Estadstica

Tema 3

Curso 2006/07

Tema 3. VARIABLES ALEATORIAS.

3.1.- Introduccin.
Objetivo: Encontrar modelos matemticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable real. Una probabilidad es una funcin P : R, donde es un lgebra de sucesos. Queremos trabajar con probabilidades a partir de funciones F: R R.

3.2.- Variables aleatorias.

Idea: Asociar cada resultado del experimento con un nmero y as podremos ya trabajar slo con nmeros reales. Una variable aleatoria (v.a.) ser una funcin que asigne a cada suceso un nmero. Ejemplo: 1) X1: Sensacin que provocan las asignaturas de matemticas Asociamos cada respuesta con un nmero, segn se considere que la sensacin es positiva (+1), negativa (1) o neutra (0). Por ejemplo: Sensa Mates buena miedo pesadas trabajo mal rollo no me provocan desagradable curiosidad ninguna no me gustan puff 2) X: Nmero de caras al lanzar 3 monedas X1 1 -1 -1 -1 -1 0 -1 1 0 -1 -1

Sucesos {x,x,x} {c,x,x} {x,c,x} {x,x,c} {c,c,x} {x,c,c} {c,x,c} {c,c,c} Opcional:

X4 0 1 1 1 2 2 2 3

La formalizacin del concepto de variable aleatoria es la siguiente:

Estadstica

Tema 3

Curso 2006/07

Definicin. Sea E el espacio muestral asociado a un experimento aleatorio y un lgebra de sucesos asociado a E. Llamaremos variable aleatoria a una funcin

X : E R,
tal que para cualquier intervalo B = (-, b] de la recta real, el suceso X
1

( B)

siendo

X 1 ( B ) = { E / X ( ) B} .
Ejemplos. 1) X1: Sensacin que provocan las asignaturas de matemticas

X 11 ( (, 1]) = X 11 ( 1) = {miedo, pesadas, mal rollo, puff,}

(sucesos a los que X1 asigna el valor 1) 2) X: Nmero de caras al lanzar 3 monedas

X 1 ( (,1]) = X 1 ({0,1} ) = {{ x, x, x} , {c, x, x} , { x, c, x} , { x, x, c}}

(sucesos a los que X asigna el valor 0 1)

(Fin de lo opcional) Con el concepto de v.a. podemos definir probabilidades asociadas a nmeros reales o a intervalos:

P ( X = a ) = P( X 1 (a )) =P(sucesos que X asocia con el valor a) o bien P ( X B) = P( X 1 ( B)) = P(sucesos que X asocia con un valor del intervalo B)
Ejemplo: X: Nmero de caras al lanzar 3 monedas

P ( X = 1) = P X 1 ({1} ) = P ({c, x, x} , { x, c, x} , { x, x, c} ) =

3 8

P ( X 1) = P( X (,1]) = P( X = 0 X = 1) = P ({ x, x, x} , {c, x, x} , { x, c, x} , { x, x, c} ) = P( X > 2) = P( X = 3) = P ({c, c, c} ) =

Estudiaremos dos tipos de variables aleatorias:

4 8

1 8

Discretas: el conjunto de posibles valores que toma la variable es discreto (es decir, finito o numerable). Continuas: el conjunto de posibles valores es uno o varios intervalos de la recta real. Ejemplos: Discretas: X: Nmero de caras al lanzar 3 monedas (puede tomar slo los valores 0,1,2,3) X1: Sensacin que provocan las asignaturas de matemticas (puede tomar slo los valores 1,0,1) 2

Estadstica

Tema 3

Curso 2006/07

X2: Nmero de llamadas diarias que se hacen por telfono mvil (puede tomar los valores 0,1,2,3, infinito numerable) Continuas: Y1: Estatura de una poblacin (en centmetros) (puede tomar cualquier valor en el intervalo [0,250] ) Y2: Error cometido al redondear una nota media a un decimal (puede tomar cualquier valor en el intervalo [0.05,0.05] ) Y3: Tiempo mximo que he estado hablando por telfono alguna vez (en minutos) (puede tomar cualquier valor en el intervalo [0,+) ) Para cada tipo definiremos a continuacin funciones reales de variable real para trabajar con sus probabilidades: Funcin de masa o distribucin de probabilidad para v.a. discretas. Funcin de densidad para v.a. continuas.

Y posteriormente definiremos la funcin de distribucin (concepto ms general) que nos permite trabajar con todas las v.a.

3.3.- Variables aleatorias discretas. Funcin de masa.

Si tenemos una v.a. discreta la forma habitual de describir sus probabilidades es dar la probabilidad que toma cada uno de los valores que puede tomar: Ejemplo: X: Nmero de caras al lanzar 3 monedas

1 3 3 1 P ( X = 0) = ; P( X = 1) = ; P( X = 2) = ; P ( X = 3) = 8 8 8 8
Z: Nmero de tiradas con un dado hasta que nos sale el primer 5 (puede tomar los valores 1,2,3,.. hasta el infinito)

1 51 5 1 5 P ( X = 1) = ; P( X = 2) = ; P( X = 3) = ;...; P ( X = n) = 6 66 6 6 6

n-1

1 ;... 6

Lo denominaremos distribucin de probabilidad de X o funcin de masa de X. Para dar una definicin general, denotaremos por:

{ xi }

los valores que tienen probabilidad positiva y los denominaremos puntos de

masa de la v.a. X . ( i I siendo I un conjunto finito o numerable.)

P ( X = xi ) = pi a sus probabilidades respectivas, y al conjunto de todas ellas lo

y

denominaremos funcin de masa o distribucin de probabilidad de la v.a. X . Se cumple que P ( X = xi ) = pi 0

p
iI

=1.

Estadstica

Tema 3

Curso 2006/07

La funcin de masa de las variables aleatorias discretas pueden representarse grficamente mediante un diagrama donde, en el eje OX dibujaramos los distintos puntos de masa de la variable y en ordenadas las probabilidades correspondientes. Ejemplo: X: Nmero de caras al tirar 3 monedas

3.4.- Variables aleatorias continuas. Funcin de densidad.

Recordamos que una v.a. X es continua si el conjunto de posibles valores que puede tomar la variable es uno o varios intervalos de la recta real. Tambin recordamos que las variables estadsticas continuas se representaban agrupadas en intervalos, y que asociamos probabilidad con frecuencias relativas. Si se tiene un nmero suficientemente grande de datos, y representamos el histograma de frecuencias relativas (percentage) con las clases cada vez ms finas, se obtendra el perfil de una curva que es representativa de la distribucin de las frecuencias de dicha variable. Esta curva ser siempre positiva (las frecuencias relativas lo son) y encierra debajo de ella la suma de todas las frecuencias relativas (1). Esta idea nos permite caracterizar la distribucin de probabilidad de las v.a. continuas mediante una funcin que denominaremos funcin de densidad.

Histogram
40
0.04 0.03

Density Trace

percentage

density

30 20 10

0.02 0.01 0

0 49 59 69 79 89 99 109

52

62

72

82

92

102

Peso

PESO GM23

Histogram
50
0.06 0.05

Density Trace

percentage

40 30 20 10 0 160 170 180 190 200

density

0.04 0.03 0.02 0.01 0 160 165 170 175 180 185 190

Estatura

ESTATURA GM23

Estadstica

Tema 3

Curso 2006/07

Definicin. Llamamos funcin de densidad a toda funcin f: R R que verifica:

f ( x ) 0, x

f ( t ) dt = 1 .

Toda funcin de densidad determina la distribucin de probabilidad de una v.a. continua de la siguiente forma: 1. 2.

P ( a < X < b ) = f ( t ) dt , a, b
b a

. .

3. Entonces P ( a < X < b ) = P ( a X < b ) = P ( a X b ) = P ( a < X b ) Observacin: Los valores exactos de las v.a. continuas tienen probabilidad 0. Slo hay probabilidad no nula en intervalos. Ejemplos. Y1: Estatura de una poblacin

P ( X = x ) = f ( t ) dt = 0, x
x x

Histogram
50

Density Trace
0.06 0.05

percentage

40 30 20 10 0 160 170 180 190 200

density

0.04 0.03 0.02 0.01 0 160 165 170 175 180 185 190

Estatura

ESTATURA GM23

Estadstica Funcin de densidad:

Tema 3

Curso 2006/07

P(170<Y1<180) P(Y1<160)

Y3: Tiempo mximo que he estado hablando por telfono alguna vez

Histogram
40
(X 0.001) 12 10

Density Trace

percentage

30 20 10 0 0 40 80 120 160 200

density

8 6 4 2 0 0 30 60 90 120 150 180

Duracin llamadas

Duracin llamadas
6

Estadstica

Tema 3

Curso 2006/07

Funcin de densidad y probabilidades:

P(Y3>60)

P(30<Y3<60)

P(Y3<45)

Y2: error al redondear a un decimal. La variable puede tomar valores 0.05<x<0.05. Como la probabilidad es homognea en todo el intervalo y fuera de l no hay probabilidad, la densidad ser una funcin constante f(x)=k si 0.05<x<0.05, y ser nula en el resto. Para hallar el valor de k, utilizamos la propiedad de que

f ( t ) dt = 1 :

f (t ) dt = 1

+0.05

0.05

k dt = 1 k 0.01 = 1

k = 10
Por tanto: f ( x ) =

10 0

si 0.05 < x < 0.05 resto

7

Estadstica

Tema 3

Curso 2006/07

Para calcular probabilidades:

P (Y 2 < 0) =

f (t ) dt =

0.05

0 dt +
+0.01 0.01

0.05

10 dt = 10 0.05 = 0.5

P ( Y 2 < 0.01) = P (0.01 < Y 2 < 0.01) =

10 dt = 10 ( 0.01 (0.01) ) = 0.2

3.5.- Funcin de distribucin de una variable aleatoria.

Para tener una funcin representativa vlida para todo tipo de v.a., se define la funcin de distribucin. Definicin. Dada una variable aleatoria X, definimos la funcin de distribucin asociada a una funcin F: R R. definida como

Xa

F ( x) = P ( X x)
Observacin: La funcin de distribucin de una v.a. viene a ser como la distribucin de frecuencias relativas acumuladas de una variable estadstica. Ejemplos: Nmero de llamadas diarias que se hacen por telfono mvil

Si consideramos la v.a. X2: Nmero de llamadas diarias que hacen por telfono mvil los estudiantes del GM23 (curso 200/05), podramos tomar como

Estadstica

Tema 3

Curso 2006/07

Distribucin de probabilidad P(X2 = 0)= 0.3077 P(X2 = 1)= 0.3590 P(X2 = 2)=0.1795 P(X2 = 3)=0.1026 P(X2 = 4)=0.0256 P(X2 = 5)=0.0256

Funcin de distribucin

P ( X 2 = n) = 1
n=0

0 si x < 0 si x < 0 si 0 x <1, P(X2 = 0) 0.3077 si 0 x <1 si 1 x < 2, P(X2 = 0) + P(X2 =1) 0.6667 si 1 x < 2 F(x) = P(X2 x) = si 2 x < 3, P(X2 = 0) +... + P(X2 = 2) = 0.8462 si 2 x < 3 si 3 x < 4, P(X2 = 0) +... + P(X2 = 3) 0.9487 si 3 x < 4 si 4 x < 5, P(X2 = 0) +... + P(X2 = 4) 0.9744 si 4 x < 5 si 5 x, P(X2 = 0) +... + P(X2 = 5) 1 si 5 x

Representaciones grficas Histograma de frecuencias relativas acumuladas Funcin de distribucin

100

percentage

80 60 40 20 0 -1 0 1 2 3 4 5 6

Llamadas diarias

Frecuencias relativas acumuladas Funcin de distribucin

Funcin de distribucin de una v.a. discreta. La funcin de distribucin de una v.a. discreta es una funcin escalonada con saltos en los puntos de masa.

Estadstica

Tema 3

Curso 2006/07

Clculo de probabilidades a partir de la funcin de distribucin de una v.a. discreta: Idea: hay probabilidad en aquellos puntos en los que hay salto, y la probabilidad es precisamente la magnitud del salto. Formalmente, si denotamos F xo siguientes igualdades: 1. 2. 3. 4.

( ) = lim F ( x ) = P ( X < x ) ,

x x0

entonces se cumplen las

P ( X = a ) = F (a ) F a .
P ( a < X b ) = F ( b ) F ( a ) , a, b
. . . .

( )

P ( a X b ) = F ( b ) F ( a ) , a, b P ( a < X < b ) = F ( b ) F ( a ) , a, b

5. P ( a X < b ) = F ( b ) F ( a ) , a, b
Ejemplo:

Si X es una v.a. con funcin de distribucin

de probabilidad y las siguientes probabilidades P(X<2), P(1X<4).

0 si x < 0 0.3 si 0 x < 1 0.7 si 1 x < 2.5 F ( x ) = 0.8 si 2.5 x < 3 , hallar su distribucin 0.95 si 3 x < 4 1 si 4 x

Hay probabilidad en los puntos donde hay salto: 0, 1, 2.5, 3 y 4. Sus probabilidades son la magnitud del salto: P(X=0)=0.30=0.3 P(X=1)=0.70.3=0.4 P(X=2.5)=0.80.7=0.1 P(X=3)=0.950.8=0.15 P(X=4)=10.95=0.05 Para hallar P(X<2), P(1X<4), lo ms sencillo es ver qu puntos con probabilidad cumplen la condicin dada: P(X<2)=P(X=0)+P(X=1)=0.3+0.4=0.7 P(1X<4)=P(X=1)+P(X=2.5)+P(X=3)=0.4+0.1+0.15=0.55

Funcin de distribucin de una v.a. continua. Ejemplo: Sea Y2: error al redondear a un decimal. La funcin de densidad es f ( x ) =

10 0

si 0.05 < x < 0.05 . resto

10

Estadstica

Tema 3

Curso 2006/07

Por definicin, su funcin de distribucin es F ( x ) = P ( X x ) . Al ser una v.a. continua, las probabilidades se calculan a partir de la funcin de densidad:

F ( x) = P ( X x) =

f (t )dt .

Como f(x) est definida a trozos, las probabilidades sern diferentes segn el intervalo en donde se encuentre x:

F ( x) =

si x 0.05 : x 0 dt 0.05 x 0 dt + 10 dt f ( t ) dt = si 0.05 < x < 0.05: 0.05 0.05 0.05 x si x 0.05: 0 dt + 0.0510 dt + 0.05 0 dt
si x 0.05, si 0.05 < x < 0.05 si x 0.05

0 F ( x ) = 10 ( x + 0.05) 1

Observamos que F(x) es una funcin continua, y que es una primitiva de la funcin de densidad, F ( x ) = f ( x ) (recurdese el Teorema Fundamental del Clculo). Estas propiedades son generalizables para cualquier v.a. continua. Si X es una v.a. continua con funcin de densidad f(x), y F(x) es la funcin de distribucin de X, se verifica:

F ( x) =

f ( t ) dt , x

F es una funcin continua. F ( x ) = f ( x ) , en aquellos puntos en donde f(x) es continua.

Ejemplos:

P ( a < X < b ) = f ( x)dx = F ( b ) F ( a ) , a, b

b a

Y3: tiempo mximo que he estado hablando por telfono La funcin de densidad es f ( x ) = (0.04) xe
2
x

0.04 x

si x 0 ; por tanto:

F ( x) =

0 si x < 0 si x < 0, 0 dt f ( t ) dt = = 0.04 x x 0 ( x + 25) si x 0 si x 0, 0 dt + (0.04) 2 te 0.04 t dt 1 0.04e 0

Es una funcin continua, pues es continua en ambos tramos y stos coinciden en x=0. Adems, es fcil comprobar que F(x)=f(x).

11

Estadstica

Tema 3

Curso 2006/07

Histograma de frecuencias relativas acumuladas

Funcin de distribucin

Histogram
100 80 60 40 20 0 0 40 80 120 160 200

percentage

Duracin llamadas

Para hallar probabilidades a partir de la funcin de distribucin: P(30<Y3<60) = F(60) F(30) = 0.3542 P(Y3<45) = F(45) F() = F(45) 0 = F(45) = 0.5372 P(Y360) = F(+) F(60) = 1 F(60) = 0.3084 Observacin: En las v.a. continuas no influye que sea > , pues en un punto aislado la probabilidad siempre es 0. Clculo de la funcin de densidad a partir de la funcin de distribucin. Las anteriores propiedades, en particular el que F(x)=f(x), nos permite calcular la funcin de densidad de una v.a. continua a partir de su funcin de distribucin. Por ejemplo, si F ( x ) =

0 2 x 1 e

si x < 0 si x 0 0 2 x 2e

, es la funcin de distribucin de una v.a., su funcin

de densidad es f ( x ) = F ( x ) =

si x < 0 . si x 0

Propiedades de las funciones de distribucin (en general) 1.

F ( ) = 0 y F ( + ) = 1 .

2. F es montona no decreciente. 3. F es continua por la derecha. Teorema. Una funcin F: R R es funcin de distribucin de una variable aleatoria X si y solo si F cumple las tres propiedades anteriores. 12

Estadstica Ejemplo:

Tema 3

Curso 2006/07

De las funciones representadas grficamente a continuacin, la de la derecha no es funcin de distribucin pues no es montona (entre 2 y 3 es mayor que 1, y luego decrece para valer 1 del 3 en adelante). Las otras dos s son funciones de distribucin, la de la izquierda de una v.a. continua (pues continua) y la del centro de una v.a. discreta (escalonada).

3.6.- Transformaciones de variables aleatorias.

Dada X una v.a., nos interesa estudiar Y = g(X) y obtener su distribucin de probabilidad en el caso de que Y sea una v.a. si X es discreta, Y es discreta. si X es continua, Y puede ser discreta o continua, dependiendo de quin sea g.

El mtodo general se basa en

P (Y = y ) = P ( X = g 1 ( y ) ) o bien P (Y B ) = P ( X g 1 ( B) ) .
si Y es discreta hallaremos su distribucin de probabilidad y si Y es continua conviene trabajar con la funcin de distribucin.

Ejemplos: Problemas 6 d) y 7.

3.7.- Independencia de variables aleatorias.

Dos v.a. X e Y son independientes si el conocimiento de una de ellas no aporta informacin respecto de los valores de la otra.

13

Estadstica

Tema 3

Curso 2006/07

La formalizacin de esta idea para v.a. se escapa de las posibilidades de este curso. S se utilizar la propiedad de que, cuando hay independencia, la probabilidad de la interseccin es el producto de las probabilidades.

3.8.- Esperanza y varianza de funciones de variables aleatorias.

Las medidas de posicin, dispersin y asimetra que se estudiaron para variables estadsticas se pueden definir tambin de forma anloga para v.a. Medidas de posicin Medida de posicin Media o esperanza Variable estadstica
k n 1 xi = x j nj n iI j =1

frecuencia relativa

probabilidad V.a. discreta

densidad V.a. continua

X=

= E ( X ) = xi pi
iI

= E [ X ] = x f ( x)dx

Propiedades aX + b = a X + b de la media / esperanza a1 X 1 + + an X n = a1 X 1 + + an X n

E [ aX + b ] = aE[ X ] + b E [ a1 X 1 + + an X n ] = a1 E[ X 1 ] + + an E[ X n ].

P ( X < Me )
Mediana Es un valor tal que, ordenados en magnitud los datos, el 50% es menor que l y el 50% mayor.

Conocida la funcin de distribucin F, buscamos Me tal que: v.a. discretas v.a. continuas

1 1 y P ( X > Me ) 2 2

1 1 F ( Me ) y F ( Me ) 2 2

F ( Me ) =

1 , 2

P ( X < x ) y P ( X > x ) 1
Cuantiles de orden Es un valor tal que, ordenados en magnitud los datos, el 100% es menor que l y el resto mayor. Conocida la funcin de distribucin F, buscamos x tal que: v.a. discretas

F ( x ) y F ( x )

v.a. continuas

F ( x ) =

Ejemplos: Hallar media, mediana y los cuartiles de: Y2: error al redondear a un decimal. Recordamos que la funcin de densidad es f(x)=10 si 0.05<x<0.05, y su funcin de distribucin

0 F ( x ) = 10 ( x + 0.05) 1

si x 0.05, si 0.05 < x < 0.05 . si x 0.05

14

Estadstica
0.05 0.05

Tema 3

Curso 2006/07

x2 E ( X ) = x f ( x)dx = x 10 dx = 10 =0 0.05 2 0.05

Para hallar la mediana, igual que en descriptiva mirbamos las frecuencias relativas acumuladas, ahora observamos los valores de la funcin de distribucin; en concreto buscamos cundo toma el valor 0.5. En este caso, buscamos el valor Me tal que: F(Me)=0.5 10(Me +0.05)=0.5 Me=0. Para los cuarteles, buscamos: Q1: F(Q1)=0.25 10(Q1+0.05)=0.25 Q1=-0.025 Q3: F(Q3)=0.75 10(Q3+0.05)=0.75 Q3=0.025. (Si no se conoce la funcin de distribucin, tambin se pueden hallar resolviendo las ecuaciones:

Me

f ( x)dx = 0.5

Me

0.05

10 dx = 0.5 10 ( Me + 0.05 ) = 0.5 Me = 0

Anlogamente se resolveran:

Q1

f ( x)dx = 0.25;

Q3

f ( x)dx = 0.75 .)

X: nmero de caras al lanzar 3 monedas Recordamos su distribucin de probabilidad y funcin de distribucin:

Distribucin de probabilidad P(X = 0) = 1/8 P(X = 1) = 3/8 P(X = 2) = 3/8 P(X = 3) = 1/8 Tenemos:

Funcin de distribucin

0 si 1/8 si F(x) = 4/8 si 7/8 si 1 si

0 si 0.125 si 0 x <1 1 x < 2 = 0.5 si 2 x < 3 0.875 si 3 x si 1

x <0

x <0 0 x <1 1 x < 2 2 x <3 3 x

3 3 1 12 E ( X ) = 0 P( X = 0) + 1 P( X = 1) + 2 P( X = 2) + 3 P( X = 3) = 1 + 2 + 3 = = 1.5 8 8 8 8
En el caso discreto, para hallar la mediana buscamos Me tal que:

F ( Me )

1 1 y F ( Me ) 2 2

En este caso, como F(x)=0.5 si 1x<2, cualquier valor del intervalo [1,2) verifica la propiedad de la mediana. En estos casos, tomaremos como valor de la mediana el punto medio de dicho intervalo, Me=1.5. Q1=1: Si buscamos F(x)=0.25, coincide con el salto en x=1; esto es equivalente a verificar: F(1-)=0.125 0.25 y F(1)=0.5 0.25. Q3=2: Si buscamos F(x)=0.75, coincide con el salto en x=2 ; esto es equivalente a verificar: F(2-)=0.5 0.75 y F(2)=0.875 0.75.

15

Estadstica

Tema 3

Curso 2006/07

Interpretacin de las medidas de posicin de una v.a.: Y3: Tiempo mximo que he estado hablando por telfono Hacemos los siguientes clculos con DERIVE:

Si la media es 50, quiere decir que tiempo medio que, como mximo, ha estado un estudiante hablando por telfono es de 50 minutos. Para los cuantiles, la interpretacin se hace en trminos de probabilidad: si la mediana es 41.96, se puede decir que: o la probabilidad de que el tiempo mximo de una llamada sea menor que 41.96 minutos es del 50%; o la probabilidad de que el tiempo mximo de una llamada sea mayor que 41.96 minutos es del 50%; o (redondeando) la probabilidad de que la mxima duracin de una llamada sea mayor de 40 minutos es de ms del 50%. si el primer cuartil es 24.03, se puede decir que: o la probabilidad de que el tiempo mximo de una llamada sea menor que 24.03 minutos es del 25%; o la probabilidad de que el tiempo mximo de una llamada sea mayor que 24.03 minutos es del 75%; o (redondeando) que la probabilidad de que el tiempo mximo de una llamada sea menor de 25 minutos es mayor del 25%. si el tercer cuartil es 67.31, se puede decir que: o la probabilidad de que el tiempo mximo de una llamada sea menor que 67.31 minutos es del 75%; o la probabilidad de que el tiempo mximo de una llamada sea mayor que 67.31 minutos es del 25%; o (redondeando) que la probabilidad de que el tiempo mximo de una llamada sea mayor que 1 hora, es de ms del 25%.

Teorema Sea X una variable aleatoria cualquiera y sea Y = g(X) una transformacin de X tal que Y es una variable aleatoria. Entonces,

si X es discreta g ( xi ) pi i =1 E [ g ( X )] = g ( x) f ( x)dx si X es continua

Ejemplos: Problemas 6 d) y 7. 16

Estadstica Definiciones.

Tema 3

Curso 2006/07

Dada una v.a. X llamamos momento respecto al origen de orden k a

k = E X k , k = 1, 2,... .
Dada una v.a. X con esperanza , llamamos momento respecto a la media de orden k a
k k = E ( X ) , k = 1, 2,...

La utilidad de los momentos de una variable aleatoria se ver ms adelante en el tema de estimacin puntual. Medidas de dispersin Medida de dispersin Variable estadstica V.a. discreta V.a. continua

Varianza

n V(X) = ( xi X ) 2 i n

2 V ( X ) = 2 = E ( X )

= ( x j )2 p j
j =1

= ( x ) 2 f ( x)dx

V (X ) 0. 1 2 2 Propiedades V ( X ) = n xi X iI de la V ( aX + b ) = a 2V ( X ) varianza V ( X + Y ) = V ( X ) + V (Y ) + 2Cov( X , Y )

Desviacin tpica Coeficiente de variacin de Pearson Ejemplos:

V ( X ) 0. V ( aX + b ) = a 2V ( X ) V ( X ) = E X 2 ( E [ X ])
2

Si X e Y son independientes: V ( X + Y ) = V ( X ) + V (Y )

dt = V ( X )

= V (X )
CV = V (X ) = E[X ]

CV =

dt X

Hallar varianza, desviacin tpica y coeficiente de variacin de: 1) X: nmero de caras al lanzar 3 monedas Recordamos su distribucin de probabilidad: P(X=0)=P(X=3)=1/8; P(X=1)=P(X=2)=3/8; y que la esperanza es E(X)=1.5.

V ( X ) = E ( X 2 ) E ( X ) 2 = ( 02 P( X = 0) + 12 P ( X = 1) + 22 P ( X = 2) + 32 P ( X = 3) ) (1.5 ) =
2

3 1 2 3 = 12 + 22 + 32 (1.5 ) = 0.75 8 8 8

17

Estadstica Por tanto: V(X)= 0.75;

Tema 3

Curso 2006/07

= V ( X ) =0.866 ; CV= 0.866/1.5=0.58 (58%)

2) Y2: error al redondear a un decimal. Recordamos que la funcin de densidad es f(x)=10 si 0.05<x<0.05, y su funcin de distribucin

0 F ( x ) = 10 ( x + 0.05) 1
2 2

si x 0.05, si 0.05 < x < 0.05 . si x 0.05

0.05

x3 V ( X ) = E ( X ) E ( X ) = x f ( x)dx 0 = x 10 dx = 10 = 0.00083333 0.05 3 0.05

2 2 0.05 2

= V ( X ) =0.029 ;
En este caso, como E(Y2)=0, no tiene sentido hallar el coeficiente de variacin. 3) Y3: tiempo mximo que he estado hablando por telfono Teniendo que la densidad es f ( x ) = (0.04) xe
2

0.04 x

si x > 0 , calculamos V(Y3):

Por tanto, V(Y3)=1250;

= 12500 =35.35 minutos; CV= 35.35/50=0.71 (71%)

Interpretacin grfica de la media y la desviacin tpica

18

Estadstica

Tema 3

Curso 2006/07

0,4 0,3 0,2 0,1 0 -10 -6 -2 2 2 6 10

Medias iguales y distinta desviacin tpica

Medias distintas e igual desviacin tpica

1 3

Medidas de asimetra Medida de asimetra Coeficiente de asimetra de Pearson Coeficiente de asimetra de Fisher

Variable estadstica

Variable aleatoria

CAP =

3( X Me ) dt

P=

3 ( Me )

1 n ( xi X )3 n CAF = i =1 (dt )3

3 E ( X ) = 3 F= 3 3

Interpretacin

CAP > 0 CAF > 0:

asimtrica a la derecha

P > 0 F > 0:
asimtrica a la derecha

CAP < 0 CAF < 0:

asimtrica a la izquierda

P < 0 F < 0:
asimtrica a la izquierda

CAP = 0 CAF = 0: simtrica

P = 0 F = 0: simtrica

19

Estadstica

Tema 3

Curso 2006/07

Ejemplos: 1) X: nmero de caras al lanzar 3 monedas Grficamente se ve que la distribucin es simtrica. Tambin se comprueba con los coeficientes: CAP=0 pues E(X)=Me=1.5. Adems, tambin CAF=0, pues:

E ( ( X 1.5)3 ) = ( (0 1.5)3 P( X = 0) + (1 1.5)3 P( X = 1) + (2 1.5)3 P( X = 2) + (3 1.5)3 P( X = 3) ) =

1 3 3 1 = (1.5)3 + (0.5)3 + (0.5)3 + (1.5)3 = 0 8 8 8 8
2) Y2: error al redondear a un decimal. Grficamente se ve que la distribucin es simtrica. Tambin se comprueba con los coeficientes: CAP=0 pues E(X)=Me=0. Adems, tambin CAF=0, pues:

x4 E ( ( X 0) ) = E ( X ) = x f ( x)dx = x 10 dx = 10 =0 0.05 4 0.05

3 3 3 0.05 3

0.05

3) Y3: tiempo mximo que he estado hablando por telfono Observando la grfica de la funcin de densidad se observa una clara asimetra a la derecha. Esto se corrobora calculando los coeficientes, que en ambos casos tienen valores positivos. CAP= 3(50-41.95)/(35.35)= 0.68 > 0

Teniendo

que

la

densidad

es

f ( x ) = (0.04) 2 xe 0.04 x si x > 0 , el coeficiente de asimetra de Fisher, CAF, viene dado por:

20