Documente Academic
Documente Profesional
Documente Cultură
Variables aleatorias.
Definición.
X : E →R,
,tal que para cualquier intervalo B = (-∞ , b] de la recta real, el suceso X−1(B)∈Ω
siendo X−1(B)={ω∈E /X (ω)∈B}.
Discretas: el conjunto de posibles valores que toma la variable es discreto (es decir,
finito o numerable).
Discretas:
X: Número de “caras” al lanzar 3 monedas (puede tomar sólo los valores 0,1,2,3)
X1: Sensación que provocan las asignaturas de matemáticas (puede tomar sólo los
valores −1,0,1)X2: Número de llamadas diarias que se hacen por teléfono móvil(pue
Continuas:
Y1: Estatura de una población (en centímetros) (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 máximo que he estado hablando por teléfono alguna vez (en
minutos)(puede tomar cualquier valor en el intervalo [0,+∞])
Para cada tipo definiremos a continuación funciones reales de variable real para
trabajar con susprobabilidades:
Recordamos que una v.a. X es continua si el conjunto de posibles valores que puede
tomar lavariable es uno o varios intervalos de la recta real.También recordamos que
las variables estadísticas continuas se representaban agrupadas enintervalos, y que
asociamos probabilidad con frecuencias relativas. Si se tiene un
númerosuficientemente grande de datos, y representamos el histograma de
frecuencias relativas(percentage) con las clases cada vez más finas, se obtendría
el perfil de una curva que esrepresentativa de la distribución de las frecuencias de
dicha variable. Esta curva será 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 distribución de probabilidad de las v.a.
continuas mediante
Definición.
Llamamos función de densidad a toda función f: R→R que verifica:
• f(x)≥0,∀ x∈.
.Toda función de densidad determina la distribución de probabilidad de una v.a.
continua de lasiguiente forma:
b
1.P(a< X<b) = ∫a f(t)dt,∀a,b∈.
x
2.P( X= x ) = ∫ x f(t)dt= 0,∀ x∈.
3.Entonces P(a< X<b) =P(a≤ X<b) =P(a≤ X≤b) =P(a< X≤b)
Momentos ordinarios
, tenemos
, tenemos
Valores particulares
esperanza:
El momento centrado de orden uno es nulo:
que se escribe
y su prueba es la siguiente:
De lo último se deduce
El mismo método da
Esperanza:
y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el
que todos los sucesos son de igual probabilidad, la esperanza es igual a la media
aritmética.
que es -0,0526 aproximadamente. Por lo tanto uno esperaría, en media, perder unos
5 céntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son
0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado
es cero (no ganamos ni perdemos) se llama un "juego justo".
Definición.
Propiedades.
Hay que tener en cuenta que la varianza puede verse muy influida por los valores
atípicos y no se aconseja su uso cuando las distribuciones de las variables
aleatorias tienen colas pesadas. En tales casos se recomienda el uso de otras
medidas de dispersión más robustas.
Dada una variable aleatoria con media μ = E(X), se define su varianza, Var(X)
(también representada como o, simplemente σ2), como
donde
Caso discreto.
donde
Ejemplos.
Distribución exponencial
Dado perfecto.
Un dado de seis caras puede representarse como una variable aleatoria discreta
que toma, valores del 1 al 6 con probabilidad igual a 1/6. El valor esperado es
(1+2+3+4+5+6)/6 = 3,5. Por lo tanto, su varianza es:
Propiedades de la varianza.
, donde Cov(X,Y) es la
covarianza de X e Y.
, donde Cov(X,Y) es la
covarianza de X e Y.
Varianza muestral.
A los dos (cuando está dividido por n y cuando lo está por n-1) se los denomina
varianza muestral. Difieren ligeramente y, para valores grandes de n, la diferencia
es irrelevante. El primero traslada directamente la varianza de la muestra al de la
población y el segundo es un estimador insesgado de la varianza de la población.
De hecho,
mientras que
Propiedades de la varianza muestral.
Más aún, cuando las muestras siguen una distribución normal, por el teorema de
Cochran, tiene la distribución chi-cuadrado:
Distribuciones de probabilidad.
Distribución exponencial
Relaciones.