8/18/2019 Tema5a 2016 Inf Talk
1/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variables Aleatorias. Distribuciones de Probabilidad
Variables Aleatorias. Distribuciones de Probabilidad
Departamento Matemática Aplicada
Universidad de Málaga
Curso 2015-2016
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 1
http://find/
8/18/2019 Tema5a 2016 Inf Talk
2/50
8/18/2019 Tema5a 2016 Inf Talk
3/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Definición
Sea (E , A, P ) un espacio probabiĺıstico, es decir un espaciomuestral E, una álgebra o σ-álgebra A y una probabilidad P .Definición
Decimos que X es una variable aleatoria sobre E, a unaaplicaci´ on de E → R que verifique la propiedad:
Para todo x ∈ R, el conjunto {w ∈ E /X (w ) ≤ x } ∈ A
DefiniciónLlamamos soporte de la variable aleatoria X (S X ), al conjunto de valores reales que puede tomar.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 3
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
4/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Ejemplo
Ejemplo
Dado el experimento aleatorio consistente en lanzar un dado y unamoneda y la variable aleatoria ξ : ’valor obtenido en el dado, que se duplica si resulta cara al lanzar la moneda’.
Determinar su espacio muestral.
Hallar el aplicado de cada uno de los elementos de E.
Determinar el soporte de X.
a) E={
’1C’, ’2C’, ’3C’, ’4C’, ’5C’, ’6C’, ’1F’, ’2F’, ’3F’, ’4F’, ’5F’, ’6F’}
b) X(’1C’)=2, X(’2C’)=4, X(’3C’)=6, X(’4C’)=8, X(’5C’)=10,X(’6C’)=12, X(’1F’)=1, X(’2F’)=2, X(’3F’)=3, X(’4F’)=4,X(’5F’)=5, X(’6F’)=6.
c) El soporte S X =
{1, 2, 3, 4, 5, 6, 8, 10, 12
}Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 4
http://find/
8/18/2019 Tema5a 2016 Inf Talk
5/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Ejemplo
EjemploDeterminar el soporte para:
La variable aleatoria ’N´ umero de llamadas recibidas’.
Obtener un n´ umero aleatorio x en [0,1). (x=rand(1,1))
Multiplicar 6 por x y sumarle 1. (y=6*x+1)
Quedarte con la parte entera de y. (z=floor(y))
Ejemplo
Un componente es sustituido cuando se aveŕıa o al cabo de 10 a˜ nos.Determinar el soporte de la v.a. ’Duraci´ on del componente’.
Si disponemos de 5 componentes iguales y cada uno sustituye al anterior. Lo mismo para la v.a. ’Duraci´ on de los 5 componentes’.
Repetir los anteriores apartados si solo se s u sti tu y e po r ave r ́ıa.Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 5
V bl Al V bl l d l
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
6/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Función de distribución
Definición
Dado un espacio probabiĺıstico (E,A, P ) y una variable aleatoria X.Definimos la función de distribución de la variable aleatoria Xcomo una funci´ on que verifica:
1 F : R → [0, 1]2 F(x) = P(ω ∈ A/X(ω) ≤ x)
Propiedad
La función de distribución asociada a una variable aleatoriaes única y caracteriza a la misma.
Esto es, si conocemos la función de distribución podemos calcular laprobabilidad de que la variable aleatoria tome un valor.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 6
http://find/
8/18/2019 Tema5a 2016 Inf Talk
7/50
V i ble Ale t i V i ble le t i idi e si l
8/18/2019 Tema5a 2016 Inf Talk
8/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Ejemplo
Ejemplo
La funci´ on de distribuci´ on F (x ) de una v.a. discreta ξ viene dada por:x (−∞, 1) [1, 2) [2, 3) [3, 4) [4, 5) [5, 6) [6, 8) [8, 10) [10, 12) [12,∞)
F (x ) 0 112
312
412
612
712
912
1012
1112
1
Hallar:1) P (ξ ≤ 3.5), 2) P( ξ ≤ 7), 3) P( ξ > 2), 4) P( ξ ≥ 2), 5) P( 3 < ξ ≤ 8).
1) P (ξ ≤ 3.5)=F(3.5)= 412 = 13 .2) P(ξ ≤ 7)=F(7)= 912 = 34 .3) P(ξ > 2)=1-F(2)= 34 .
4) P(ξ ≥ 2) = P (ξ = 2) + P (ξ > 2) = (F (2) − ĺımh→0 F (2 − h)) + 34 == ( 312 − 112 ) + 34 = 11125) P(3 < ξ ≤ 8)=F(8)-F(3)= 1012 − 412 =0.5.NOTA: La variable ξ es la de un ejemplo anterior con lanzamiento demoneda y dado.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 8
Variable Aleatoria Variable aleatoria unidimensional
http://find/
8/18/2019 Tema5a 2016 Inf Talk
9/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Tipos de variables aleatorias
Dependiendo de como sea el conjunto soporte podemos distinguirvarios tipos de variables aleatorias.
Tipos devariables
aleatorias.
Discretas
Soporte finitoSoporte numerable
Continuas
Mixtas
Finita: Lanzamiento de un dado. Puntos obtenidos por un equipo defútbol en una jornada (S P = {0, 1, 3}).Numerable: D́ıas transcurridos hasta realizar un cambio de tarifa demóvil. Número de aveŕıas recibidas por un servicio técnico.
Continua: Alcance de una antena. Distancia recorrida por un veh́ıculo en1 hora. Consumo en litros de combustible en 100Km.Mixta: a) Distancia alcanzada por un lanzador, si no lo realiza secodifica como -1.
b) Premio obtenido. Se realiza un sorteo entre 10 concursantes, si es
seleccionado puede obtener un premio entre 5 y 20.Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 9
Variable Aleatoria Variable aleatoria unidimensional
http://find/
8/18/2019 Tema5a 2016 Inf Talk
10/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Variable aleatoria discreta
DefiniciónSea (E , A, P ) un espacio probabiĺıstico asociado a un experimento aleatorio y sea X una variable aleatoria. Diremos que se trata de una variable aleatoria discreta si su soporte es es un conjunto discreto. Es decir, la variable X toma solo un conjunto finito o
infinito numerable de valores en R.
Para este tipo de variable, la forma más simple de definirlas es darla probabilidad p i de que tome cada uno de los posible valores x i de su soporte.
Definición
Definimos la función de probabilidad de una variable aleatoriadiscreta, mediante:
p (x i ) = P (ω
∈ A/X (ω) = x i ) = P (X = x i )
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 10
http://find/
8/18/2019 Tema5a 2016 Inf Talk
11/50
Variable Aleatoria Variable aleatoria unidimensional
8/18/2019 Tema5a 2016 Inf Talk
12/50
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Variable aleatoria unidimensionalVariable aleatoria discretaVariable aleatoria continua
Ejemplo para v.a. numerable
Ejemplo
Sea la variable aleatoria ’Lanzar un dado hasta la primera aparici´ onde un 5’. Hallar la funci´ on de probabilidad.
P(X=1)=P(sacar 5 a la 1a)=1/6.P(X=2)=P(fallar la primera y sacar 5 a la 2a)=(5/6)(1/6).P(X=3)=P(fallar 2 veces y sacar 5 a la 3a)=(5/6)(5/6)(1/6)==(5/6)2(1/6),
. . .P(X = k) = (5/6)k−1(1/6), para k = 1, 2, . . .que es la función de probabilidad.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 12
Variable Aleatoria Variable aleatoria unidimensional
http://find/
8/18/2019 Tema5a 2016 Inf Talk
13/50
Esperanza matemática. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Propiedades
La función de probabilidad caracteriza a la variablealeatoria discreta.
Si P es una función de R en [0, 1] que verifica:
i P (X = x i ) = 1, entonces existe una v.a. que la tiene comofunción de probabilidad.
Ejemplo
¿Determina la funci´ on: P (X = k ) = (2/3)k (1/3) con
k = 0, 1, 2, . . ., una funci´ on de probabilidad? Para todo k , 0 ≤ P (X = k ) ≤ 1. Veamos si
∞k =0 P (X = k ) = 1.
k P (X = k ) = P (X = 0) + P (X = 1) + . . . = (2/3)0(1/3) + (2/3)1(1/3)+
+(2/3)2(1/3) + (2/3)3(1/3) + . . . = 1/3 + (2/3)(1/3) + (2/3)2(1/3) + ... =
= 1/31−2/3
= 1 luego define una función de probabilidad.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 13
Variable Aleatoria Variable aleatoria unidimensional
http://find/
8/18/2019 Tema5a 2016 Inf Talk
14/50
Esperanza matemática. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Representación gráfica. Ejemplo.
Tanto la función de probabilidad, como la de distribución de unavariable aleatoria pueden ser representadas gráficamente.
Ejemplo
Sea ξ la variable aleatoria ’N´ umero de caras’ al lanzar 4 monedas.Hallar:
Funci´ on de probabilidad.
Funci´ on de distribuci´ on.
Representar ambas gráficamente.P(0) =P (FFFF ) = 1/16, P(1) =P (CFFF ∪ FCFF ∪ FFCF ∪ FFFC ) = 4/16,P(2) =P (CCFF ∪ CFCF ∪ CFFC ∪ FCCF ∪ FCFC ∪ FFCC ) = 6/16,. . . P(3) = 4/16, P(4) = 1/16.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 14
Variable Aleatoria Variable aleatoria unidimensional
http://find/
8/18/2019 Tema5a 2016 Inf Talk
15/50
Esperanza matemática. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Ejemplo-cont
La función de probabilidad expresada como tabla y la La función
de distribución F (x ) = P (ξ ≤ x ) quedan:x i p i 0 1
161 4
162 6
16
3 4164 1
16
P (X ) =
0 116
1 416
2 616
3 416
4 116Otro 0
x F (x )(−∞, 0) 0
[0, 1) 116
[1, 2) 516
[2, 3) 11
16[3, 4) 1516
[4,∞) 1
F (x ) =
0 x
8/18/2019 Tema5a 2016 Inf Talk
16/50
Esperanza matemática. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Esperanza matemática. Caso discreto
DefiniciónSe llama esperanza matemática de la variable aleatoria discretaX a:
E(X) =
xi∈SX
xiP(X = xi)
En el caso de que el soporte S X sea un conjunto infinito numerable,será necesario que la serie sea absolutamente convergente, esto es
x i ∈S X |x i |P (X = x i )
8/18/2019 Tema5a 2016 Inf Talk
17/50
Esperanza matematica. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Generalización del concepto
DefiniciónSea g una funci´ on real y X una variable aleatoria llamamos esperanza de g(x) a:
E(g(X)) = xi∈SX
g(xi)P(X = xi)
con la condici´ on de que la serie sea absolutamente convergente:x i ∈S X
|g (x i )|P (X = x i )
Ejemplo
Si X es la v.a. ’N´ umero de caras’ al lanzar 4 monedas. Hallar las esperanzas de: 1) X 2, 2) X 3, 3) sen(πX 2 ):
1) E (X 2) = 02P (0)+12P (1)+22P (2)+32P (3)+42P (4) = 1·416
+ 4·616
+ 9·416
+ 16·116
= 5
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 17
Variable AleatoriaEsperanza matemática Momentos
Variable aleatoria unidimensionalVariable aleatoria discreta
http://find/
8/18/2019 Tema5a 2016 Inf Talk
18/50
Esperanza matematica. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Ejemplo-cont
2) E (X 3) = 03P (0) + 13P (1) + 23P (2) + 33P (3) + 43P (4) == 1·416 + 8
·616 + 27
·416 + 64
·116 = 14
3) E (senπX
2
) = sen(0)P (0) + sen(π2 )P (1) + sen(π)P (2)+
+sen( 3π2 )P (3) + sen(2π)P (4) = 416 − 416 = 0
Ejemplo
Sea ξ la variable aleatoria ’N´ umero de lanzamientos’ de un dado hasta laprimera aparici´ on de la cara ’5’. Hallar E (ξ ).
Conocemos que P(k) = (5/6)k−1(1/6) para k=1,2,. . . , luego:E (X ) = 1(1/6) + 2(5/6)(1/6) + 3(5/6)2(1/6) + 4(5/6)3(1/6) + . . . == 1
6[1 + 2(5/6) + 3(5/6)2 + 4(5/6)3 + . . .] = S
6
S = 1 +2(5/6) +3(5/6)2 + 4(5/6)3 + . . .56
S = +1(5/6) +2(5/6)2 + 3(5/6)3 + . . .
S − 56
S = 1 + (5/6) + (5/6)2 + (5/6)3 + . . . ⇒
S
6 =
1
1
−5/6
= 6 ⇒ S = 36 ⇒ E(X) = 6
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 18
Variable AleatoriaEsperanza matemática Momentos
Variable aleatoria unidimensionalVariable aleatoria discreta
http://find/
8/18/2019 Tema5a 2016 Inf Talk
19/50
Esperanza matematica. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Variable aleatoria continua
Definición
Se dice que una variable aleatoria es continua si su soporte es unintervalo real (finito o infinito) o uni´ on de ellos.
Son variables aleatorias continuas: Temperatura, peso, duración de uncomponente, ....
Definimos la probabilidad de un intervalo:
P (a < ξ ≤ b ) = P (ξ −1(a, b ]) = P (ω ∈ A/a < ξ (ω) ≤ b )En las variables aleatorias continuas (v.a.c.) se da la circunstancia de que
la probabilidad de un punto es cero, aunque pueda ocurrir. Por ello:1) P(ξ a) = P(ξ ≥ a) = 1 − F(a)3) P(a < ξ
8/18/2019 Tema5a 2016 Inf Talk
20/50
Esperanza matematica. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Función de densidad
DefiniciónDada una variable aleatoria continua ξ , decimos que la funci´ ony = f (t ) real y no negativa es una función de densidad asociadaa ξ , si verifica: F(x) =
x−∞ f (t)dt, ∀x ∈ R
Propiedades: ∞−∞ f (t)dt = 1 (Consecuencia de F (+∞) = 1)
P(a < ξ
8/18/2019 Tema5a 2016 Inf Talk
21/50
Esperanza matematica. MomentosVariables aleatorias bidimensionales
Variable aleatoria discretaVariable aleatoria continua
Interpretación de la función de densidad
La función de densidad además de caracterizar a la variablealeatoria sirve para calcular probabilidades. Aśı, las probabilidades:
P (a
8/18/2019 Tema5a 2016 Inf Talk
22/50
pVariables aleatorias bidimensionales Variable aleatoria continua
Ejemplo
Ejemplo
Sea ξ la v.a.c. determinada por la funci´ on de densidad:f (x ) = máx{0, a − |2 − x |}.
Determinar el valor de a para que f (t ) sea una funci´ on de densidad.
Hallar la funci´ on de distribuci´ on.
Hallar las probabilidades de los sucesos a)P (ξ ≤ 1.5), b)P (ξ > 2.3),c) P (1.1 ≤ ξ ≤ 1.7) d) P (1.5 ≤ ξ ≤ 2.5)
a) La forma de la función y = f (x ) es triangular con máximo en x=2 y
altura a, y base (2 − a, 2 + a). Para que el área valga 1:S = Bh/2 = (2a)a/2 = a2 = 1 ⇒ a = 1 y resulta la figura.
b) f (x ) = máx{0, 1 − |2 − x |} =
x − 1 x ∈ (1, 2]3 − x x ∈ (2, 3)0 x ∈ (1, 3)
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 22
Variable AleatoriaEsperanza matemática. Momentos
Variable aleatoria unidimensionalVariable aleatoria discreta
http://find/
8/18/2019 Tema5a 2016 Inf Talk
23/50
pVariables aleatorias bidimensionales Variable aleatoria continua
Ejemplo-cont
Función de densidad de ξ Función de distribución de ξ
Integramos para hallar la función de distribución: (la constante deintegración se ajusta para que sea continua, aśı F(1)=0, F(2)=0.5,
F(3)=1).
F(x) =
0 x ≤ 1x 2
2 − x + 12 1 < x ≤ 23x − x 22 − 3.5 2 < x
8/18/2019 Tema5a 2016 Inf Talk
24/50
Variables aleatorias bidimensionales Variable aleatoria continua
Ejemplo-cont2
a)P (ξ ≤ 1.5) = 1.5−∞ f (t )dt = 1.51 (t − 1)dt = {Más fácil} == F (1.5) = 0.125
b)P (ξ > 2.3) = ∞
2.3 f (t )dt = ∞
2.3(3 − t )dt = {Más fácil} == 1 − F (2.3) = 1 − 3(2.3) − 2.322 − 3.5 = 0.245c) P (1.1 ≤ ξ ≤ 1.7) = 1.71.1 f (t )dt = 1.71.1 t − 1dt ={Más fácil} = F (1.7) − F (1.1) = 0.245 − 0.005 = 0.24d) P (1.5
≤ ξ ≤
2.5) = 2.51.5
f (t )dt = 21.5
(t −
1)dt +
+ 2.5
2 (3 − t )dt = {Más fácil} = F (2.5) − F (1.5) == 0.875 − 0.125 = 0.75
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 24
Variable AleatoriaEsperanza matemática. Momentos
V i bl l i bidi i l
Variable aleatoria unidimensionalVariable aleatoria discretaV i bl l i i
http://find/
8/18/2019 Tema5a 2016 Inf Talk
25/50
Variables aleatorias bidimensionales Variable aleatoria continua
Esperanza matemática. Caso Continuo
DefiniciónSe llama esperanza matemática de la v.a.c. X a:
E(X) =
∞−∞
xf (x)dx
Solo quedará definida cuando la integral sea absolutamente convergente,es decir: ∞−∞
|x |f (x )dx
8/18/2019 Tema5a 2016 Inf Talk
26/50
Variables aleatorias bidimensionales Variable aleatoria continua
Generalización del concepto
DefiniciónSea g una funci´ on real y X una variable aleatoria continuallamamos esperanza de g(x) a:
E(g(X)) = ∞
−∞
g(x)f (x)dx
con la condici´ on de que la integral sea absolutamente convergente: ∞−∞ |g (x )|f (x )dx
EjemploHallar E(sen( ξ ))
E [sen(ξ )] =
∞−∞
sen(x )f (x )dx =
21
sen(x )(x −1)dx + 3
2
sen(x )(3−x )dx ≈ 0.836
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 26
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Esperanza matemáticaMomentosParámetros
http://find/
8/18/2019 Tema5a 2016 Inf Talk
27/50
Variables aleatorias bidimensionales Parametros
Propiedades de la esperanza matemática
Las siguientes propiedades son válidas para cualquier variable aleatoria:
Es la media de la variable aleatoria: X̄ = E(X).
E(k)=k. (La esperanza matemática de una constante k es k.)
E(aX+b)=aE(X)+b (Transformación af́ın)
E(aX + bY) = aE(X) + bE(Y) (Linealidad)
Si son independientes se verifica: E(XY) = E(X)E(Y)
Ejemplo
Sea X la v.a. ’N´ umero de caras’ al lanzar 4 monedas e Y ’Puntos obtenidos’ al lanzar un dado. Hallar E(Y), E(X+Y) y E(3Y-2X+7).
E (Y ) = 1 16 + 216 + . . . + 6
16 =
216 = 3.5
E (X + Y ) = E (X ) + E (Y ) = 2 + 3.5 = 5.5,E (3Y
−2X + 7) = 3E (Y )
−2E (X ) + 7 = 3(3.5)
−2(2) + 7 = 13.5
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 27
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Esperanza matemáticaMomentosParámetros
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
28/50
Variables aleatorias bidimensionales Parametros
Ejemplo
Ejemplo
Sea ξ la variable aleatoria continua dada por la funci´ on de
distribuci´ on: F (x ) =
0 x ≤ 0x 4 0 h=inline(’sin(x).*4.*x.̂ 3’),quad(h,0,1)aunque podŕıa haberse calculado mediante integración por partes.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 28
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Esperanza matemáticaMomentosParámetros
http://find/
8/18/2019 Tema5a 2016 Inf Talk
29/50
Variables aleatorias bidimensionales Parametros
Momentos
DefiniciónLlamamos momento de orden r respecto al punto ’a’ de lavariable aleatoria X, a
Mr(a) = E((X − a)r)
Cuando a=0 se denominan momentos ordinarios de orden r:mr = E(Xr).
Cuando a = X̄ = E (X ) se denominan momentos centrales de orden r: µr = E((X − E(X))r)
Definición
Llamamos Varianza de una variable aleatoria X a su momento central de orden 2:
µ2 = E((X
−E(X))2) = E(X2)
−[E(X)]2 = m2
− X̄2
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 29
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Esperanza matemáticaMomentosParámetros
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
30/50
Variables aleatorias bidimensionales Parametros
Relaciones entre momentos
Definición
A la ráız cuadrada de la varianza la llamamos desviación t́ıpica de la variable aleatoria: σx = +
V(X)
Propiedades de los momentos:m0 = 1, m1 = E (X ) = X̄
m2 = V (x ) + X̄ 2.
µ0 = 1, µ1 = 0,
µ2 = V (x ) = m2 − X̄ 2µ3 = m3 − 3m2X̄ + 2X̄ 3µ4 = m4 − 4m3X̄ + 6m2X̄ 2 − 3X̄ 4
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 30
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
Esperanza matemáticaMomentosParámetros
http://find/
8/18/2019 Tema5a 2016 Inf Talk
31/50
Parámetros
Parámetros de tendencia central: Son la media, moda ymediana.
Media: Es la esperanza de X.
Moda: Valor máximo de la función de probabilidad (discretas)o de la de densidad (continuas).
Mediana: Valor x tal que F (x ) = 0.5Al igual que en descriptiva podemos hablar de cuantiles, cuartiles,.... El cuantil c ∈ (0, 1) es el valor x tal que F (x ) = c .Medidas de dispersión: Podemos hablar de rango, desviación
t́ıpica, varianza.Coeficiente de variación: CV = σx
|X̄|
Medidas de forma: (Coeficientes de Fisher)Sesgo: γ 1 =
µ3σ3
Curtosis: γ 2 = µ4
σ4
−3
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 31
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
32/50
Variable aleatoria bidimensional
DefiniciónSea (E , A, P ) un espacio de probabilidad y sean X e Y dos variables aleatorias definidas sobre ese espacio. Una variablealeatoria bidimensional será una aplicaci´ on (X , Y ) → R2 que
verifica:
∀(x, y) ∈ R2, el conjunto {ω ∈ A/X(ω) ≤ x, Y(ω) ≤ y} ∈ A
Definición
Sea (E , A, P ) un espacio de probabilidad y sea (X,Y) un a variable aleatoria bidimensional. Llamaremos función de distribuciónconjunta de la variable aleatoria (X,Y) a la funci´ onF : R2 → [0, 1], definida por: F(x, y) = P(X ≤ x, Y ≤ y)
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 32
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
33/50
Tipos de variables aleatorias bidimensionales
Cada una de las variables X e Y que forman la variablebidimensional podrá ser: discreta, continua o mixta. Sin embargo
vamos a estudiar solamente:Variables aleatorias bidimensionales discretas: Cuandoambas son discretas (soporte finito o infinito numerable).
Variables aleatorias bidimensionales continuas: Si ambasson continuas.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 33
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
34/50
Variables aleatorias bidimensionales discretas
DefiniciónPodemos caracterizar la variable aleatoria bidimensional mediante la Función de probabilidad conjunta, donde
P(X = xi, Y = y j) = pi, j
La función de probabilidad viene usualmente expresada en forma tabular.
X \Y y 1 y 2 · · · y j · · · y L
x 1 p 11 p 12 . . . p 1 j . . . p 1Lx 2 p 21 p 22 . . . p 2 j . . . p 2L
... ... ... . . . ... . . . ...x i p i 1 p i 2 . . . p ij . . . p iL...
......
. . ....
. . ....
x k p k 1 np 2 . . . p kj . . . p kL
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 34
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
35/50
Variables discretas - cont.
Podremos definir todo lo que se ha indicado para tablas de
frecuencias bidimensionales:Variables aleatorias marginales: (X e Y )
Variables aleatorias condicionadas: (X /Y = y j ) e (Y /X = x i )
Conceptos de dependencia, independencia y dependencia funcional.
Momentos bidimensionales respecto a (a,b):
M rs (a, b ) = E [(X − a)r (Y − b )s ] =
i
j
(x i − a)r (y j − b )s p ij
Si (a,b)=(0,0) se llaman momentos ordinarios:
mrs = E (X r Y s )
Si (a, b ) = (X̄ , Ȳ ) se llaman momentos centrales:
µrs = E [(X − X̄ )r (Y − Ȳ )s ]Conceptos de media, varianza, covarianza, . . . .
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 35
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
36/50
Ejemplo bidimensional discreta
Ejemplo
Sea la variable aleatoria bidimensional (X , Y ) consistente en lanzar 4 monedas: X = {N´ umero de caras en los dos primeros lanzamientos } e Y = {N´ umero total de caras }. Hallar:
1
La funci´ on de probabilidad conjunta.2 ¿Son independientes?
3 La funci´ on de distribuci´ on.
4 Medias de X e Y, varianzas de X e Y, covarianza.
5 P (X 2 + Y ≤ 3), P (2X + Y > 5)6 Rectas de regresi´ on de Y/X y X/Y.
7 Coeficiente de correlaci´ on lineal.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 36
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
37/50
Ejemplo bidimensional discreta
1) Veamos como se calcula alguno de los términos de la tabla, porejemplo para X=1, Y=2: Los casos que lo producen deben tener 1 caraen las dos primeros lanzamientos y otra cara en los dos últimos. Aśı,{X = 1, Y = 2} = {CFCF , CFFC , FCCF , FCFC } y su probabilidadserá 4/16.
X \Y 0 1 2 3 40 116
216
116 0 0
416
1 0 2164
162
16 0 8
162 0 0 116
216
116
416
1
16
4
16
6
16
4
16
1
16 12) Tendŕıa que verificarse que p ij fuese el producto de las marginales paratodo i,j, y falla el primero: P (X = 0, Y = 0) = P (X = 0)P (Y = 0),luego no son independientes existiendo dependencia estad́ıstica.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 37
Variable AleatoriaEsperanza matemática. Momentos
Variables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
38/50
Ejemplo bidimensional discreta-2
3) La función de distribución expresada como tabla resulta:
X \Y (−∞, 0) [0, 1) [1, 2) [2, 3) [3, 4) [4, ∞)(−∞, 0) 0 0 0 0 0 0
[0, 1) 0 1
163
164
164
164
16[1, 2) 0 116
516
1016
1216
1216
[2, ∞) 0 116 516 1116 1516 1
Para calcular el valor de una casilla, por ejemplo x ∈ [1, 2), y ∈ [2, 3)miramos en la tabla de la función de probabilidad y sumamos todas lasprobabilidades de las casillas con X ≤ 1 e Y ≤ 2, es decir:P(0,0)+P(0,1)+P(0,2)+P(1,1)+P(1,2)=10/16.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 38
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
39/50
Ejemplo bidimensional discreta-2
4) Para las medias y varianzas podemos usar las marginales (función deprobabilidad)Media de X: E (X ) = 0 416 + 1
816 + 2
416 = 1
Media de Y: E (Y ) = 0 116 + 1 416 + 2
616 + 3
416 + 4
116 = 2
Varianza de X: m2,0 = E (X 2
) = 02 4
16 + 12 8
16 + 22 4
16 = 24
16 ⇒V (X ) = 2416 − 12 = 0.5Varianza de Y:m0,2 = E (Y
2) = 02 116 + 12 4
16 + 22 6
16 + 32 4
16 + 42 1
16 = 8016 ⇒
V (X ) = 8016 − 22 = 1Covarianza:m1,1 = E (XY ) = 0 ·0 · 116 + 0 ·1 · 216 + 0 ·2 · 116 + 1 ·1 · 216 + 1 ·2 · 416 + 1 ·3 · 216 ++2 · 2 · 116 + 2 · 3 · 216 + 2 · 4 · 116 = 4016 ⇒ Cov(X, Y) = 4016 − 1 · 2 = 0.5
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 39
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
40/50
Ejemplo bidimensional discreta-3
5) P(X2
+ Y ≤ 3) : Las casillas de la tabla de la función de probabilidadque verifican la condición, (con p ij > 0), son: (0,0),(0,1),(0,2), (1,1) y(1,2). P ({(0, 0) ∪ (0, 1) ∪ (0, 2) ∪ (1, 1) ∪ (1, 2)}) = 1016P(2X + Y > 5) : Las casillas de la tabla de la función de probabilidadque verifican la condición, (con p ij > 0), son: (2,2),(2,3) y (2,4).
P ({(2, 2) ∪ (2, 3) ∪ (2, 4)}) = 416 = 0.256) Podemos usar la fórmula: Y − Ȳ = b (X − X̄ ), donde sabemos que:X̄ = 1, Ȳ = 2. b = Cov
V (x ) = 0.50.5 = 1 ⇒ mY /X = 1 b = Cov V (y ) = 0.51 = 0.5
⇒ mX /Y = 2 y las rectas son:
Y /X : Y − 2 = 1(X − 1) ⇒ Y = X + 1X /Y : Y − 2 = 2(X − 1) ⇒ X = 0.5Y
7) ρ =√
bb =√
1 · 0.5 ≈ 0.7071
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 40
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
41/50
Variables bidimensionales continuas
Definición
Llamamos función de densidad bidimensional de la variable aleatoria (X , Y ) a una funci´ on f : R2 → R, tal que sea:
Integrable y no negativa.
F (x , y ) =
x
−∞
y
−∞f (x , y )dydx
∂ 2F (x ,y )∂ x ∂ y = f (x , y ) en todos los puntos en donde esté definida
esa derivada segunda.
Dada la función de densidad de la variable aleatoria, laprobabilidad de (a ≤ X ≤ b ) ∩ (c ≤ Y ≤ d ) queda definida por:
P ({(a ≤ X ≤ b ) ∩ (c ≤ Y ≤ d )}) = d
c
b a
f (x , y )dxdy
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 41
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
42/50
Variables continuas-cont
Variables aleatorias marginales: (X e Y)
F 1(x ) =
x −∞ ∞−∞ f (x , y )dydx , F 2(y ) =
∞−∞
y −∞ f (x , y )dxdy
Variables aleatorias condicionadas: (X /Y ≤ b ) e (Y /X ≤ a)F X /Y ≤b (x ) =
P (X ≤x ,Y ≤b )P (Y ≤b )
=
x −∞
b −∞
f (x ,y )dydx ∞
−∞
b −∞
f (x ,y )dydx = F (x ,b )
F (∞,b ) = F (x ,b )
F 2(b )
F Y /X ≤a(y ) = P (X ≤a,Y ≤y )
P (X ≤a) =
y −∞
a−∞
f (x ,y )dxdy
∞
−∞
a
−∞
f (
x ,
y )
dxdy = F (a,y )
F (a,∞) = F (a,y )
F 1
(a)
Variables aleatorias condicionadas: (X /Y = b ) e (Y /X = a)Ahora los sucesos Y = b y X = a tienen probabilidad 0 (no está definida la
condicionada). Tomamos un intervalo de amplitud y ĺımites cuando → 0:
F X /Y =b (x ) = ĺım→0P (X ≤x ,b ≤Y ≤b +)
P (b ≤Y ≤b +) = ĺım→0
x −∞
b +
b f (x ,y )dydx
∞
−∞
b +
b f (x ,y )dydx
=
=
x −∞
f (x ,b )dx ∞
−∞f (x ,b )dx
F Y /X ≤a(y ) = ĺım→0P (a≤X ≤a+,Y ≤y )
P (a≤X ≤a+) = ĺım→0
y −∞
a+
a f (x ,y )dxdy
∞
−∞
a+
a f (x ,y )dxdy
=
y
−∞f (a,y )dy
∞
−∞f (a,y )dxdy
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 42
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/http://goback/
8/18/2019 Tema5a 2016 Inf Talk
43/50
Variables continuas-cont2
Conceptos de dependencia, independencia y dependenciafuncional.
Momentos bidimensionales respecto a (a,b):
M rs (a, b ) = E [(X −a)r (Y −b )s ] = ∞
−∞
∞−∞
(x −a)r (y −b )s f (x , y )dxdy
Si (a,b)=(0,0) se llaman momentos ordinarios:
mrs = E (X r Y s )
Si (a, b ) = (¯X ,
¯Y ) se llaman momentos centrales:
µrs = E [(X − X̄ )r (Y − Ȳ )s ]Conceptos de media, varianza, covarianza, . . .
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 43
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
http://find/
8/18/2019 Tema5a 2016 Inf Talk
44/50
Ejemplo variable bidimensional continua
EjemploSea la variable aleatoria (X,Y) con funci´ on de densidad:
f (x , y ) =
c (x 2 + y ) 0 ≤ y ≤ 1 − x 2
0 en el resto
1 Dibuje la regi´ on de R2 que representa el soporte de la variable aleatoria.
2 Determine el valor de c.3 Hallar P (X ≥ 0).4 Hallar la probabilidad de que la variable aleatoria tome valor en el
cuadrado de lado 1 y centro el origen de coordenadas.5 Determinar la distribuci´ on marginal de X.6 ¿Son X e Y variables independientes? 7 Calcular la recta de regresi´ on de Y/X y determinar la bondad del
ajuste.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 44
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ej l bidi i l i
http://find/
8/18/2019 Tema5a 2016 Inf Talk
45/50
Ejemplo bidimensional continua
1) El soporte será la región donde f (x , y ) > 0 y está representadoen la figura:
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 45
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ej l bidi i l i 2
http://find/
8/18/2019 Tema5a 2016 Inf Talk
46/50
Ejemplo bidimensional continua-2
2) Las funciones de densidad deben verificar: ∞−∞
∞−∞ f (x , y )dxdy = 1 que aqúı queda: 1
−1
1−x 20 c (x
2 + y )dydx = 1
1
−1
c x 2y + y 2
2
1−x 2
0
dx = 1
−1
c x 2(1 − x 2) +
(1 − x 2)2
2 dx =
= c
2
1−1
1 − x 4dx = c 2
x − x
5
5
1−1
= 4c
5 = 1 ⇒ c = 1.25
3) P(X ≥ 0) = 1.25 10 1−x 20 (x 2 + y )dydx == 1.25
10
x 2y +
y 2
2
1−x 20
dx = 1.25
2
10
1 − x 4dx = 12
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 46
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ej l bidi i l i 3
http://find/
8/18/2019 Tema5a 2016 Inf Talk
47/50
Ejemplo bidimensional continua-3
4) Será el cuadrado C de extremos (-0.5,-0.5), (0.5,-0.5), (0.5,0.5) y
(-0.5,0.5). Su intersección con el soporte es el rectángulo con y > 0, esdecir: (-0.5,0), (0.5,-0), (0.5,0.5) y (-0.5,0.5).
P (C ) = 1.25
0.5−0.5
0.5−0.5
x 2 + y
dydx = 1.25
0.5−0.5
0.50
x 2y +
y 2
2
0.50
dx =
= 1.252
0.5
−0.5
(x 2 + 0.25)dx = 1.252
x 3
3 + 0.25x
0.5
−0.5
≈ 0.2083
5) Marginal de X: Para −1 ≤ x ≤ 1 se obtiene:
F 1(x ) = 1.25 x −1
1−x 2
0 (x 2
+ y )dydx = 1.25 x −1
x
2
y +
y 2
21−x
2
0 dx =
= 1.25
2
x −1
(1 − x 4)dx = 1.252
x − x
5
5
x −1
= 1
8(5x − x 5 + 4)
Si x
≤ −1, F 1(x ) = 0, y si x
≥ 1, F 1(x ) = 1
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 47
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ej l bidi i l ti 4
http://find/
8/18/2019 Tema5a 2016 Inf Talk
48/50
Ejemplo bidimensional continua-4
6) Existen varias formas de verlo, por ejemplo, calculando la marginal dey viendo que la función de densidad conjunta es el producto de lasmarginales. Pero es evidente que no son independientes, pues viendo laforma del soporte las condicionadas de Y /X = 0.99 e Y /X = 0 sondiferentes. En la primera f (0.99, 0.5) = 0 y en la segundaF (0.99, 0.5) > 0.7) Sin embargo vamos a comprobar que verifica E (XY ) = E (X )E (Y ) ypor tanto son incorreladas (Cov=0).
E (X ) = 5
4
1−1
1−x 20
x (x 2 + y )dydx = 5
4
1−1
x (x 2y +
y 2
2 )
1−x 2
0
dx =
= 5
8
1−1
(−x 5 + x )dx = 58
−x
6
6 +
x 2
2
1−1
= 0
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 48
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ej l bidi i l ti 5
http://find/
8/18/2019 Tema5a 2016 Inf Talk
49/50
Ejemplo bidimensional continua-5
E (Y ) = 5
4
1−1
1−x 20
y (x 2 + y )dydx = 5
4
1−1
(x 2
y 2
2 +
y 3
3 )
1−x 20
dx =
= 5
24
1
−1
(x 6
−3x 2 + 2)dx =
10
21
E (XY ) = 5
4
1−1
1−x 20
xy (x 2+y )dydx = 5
4
1−1
(x 3
y 2
2 + x
y 3
3 )
1−x 20
dx =
= 5
24
1
−1
(x 7
−3x 3 + 2x )dx = 0
Cov=E(XY)-E(X)E(Y)=0 ⇒ r = 0, b = 0, mY /X = 0 y la recta deregresión de Y/X queda: Y − 1021 = 0(X − 0) y es la recta Y = 1021paralela al eje OX.La recta X/Y será la recta vertical X = 0 pues mY /X =
1r
σy σx
con r = 0.
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 49
Variable AleatoriaEsperanza matemática. MomentosVariables aleatorias bidimensionales
DefiniciónVariables aleatorias bidimensionales discretasVariables aleatorias bidimensionales continuas
Ejemplo bidimensional continua 6
http://find/
8/18/2019 Tema5a 2016 Inf Talk
50/50
Ejemplo bidimensional continua-6
La recta X/Y será la recta vertical X = 0 pues mX /Y = 1
r
σy σx
= ∞ conr = 0.
Y −
10
21 =
∞(X
−0)
⇒ X = 0
Es la recta de pendiente ∞ que pasa por (0, 1021 ).Bondad del ajuste: El ajuste es muy malo pues r = 0 (incorreladas),esto quiere decir que mediante la regresión lineal, el conocer una variableno aporta conocimiento sobre la otra. V r = (1
−r 2)V (y ) = V (y )
Departamento Matemática Aplicada Variables Aleatorias. Distribuciones. Pág. 50
http://find/Top Related