Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 4 vistas

    Clase 5

    Cargado por

    WILMOIS MASTER
    Este documento describe variables aleatorias discretas y su distribución de probabilidad, incluyendo ejemplos y definiciones. También cubre el valor esperado de una variable aleatoria y provee un teorema sobre distribuciones de probabilidad discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase 5

    Cargado por

    WILMOIS MASTER
    4 vistas6 páginas
    Este documento describe variables aleatorias discretas y su distribución de probabilidad, incluyendo ejemplos y definiciones. También cubre el valor esperado de una variable aleatoria y provee un teorema sobre distribuciones de probabilidad discretas.

    Descripción original:

    Estadística

    Título original

    Clase5

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe variables aleatorias discretas y su distribución de probabilidad, incluyendo ejemplos y definiciones. También cubre el valor esperado de una variable aleatoria y provee un teorema sobre distribuciones de probabilidad discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    4 vistas6 páginas

    Clase 5

    Cargado por

    WILMOIS MASTER
    Este documento describe variables aleatorias discretas y su distribución de probabilidad, incluyendo ejemplos y definiciones. También cubre el valor esperado de una variable aleatoria y provee un teorema sobre distribuciones de probabilidad discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 6

    CLASE 5

    1. Variables aleatorias discretas

    Definición: Una variable aleatoria es una función de valores reales cuyo dominio
    es un espacio muestral.

    Definición: Una variable aleatoria Y se denomina discreta si puede adoptar


    solo una cantidad finita o infinita contable de valores distintos.

    Por ejemplo una variable de interés puede ser cuantos profesores del Departa-
    mento de Computo Cientı́fico y Estadı́stica están dando clases en horario 3-4 los
    lunes. Claramente esa variable es discreta, ya que la cantidad de profesores es una
    cantidad finita.

    Definición: La probabilidad de que Y adopte el valor y, P (Y = y), se defi-


    ne como la suma de las probabilidades de los puntos muestrales de S que tienen
    asignado el valor y. A veces se representará P (Y = y) como p(y).

    Definición: La distribución de probabilidad para una variable discreta Y puede


    representar mediante una fórmula, tabla o gráfica, que proporciona p(y) = P (Y =
    y) para toda y.

    Ejemplo. El ministerio de salud analizó los pozos de un paı́s para detectar dos
    clases de impurezas (A y B) que, por lo común, contiene el agua potable. En 20 % de
    ellos no se encontró ninguna de las impurezas. En 40 % se detecto la impureza A y
    en 50 % la impureza B. (Es obvio que algunos contenı́an los dos tipos). Encuentre la
    distribución de probabilidad de Y , es decir, la cantidad de impurezas que contiene
    un pozo elegido al azar.

    Solución.
    Como la variable aleatoria Y cuenta la cantidad de impurezas que puede tener un
    pozo, entonces Y tiene tres valores posibles:
    0 en el caso que no tenga ninguna impureza.
    1 en el caso que tenga la impureza A o la impureza B.
    2 en el caso que tenga tanto la impureza A como la B.
    Es claro que

    p(0) = P (Y = 0) = 0,2

    Ahora, nos dan los porcentajes de pozos donde se consiguen las impurezas A
    y B individualmente. Es claro que si el 20 % no tiene impurezas, entonces el 80 %
    si tienen al menos una impureza (ya que es el complemento del conjunto). Como
    las impurezas A y B, individualmente, suman 90 %, entonces ese 10 % sobrante
    representa la intersección de ambos conjuntos, luego:
    1
    p(2) = P (Y = 2) = 0,1

    Luego, como la suma de las probabilidades de todo el conjunto debe ser 1, en-
    tonces

    p(1) = P (Y = 1) = 0,7

    Entonces

     0,2 si Y =0
    P (Y = y) = 0,7 si Y =1
    0,1 si Y =2

    Ejemplo. De las personas que llegan a un banco de sangre, 1 de cada 3 tiene


    tipo de sangre O+ , y 1 de cada 15 tiene sangre tipo O− . Supongamos que se eligen
    aleatoriamente a 3 donadores. Si X es la cantidad de donadores con sangre tipo O+
    y Y la de los que tienen tipo O− , encuentre las distribuciones de probabilidad de
    X y Y . Encuentre también la distribución de probabilidad para X + Y , el número
    de donadores con sangre tipo O.

    Solución.
    Comencemos viendo que la probabilidad de que una persona que llega al banco de
    sangre tenga del tipo O+ es 1/3. La variable aleatoria X puede tener los valores 0, 1,
    2 y 3; que representa la cantidad de donantes que llegan al banco con tipo de sangre
    O+ . La probabilidad de que un paciente no sea O+ es 2/3 (que es el complemento
    de la probabilidad de ser O+ ). La probabilidad de que ningún paciente tenga sangre
    O+ , es:

    222 8
    P (X = 0) = = .
    333 27
    Luego, para calcular la probabilidad de que llegue un donante con tipo de sangre
    O+ , haremos:
     
    3 122 3! 4
    P (X = 1) = =
    1 333 2!1! 27
    4 12
    =3 = .
    27 27
    Es de hacer notar que lo que se hace es, escoger uno de los tres donantes, que sera
    el que tiene tipo O+ , por ello se coloca el combinatorio de 3 en 1. La probabilidad
    de esa persona es 1/3, y las dos restantes tendrán probabilidad de 2/3. Pensando
    de la misma manera:
     
    3 112 6
    P (X = 2) = = .
    2 333 27
    Finalmente:
    111 1
    P (X = 3) = = .
    333 27
    Entonces la distribución de probabilidad de X es:


     8/27 si X =0
    12/27 si X =1

    P (X = x) =

     6/27 si X =2
    1/27 si X =3

    Realizamos el mismo proceso para hallar la distribución de Y , tomando en cuenta


    que la probabilidad de que una persona tenga tipo de sangre O− es 1/15 y la
    probabilidad de que no tenga dicho tipo de sangre es 14/15.
    14 14 14 2744
    P (Y = 0) = = .
    15 15 15 3375
     
    3 1 14 14 588
    P (Y = 1) = = .
    1 15 15 15 3375
     
    3 1 1 14 42
    P (Y = 2) = = .
    2 15 15 15 3375
    1 1 1 1
    P (Y = 3) = = .
    15 15 15 3375
    Por lo tanto la distribución de Y es:


     2744/3375 si Y =0
    588/3375 si Y =1

    P (Y = y) =
     42/3375
     si Y =2
    1/3375 si Y =3

    Supongamos ahora que Z = X + Y . Para estudiar esta variable aleatoria, de-


    bemos ver cual es la probabilidad de tener tipo de sangre O. Para ello, fijese que
    la probabilidad de que un donante tenga tipo de sangre O+ es 1/3, lo cual tam-
    bién se puede escribir como 5/15 (ambas fracciones representan el mismo número);
    mientras que la probabilidad de que un donante tenga sangre de tipo O− es 1/15.
    Por lo tanto podemos decir que la probabilidad de que un donante tenga sangre
    tipo O es 6/15. Como Z también puede tomar los valores que X y Y , entonces lo
    analizaremos de igual forma, tomando en cuenta, que la probabilidad de no tener
    tipo de sangre O es 9/15.
    3
    9 729
    P (Z = 0) = = .
    15 3375
       2
    3 6 9 1458
    P (Z = 1) = = .
    1 15 15 3375
       2
    3 6 9 972
    P (Z = 2) = = .
    2 15 15 3375
     3
    6 216
    P (Z = 3) = = .
    15 3375

    Finalmente la distribución de X + Y es:




     729/3375 si X +Y =0
    1458/3375 si X +Y =1

    P (Z = z) = P (X + Y = z) =

     972/3375 si X +Y =2
    216/3375 si X +Y =3

    Teorema: Cualquier distribución de probabilidades discreta debe satisfacer lo


    siguiente:
    0 ≤ p(y) ≤ 1 para todo valor de y.
    1. P
    2. y p(y) = 1.

    2. Valor esperado de una variable aleatoria


    Cuando se piensa en el valor esperado de una variable aleatoria, intuitivamente,
    estamos pensando en un promedio ponderado de los valores que puede tomar la
    variable y su probabilidad. Con eso en mente, se puede definir formalmente de la
    siguiente forma.

    Definición: Sea Y una variable aleatoria discreta con función de probabilidad


    p(y). Entonces, el valor esperado de Y , E(Y ), se define como:
    X
    E(Y ) = yp(y).
    y

    Si lo que se tiene no es una variable aleatoria, sino una función de ella, entonces
    el valor esperado se calcula siguiendo el próximo teorema.

    Teorema: Sea Y una variable aleatoria discreta con función de probabilidad


    p(y) y sea g(Y ) una función de valor real de Y , entonces la siguiente expresión da
    el valor esperado de g(Y )
    X
    E[g(Y )] = g(y)p(y).
    y

    Otra medida de importancia es la varianza, que se puede interpretar como la


    dispersión de los valores de la variable aleatoria respecto al valor esperado.

    Definición: La varianza de una variable aleatoria Y , con valor esperado µ, se


    define como el valor esperado de (Y − µ)2 . Es decir:

    V (Y ) = E[(Y − µ)2 ].

    La desviación estándar de Y es la raı́z cuadrada positiva de V (Y ), y usualmente


    es denotada como σ, mientras que la varianza es denotada como σ 2 .
    Ejercicio. Para el ejercicio de la cantidad de impurezas que puede tener un
    pozo, calcule su media y su varianza.

    Solución.
    Anteriormente obtuvimos que:

     0,2 si Y =0
    P (Y = y) = 0,7 si Y =1
    0,1 si Y =2

    Por lo tanto
    3
    X
    E[Y ] = ip(i) = 0(0,2) + 1(0,7) + 2(0,1) = 0,9.
    i=0
    Es decir, que en promedio esperamos tener casi una impureza.
    Para calcular la varianza usaremos

    3
    X
    2
    V (Y ) = E[(Y −µ) ] = (i−µ)2 p(i) = (0−0,9)2 (0,2)+(1−0,9)2 (0,7)+(2−0,9)2 (0,1)
    i=1
    81 2 1 7 121 1 290
    = + + = = 0,29.
    100 10 100 10 100 10 1000
    Ahora hay algunas propiedades de gran intéres acerca de el valor esperado y la
    varianza.

    Teorema: Si Y es una variable aleatoria discreta con función de probabilidad


    p(y) y c es una constante, entonces E(c) = c.

    Demostración.
    Sea g(Y ) = c, entonces
    ♦ M
    X X
    E(c) = cp(y) = c p(y) = c.
    y y
    ♦ Como c esPconstante y no depende de y, sale de la suma. M Por teorema de la
    clase anterior y p(y) = 1.

    Teorema: Si Y es una variable aleatoria discreta con función de probabilidad


    p(y), g(Y ) es una función de Y , y c es una constante, entonces

    E[cg(Y )] = cE[g(Y )].

    Demostración.
    Ejercicio.

    Teorema: Sea Y una variable aleatoria discreta con función de probabilidad


    p(y) y sean g1 (Y ), g2 (Y ), ..., gk (Y ), k funciones de Y . Entonces,

    E[g1 (Y ) + g2 (Y ) + ... + gk (Y )] = E[g1 (Y )] + E[g2 (Y )] + ... + E[gk (Y )].


    Demostración.
    Ejercicio.

    Teorema: Si Y es una variable aleatoria discreta con función de probabilidad


    p(y), entonces

    V (Y ) = σ 2 = E[(Y − µ)2 ] = E[Y 2 ] − µ2 .

    Demostración.

    V (Y ) = E[(Y − µ)2 ] = E[Y 2 − 2Y µ + µ2 ]

    Tomando en cuenta los últimos dos teoremas nos queda que:

    = E[Y 2 ] − 2µE[Y ] + µ2

    Pero como E[Y ] = µ, entonces

    = E[Y 2 ] − 2µ2 + µ2 = E[Y 2 ] − µ2 .

    Ejercicio. Sea Y una variable aleatoria discreta con valor esperado µ y varianza
    σ 2 . Si a y b son constantes demuestre que
    a) E[aY + b] = aµ + b.
    b) V (aY + b) = a2 σ 2 .

    Demostración.
    Parte a)

    Usando los teoremas anteriores

    E[aY + b] = E[aY ] + E[b] = aE[Y ] + b = aµ + b.

    Parte b)

    V (aY + b) = E[(aY + b)2 ] − (aµ + b)2 = E[a2 Y 2 + 2abY + b2 ] − (a2 µ2 + 2abµ + b2 )


    = a2 E[Y 2 ] + 2abE[Y ] + b2 − a2 µ2 − 2abµ − b2 = a2 (E[Y 2 ] − µ2 ) = a2 σ 2 .

    También podría gustarte