Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Maestra en Bioinformatica
Probabilidad y Estadstica: Clase 3
Gustavo Guerberoff
gguerber@fing.edu.uy
Facultad de Ingeniera
Universidad de la Republica

Abril de 2010

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Contenidos
1

Variables aleatorias discretas

de Poisson
Distribucion

Vectores aleatorios
Multinomial
Distribucion

Independencia de variables aleatorias

Valor esperado
Propiedades del valor esperado
Ejemplos de valor esperado

Varianza
Propiedades de la varianza

Valor esperado

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

de Poisson
Distribucion

Definicion

Una variable de Poisson de parametro

, donde > 0, es una
variable aleatoria cuyos valores posibles son {0, 1, 2, 3, . . .},
con
k
e
, para k = 0, 1, 2, 3, . . . .
P(X = k) =
k!
de Poisson se obtiene como
La distribucion
Observacion:
Binomial, cuando n y p 0 con
lmite de la distribucion
np = .

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Histograma de probabilidad de una variable Poisson de

parametro
= 10.

dpois(x, 10)
0.00

0.02

0.04

0.06

0.08

0.10

0.12

Varianza

0
10
20
x
30
40
50

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Vectores aleatorios
Consideremos k variables aleatorias, X1 , X2 , . . . , Xk , definidas
sobre . Esas variables pueden agruparse en un vector de k
componentes
X = (X1 , X2 , . . . , Xk ).

Definicion
X : Rk .
Un vector aleatorio es una funcion
Los vectores aleatorios discretos (es decir,
Observacion:
aquellos formados por variables discretas) quedan
caracterizados por los valores posibles y por sus respectivas
probabilidades conjuntas:
P(X1 = a1 , X2 = a2 , . . . , Xk = ak ),
donde (a1 , a2 , . . . , ak ) es un vector de valores posibles.

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Varianza

de en k sucesos o
Ejemplo: Consideremos una particion
categoras, {C1 , C2 , . . . , Ck }, con P(Ci ) = pi , para cada
i = 1, 2, . . . , k . Obviamente p1 + p2 + . . . + pk = 1.
Consideremos el experimento aleatorio que consiste en tomar
un elemento al azar de y ver a que categora pertenece.
Repetimos n veces de manera independiente ese experimento
y denotamos:

X1 = Cantidad de resultados en C1
X2 = Cantidad de resultados en C2
...
Xk

...
= Cantidad de resultados en Ck

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Varianza

Multinomial
Distribucion
El conjunto de valores posibles para cada una de las variables
es {0, 1, 2, P
. . . , n}. Sin embargo las variables deben cumplir la
k

condicion:
i=1 Xi = n.
Si (m1 , m2 , . . . , mk ) es un vector
P tal que mi {0, 1, 2, . . . , n},
para cada i = 1, 2, . . . , k, y ki=1 mi = n, entonces:

P(X1 = m1 , X2 = m2 , . . . , Xk = mk ) =

n!
pm1 pm2 . . . pkmk .
m1 !m2 ! . . . mk ! 1 2

Definicion
Decimos en tal caso que el vector aleatorio X = (X1 , X2 , . . . , Xk )
Multinomial de parametros

tiene distribucion
n y p 1 , p2 , . . . , pk .

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Independencia de variables aleatorias

Consideremos dos variables aleatorias, X e Y , caracterizadas
por los valores posibles {a1 , a2 , . . . , am }, {b1 , b2 , . . . , bn }, y por
sus respectivas probabilidades.

Definicion
Decimos que las variables X e Y son independientes si se
cumple:
P(X = ai , Y = bj ) = P(X = ai )P(Y = bj )
para cada i = 1, 2, . . . m, j = 1, 2, . . . , n.
A la probabilidad que aparece del lado izquierdo se le llama
probabilidad conjunta y a las que aparecen del lado derecho
probabilidades marginales.

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Varianza

Valor esperado
Notemos que las marginales se pueden calcular a partir de la
conjunta; por ejemplo:
P(X = a) =

n
X

P(X = a, Y = bj ).

j=1

introducimos el concepto de Valor Esperado de

A continuacion
una variable aleatoria. Consideremos una variable aleatoria
discreta X con valores posibles {a1 , a2 , . . . , ar }.

Definicion
El Valor Esperado de X se define de la siguiente manera:
E(X ) =

r
X
i=1

ai P(X = ai ).

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Varianza

Propiedades del valor esperado

En el caso de que haya infinitos valores posibles
Observacion:
para la variable X es necesario pedir que la suma sea
convergente para que E(X ) este definido.
Propiedades del valor esperado:
1) Si X es una variable aleatoria y R entonces:
E(X ) = E(X ).
2) Si X e Y son variables aleatorias entonces:
E(X + Y ) = E(X ) + E(Y ).
3) Si X es una variable aleatoria con valores posibles
{a1 , a2 , . . . ,P
ar } y g : R R entonces
E(g(X )) = ri=1 g(ai )P(X = ai ).
4) Si X e Y son variables aleatorias independientes
entonces: E(XY ) = E(X )E(Y ).

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

de 4): Si los valores posibles de X y de Y son,

Demostracion
respectivamente, {a1 , a2 , . . . , am } y {b1 , b2 , . . . , bn }, entonces
esta claro que los valores posibles de XY son de la forma ai bj

y ademas:
E(XY ) =

m X
n
X

ai bj P(X = ai , Y = bj ).

i=1 j=1

Usando independencia de las variables X e Y se tiene:

E(XY ) =

m X
n
X

ai bj P(X = ai )P(Y = bj )

i=1 j=1

m
X

ai P(X = ai )

i=1

= E(X )E(Y )

n
X
j=1

bj P(Y = bj )

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Ejemplos de valor esperado

se dan los valores esperados de cada una de

A continuacion
las variables aleatorias discretas que consideramos
anteriormente.
Ejemplos
Si X Ber (p) entonces E(X ) = p.
Si X Bin(n, p) entonces E(X ) = np.
Si X Geo(p) entonces E(X ) = p1 .
Si X Poisson() entonces E(X ) = .

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Varianza

Definicion
La Varianza de una variable aleatoria X se define de la
siguiente manera:
var (X ) = E(X E(X ))2 .
de
La varianza es un numero
positivo que mide la dispersion

una variable aleatoria alrededor de su valor esperado.

(X E(X ))2 = X 2 + E2 (X ) 2X E(X ). Usando
Observacion:
propiedades del valor esperado se obtiene:
var (X ) = E(X 2 ) E2 (X ).

Varianza

Variables aleatorias discretas

Vectores aleatorios

Independencia de variables aleatorias

Valor esperado

Propiedades

Propiedades de la varianza:
1) Si X es una variable aleatoria y R entonces:
var (X ) = 2 var (X ).
2) Si X e Y son variables aleatorias independientes
entonces: var (X + Y ) = var (X ) + var (Y ).

Varianza