Академический Документы
Профессиональный Документы
Культура Документы
Martnez
2004
S = {( x1 , x 2 ) / x i {1,2,3,4,5,6}}
Posibles v.a. asociadas con este experimento son: X: nmero de caras pares Y: mximo puntaje Z: suma de puntos Definicin: Sea S un espacio muestral asociado con un experimento aleatorio. Una variable aleatoria X es una funcin que asocia a cada elemento w S un nmero real X(w)=x, es decir
X :S
Como se observa, en general representaremos a las v.a. con letras maysculas: X, Y, Z, etc. y sus valores con letras minsculas, es decir X(w)=x significa que x es el nmero real asociado al resultado w S a travs de X. Ejemplos: 1) Volviendo al ejemplo anterior, X((2,5)) = 1 X((1,3)) = 0 X((2,2)) = 2 Y((2,5)) = 5 Y((1,3)) = 3 Y((2,2)) = 2 Z((2,5)) = 7 Z((1,3)) = 4 Z((2,2)) = 4
1 X = 0
21
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
3) Se arroja una moneda equilibrada hasta que se obtiene la primera cara, X: nmero de tiros necesarios 4) A partir del instante en que se intenta la conexin a un servidor, se registra el tiempo que demora en concretarse la misma, X: tiempo requerido para la conexin. En los ejemplos 1), 2) y 3) las v.a. toman un nmero finito o infinito numerable de valores, mientras que en el ejemplo 4) la v.a. X toma valores en un conjunto infinito no numerable, el intervalo (0, ) o un intervalo (0, M) si existe un tiempo mximo (time out). Notacin: Indicaremos con RX el rango de la v.a. X, es decir el conjunto de valores posibles de la v.a. X. Ejemplos: En los ejemplos anteriores, 1) RX = {0,1,2} RY = {1,2,3,4,5,6} RZ = {2,3,4,5,6,7,8,9,10,11,12} 2) RX = {0,1} 3) RX = {1,2,3,...} = N 4) RX = (0,) (0,M) si existe un time out Definicin: Una v.a. es discreta si toma un nmero finito o infinito numerable de valores. Ejemplo: En el caso del ejemplo 1), cmo calcularamos la probabilidad de que la v.a. Z tome el valor 7, suponiendo que los lanzamientos son independientes?
6 1 = . 36 6
Definicin: La funcin de probabilidad puntual o de masa de la v.a. discreta X, se define para todo x como
p X ( x) = P( X = x) = P({w S / X ( w) = x})
Se cumplen las siguientes propiedades:
22
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
p X ( x) 0
xR X
( x) = 1
La funcin de probabilidad puntual de una v.a. X nos dice cmo se distribuye la probabilidad total entre los distintos valores de X, y se determina a partir de la probabilidad de los sucesos asociados a cada valor de X. Ejemplos: 1) Hallemos la funcin de probabilidad puntual de la v.a. X : nmero de caras pares al arrojar dos veces un dado equilibrado. Recordemos que RX = {0,1,2}.
9 1 = 36 4 18 1 = 36 2
Podemos resumir esta informacin en una tabla de la forma: x pX(x) 0 1/4 1 1/2 2 1/4
o mediante un grfico en el cual, para cada valor de x se construye una barra o un rectngulo centrado en x, cuya altura es proporcional a pX(x)
Diagrama de Barras
Histograma
23
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Definicin: La funcin de distribucin acumulada de una v.a. discreta X con funcin de probabilidad puntual pX(x) se define para todo x , como
FX ( x) = P( X x) =
y x , yR X
( y)
Es decir que FX (x) es la probabilidad de que la v.a. X tome valores menores o iguales que x. Ejemplo: Volviendo al ejemplo 1), hallemos la funcin de distribucin acumulada de la v.a. X, cuya funcin de probabilidad puntual es x pX(x) 0 1/4 1 1/2 2 1/4
FX ( x ) = P ( X x ) = 0 F X ( 0) = P ( X 0) = p X ( 0) = 1 4 F X ( x ) = P ( X x ) = p X ( 0) = 1 4
FX (1) = P( X 1) = p X (0) + p X (1) = 1 + 1 = 3 4 2 4 3 FX ( x) = P( X x) = p X (0) + p X (1) = 4 FX (2) = P( X 2) = p X (0) + p X (1) + p X (2) = 1 + 4 FX ( x) = P( X 2) = p X (0) + p X (1) + p X (2) = 1 + 4
1 + 2 1 + 2
1 =1 4 1 =1 4
Resumiendo:
0 1 FX ( x) = 4 3 4 1
Cmo es FX (x)?
Observamos que se trata de una funcin escalera, no decreciente que toma valores entre 0 y 1.
24
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Propiedades de la funcin de distribucin acumulada: i) x , FX ( x) [0,1] . ii) FX (x) es montona no decreciente, es decir que si x1 < x 2 FX ( x1 ) FX ( x 2 ). iii) FX (x) es continua a derecha, es decir lim FX ( x + h) = FX ( x). +
ho
iv) lim FX ( x) = 1
x
x -
lim FX ( x) = 0
p X ( x) = FX ( x ) F X ( x )
donde
A = {w / X ( w) x 2 } = {w / X ( w) x1 } {w / x1 < X ( w) x 2 } = A1 A2
Como A1 A2 = , P ( A) = P( A1 ) + P( A2 ) , es decir
P ( X x 2 ) = P( X x1 ) + P ( x1 < X x 2 ) P( X x1 )
y, por lo tanto,
25
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
FX ( x 2 ) FX ( x1 )
iii) Recordemos que una funcin g (x) es continua a derecha en x si lim g ( x + h) = g ( x) . +
h 0
FX ( x) = P( X x) .
iv) lim FX ( x) = lim P( X x) = lim P{w / X ( w) x} = P( S ) = 1
x x x
x -
P(a < X b) = FX (b) FX (a) P(a X b) = FX (b) FX (a ) P(a < X < b) = FX (b ) FX (a ) P(a X < b) = FX (b ) FX (a )
Dem: Demostremos la primera igualdad
P ( a X b) = P ( a < X b) + P ( X = a )
y aplicando la propiedad v) de las funciones de distribucin acumuladas.
Ejemplo: Volviendo al ejemplo 1), y usando la funcin de distribucin calculada antes, calculemos P( 1 X 2 ) y P( X = 1 ) .
P(1 X 2) = FX (2) FX (1 ) = 1
1 3 = 4 4 3 1 1 P( X = 1) = FX (1) FX (1 ) = = . 4 4 2
26
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Ejemplo: Un experimento tiene slo dos resultados posibles, que denominaremos xito y Fracaso. El experimento se repite en forma independiente hasta que se obtiene el primer xito. Sea p = P(xito), 0 < p < 1, y definamos la v.a. X = nmero de repeticiones hasta obtener el primer xito. Como ya hemos visto, RX = N. Hallemos la funcin de probabilidad puntual de la v.a. X.
p X (k ) = (1 p ) k 1 p
k N .
p X ( x) 0
xR X
( x) = 1
Dado que 0 < p < 1 , la primer propiedad obviamente se satisface. Respecto a la segunda,
p X (k ) = (1 p) k 1 p = p (1 p) j = p
k =1 k =1 j =0
1 =1 1 (1 p )
q
i =0
1 , si q < 1. 1 q
27
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
.............................................................. k x < k +1 1 (1 p) k = 1 (1 p ) k 1 (1 p )
Recordemos que la funcin de distribucin debe estar definida para todo x , entonces
0 FX ( x) = [x ] 1 (1 p)
donde [a ] denota la parte entera de a .
si x < 1 si x 1
Ejercicio: Verificar que esta funcin de distribucin satisface las propiedades enunciadas antes. Parmetro de una funcin de probabilidad: En el ejemplo anterior la probabilidad de xito la designamos p donde 0 < p < 1. Variando este valor obtenemos diferentes funciones de probabilidad que constituyen lo que se denomina una familia de distribuciones. El valor p se denomina parmetro de la distribucin. En el caso del ejemplo, la familia obtenida se denomina Geomtrica de parmetro p y diremos que X ~ G(p). Por ejemplo, si el experimento hubiese consistido en arrojar un dado equilibrado hasta obtener el primer as, X ~ G(1/6) y si hubiese consistido en arrojar una moneda equilibrada hasta obtener la primera cara, X ~ G(1/2).
Esperanza o valor esperado de una v.a. discreta: Una empresa proveedora de servicio de Televisin Satelital tiene 20000 clientes en cierta zona, cada uno de los cules puede optar por contratar de 1 a 5 paquetes de seales (el abono bsico consiste en un solo paquete y cada uno de los otros paquetes incluye grupos de seales temticas o premium). Supongamos que, entre los 20000 clientes, la distribucin del nmero de paquetes X contratados es la siguiente:
28
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
1 7500 37.5%
2 5500 27.5%
3 3500 17.5%
4 2000 10.0%
5 1500 7.5%
Si interesa el nmero promedio de paquetes contratados, o sea el valor promedio de X en la poblacin, deberamos calcular:
7500 5500 3500 2000 1500 + 2 + 3 + 4 + 5 = 20000 20000 20000 20000 20000 = 1 0.375 + 2 0.275 + 3 0.175 + 4 0.10 + 5 0.075
sto motiva la siguiente definicin. Definicin: Sea X una v.a. discreta que toma valores en RX con funcin de probabilidad puntual pX(x), la esperanza o valor esperado de X se define como
E( X ) = X =
siempre que
xR X
x p
( x)
xR X
no puede definirse y decimos que no existe. Ejemplos: 1) Sea X: nmero de caras pares al arrojar dos veces un dado equilibrado. Como x pX(x) 0 1/4 1 1/2 2 1/4
entonces,
E( X ) = 0
1 1 1 +1 + 2 =1. 4 2 4
29
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
2) Sea X una v.a. que toma slo dos valores que designaremos 1 y 0 (xito y Fracaso) con la siguiente funcin de probabilidad puntual x pX(x) 1 0 1-
siendo 0 < < 1. Una v.a. de este tipo se dice que es una v.a. de tipo Bernoulli y su esperanza es:
E (X ) = 1 + 0 (1 ) =
3) Veamos un ejemplo en que no existe E(X). Sea X una v.a. con la siguiente funcin de probabilidad puntual
6 1 p X ( x ) = 2 x 2 0
si x N en otro caso
En primer lugar, observemos que pX(x) es una funcin de probabilidad puntual, ya que
1 2 x2 = 6 x =1
E( X ) = x
x =1
6 1 6 = 2 2 2 x
x = x =1
4) Consideremos nuevamente un experimento que tiene slo dos resultados posibles y que se repite en forma independiente hasta que se obtiene el primer xito. Si p = P(xito), 0 < p < 1, y si definimos la v.a. X = nmero de repeticiones hasta obtener el primer xito, hemos demostrado que su funcin de probabilidad puntual est dada por
p X (k ) = (1 p) k 1 p
Calculemos la esperanza de X.
k N
E ( X ) = k p (1 p ) k 1 = p k (1 p ) k 1 = p
k =1 k =1
(1 p ) k k =1 p
30
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Como la serie de potencias involucrada en la ltima igualdad es convergente, la derivada de la suma es la suma de las derivadas, entonces
E( X ) = p
1 1 1 1 (1 p ) k = p 1 (1 p ) 1 = p p p 1 = p p 2 = p . p k =1 p
1 . p
Interpretacin de la esperanza: E(X) es el centro de gravedad de la funcin de probabilidad puntual. Es decir que si imaginamos que sobre cada valor posible de X, xi, colocamos una masa pX(xi), el punto de equilibrio del sistema es E(X). En este sentido, podemos decir que E(X) es una medida del centro de la distribucin. Otra interpretacin de E(X) est relacionada con un resultado que estudiaremos ms adelante, denominado ley de los grandes nmeros. Imaginemos que se repite indefinidamente un experimento aleatorio y que en cada repeticin nuestra v.a. X toma diferentes valores. Se ha demostrado que el promedio de los resultados obtenidos tiende a estabilizarse en un nmero que es E(X), si es que sta existe. Esperanza de una funcin de una v.a. discreta: Volvamos al ejemplo considerado al comienzo del pargrafo dedicado a la esperanza. Sea la v.a. X: nmero de paquetes de programas contratado por un cliente seleccionado al azar y consideremos su funcin de probabilidad puntual:
x pX(x)
1 0.375
2 0.275
3 0.175
4 0.100
5 0.075
Supongamos que el costo del servicio (Y) es funcin del nmero de paquetes contratado, segn la siguiente frmula:
Y = 30 ( X + 1)
Cul es el valor esperado del costo pagado por cliente? Es decir, cul es E(Y)?. A partir de la funcin de probabilidad puntual de X, podemos obtener la de funcin de probabilidad de Y ya que, por un lado RY = {60,90,120,150,180} y, por ejemplo, P(Y=120)=P(X=3)=0.175. Entonces, y pY(y) 60 0.375 90 0.275 120 0.175 150 0.100 180 0.075
31
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
Observemos que, E( Y ) =
h( x ) p
x =1
Proposicin: Si X es discreta y toma valores x1, x2, ....., entonces h(X) es discreta con valores y1, y2, ...., siendo yj = h(xi) para al menos un valor de i. Proposicin: Si la v.a. X tiene funcin de probabilidad puntual pX(x) para todo x RX, entonces la esperanza de cualquier funcin real h(X), est dada por
E (h( X )) =
xR X
h( x ) p
( x)
xR X
h( x )
p X ( x) < .
E (Y ) = y j pY ( y j ) = y j p X ( x i ) = y j p X ( x i ) = h( x i ) p X ( xi ) . j j i i / h ( xi ) = y j j i / h ( xi ) = y j
Propiedades de la esperanza: 1) (Linealidad) Si a y b son constantes reales, E (aX + b) = aE ( X ) + b . Dem: Sea h( X ) = aX + b, entonces
E (h( X )) = E (aX + b) =
xR X
(ax + b) p
( x) = a x p X ( x) + b p X ( x) =aE ( X ) + b.
xR X xR X
Varianza de una v.a. discreta: Consideremos las siguientes funciones de probabilidad: x pX(x) y pY(y) 1 1/12 2 1/3 2 5/12 3 1/3 3 2/12 4 1/3 4 1/12 5 3/12
32
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
z pZ(z)
3 1
Estas tres v.a. tienen la misma esperanza, sin embargo la forma de su distribucin es muy diferente.
Ejercicio: Graficar las tres funciones de probabilidad puntual y verificar que E(X)=E(Y)=E(Z)=3. Definiremos una medida de la variabilidad de una variable aleatoria alrededor de su esperanza. Definicin: Sea X una v.a. discreta con funcin de probabilidad puntual pX(x) y esperanza 2 X, la varianza de X, que se denotar V(X), X 2 , es
2 V (X ) = X =
xR X
(x
) 2 p X ( x) = E [( X X ) 2 ].
y el desvo standard de X, es X = + V ( X ) . Ejemplos: 1) Calculemos la varianza y el desvo standard de las tres v.a. que acabamos de presentar, cuya esperanza es igual a 3.
2 V ( X ) = X = ( 2 3 )2
1 1 1 2 + ( 3 3 )2 + ( 4 3 )2 = 3 3 3 3 1 5 2 1 3 22 11 2 V ( Y ) = Y = (1 3 )2 + ( 2 3 )2 + ( 3 3 )2 + ( 4 3 )2 + ( 5 3 )2 = = 12 12 12 12 12 12 6 2 V ( Z ) = Z = ( 3 3 )2 1 = 0
2) Consideremos X: nmero de caras pares al arrojar dos veces un dado equilibrado cuya funcin de probabilidad puntual es x pX(x) y su esperanza es E ( X ) = 1 , entonces 0 1/4 1 1/2 2 1/4
V ( X ) = (0 1) 2
1 1 1 1 + (1 1) 2 + (2 1) 2 = . 4 2 4 2
33
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
3) Sea X una v.a. Bernoulli con funcin de probabilidad puntual x pX(x) con 0 < < 1. Recordemos que 1 0 1-
E ( X ) = , entonces
V ( X ) = (1 ) 2 + (0 ) 2 (1 ) = (1 ) [(1 ) + ] = (1 ).
Proposicin: V ( X ) = E ( X 2 ) (E ( X ) ) .
2
Dem:
V (X ) = E (X X )2 = =
) (x
xR X xR X
) 2 p X ( x) =
2 ( x) + X
xR X
(x
X
2 2 X x + X p X ( x) =
xR X
p X ( x) 2 X
xp
xR X
2 ( x) = E ( X 2 ) 2 X E ( X ) + X =
2 2 2 = E ( X 2 ) 2 X + X = E ( X 2 ) X = E ( X 2 ) (E ( X ) ) . 2
Ejemplo: Consideremos nuevamente un experimento que tiene slo dos resultados posibles y que se repite en forma independiente hasta que se obtiene el primer xito. Si p = P(xito), 0 < p < 1, hemos definido la v.a. X = nmero de repeticiones hasta obtener el primer xito, cuya funcin de probabilidad puntual est dada por:
p X (k ) = (1 p) k 1 p
Hemos demostrado que E ( X ) =
k N
Calculemos E ( X 2 ).
= (k + 1)kp(1 p) k 1 k p (1 p ) k 1 = (k + 1)kp(1 p) k 1 E ( X ) =
k =1 k =1 k =1
2 1 1 = p (k + 1)k (1 p ) k 1 = p 2 (1 p ) k +1 = p k =1 k =1 p p
34
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
=p
1 2 2 1 (1 p ) k +1 = p 2 (1 p ) j = 2 p j = 2 p k =1 p p
=p
1 2 1 2 1 (1 p ) = p 2 p 2 1 (1 p ) p p 1 1 2 1 2 1 2 + 1 = p 3 = 2 p p p p p p p
1 p 2+
1 p = p
=p
Entonces,
V ( X ) = E ( X 2 ) (E ( X ) ) =
2
2 1 1 1 1 (1 p ) 2 = 2 = 2 p p p p p p2
aX +b = a X .
V (h( X )) =
Entonces,
xR X
p X ( x).
V (aX + b) =
=
xR X
p X ( x) =
2
xR X
(ax + b aE ( X ) b))
2
p X ( x) =
xR X
(ax aE ( X ))
p X ( x) =a
xR X
(x E ( X ) )
p X ( x) = a 2V ( X )
y, por lo tanto, aX + b = a X .
35
Probabilidades y Estadstica (Computacin) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martnez
2004
2 2 2 2 En particular, observemos que aX = a 2 X y X + b = X , y por lo tanto un cambio de escala afecta la varianza pero una traslacin no la afecta.
36