Professional Documents
Culture Documents
VARIABLES ALEATORIAS
4. Función de densidad............................................................................................. 7
5. Cálculo de Probabilidades................................................................................... 10
6.1. Moda…………………………………………………………………… 13
6.2. Mediana………………………………………………………………... 13
6.4. Momentos................................................................................................. 15
Así al lanzar 60 veces un dado, obtenemos una muestra que representamos por una variable
estadística x que toma los valores y frecuencias relativas siguientes:
xi 1 2 3 4 5 6
Si
fi 10/60 7/60 12/60 11/60 13/60 7/60 1
imaginamos
que se realiza una infinidad de pruebas relativas al experimento la infinidad de resultados
posibles da origen a la noción de variable aleatoria asociada a un experimento aleatorio. Donde
los valores que toma la variable aleatoria son todos iguales a 1, 2, 3, 4, 5, y 6 cada uno de ellos
con probabilidad 1/6. La variable aleatoria es pues la abstracción o idealización de la variable
estadística.
Una variable aleatoria [ se dice que es discreta cuando toma un número finito o infinito
numerable de valores reales, es decir, cuando es un conjunto de puntos aislados.
EJEMPLO 1:
Sea la experiencia de lanzar dos monedas al aire o dos veces una moneda y
observar el resultado. El espacio muestral E = {cc, cx, xc, xx}. Consideremos la variable
aleatoria número de caras obtenido.
[: Eo
oR
[(cc) = 2
[(cx) = 1 [ es una variable aleatoria discreta.
[(xc) = 1
[(xx) = 0
Hay variables aleatorias que no toman valores aislados, sino que pueden tomar
cualquier valor de un intervalo real. A las variables de este tipo las definiremos como variables
aleatorias continuas.
EJEMPLO 3:
Los errores de observación constituyen una variable aleatoria continua.
P([ = 2) = ¼
En el caso de la variable K: P(K = 1) = ¾
P([ = 1) = ½
P(K = 0) = ¼
P([ = 0) = ¼
La tabla formada por los valores que toma la variable junto con sus probabilidades,
recibe el nombre de distribución de probabilidad de la variable.
Sea [ una variable aleatoria discreta. A cada valor xi le podemos asociar un número
P( x i ) P([ x i ) > 0,1@ , hemos definido así una función P(x) sobre la variable aleatoria [. Si en
el espacio muestral los sucesos que corresponden a los diferentes valores de xi constituyen una
probabilidad de [.
EJEMPLO 4:
Si consideramos el lanzamiento de un dado y la variable aleatoria [=“puntos
obtenidos”. E = {1, 2, 3, 4, 5, 6}
1 2 3 4 5 6 x
i
3. FUNCIÓN DE DISTRIBUCIÓN
Supongamos que, en el ejemplo anterior, nos interesa ver la probabilidad de obtener una
puntuación menor o igual que un cierto xi d1 d2 d3 d4 d5 d6
valor. P([ d x i ) 1/6 2/6 3/6 4/6 5/6 1
0 si x<1
°1/ 6 si 1 d x<2
°
Analíticamente, °2 / 6 si 2 d x<3
°
F(x) ®3 / 6 si 3 d x<4
°4 / 6 si 4 d x<5
°
°5 / 6 si 5 d x<6
°
¯ 1 si 6dx
Propiedades:
EJEMPLO 5:
En el caso continuo:
EJEMPLO 6:
Consideremos el ejemplo 2. y que queremos determinar la probabilidad de que la
manecilla se pare en una posición determinada, es decir, de obtener una puntuación 0,6,
por ejemplo. Dicha probabilidad es prácticamente cero puesto que existen infinitos casos
posibles. Si nos preguntamos por obtener una puntuación menor o igual a x, nos dará la
función de distribución:
F(x)
0 si 0x
°
F(x)= P([ d x) = ® x si 0 d x 1 Gráficamente,
° 1 si 1d x
¯
F(x)
0 1 x
0 si 0x
°
f(x)= F '(x) = ®1 si 0 d x 1
°0 si 1d x
¯
4. FUNCIÓN DE DENSIDAD
Una variable aleatoria [ con función de distribución F(x), se dice que es una variable
aleatoria continua si F(x) es una función absolutamente continua (o simplemente continua) de
x cuya derivada F’(x) = f(x) existe y es continua salvo, como mucho, en un número finito de
puntos. La función f(x) definida, se denomina función de densidad de [ .
Como F(x) es no decreciente, tendrá que ser f(x) t0 para todo x. Además, integrando
³ ³
x f
F( x) f ( t )dt y como lim F( x) = 1 resulta f ( t )dt = 1. Por tanto, en una función de densidad
f xof f
EJEMPLO 7:
x2 1
° 2x si 0 d x d 9
Sea f(x) = ® 3 9 ¿Es f(x) una función de densidad?
° 0 resto
¯
Solución:
=1
EJEMPLO 8:
La duración en minutos de una reacción química viene dada por una variable
aleatoria con la siguiente función de densidad:
kx si 1 d x d 3
f(x) = ®
¯ 0 en el resto
Calcular: a) Valor de k para que f(x) sea función de densidad. b) Probabilidad de que la
reacción dure entre 2 y 4 minutos. c) Obtener la función de distribución.
Solución:
f
a) Se tiene que cumplir que f(x) t 0 para todo x y que ³f
f (t)dt = 1
3
f 3 kx 2 º 1
³f
f (x)dx ³
1
kxdx
2 »¼1
4k 1 k
4
1
° x si 1 d x d 3
b) f(x) = ® 4
°̄ 0 en el resto
3
4 3 x 4 x2 º 5
P(2 [ 4) ³ 2
f (x)dx ³2 4
dx ³ 0dx
3 8 »¼ 2 8
x
c) F(x) P([ d x) ³f
f (t)dt
1 >
0 si x 1
° 2
° x 1 F(x)
Resultando F(x) = ® si 1 d x 3
° 8
°̄ 1 si 3d x >
1 2 3 x
cuya gráfica es: 1
5. CÁLCULO DE PROBABILIDADES
P([ a) P([ a) ³ f x dx
a
0
a
P([ a) F(a) P [ a P([ a)
f
³ f x dx F(a) P [ d a
P [ d b P [ d a F(b) F(a)
b
P(a [ d b) P(a [ d b) F(b) F(a) ³ f x dx
a
f
1
0 si x<x1
°
° P(x1 ) si x1 d x x 2 °
P(x i ) F(x i ) F(x i 1 ) ®
°° P(x1 ) P(x 2 ) si x 2 d x x 3 °
F(x) ¯
®
°P(x1 ) P(x 2 ) P(x 3 ) si x 3 d x x 4
F(x2)
° ....................................................
°
°̄ 1 si x n d x F(x1)
x1 x2 xn
EJEMPLO 9:
0 si x<-2
°0.4 si -2 d x<-1
°
Sea X una variable aleatoria con función de distribución: F(x) ®
°0.8 si -1 d x<1
°¯ 1 si 1 d x
a) Representar gráficamente F(x).
b) ¿Es una variable aleatoria continua? ¿Por qué?
c) Determinar la distribución de probabilidad.
Solución:
a)
xi P(X=xi)
-2 0,4
-1 0,8-0,4=0,4
1 1-0,8=0,2
Suma 1
° F(x n 1 ) ³ f (t)dt si x n 1 d x x n
° x n 1
°
¯ 1 si xn d x
EJEMPLO10:
Si la función de densidad de una v. a. continua es:
1½
°2x si 0dx °
2
° °
°1 1 7°
f (x) ® si dx ¾
°4 2 2°
° 0 en el resto °
° °
¯ ¿
a) Obtener la función de distribución. b) P 2 d X 4 c) Obtener un valor de x tal que
P( X t x)=0.3 d) El primer cuartil.
Solución:
a) Si x<0 , entonces F(x)=0
x x
si 0<x<1/2, entonces F(x) ³f
f (t)dt ³0
2tdt x2
1
x x 1 1 1§ 1· 1 1
si 1/2<x<7/2, entonces F(x) ³f
f (t)dt ³
0
2
2tdt ³1
2 4
dt ¨x ¸
4 4© 2¹ 4
x
8
si 7/2<x, entonces F(x)=1
0 si xd0
° 1
° x2 si 0dx
°° 2
F(x) P(X d x) ®1 1 1 7
°4 x 8 si
2
dx
2
°
° 1 7
si x
°̄ 2
b)
7
4 1 1§7 · 3
P 2 d X 4 ³ f (x)dx ³2
dx ¨ 2¸
2 2 4 4©2 ¹ 8
c)
P(X ! x) 0,3 F(x) P(X d x) 1 P(X ! x) 1 0,3 0, 7
1 1
F(x) x 0, 7 x 2,3
4 8
d)
F(x) P(X d x) 0, 25
1 1 1
F(x) x 0, 25 x
4 8 2
http://asignaturas.topografia.upm.es/matematicas/videos/va.wmv
http://asignaturas.topografia.upm.es/matematicas/videos/va.mp4
6.1. Moda.
Moda es el máximo de la función de densidad o de la función de probabilidad.
6.2. Mediana.
Mediana es el valor x tal que la función de distribución vale 0,5. En el caso discreto
será xi tal que F(xi-1)[i).
f
E> [@ = ¦ x P( X ) i i para una variable discreta y no finita siempre que la serie sea
i 1
convergente.
E> [@ = ³
f
t. f ( t ). dt cuando la variable [ es continua con función de densidad f(x) y
f
Si ȟ es discreta. Si ȟ es continua.
f f
P E > [@ ¦ x P(x )
i i P E > [@ ³ xf (x)dx
i 1 f
EJEMPLO 11:
En el ejemplo clásico del dado 4:
6
1 1 1 1 1 1 21 7
E > [@ = x = ¦ x P(x ) = 1
i i +2 +3 +4 +5 +6 =
i 1 6 6 6 6 6 6 6 2
EJEMPLO 12:
En el ejemplo 8 la duración media de la reacción, será.
3
f x x3 º 13
E > [@ =
3
³f
x.f (x).dx = ³ 1
x. .dx =
4 »
12 ¼1
=
6
Propiedades:
1.- La esperanza matemática de una constante es la propia constante.
E> k@ k
2.- La esperanza matemática de una constante por una variable es igual a la constante
por la esperanza matemática de la variable.
E> k. [@ k. E> [@
6.4. Momentos
> @ = ¦ x . P( x )
n
variables discretas: m k E[ k k
i i
i 1
f
x k . f ( x).dx
Pk >
E [ m 1
k
@.
¦ x m
2
Si se trata de una variable discreta: P 2 V2 1 . P( x i )
i
³
f
y en el caso de una variable continua: P 2 V2 ( x m1 ) 2 . f ( x).dx
f
Si [ es discreta. Si [ es continua.
f f
V > [ @ E ª [ P º ¦>x i P @ ·P(x i ) V > [ @ E ª [ P º ³ x P
2 2 2 2
V2 V2 f (x)dx
¬ ¼ i 1
¬ ¼
f
x P2 V2 >
E [ m 1
2
@ E>[ 2
2[m 1 m 12 @ E>[ @ 2m E>[@ m
2
1
2
1 > @
E [ 2 m 12 m 2 m 12
x La varianza de una constante por una variable es igual al producto del cuadrado de la
constante por la varianza de la variable.
>
V(k[) E (k.[ E>k.[@) 2 @ E>(k.[ k.E>[@) @ 2
>
k 2 E ([ E>[@) 2 @ k 2 .V([)
EJEMPLO 13:
Si queremos calcular la varianza en el ejemplo 4. (al arrojar un dado).
7
E > [@ ¦ x m .P(x ) =
2
Teníamos m1 , luego P2 V2 1 i
2 i
35
y, por consiguiente, la desviación típica V
12
EJEMPLO 14:
13
La varianza de la reacción para el ejemplo 8, será: E > [@ calculada.
6
3
f 3 x x4 º
E ª¬[ º¼ ³ ³
2 2 2
x .f (x).dx x . .dx 5
f 1 4 16 »¼1
2
§ 13 · 11
E ª¬[ º¼ E > [@
2
sin más que sustituir V([) 2
5¨ ¸
©6¹ 36
http://asignaturas.topografia.upm.es/matematicas/videos/va_Discreta.wmv
http://asignaturas.topografia.upm.es/matematicas/videos/va_Discreta.mp4
http://asignaturas.topografia.upm.es/matematicas/videos/va-continua.wmv
http://asignaturas.topografia.upm.es/matematicas/videos/va-continua.mp4