Variables aleatorias
Distribuciones continuas
Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números
reales, tal que para cada intervalo en los reales, la probabilidad de que X tome un valor en el intervalo es igual a la integral sobre ese mismo intervalo
Variables aleatorias
Por ejemplo:
A la función
f
se le llama función de densidad de probabilidad o simplemente densidad de probabilidadVariables aleatorias
Alternativamente:
Se define la función de densidad de
probabilidad (pdf), f(x), de una variable aleatoria continua X como aquella que satisface:
,
es decir, la probabilidad de que
x
caiga entreVariables aleatorias
La densidad de probabilidad, f(x), debe satisfacer que:
Variables aleatorias
Comentario:
las distribuciones continuas asignan
probabilidad cero a valores individuales, es decir, si X es una variable continua
Pr(X=a)=0
Variables aleatorias
Ejemplo:
Variables aleatorias
Comentario:
La densidad de probabilidad NO es la probabilidad de X cerca de
x
.Variables aleatorias
Ejemplo:
Suponga que la función de densidad de probabilidad (pdf) está dada por:
¿Cuál es el valor de c? Determine :
Variables aleatorias
Similarmente al caso discreto, se define la función de distribución cumulativa (cdf)
F(x):
De modo que Además:
Variables aleatorias
Comentarios:
- La función de distribución cumulativa
F(x)
Es una función no decreciente conx
- Una función de distribución cumulativa es siempre continua por la derecha:
Variables aleatorias
Ejemplo:
Sea X una variable aleatoria con distribución uniforme en el intervalo [a,b].
Variables aleatorias
Comentario:
Una variable aleatoria discreta puede tratarse como una variable aleatoria continua y
asignarse la correspondiente densidad de probabilidad.
Si X es una variable discreta que toma los valores x1,...,xn con probabilidades p1,...,pn , entonces la densidad de probabilidad
Varias variables aleatorias
Es común encontrar problemas que
dependen de más de una variable aleatoria. Los resultados que hemos visto pueden
extenderse a dos o más variables aleatorias.
Varias variables aleatorias
Distribucion conjunta discreta.
Sean X y Y dos variables aleatorias y
consideremos el par ordenado (X,Y). Si existe un número contable de diferentes valores
(xi,yi) para el par (X,Y), entonces X, Y tienen una distribución discreta.
Definición: La función de probabilidad
conjunta de X,Y se define como la función f
Varias variables aleatorias
Con
Si (xi,yi) NO es uno de los valores posibles del par (X,Y) entonces f(xi,yi) = 0. Además,
Varias variables aleatorias
Similarmente al caso continuo para una variable tenemos ahora que:
donde f(x,y) es la función de densidad de probabilidad conjunta que satisface:
Varias variables aleatorias
Caso especial: variables independientes. Es frecuente encontrar casos donde las
variables aleatorias X, Y no dependen una de otra. En este caso la densidad de
probabilidad puede escribirse como
Pr(X=xi ,Y=yi )=g(xi )h(yi ) ,
donde g(xi) y h(yi) son las densidades de probabilidad de X y Y.
Varias variables aleatorias
Sobre el tema de variables aleatorias independientes, supongamos que nos
interesa saber la densidad de probabilidad de la suma de variables independientes.
Sea Y = X1 + X2, donde X1 , X2 son variables aleatorias independientes con densidades de probabilidad f1 y f2 . La densidad de
Varias variables aleatorias
Distribución cumulativa conjunta
La distribución cumulativa conjunta para dos variables aleatorias X y Y está definida como la función
F
tal que para todos los valores deVarias variables aleatorias
Si X e Y tienen una densidad de probabilidad conjunta f(x,y) entonces
Varias variables aleatorias
Distribución marginal
Frecuentemente en un problema de varias variables, digamos 2 variables, estamos
interesados en la distribución de una sóla de las variables. Dicha distribución se obtiene a través de la distribución conjunta y se le
llama distribución marginal.
Por ejemplo, para el caso discreto, si X e Y son variables aleatorias con función de
distribución conjunta f(x,y), entonces la distribución marginal f1 está dada por
Varias variables aleatorias
Por ejemplo, para el caso discreto, si X y Y son variables aleatorias con distribución conjunta f(x,y), entonces la distribución marginal f1 está dada por
Varias variables aleatorias
Distribución condicional
Así como en el cálculo de probabilidades era de interés conocer la probabilidad de un
evento dado que otro había sucedido, ahora nos preguntamos por la distribución de una variable X dado que otra, Y, ha tomado un valor Y=y. La distribución de la probabilidad condicional viene dada por:
Varias variables aleatorias
Distribución condicional Para n variables:
donde f2 es la distribución marginal de X1,... Xk
Varias variables aleatorias
Ley de la probabilidad total y teorema de Bayes
Para n variables:
donde y
Y el teorema de Bayes para variables aleatorias es:
Variables aleatorias
Funciones de variables aleatorias
Frecuentemente se requiere la distribución
de una función de las variables aleatorias. Por ejemplo, si X es una variable aleatoria,
quisieramos saber la distribución de 1/X, o bien para dos variables X1,X2, ¿cuál es la probabilididad de exp(X1+X2)?
Varias variables aleatorias
Funciones de variables aleatorias
Variables aleatorias
Algunas propiedades de las distribuciones
Las distribuciones de probabilidad tienen toda la información estadística de las variables
aleatorias en cuestión.
En muchas ocasiones algunas propiedades de las distribuciones nos dan suficiente información
estadística de las variables aleatorias.
Los llamados valores esperados (o promedios o momentos) son cantidades estadísticas simples que nos dan información de las variables
Variables aleatorias
Valor esperado, valor promedio, promedio, valor medio, media, o primer momento
La propiedad más utilizada para caracterizar una distribución de variables aleatorias es el llamado valor medio.
Si X es una variable aleatoria el valor esperado E[X] está definido como
f(x) es la función de probabilidad (discreto) o densidad de probabilidad (continuo)
Variables aleatorias
En general, para una función de variables aleatorias, tenemos
Variables aleatorias
Una propiedad:
También, si f(x) y g(x) son funciones de probabilidad discretas (o bien, continuas) tenemos que:
Variables aleatorias
Varianza (que tan dispersos son los valores de una variable aleatoria respecto al valor medio) Sea X es una variable aleatoria, su varianza está dada por:
Variables aleatorias
Se pueden demostrar las siguientes igualdades para la varianza (a y b constantes):
Variables aleatorias
Generalización: k-ésimo momento Este se define como:
Variables aleatorias
Similarmente, el k-ésimo momento central viene definido por
Variables aleatorias
Comentario:
Los momentos centrales y tienen nombre: “skewness” y “kurtosis”
Variables aleatorias
Función generadora (generatriz) de probabilidad
donde fn =Pr(X=xn ) y xn toma valores enteros no negativos
Variables aleatorias
de modo que, por ejemplo, el primer momento está dado por
Variables aleatorias
Otro tipo de función generadora (generatriz) es la función generadora de momentos
Para una variable aleatoria X y un número real t,
esta función se define como:
La función generadora existe para todo valor de t siempre que X esté acotada y MX(t=0)=E(1)=1
Variables aleatorias
Entonces, el n-ésimo momento de X está dado por:
Variables aleatorias
Ejemplo: función generadora de una densidad de distribución Gaussiana está dada por:
Variables aleatorias
Caso especial: suma de variables independientes Si X1,...,Xn son variables independientes y
Sn=X1+ ... +Xn, entonces
Variables aleatorias
Un poco más general: si ahora Sn está dada por la
suma de variables independientes de la forma: Sn=c1X1+ ... +cnXn ,
Variables aleatorias
Covarianza y correlación
Estas dos cantidades nos dicen que tanto están relacionadas/(dependen entre sí) dos variables aleatorias.
Covarianza: sean X e Y variables aleatorias con valores bien definidos
y
Variables aleatorias
Covarianza y correlación
Se puede mostrar que la covarianza se puede escribir como:
De aquí que, si X e Y son variables independientes
Variables aleatorias
Covarianza y correlación
En cuanto a la correlación, ésta se define como
Se puede demostra que: y
Variables aleatorias
Si hay una dependencia lineal entre las
variables X e Y, digamos Y=aX + b, tenemos que
Corr[X,Y] =1 , si a es una constante positiva y
Variables aleatorias
Comentarios:
a) El hecho de que haya una relación entre dos variables aleatorias, digamos Y=X*X, no implica que ambas variables esten correlacionadas
b) Si las variables son independientes =>
pero no en el otro sentido, i.e, si no implica que las variables sean independientes
Variables aleatorias
Si X e Y son variables aleatorias con varianza finita entonces
Si las variables son independientes tenemos
Variables aleatorias
Teorema del límite central Sean X1,...,Xn n variables aleatorias independientes cada una descrita
(estadísticamente) por funciones de probabilidad fi(x) con valores medios y varianzas .
Entonces la variable
Variables aleatorias
1-El valor esperado está dado por
2-La varianza viende dada por
3-Para la función de probabilidad de Z tiene a una distribución normal (Gaussiana) con media y varianza dada en 1 y 2.
Variables aleatorias
Comentarios:
1) Si las Xi siguen la misma distribución,
para la distribución de Z se aproxima a una distribución normal con valor medio y
varianza
2) Si una variable aleatoria está dada por podemos hacer