Unidad3 PDF

Estadstica I
Walter Daz
Facultad de Ciencias Econ
omicas
Universidad de Antioquia
28 de mayo de 2013
Variables aleatorias y distribuciones de probabilidad
Distribuciones discretas de probabilidad

Distribuciones continuas de probabilidad
Distribuciones de probabilidad conjunta
Introduccion
Ya sabemos acerca de los experimentos, los espacios muestrales y

eventos. En esta seccion, estamos interesados en un n
umero que
esta asociado con el experimento. Llevamos a cabo un experimento
aleatorio E y despues de conocer el resultado en se calcula un
n
umero X. Es decir, para cada resultado en el espacio muestral
se asocia un n
umero X() = x.
Walter Daz
Estadstica I

Variable aleatoria
Definicion
Una variable aleatoria X es una funci
on X : R que asocia a
cada resultado Exactamente un n
umero X() = x.
Por lo general, se denotan las variables aleatorias con letras
may
usculas como X, Y , y Z, y denotamos los valores observados
por las letras min
usculas x, y, y z. Al igual que es el conjunto de
todos los resultados posibles de E, llamamos al conjunto de todos
los valores posibles de X, el soporte de X y lo denotamos por X .
Walter Daz
Estadstica I

Ejemplo
Sea E el experimento de lanzar una moneda dos veces. Hemos
visto que el espacio muestral sera = {HH, HT, T H, T T }, donde
H es cara y T es cruz. Ahora definimos la variable aleatoria X =el
n
umero de caras. Es decir, por ejemplo X(HH) = 2, mientras que
X(HT ) = 1. Podemos hacer una tabla de las posibilidades:
X() = x
HH
2
HT
1
TH
1
TT
0
Echando un vistazo a la segunda fila de la tabla, vemos que el

soporte de X - el conjunto de todos los n
umeros que X asume sera X = {0, 1, 2}.
Walter Daz
Estadstica I

Ejemplo
Sea E el experimento de lanzar una moneda repetidamente hasta
obtener una cara.
El espacio muestral sera = {H, T H, T T H, T T T H, . . .}. Ahora
definimos la variable aleatoria Y = el n
umero de lanzamientos
antes de obtener la primera cara.
Entonces, el soporte de Y sera Y = {0, 1, 2, . . .}.
Walter Daz
Estadstica I

Ejemplo
Sea E el experimento de lanzar una moneda al aire, y definir la
variable aleatoria Z = el tiempo (en segundos) hasta que la
moneda caiga al suelo.
En este caso, el espacio muestral es inconveniente para describir.
Sin embargo, el soporte de Z sera (0, +). Por supuesto, es
razonable suponer que la moneda va a volver a la Tierra en un
corto perodo de tiempo, en la practica, el conjunto (0, +) es
ciertamente demasiado grande. Sin embargo, nos encontramos con
que en muchas circunstancias es matematicamente conveniente
estudiar el conjunto extendido en lugar de uno restringido.
Walter Daz
Estadstica I

Existen diferencias importantes entre los soportes de X, Y , y Z. El

soporte de X es un conjunto finito de elementos que pueden ser
inspeccionados al mismo tiempo. Mientras que el soporte de Y no
puede ser exhaustiva escrito, sus elementos, sin embargo se pueden
incluir en una secuencia en su orden natural. A las variables
aleatorias con soportes similares a los de X e Y se llaman variables
aleatorias discretas.
En contraste, el soporte de Z es un intervalo continuo, que
contiene todos los n
umeros reales positivos racionales e
irracionales. Por esta raz
on, las variables aleatorias con soportes
como los de Z se llaman variables aleatorias continuas.
Walter Daz
Estadstica I

Variables aleatoria discretas
Las variables aleatorias discretas se caracterizan por sus soportes

los cuales toman la forma
X = {u1 , u2 , . . . , uk }
X = {u1 , u2 , u3 , . . .}
Cada v.a. discreta X tiene asociado una funci

on de probabilidad
(f.p.) fX : X [0, 1] definida por
fX (t) = P(X = t),
Walter Daz
t X .
Estadstica I

Definicion (Distribucion de probabilidad)

El conjunto de pares ordenados (t, fX (t)) se le llama funci
on de
probabilidad, funci
on de masa de probabilidad o distribuci
on
de probabilidad de la v.a. discreta X si, para cada resultado t
posible,
1 f (t) 0 para todo t ,
X
P
2
t fX (t) =
P1,
3 P(X A) =
un evento A .
tA fX (t), para alg
Walter Daz
Estadstica I

Ejemplo
Se lanza una moneda tres veces. El espacio muestral sera
= {HHH, HT H, T HH, T T H, HHT, HT T, T HT, T T T }
Sea X el n
umero de caras observadas. Entonces X tiene soporte
X = {0, 1, 2, 3}. Asumiendo que la moneda esta balanceada,
Represente la f.p. con una tabla.
Walter Daz
Estadstica I

Ejemplo
Un embarque de 20 computadores portatiles similares para una
tienda minorista contiene 3 que estan defectuosos. Si una escuela
compra al azar 2 de estas computadoras, calcule la f.p. para el
n
umero de computadoras defectuosas.
Ejemplo
Si una agencia automotriz vende 50 % de su inventario de cierto
vehculo extranjero equipado con bolsas de aire laterales, calcule
una formula para hallar la f.p. del n
umero de automoviles con bolsa
de aire lateral entre los siguientes 4 vehculos que vende la agencia.
Walter Daz
Estadstica I

Existen muchos problemas en los que se deseara calcular la

probabilidad de que el valor observado de una v.a. X sea menor o
igual que alg
un n
umero real x. Al escribir FX (t) = P(X t) para
cualquier n
umero real t, definimos FX (t) como la funci
on de la
distribuci
on acumulativa (f.d.a) o funci
on de distribuci
on de la
v.a. X.
Definicion (Funcion de la distribuci
on acumulativa)
La funci
on de la distribuci
on acumulativa FX de una v.a.
discreta X con f.p. fX es
X
FX (t) = P(X t) =
f (x), < t < .
xt
Walter Daz
Estadstica I

Las f.d.a. satisfacen las siguientes propiedades

1
0 FX (t) 1 para todo t <
lmt FX (t) = 0 y lmt FX (t) = 1
FX es no decreciente:
t1 < t2 FX (t1 ) FX (t2 ), para todo t1 , t2 <
FX es continua a la derecha:
lm FX (t) = FX (a), para todo a <
ta+
donde t a+ significa que t > a tiende a a.

5
P(a < X b) = FX (b) FX (a)

Walter Daz
Estadstica I

Ejemplo
Encuentre la funcion de distribuci
on del n
umero total de caras
obtenidas en cuatro lanzamientos y dibuje su grafica.
Ejemplo
La distribucion de probabilidad de V , el n
umero semanal de
accidentes en una cierta intersecci
on, esta dada por g(0) = 0,40,
g(1) = 0,30, g(2) = 0,20 y g(3) = 0,10. Construya la funcion de
distribucion de V y dibuje su grafica.
Walter Daz
Estadstica I

Variables aleatoria continua

Las variables aleatorias continuas tienen soportes que parecen
X = [a, b] o (a, b),
o uniones de intervalos de la forma anterior. Ejemplos de variables
aleatorias que se toman a menudo para ser continua son:
la altura o el peso de un individuo,
otras medidas fsicas tales como la longitud o el tama
no de un
objeto, y
perodos de tiempo (por lo general).
Cada v.a. continua X tiene asociada una funci
on de densidad de
probabilidad (f.d.p) denotada por fX .
Walter Daz
Estadstica I

Definicion (Funcion de densidad de probabilidad)

La funcion fX es una funci
on de densidad de probabilidad
(f.d.p.) para la v.a. continua X, definida en el conjunto de
n
umeros reales, si
1 f (t) 0 para todo t ,
RX
2
t fX (t)dt =
R 1,
3 P(X A) =
un evento A X .
tA fX (t)dt, para alg
Walter Daz
Estadstica I

Observaci
on: Se puede decir lo siguiente acerca de las v.a.
continuas
El conjunto A puede tomar la forma de un intervalo, por
ejemplo, A = [c, d], en cuyo caso
Z
P(X A) =
fX (t)dt.
c
De lo anterior se deduce que la probabilidad de que X cae en

un intervalo dado es simplemente el area bajo la curva de fX
en el intervalo.
Walter Daz
Estadstica I

Dado que el area de una lnea x = c en el plano es igual a

cero, P(X = c) = 0 para cualquier valor de c. En otras
palabras, la probabilidad de que X es igual a un valor
particular, c es cero, y esto es cierto para cualquier n
umero c.
Por otra parte, cuando a < b todas las siguientes
probabilidades son la misma:
P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b).
La f.d.p. fX a veces puede ser mayor que 1. Esto esta en
contraste con el caso discreto; cada valor distinto de cero de
una f.d.p. es una probabilidad que se limita a estar en el
intervalo [0, 1].
Walter Daz
Estadstica I

Definicion
La f.d.a. FX de una v.a. continua X con f.d.p. fX , es
Z t
FX (t) = P (X t) =
fX (x)dx, < t < .
Walter Daz
Estadstica I

Observaci
on: Para alguna f.d.a FX de una v.a. continua lo
siguiente es cierto.
1
0 FX (x) 1 para todo x <
lmx FX (x) = 0 y lmx FX (x) = 1
FX es continua.
FX es no decreciente:
t1 < t2 FX (t1 ) FX (t2 ), para todo t1 , t2 <
Walter Daz
Estadstica I

Existe una relacion practica entre la f.d.a y f.d.p. en el caso

continuo. Considere la derivada de FX :
Z x
d
d
0
FX (x) =
FX (x) =
fX (t)dt = fX (x),
dx
dx
la u
ltima igualdad es verdadera por el teorema fundamental del
calculo. En pocas palabras, (FX )0 = fX en el caso continuo.
Walter Daz
Estadstica I

Ejemplo
Considere la funcion de densidad

k x, 0 < x < 1,
f (x) =
0,
en otro caso.
b) Eval
ue k.
a) Calcule FX y utilice el resultado para evaluar
P(0,3 < X < 0,6)
Walter Daz
Estadstica I

Ejemplo
Se esta revisando que proporciones de su presupuesto asigna cierta
empresa industrial a controles ambientales y de contaminacion. Un
proyecto de recopilacion de datos determina que la distribucion de
tales proporciones esta dada por

5(1 y)4 , 0 y 1,
f (x) =
0,
en otro caso.
a) Verifique que la funci
on de densidad anterior sea valida.
b) Cual es la probabilidad de que una empresa elegida al azar gaste
menos de 10 % de su presupuesto en controles ambientales y de
contaminacion?
c) Cual es la probabilidad de que una empresa elegida al azar gaste
mas del 50 % de su presupuesto en controles ambientales y de
contaminacion?
Walter Daz
Estadstica I

Ejemplo
El tiempo que pasa, en horas, para que un radar detecte entre
conductores sucesivos a los que exceden los lmites de velocidad es
una v.a. continua con f.d.a.

0,
x < 0,
F (x) =
1 e8x , x 0.
Calcule la probabilidad de que el tiempo que pase para que el radar
detecte entre conductores sucesivos a los que exceden los limites
de velocidad sea menor de 12 minutos.
a) usando la f.d.a. de X;
b) utilizando la f.d.p. de X.
Walter Daz
Estadstica I


Consideremos dos v.a. discretas X e Y con distribuciones de probabilidad fX y gY
con soporte en los espacios muestrales X y Y , respectivamente. Sea X,Y el
conjunto de todos los posibles pares observados (x, y), llamado el conjunto soporte
de X y Y . Entonces la funcion de probabilidad conjunta de X y Y es la funcion
hX,Y definida por
hX,Y (x, y) = P(X = x, Y = y), para todo (x, y) X,Y
Cada f.p. conjunta satisface
hX,Y (x, y) 0, para todo (x, y) X,Y ,
y
X
hX,Y (x, y) = 1.
(x,y)X,Y
Es habitual para extender la funcion hX,Y a todos los <2 considerar hX,Y (x, y) = 0
para todo (x, y)
/ X,Y .
Walter Daz
Estadstica I

funcion de probabilidad conjunta
Definicion
La funcion hX,Y es una funci
on de probabilidad conjunta,
funci
on de masa de probabilidad conjunta o distribuci
on de
probabilidad conjunta de las v.a. discretas X e Y , si
1 h
PX,Y (x, y) 0 para todo (x, y) X,Y ,
2
y) = 1,
(x,y)X,Y hX,Y (x,
P
3 P[(X, Y ) A)] =
un evento
(x,y)A hX,Y (x, y), para alg
A .
Walter Daz
Estadstica I

Ejemplo
Se selecciona al azar 2 repuestos para bolgrafo de una caja que
contiene 3 repuestos azules, 2 rojos y 3 verdes. Si X es el n
umero
de repuestos azules y Y es el n
umero de repuestos rojos
seleccionados, calcule
a) la funcion de probabilidad conjunta hX,Y
b) P[(X, Y ) A], donde A es la regi
on {(x, y)|x + y 1}.
Walter Daz
Estadstica I

Ejemplo
Tirar un dado dos veces. Sea X el n
umero obtenido en el primer
lanzamiento y sea Y el n
umero obtenido en el segundo
lanzamiento. Obtener
a) la funcion de probabilidad conjunta hX,Y
b) P[(X, Y ) A], donde A es la regi
on {(x, y)|x + y > 7}.
Walter Daz
Estadstica I

Distribuciones marginales
Definicion
A las f.m.p. fX y gy se les llama las distribuciones marginales de X e Y ,
respectivamente. Si se conoce hX,Y (x, y) entonces podemos obtener cada uno de
las distribuciones marginales mediante el teorema de la probabilidad total: observe
fX (x) = P(X = x)
X
=
P(X = x, Y = y),
yY
hX,Y (x, y).
yY
Al intercambiar las funciones de X e Y es evidente que

X
gY (y) =
hX,Y (x, y)
xX
Observaci
on: Dado hX,Y (x, y) podamos recuperar las distribuciones marginales,
pero lo contrario no es cierto. Incluso si tenemos ambas distribuciones marginales no
es suficiente para determinar el hX,Y (x, y).
Walter Daz
Estadstica I

Ejemplo
Muestre que los totales de las columnas y las filas de la siguiente
tabla dan las distribuciones marginales de s
olo X y solo Y .
x
h(x, y)
0
1
2
Total
0
3/28 9/28 3/28 15/28
y
1
3/14 3/14
0
3/7
2
1/28
0
0
1/28
Total 5/14 15/28 3/28
1
Walter Daz
Estadstica I

Ejemplo
Dada la distribucion de probabilidad conjunta de X e Y
h(x, y) =
x+y
, para x = 0, 1, 2, 3; y = 0, 1, 2.
30
Calcule
a) f (x) y g(y)
b) P(X > 2, Y 1)
c) P(X > Y )
d) P(X + Y = 4)
Walter Daz
Estadstica I

Asociado con la distribuci

on de probabilidad conjunta hX,Y es la
funcion de distribucion acumulada HX,Y que se define en
HX,Y (x, y) = P(X x, Y y), para (x, y) <2 .
La distribucion HX,Y no es tan manejable como las FX y GY ,
pero en principio se podra calcular mediante la suma de las
cantidades hX,Y . La distribuci
on HX,Y no se suele utilizar en la
practica debido a los inconvenientes de su forma, pero se puede
obtener por lo general con hX,Y .
Walter Daz
Estadstica I

Distribucion de densidad conjunta
Definicion
La funcion hX,Y es una funci
on de densidad conjunta de las v.a.
continuas X e Y , si
1 h
(x, y) 0 para todo (x, y) X,Y ,
R X,Y
R
2
= 1,
hX,Y (x, y)dxdy
RR
3 P[(X, Y ) A)] =
un
(x,y)A hX,Y (x, y)dxdy, para alg
evento A .
Walter Daz
Estadstica I

Ejemplo
Se supone que cada rueda trasera de un avi
on experimental se
llena a una presion de 40 libras por pulgada cuadrada (psi). Sea X
la presion real del aire para la rueda derecha y Y la presion real
para la rueda izquierda. Suponga que X e Y son v.a. con la
siguiente funcion de densidad conjunta:

k(x2 + y 2 ), 30 x 50, 30 y 50,
h(x, y) =
0,
en otro caso.
a) Calcule k.
b) Calcule P(30 X 40 y 40 Y 50).
c) Calcule la probabilidad de que ambas ruedas no contengan la
suficiente cantidad de aire.
Walter Daz
Estadstica I

Densidades marginales
Definicion
Si X e Y tiene densidad conjunta hX,Y , entonces las densidades
marginales de X se puede obtener con
Z
fX (x) =
hX,Y (x, y)dy,
x X ,
y la densidad marginal de Y se puede hallar con

Z
gY (y) =
hX,Y (x, y)dx,
y Y .
Walter Daz
Estadstica I

Ejemplo
Considere las v.a. X e Y con la siguiente densidad conjunta

x + y, 0 x, y 1;
h(x, y) =
0,
en otro caso.
a) Calcule las densidades marginales de X e Y .
b) Calcule P(X 0,5, Y > 0,5).
Walter Daz
Estadstica I

Distribucion de densidad conjunta
En el caso continuo no existe una interpretaci

on simple para la
densidad conjunta hX,Y ; Sin embargo, tenemos una para el
distribucion de densidad conjunta HX,Y , esto es
Z x Z y
HX,Y (x, y) = P(X x, Y y) =
hX,Y (u, v)dudv.
para todo (x, y) <2 .
Walter Daz
Estadstica I

Definicion
Sean X e Y v.a. discretas o continuas ambas. La distribucion
condicional de la v.a. Y , dado X = x, es
g(y|x) =
h(x, y)
, siempre que f (x) > 0.
f (x)
De manera similar, la distribuci

on condicional de la v.a. X, dado
Y = y, es
f (x|y) =
h(x, y)
, siempre que g(y) > 0.
g(y)
Walter Daz
Estadstica I

Ejemplo
Dada la tabla
x
h(x, y)
0
1
2
Total
0
1/6 1/3 1/12 7/12
y
1
2/9 1/6
0
7/18
2
1/36
0
0
1/36
Total 5/12 1/2 1/12
1
Encuentre la distribuci
on condicional de X dado Y = 1.
Walter Daz
Estadstica I

Ejemplo
Dada la funcion de densidad conjunta
2
3 (x + 2y), 0 < x < 1, 0 < y < 1;
h(x, y) =
0,
en otro caso.
Encuentre la densidad condicional de X dado Y = y y u
sela para
evaluar P(X 1/2|Y = 1/2).
Walter Daz
Estadstica I

independencia estadstica
Si f (x|y) no depende de y, entonces
f (x|y) = f (x)
A partir de este resultado se deduce la siguiente definicion
Definicion
Sean X y Y dos v.a., discretas o continuas con distribucion de
probabilidad conjunta h(x, y) y marginales f (x) y g(y),
respectivamente. Se dice que las v.a. X y Y son
estadsticamente independientes si y s
olo si
h(x, y) = f (x)g(y)
para todo (x, y)
Walter Daz
Estadstica I

Ejemplo
Supongamos que X y Y tienen la siguiente distribucion de
probabilidad conjunta
x
h(x, y)
2
4
1
0.10 0.15
y
3
0.20 0.30
5
0.10 0.15
Determine si las dos v.a. X y Y son dependientes o independientes
Walter Daz
Estadstica I

Ejemplo
La funcion de densidad conjunta de las v.a. X y Y es

6x, 0 < x < 1, 0 < y < 1 x;
h(x, y) =
0, en otro caso.
Determine si las dos v.a. X y Y son dependientes o independientes
Walter Daz
Estadstica I

Definicion
Sean X1 , X2 , . . . , Xn v.a. discretas o continuas, con distribucion
de probabilidad conjunta h(x1 , x2 , . . . , xn ) y marginales
f1 (x1 ), f2 (x2 ), . . . , fn (xn ), respectivamente. Se dice que las v.a.
X1 , X2 , . . . , Xn son recprocas y estadsticamente independientes
si y solo si
h(x1 , x2 , . . . , xn ) = f1 (x1 )f2 (x2 ) fn (xn )
para todo (x1 , x2 , . . . , xn )
Walter Daz
Estadstica I

Ejemplo
Suponga que el tiempo de vida en anaquel de cierto producto
comestible perecedero empacado en cajas de cart
on, en a
nos, es
una v.a. cuya funcion de densidad de probabilidad esta dada por
x
e , x > 0;
f (x) =
0,
en otro caso.
Represente los tiempos de vida en anaquel para tres de estas cajas
seleccionadas de forma independiente con X1 , X2 , X3 y calcule
P(X1 < 2, 1 < X2 < 3, X3 > 2).
Walter Daz
Estadstica I

Unidad3 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Unidad3 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Estadstica I

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Ya sabemos acerca de los experimentos, los espacios muestrales y

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Echando un vistazo a la segunda fila de la tabla, vemos que el

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Existen diferencias importantes entre los soportes de X, Y , y Z. El

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Variables aleatoria discretas

Las variables aleatorias discretas se caracterizan por sus soportes

Cada v.a. discreta X tiene asociado una funci

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Definicion (Distribucion de probabilidad)

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Existen muchos problemas en los que se deseara calcular la

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Las f.d.a. satisfacen las siguientes propiedades

0 FX (t) 1 para todo t <

lmt FX (t) = 0 y lmt FX (t) = 1

donde t a+ significa que t > a tiende a a.

P(a < X b) = FX (b) FX (a)

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatoria continua

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Definicion (Funcion de densidad de probabilidad)

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

De lo anterior se deduce que la probabilidad de que X cae en

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Dado que el area de una lnea x = c en el plano es igual a

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

0 FX (x) 1 para todo x <

lmx FX (x) = 0 y lmx FX (x) = 1

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad

Existe una relacion practica entre la f.d.a y f.d.p. en el caso

Variables aleatorias y distribuciones de probabilidad

Distribuciones discretas de probabilidad