón de densdad, se cumplen las sguentes propedades: Propedades 2 (a) lm F (x) = 1 y lm F (x) = 0. x x (b) F es crecente: s x y, F (x) F (y). (c) F (x) = x f(t)dt. (d) F(x) es contnua en IR. (e) F(x) es dervable y F (x) = f(x), para cada x R en el que la funcón de densdad es contnua. (f) La probabldad de un punto es nula. (g) p([a, b]) = p((a, b]) = p([a, b)) = p((a, b)) = F (b) F (a) = b a f(t)dt. Ejemplo: La funcón de dstrbucón de la v.a. contnua unforme será: 3.4 Meddas característcas de una v.a. 0 s x a x a F (x) = b a a x b 1 s x b Las meddas característcas asocadas a una v.a. recben el msmo nombre que en el caso de varables estadístcas y se nterpretan de déntca forma. En este caso, para dstngur unas y otras, se representan con letras gregas. Vamos a defnr a contnuacón las prncpales. Podrá observarse que en el caso dscreto, las defncones son totalmente análogas a las dadas para v. estadístcas, s en éstas se camba frecuenca relatva por probabldad. Medda v.a.dscretas v.a. contnuas Meda o Esperanza µ ó E(X) x p(x ) xf(x) dx Varanza σ 2 (x µ) 2 p(x ) (x µ)2 f(x) dx Desvacón típca σ (x µ) 2 p(x ) (x µ)2 f(x) dx

5 Estadístca 50 Observacón 3 La meda de una varable aleatora se nterpreta como el valor esperado a largo plazo, de la varable, de ahí su nombre de Esperanza. En cuanto a las restantes meddas, se defnen: Medana: - en el caso dscreto se calcula de gual forma que para varables estadístcas. - en el caso contnuo, es el valor para el que F (x) = 1 2. Moda: - en el caso dscreto, es el valor x para el cuál p toma el valor más alto. - en el caso contnuo, concde con los máxmos absolutos de la funcón de densdad. Cuartles: - en el caso dscreto se calculan de gual forma que para varables estadístcas. - en el caso contnuo son: Q 1 el valor para el que F (x) = 1 4 y Q 3 el valor para el que F (x) = 3 4. Rango ntercuartílco: en ambos casos se defne como la dferenca entre los cuartles, Q 3 Q 1. Coefcente de varacón: en ambos casos se defne como σ µ. Un resultado mportante, que expresa la relacón exstente entre la meda de una varable aleatora y su desvacón típca, es el teorema de Chebychev, cuyo enuncado es smlar al vsto en Estadístca Descrptva, y cuya demostracón, en el caso dscreto es análoga y por tanto, no la repetremos: Teorema 1 Teorema de Chebychev Sea X una v.a. con meda µ fnta y desvacón típca σ fnta. Entonces, s k es un número real con k 1: p(µ kσ X µ + kσ) > 1 1 k Transformacones de v.a. Igual que cuando trabajamos con varables estadístcas, a veces nteresa realzar un cambo de escala o una traslacón u otro tpo de transformacón que smetrce la dstrbucón o la haga más fáclmente manejable. Las prncpales transformacones son las ctadas en el tema 1. Defncón 7 Dada una varable aleatora X, con soporte S X, llamaremos transformacón de la varable a una aplcacón h : S X IR, no constante. La funcón Y=h(X), cuyos valores son las mágenes de h, es una nueva varable aleatora, cuya dstrbucón vene dada por la de la varable X, medante la gualdad: p(y y) = p(x/h(x) y). Su soporte es S Y = h(s X ). Observacón 4 S X es una v.a. dscreta, con soporte {x 1, x 2,..., x n,...}, la varable Y será dscreta, con soporte S Y = {h(x 1 ), h(x 2 ),...} y p(y ) = p({x j /h(x j ) = y }). S X es una v.a. contnua, con funcón de dstrbucón F (x), s h es contnua, la v.a. Y será contnua, con funcón de dstrbucón G(y) = p({x/h(x) y}). Por tanto, se observa que en el caso dscreto obtener la ley de probabldades de la nueva varable es sencllo. En el caso contnuo, puede complcarse, dependendo de la expresón de la funcón h. En general, el cálculo de las funcones de densdad y de dstrbucón de la v.a. Y se hace a través de la defncón de funcón de dstrbucón y una vez obtenda ésta, se obtene la de densdad dervando.

6 Estadístca 51 Meddas de la varable transformada. Proposcón 1 Sea X una v.a y h(x) una transformacón. S Y = h(x) es la varable transformada, entonces: µ Y = h(x )p(x ) µ Y = h(x)f(x) dx s X es dscreta s X es contnua σy 2 = (h(x ) µ Y ) 2 p(x ) σy 2 = (h(x) µ Y ) 2 f(x) dx s X es dscreta s X es contnua Las demás meddas se calculan según la defncón.