5. VARIABLES ALEATORIAS Y SUS MOMENTOS
Una variable aleatoria
Teor´ıa Estad´ıstica Elemental I
Objetivos Introducir la idea de una variable aleatoria y su distribuci´ on y sus caracter´ısticas como la media, la varianza, los cuart´ıles etc.
Para leer Pod´eis ver los mini-videos de Emilio Let´ on y su equipo sobre Variables Aleatorios.
Teor´ıa Estad´ıstica Elemental I
Variables aleatorias Hasta ahora, hemos tratado de sucesos, por ejemplo A = “la suma de dos tiradas de un dado es 7”. Ahora queremos generalizar y tratar de variables, por ejemplo “la suma de las dos tiradas” o “el n´ umero de llamadas telef´ onicas en una hora”. Formalmente, podemos pensar en una variable como una funci´ on que asocia un valor num´erico a cada suceso elemental del espacio muestral, es decir que una variable aleatoria X es una funci´ on X : ω ∈ Ω → X(ω) ∈
Teor´ıa Estad´ıstica Elemental I
R
Tipos de variables Existen varios tipos de variables que necesitan tratamientos distintos. Una variable es discreta si el conjunto de valores posibles un conjunto discreta. Por ejemplo, X = el n´ umero de cruces en 10 tiradas de una moneda. Una variable es continua si el conjunto de valores posibles es un continuo o la uni´ on de varios continuos. El tiempo exacto hasta que reciba una llamada telef´ onica. Una variable es mixta si puede tomar algunos valores de un conjunto discreta y otros valores de uno o m´as conjuntos continuos. El tiempo que tengo que esperar en la cola antes de recibir servicio.
Teor´ıa Estad´ıstica Elemental I
Variables discretas Para una variable discreta,Pse puede definir directamente una funci´ on de probabilidad, P (X = x) = ω∈Ω,X(ω)=x P (ω) para cada valor de x. La funci´ on P (X = x) se conoce como la distribuci´ on de probabilidad de X X o la funci´ on de masa de X. Supongamos que lanzamos una moneda con P (cruz) = p un n´ umero n de veces y definimos X = n´ umero de cruces. n px(1 − p)n−x para x = 0, 1, 2, . . . , n x P (X = x) = 0 para otros valores de x Esta funci´ on es un ejemplo de una distribuci´ on binomial.
Teor´ıa Estad´ıstica Elemental I
Representaci´ on gr´ afica de la distribuci´ on Supongamos que X se distribuye como binomial con par´ ametros n = 10 y p = 0.5.
Se ve que la distribuci´ on es sim´etrica y unimodal com moda 5. La moda de la distribuci´ on es el valor m´as probable.
Teor´ıa Estad´ıstica Elemental I
Aqu´ı vemos otro ejemplo con n = 10 y p = 0.2.
En este caso la distribuci´ on es asim´etrica a la derecha.
Teor´ıa Estad´ıstica Elemental I
Si n = 10 y p = 0.8,
tenemos una distribuci´ on asim´etrica a la izquierda.
Teor´ıa Estad´ıstica Elemental I
Propiedades de la funci´ on de probabilidad • 0 ≤ P (X = x) ≤ 1 para todo x ∈ •
R.
P
i P (X
= xi) = 1 donde se toma el sumatorio sobre todos los valores posibles de X, say x1, x2, . . ..
• P (X ≤ x) =
P
i,xi ≤x P (X
• P (a ≤ X ≤ b) =
P
= xi).
i,a≤xi ≤b P (X
= xi).
La tercera funci´ on se conoce como la funci´ on de distribuci´ on acumulativa de la variable.
Teor´ıa Estad´ıstica Elemental I
La funci´ on de distribuci´ on acumulativa Para una variable, X, se define la funci´ on de distribuci´ on acumulativa como F (x) = P (X ≤ x) para x ∈
R.
Ilustramos la funci´ on para la distribuci´ on binomial con n = 10 y p = 0.5.
Teor´ıa Estad´ıstica Elemental I
Propiedades de la funci´ on de distribuci´ on acumulativa • 0 ≤ F (x) ≤ 1 para todo x ∈
R.
• F (−∞) = 0 y F (∞) = 1. • Si h > 0, entonces F (x + h) ≥ F (x) para todo x. • La funci´ on de distribuci´ on de una variable discreta es una funci´ on escalera.
Teor´ıa Estad´ıstica Elemental I
Ejemplo Supongamos que la producci´ on de un d´ıa de 850 piezas manufacturadas contiene 50 piezas que no cumplen con los requerimientos del cliente. Se seleccionan del lote dos piezas al azar y sin reemplazo. Sea la variable aleatoria X igual al n´ umero de piezas de la muestra que no cumplen. ¿Cu´ al es la funci´ on de distribuci´ on acumulada de X? Primero calculamos la funci´ on de probabilidad.
P (X = 0) = P (X = 1) = P (X = 2) =
Teor´ıa Estad´ıstica Elemental I
800 799 × = 0.886 850 849 800 50 50 800 × + × = 0.111 850 849 850 849 50 49 × = 0.003 850 849
Ahora se tiene
0 0.886 F (x) = 0.997 1
Teor´ıa Estad´ıstica Elemental I
si si si si
x 2
En este caso, f (x) = 0 si x < 0 o si x > 2, porque 0 ≤ x ≤ 2, tenemos d x2 2x x = = . f (x) = dx 4 4 2 x si 0 ≤ x ≤ 2 2 f (x) = 0 en caso contrario
Teor´ıa Estad´ıstica Elemental I
d dx 0
=
d dx 1
= 0. Si
F (x) =
0 si x ≤ 0 1 − e−x para 0 < x < ∞
En este caso, para x > 0, d −x f (x) = 1−e = 0 − (−e−x) = e−x dx y luego f (x) =
Teor´ıa Estad´ıstica Elemental I
e−x si x > 0 0 en caso contrario
Gr´ aficos de la funci´ on de densidad
Ambas distribuciones son muy asim´etricas.
Teor´ıa Estad´ıstica Elemental I
La moda de una distribuci´ on continua La moda de la distribuci´ on es el punto de m´axima densidad. En los dos ejemplos anteriores, cuando x → 2 en el primer caso y cuando x → 0 en el segundo caso. No obstante en la mayor´ıa de los casos, no se encuentra la moda en un extremo de la distribuci´ on. Entonces, la moda ser´a un punto, x ˆ, donde f 0 (ˆ x) = 0.
Teor´ıa Estad´ıstica Elemental I
Ejemplo Una variable aleatoria Y tiene la funci´ on de densidad f (y) =
cy 2(1 − y) si 0 < y < 1 0 si no
1. ¿Cu´ al es el valor de c? 2. Hallar la funci´ on de distribuci´ on de Y . 3. Calcular la moda de Y 4. ¿Cu´ al es la mediana?
Teor´ıa Estad´ıstica Elemental I
1. Observamos que
R∞ −∞
f (y) dy = 1 y luego Z
0
Z
1 =
0 dy + −∞
Z
0
1
y 2 − y 3 dy
= c 0
3
4 1
y y − 3 4 0 1 1 = c − ⇒ 3 4 c = 12 ⇒ c = 12 = c
Teor´ıa Estad´ıstica Elemental I
1
cy 2(1 − y) dy +
Z
∞
0 dy 1
Ry
2. Tenemos F (y) = −∞ f (y) dy. Luego, si y ≤ 0, tenemos F (y) = 0 y si y ≥ 1, tenemos F (y) = 1. Para 0 < y < 1 tenemos Z F (y) =
y
12u2(1 − u) du
0
3
4 y
u u = 12 − 3 4
0
= 4y 3 − 3y 4
0 si y ≤ 0 4y 3 − 3y 4 si 0 < y < 1 F (y) = 1 si y ≥ 1
Teor´ıa Estad´ıstica Elemental I
Los diagramas ilustran la funci´ on de densidad y la funci´ on de distribuci´ on. Se ve que la densidad es asim´etrica a la izquierda.
Teor´ıa Estad´ıstica Elemental I
3. df dy df dy
= 12(2y − 3y 2) = 0
⇒ 0 = 2y − 3y 2 2 ⇒y = 0 o 3 Claramente el valor 0 es un m´ınimo y entonces, la moda es 32 . 4. Para calcular la mediana, necesitamos resolver la ecuaci´ on F (y) = 0.5, es decir que 4y 3 − 3y 4 = 0.5. Resolvi´endola num´ericamente en R, estimamos la moda en yˆ ≈ 0.615. Teor´ıa Estad´ıstica Elemental I
Ejemplo Sea X una variable aleatoria continua de funci´ on de densidad: f (x) =
C(1 + x2) si x ∈ (0, 3) 0 en otro caso
a. Hallar el valor de la constante C y la funci´ on de distribuci´ on acumulativa de probabilidad. Dibujar ambas funciones b. Calcular la probabilidad de que X est´e comprendido entre 0 y 1 c. Hallar la probabilidad de que X sea menor que 1. d. ¿Cu´ al es la moda de X?
Teor´ıa Estad´ıstica Elemental I
Ejemplo La funci´ on de densidad de una variable aleatoria continua es: f (x) =
ax2 + b si x ∈ (0, 2) 0 en caso contrario
Sabiendo que P (1/2 < x < 1) = 1/8, calcular: a. a y b b. La funci´ on de distribuci´ on. c. P (1/4 < x < 3/4).
Teor´ıa Estad´ıstica Elemental I
Momentos de una variable Hasta ahora, se han visto dos medidas de localizaci´ on de una variable; • la moda, o el valor m´as probable • la mediana, definida tal que hay una probabilidad de (≥) 50% de caer a cada lado de la mediana. Otra medida de localizaci´ on es la media.
Teor´ıa Estad´ıstica Elemental I
La media Supongamos que generamos una muestra, de una variable discreta con funci´ on de probabilidad P (·). En este caso, la media muestral es x ¯=
X
xifi
i
donde fi es la frecuencia relativa de xi. Si dejamos que el tama˜ no de la muestra crezca, entonces, recordando la definici´ on frecuentista de la probabilidad, tenemos que fi → P (X = xi) para i = 1, 2, . . . y luego, x ¯→
X i
Teor´ıa Estad´ıstica Elemental I
xiP (X = xi) = E[X].
De manera semejante, podemos pensar en estimar la media de una muestra de datos continuos a trav´es de un histograma cuando x ¯≈
X
xifi
i
y xi y fi representan el centro y la proporci´ on de datos en la barra i’´esima. Dejando el tama˜ no de la muestra acercarse al infinito y suponiendo que la anchura de las barras se acerca a 0, se tiene Z x ¯→
Teor´ıa Estad´ıstica Elemental I
xf (x) dx.
Para una variable discreta, X, con posibles valores x1, x2, . . . y funci´ on de probabilidad P (·), la media o esperanza de X es E[X] =
X
xiP (X = xi).
i=1
Para una variable continua, X, con funci´ on de densidad f (·), la media es Z
∞
xf (x) dx.
E[X] = −∞
Es com´ un utilizar el s´ımbolo µ para representar la media.
Teor´ıa Estad´ıstica Elemental I
Ejemplo Volvemos al ejemplo sobre los pasajeros del avi´ on. x 198 199 200 201 202 203 204 205 P (X = x) 0.05 0.09 0.15 0.2 0.23 0.17 0.09 0.02 ¿Cu´ al es el n´ umero medio de pasajeros que llegan al aeropuerto?
E[X] = 198 × 0.05 + 199 × 0.09 + · · · + 205 × 0.23 = 201.44 Observamos que la media no tiene que ser uno de los valores posibles de X.
Teor´ıa Estad´ıstica Elemental I
Ejemplo Volvemos a la variable aleatoria Y con funci´ on de densidad 12y 2(1 − y) si 0 < y < 1 f (y) = 0 si no En este caso, Z
∞
yf (y) dy
E[Y ] = −∞
Z =
1
y × 12y 2(1 − y) dy
0
Z
1
y 3 − y 4 dy
= 12 0
4
5 1
y y = 12 − 4 5
Teor´ıa Estad´ıstica Elemental I
0
3 = 5
Ejemplo Calcular la media y la varianza para una variable continua con densidad f (x) =
Teor´ıa Estad´ıstica Elemental I
1+x2 12
0
si x ∈ (0, 3) en otro caso
Cuando la media no existe Si una variable discreta est´a definida sobre un conjunto finito de valores, por ejemplo x1 ≤ x2 ≤ · · · ≤ xn, entonces su media siempre existe, ya que E[X] =
n X
xiP (X = xi) ≤
i=1
n X
xnP (X = xi) = xn.
i=1
Igualmente, si una variable continua tiene densidad positiva en un intervalo finito [a, b], se tiene Z
b
Z xf (x) dx ≤
E[X] = a
b
bf (x) dx = b. a
En caso contrario, es posible que la media no exista.
Teor´ıa Estad´ıstica Elemental I
Ejemplos Sea X una variable discreta con funci´ on de probabilidad e−1 P (X = x) = x!
para x = 0, 1, 2, . . . , ∞.
¿Cu´ al es la media de X? ∞ X e−1 E[X] = x x! x=0 ∞ X
e−1 = (x − 1)! x=1 =
∞ −1 X e y=0
Teor´ıa Estad´ıstica Elemental I
y!
=1
Supongamos que X es una variable discreta con funci´ on de probabilidad P (X = x) =
6 π 2x2
para x = 1, 2, . . . , ∞.
Calculamos la media de X. ∞ 6 X1 6 E[X] = =∞ x× 2 2 = 2 π x π x=1 x x=1 ∞ X
Sea X una variable continua con 1 f (x) = π(1 + x2) Z E[X] =
Teor´ıa Estad´ıstica Elemental I
∞
para −∞ < x < ∞.
x =∞ 2 −∞ π(1 + x )
Esperanza de una funci´ on Supongamos que X es discreta y sea g(X) una funci´ on de X. Luego la esperanza de g(X) es E[g(X)] =
X
P (X = xi) × g(xi).
i
Igualmente, si X es continua, definimos Z E[g(X)] =
Teor´ıa Estad´ıstica Elemental I
g(x)f (x) dx
Ejemplo En el ejemplo sobre los pasajeros supongamos que la compa˜ n´ıa a´erea recibe 250 euros por cada billete que vende pero que tiene que devolver el precio del ticket y adem´ as pagar una multa de 1000 euros a cada pasajero que no puede montar en el avi´ on. Calcular la cantidad de dinero que espera cobrar la compa˜ n´ıa en este vuelo. Sean g(X) las ganancias de la compa˜ n´ıa. Las ventas totales de tickets son 250 × 205 = 51250 euros. Si llegan x ≤ 200 personas entonces g(x) = 51250. Si llegan x > 200 personas, g(x) = 51250 − (x − 200) × (1250). Entonces E[g(X)] = 51250 × .05 + 51250 × .09 + 51250 × .15 + (51250 − (201 − 200) ∗ 1250) × .20 + (51250 − (202 − 200) ∗ 1250) × .23 + ... +(51250 − (205 − 200) ∗ 1250) × .02 = 49212.5 euros Teor´ıa Estad´ıstica Elemental I
Propiedades de la esperanza Teorema 8 Para una variable, X, constantes b y c y funciones g y h, se tiene E[c] = c E[bg(X)] = bE[g(X)] E[g(X) + h(X)] = E[g(X)] + E[h(X)]
Teor´ıa Estad´ıstica Elemental I
Demostraci´ on Supongamos que X es continua. Z Z ∞ cf (x) dx = c E[c] =
∞
f (x) dx
−∞
−∞
= c×1=c Z Z ∞ bg(x)f (x) dx = b E[bg(X)] =
∞
g(x)f (x) dx
−∞
−∞
= bE[g(X)] Z ∞ (g(x) + h(x))f (x) dx E[g(X) + h(X)] = −∞ Z ∞
=
g(x)f (x) + h(x)f (x) dx −∞ Z ∞
Z
∞
g(x)f (x) dx +
= −∞
h(x)f (x) dx −∞
= E[g(X)] + E[h(X)]. Teor´ıa Estad´ıstica Elemental I
El resultado para una funci´ on lineal de X es inmediato. Corolario 9 E[a + bX] = a + bE[X]. En el ejemplo con f (y) =
12y 2(1 − y) si 0 < y < 1 0 si no
supongamos que queremos calcular la esperanza de 5Y − 2.
E[5Y − 2] = 5E[Y ] − 2 3 = 5× −2=1 5
Teor´ıa Estad´ıstica Elemental I
La varianza y la desviaci´ on t´ıpica Una funci´ on importante es la varianza 2 V [X] = E (X − E[X]) que es una medida de dispersi´ on de la distribuci´ on (la distancia cuadrada media de una observaci´ on de la media de la distribuci´ on). A menudo, es m´as u ´til usar la desviaci´ on t´ıpica p DT [X] = V [X] que tiene las mismas unidades de X. Se utiliza el s´ımbolo σ 2 para representar la varianza y σ para la distribuci´ on t´ıpica.
Teor´ıa Estad´ıstica Elemental I
Calculando la varianza Teorema 10 2 V [X] = E X − E[X]2 Demostraci´ on V [X] = = = = =
2 E (X − E[X]) 2 2 E X − 2XE[X] + E[X] 2 2 E X − E[2E[X]X] + E E[X] 2 E X − 2E[X]E[X] + E[X]2 2 E X − E[X]2
Teor´ıa Estad´ıstica Elemental I
Ejemplos En el ejemplo sobre los pasajeros, E[X 2] = .05 × 1982 + . . . + .02 × 2052 = 40580.88 σ 2 = E[X 2] − µ2 = 40580.88 − 201.442 = 2.8064 σ
≈ 1.675 pasajeros
En el ejemplo continuo 2
Z
1 2
2
Z
y × 12y (1 − y) dy = 12
E[Y ] = 0
1
y 4 − y 5 dy
0
5
6 1
y 12 2 y − = = = 12 5 6 0 30 5 2 3 1 2 1 V [Y ] = − = ⇒ DT [Y ] = 5 5 25 5 Teor´ıa Estad´ıstica Elemental I
El coeficiente de variaci´ on No es del todo natural tener una medida de dispersi´ on que depende de las unidades de la variable. Por este raz´ on, se define el coeficiente de variaci´ on de una variable X como DT [X] CV [X] = . |E[X]| Esta medida no tiene sentido para una variable con media 0. En el ejemplo anterior, tenemos que CV [Y ] =
Teor´ıa Estad´ıstica Elemental I
1 5 3 5
= 13 .
Estandarizando una variable aleatoria Para una variable aleatoria, X, con media µ y varianza σ 2 se tiene que
X −µ E =0 y σ La variable Y =
X−µ σ
X −µ V = 1. σ
es una variable estandarizada.
Demostraci´ on Ejercicio.
Teor´ıa Estad´ıstica Elemental I
Desigualdades Para una variable con media µ, pensar´ıamos que la mayor´ıa de observaciones que generamos a partir de la distribuci´ on estar´ıan cerca de µ. Adem´as, si la desviaci´ on t´ıpica es m´as alta, hay m´as probabilidad de estar m´as lejos de µ. Buscamos un resultado que formaliza este idea.
Teor´ıa Estad´ıstica Elemental I
La desigualdad de Markov Teorema 11 Sea X una variable aleatoria no negativa tal que E[X] existe. Entonces, para cualquier c > 0, E[X] P (X ≥ c) ≤ . c Demostraci´ on Supongamos que X es discreta. X E[X] = xP (X = x) dx x
=
X
xP (X = x) dx +
x 0, se tiene σ2 P (|X − µ| ≥ c) ≤ 2 . c Demostraci´ on 2
2
P (|X − µ| ≥ c) = P (X − µ) ≥ c 2 E (X − µ) por la desigualdad de Markov ≤ 2 c V [X] por la definici´ on de V [X] = c2 σ2 = c2 Teor´ıa Estad´ıstica Elemental I
Luego, se tiene que para una variable cualquiera con media µ y desviaci´ on t´ıpica σ, se tiene P (|X − µ| ≥ 2σ) ≤ P (|X − µ| ≥ 3σ) ≤
1 4 1 9
La desigualdad de Chebyshev es muy conservadora. Volvemos al ejemplo continuo f (y) = 12y 2(1 − y)
Teor´ıa Estad´ıstica Elemental I
E[Y ] =
3 5
V [Y ] =
1 25
P
r ! Y − 3 ≤ 2 Y − 3 ≥ 2 1 = 1 − P 5 25 5 5 3 2 3 2 = 1−P − ≤Y ≤ + 5 5 5 5 1 = 1−P ≤Y ≤1 5 1 = P Y ≤ 5 Z 51 = 12y 2(1 − y) dy 0
= 12
Teor´ıa Estad´ıstica Elemental I
3
1
y4 5
y − 3 4
0
= 0.0272
0 FY (y) = si b < 0 1 − FX y−a b E[Y ] = a + bE[X] V [Y ] = b2V [X] Demostraci´ on Ejercicio.
Teor´ıa Estad´ıstica Elemental I