Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
EAS200a - Probabilidad y Estad́ıstica R. Aguila - M. I Vicuña - O. Ferreiro 2o Semestre 2017 Caṕıtulo 2 : , 1 Contenido � Variables Aleatorias y Distribución de Probabilidad Introduccción Eventos Aleatorios y Variables Aleatorias Distribución de Probabilidades de una Variable Aleatoria Medidas Descriptivas de Variables Aleatorias Función Generadora de Momentos � Funciones de Variables Aleatorias Introducción Función de Probabilidad y de Densidad : , 2 Variables Aleatorias y Distribución de Probabilidad Introducción Ya vimos los conceptos fundamentales y las herramientas referidas a la ocurrencia de fenómenos aleatorios y la determinación de las probabilidades asociadas. Ahora, introduciremos modelos anaĺıticos que involucran: Variables Aleatorias y Distribución de Probabilidad : , 3 Variables Aleatorias y Distribución de Probabilidad Eventos Aleatorios y Variables Aleatorias Una variable aleatoria es el veh́ıculo matemático para representar un evento en términos anaĺıticos. El valor de una variable aleatoria puede estar definida para un conjunto de posibles valores. Si X es una variable aleatoria, entonces X = x , X < x , X > x representa un evento, donde (a < x < b) es el rango de valores posibles de X . La asignación numérica puede ser natural o artificial. : , 4 Variables Aleatorias y Distribución de Probabilidad Eventos Aleatorios y Variables Aleatorias Formalmente, una variable aleatoria puede ser considerada como una función o regla sobre los eventos elementales (resultados básicos) del espacio muestral a un sistema numérico (o ĺınea real). Por medio de la variable aleatoria, probabilidades de sucesos contenidos en el espacio muestral, se pueden calcular mediante probabilidades de eventos (sucesos) contenidos en el soporte (recorrido) de la variable aleatoria: : , 5 Variables Aleatorias y Distribución de Probabilidad Eventos Aleatorios y Variables Aleatorias Aśı, los eventos E1 y E2 pueden corresponder a E1 = (a < X ≤ b) E2 = (c < X ≤ d) E1 ∪ E2 = (X ≤ a) ∪ (X > d) E1 ∩ E2 = (c < X ≤ b) Una variable aleatoria puede ser discreta o continua. : , 6 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Para los valores o rango de valores que puede tomar una variable aleatoria tienen asociados una probabilidad especifica o medidas de probabilidad. La regla que asigna las medidas de probabilidad se denomina: “Distribución ó Ley de probabilidad” : , 7 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ilustración Una empresa bancaria portuguesa quiere ofrecerles a sus clientes un depósito a plazo. Para ello, realiza una campaña de marketing basado en llamadas telefónicas. A menudo, se requiere más de una llamada con el mismo cliente, con el fin de acceder al producto. Los datos son recolectados entre los años 2008 a 2013, y consta de n = 41188 clientes. El objetivo es poder predecir si el cliente suscribirá (śı / no) a un depósito a plazo a partir de diferentes variables (Por ejemplo, Edad, trabajo, Estado Civil, Educación, contacto (”celular”, ”teléfono”), duración de la última llamada, número de llamadas realizadas antes de la campaña de marketing, entre otras) (http://archive.ics.uci.edu/ml/datasets/Bank+Marketing) : , 8 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Por ejemplo, consideremos el número de llamadas realizadas a un cliente antes de la campaña de Marketing 0.0 0.2 0.4 0.6 0.8 1.0 F re cu e n ci a R e la tiv a 0 1 2 3 4 5 6 7 Un modelo de probabilidad muy usual para este tipo de datos es el llamado modelo Poisson, que contabiliza eventos en el tiempo. : , 9 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria 0.0 0.2 0.4 0.6 0.8 1.0 Fr ec ue nc ia R el at iv a 0 1 2 3 4 5 6 7 : , 10 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Pero si ahora, consideramos la duración de la última llamada (en segundos), tenemos un caso continuo. Duración de la última llamada (segundos) D en si da d 0 500 1000 1500 2000 2500 0. 00 00 0. 00 10 0. 00 20 Este comportamiento puede ser descrito con una función de densidad del modelo Exponencial. : , 11 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Duración de la última llamada (segundos) D en si da d 0 500 1000 1500 2000 2500 0. 00 00 0. 00 10 0. 00 20 : , 12 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Si X es variable aleatoria, la distribución de probabilidad puede ser descrita por su función de distribución de probabilidad acumulada denotada por: FX (x) = P(X ≤ x) para todo x ∈ R Si X es variable aleatoria discreta, entonces esta función puede ser expresada a través de la función de probabilidad “puntual” denotada por pX (x) = P(X = x) Aśı, FX (x) = ∑ xi≤x P(X = xi ) = ∑ xi≤x pX (xi ), con xi ∈ ΘX (soporte de X ). : , 13 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ahora, si X es variable aleatoria continua, las probabilidades están asociadas a intervalos de x . En este caso se define la función de densidad fX (x) tal que P(a < X ≤ b) = ∫ b a fX (x) dx (1) y FX (x) = P(X ≤ x) = ∫ x −∞ fX (t) dt con fX (x) = d dx FX (x) Notar que P(X = x) = 0 : , 14 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Caso Discreto y Continuo p X (x ) 0 x10x1 x2 x3 x4 x5 x6 x7 x8 x9 0 1 f X (x ) 0 0 Area = 1 F X (x ) 0 x10x1 x2 x3 x4 x5 x6 x7 x8 x9 0 1 F X (x ) 0 1 0 : , 15 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Caso Mixto x f X (x ) ó p X (x ) ● 0 p 0 Area = 1−p x F X (x ) ● 0 p 1 0 : , 16 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Propiedades 1. FX (−∞) = 0 y FX (∞) = 1. 2. FX (x) ≥ 0 para todo valor de x y es no decreciente. 3. FX (x) es continua por la derecha Para el caso continuo, la ecuación (1) la podemos escribir como P(a < X ≤ b) = ∫ b −∞ fX (x) dx − ∫ a −∞ fX (x) dx mientras que en el caso discreto P(a < X ≤ b) = ∑ xi≤b pX (xi )− ∑ xi≤a pX (xi ) es decir, para ambos casos P(a < X ≤ b) = FX (b)− FX (a) : , 17 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 1 Consideremos el lanzamiento de una moneda honesta tres veces y definamos la variable aleatoria X como el número de sellos que se pueden obtener. Los posibles resultados de este experimento son: {X = 0}, {X = 1}, {X = 2}, {X = 3} : , 18 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 1 (a) Determine la función probabilidad de la variable X . Graf́ıquela. (b) Determina la función de distribución de probabilidad acumulada de X . Graf́ıquela. : , 19 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 1 0.0 0.2 0.4 0.6 0.8 1.0 x P (X = x) ● ● ● ● 0 1 2 3 : , 20 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 1 0.0 0.2 0.4 0.6 0.8 1.0 x F X (x )= P (X ≤ x) −1 0 1 2 3 4 : , 21 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 2 La vida útil, T (en horas) de un componente eléctrico no es totalmente predecible, pero puede ser descrita por una distribucióncuya función de densidad es de la siguiente forma: fT (t) = λ e −λ t , t ≥ 0 0, en otro caso en que λ es una constante positiva. Esta distribución se conoce como distribución Exponencial. : , 22 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 2 0 10 20 30 40 50 0.00 0.05 0.10 0.15 0.20 0.25 Value of T P D F o f T : , 23 Variables Aleatorias y Distribución de Probabilidad Distribución de Probabilidades de una Variable Aleatoria Ejemplo 2 −10 0 10 20 30 40 50 0.0 0.2 0.4 0.6 0.8 1.0 Value of T C D F o f T : , 24 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Una variable aleatoria puede ser descrita totalmente por su función de distribución de probabilidad o de densidad, o bien por su función de distribución de probabilidad acumulada. Sin embargo, en la práctica la forma exacta puede no ser totalmente conocida. En tales casos se requieren ciertas “medidas” para tener una idea de la forma de la distribución: I Medidas Centrales. I Medidas de Dispersión. I Medidas de Asimetŕıas y otras. En este curso nos enfocaremos en las dos primeras. : , 25 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Valores Centrales En el rango de posibles valores de una variable aleatoria, existe un interés natural con respecto a los valores centrales, por ejemplo, el promedio. Consideremos una variable aleatoria X con soporte ΘX . Como cada valor de ΘX tiene una medida de probabilidad, el promedio ponderado es de especial interés. : , 26 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Valores Centrales A el promedio ponderado se le llama también valor medio o valor esperado de la variable aleatoria X . Para una variable aleatoria X se define el valor esperado, µX , como: µX = E(X ) = ∑ x∈ΘX x · pX (x), Caso Discreto ∫ ∞ −∞ x · fX (x) dx , Caso Continuo Este valor existe siempre y cuando∑ x∈ΘX |x | · pX (x) <∞ o ∫ ∞ −∞ |x | · fX (x) dx <∞ : , 27 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Otras medidas de centralidad corresponden: I La Moda: Valor más frecuente o con mayor probabilidad. I La Mediana: Sea xmed el valor que toma la mediana, entonces: FX (xmed) = 1/2 En resumen, el valor esperado de una variable aleatoria es un valor promedio que puede ser visto como un indicador del valor central de la distribución de probabilidad, por esta razón se considera como un parámetro de localización. Por otra parte, la mediana y la moda de una distribución también son parámetros de localización que no necesariamente son iguales a la media. Cuando la distribución es simétrica, estas tres medidas son parecidas. : , 28 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Esperanza matemática La noción del valor esperado como un promedio ponderado puede ser generalizado para funciones de la variable aleatoria X . Dada una función g(X ), entonces el valor esperado de esta puede ser obtenido como: E[g(X )] = ∑ x∈ΘX g(x) · pX (x), Caso Discreto ∫ ∞ ∞ g(x) · fX (x) dx , Caso Continuo (2) Nota: La demostración de este resultado se realizará más adelante. : , 29 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Función Generadora de Momentos La función generadora de momentos de una variable aleatoria X se define como MX (t) = E[exp(t X )] Esta función puede no estar definida para algunos valores de t, pero si existe en un intervalo abierto que contenga al cero, entonces esta función tiene la propiedad de determinar la distribución de probabilidad de X . Cuando esto último ocurra, esta función permite obtener el r -ésimo momento de X de la siguiente forma M(r)(0) = E(X r ) : , 30 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Medidas de dispersión Es de interés cuantificar el nivel de dispersión que tienen una variable aleatoria con respecto a un valor de referencia. Por ejemplo, nos podŕıa interesar la distancia esperada de los valores de una variable aleatoria X con respeto al valor esperado µX , es decir, E [(X − µX )]. Esta idea de dispersión tiene el problema que siempre da como resultado cero. : , 31 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Medidas de dispersión Una alternativa es utilizar la definición de varianza: σ2X = Var(X ) = E[(X − µX )2] = ∑ x∈ΘX (x − µX )2 · pX (x), Caso Discreto ∫ ∞ ∞ (x − µX )2 · fX (x) dx , Caso Continuo Ejercicio: Mostrar que Var(X ) = E (X 2)− µ2X . : , 32 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias En términos de dimensionalidad, es conveniente utilizar la desviación estándar, es decir, σX = √ Var(X ) Una medida adimensional de la variabilidad es el coeficiente de variación δX = σX |µX | : , 33 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Ejemplo 3 Suponga que en un d́ıa se producen 850 piezas manufacturadas de las cuales 50 no cumplen con los requisitos del cliente.Se seleccionan del lote dos piezas y sin reemplazo. Sea X la v.a que representa el número de piezas en la muestra que no cumplen los requisitos. (a) Calcule por definición E(X ) y V(X ) (b) Calcule la mediana de X (c) Calcule la función generadora de momentos de X y a partir de ella calcule E(X ) y V(X ) : , 34 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Ejemplo 4 Valor esperado, mediana, varianza y coeficiente de variación de la variable aleatoria T propuesta en el Ejemplo 2. : , 35 Variables Aleatorias y Distribución de Probabilidad Medidas Descriptivas de Variables Aleatorias Propiedades de E(X) y V(X) Sean a y b constantes cualesquiera y sea X una variable aleatoria. Propiedades de E(X ) I E(a) = a I E(aX ) = aE(X ) I E(a + bX ) = a + bE(X ) Propiedades de Var(X ) I Var(X ) ≥ 0 I Var(a) = 0 I Var(bX ) = b2Var(X ) I Var(a + bX ) = b2Var(X ) : , 36 Funciones de Variables Aleatorias Introducción En diversas áreas a menudo los problemas involucran la determinación de relaciones funcionales entre una variable dependiente y dos o más variables independientes. Si una de las variables independientes o más son aleatorias, la variable dependiente será aleatoria. Por tanto, su distribución de probabilidades y momentos (media, varianza) deben ser obtenidas a partir de la o las variables aleatorias básicas. : , 37 Funciones de Variables Aleatorias Introducción Por ejemplo, I El Índice de masa corporal IMC es una variable que se construye a partir de dos variables aleatorias X (Estatura) e Y (Peso). I El Índice bursátil Dow Jones es un ı́ndices que muestra un conjunto de 30 diferentes acciones bursátiles de los mercados de Estados Unidos, calculados por la empresa Dow Jones & Company. Cada una de las acciones es una variable aleatoria. por lo tanto el ı́ndice también lo es. : , 38 Funciones de Variables Aleatorias Función de Probabilidad Considere una función de una variable aleatoria X discreta, Y = g(X ) Si Y = y , entonces X = g−1(y) donde g−1 es la función inversa de g . En el caso que g−1 tenga ráız única, se tiene la función de probabilidad de Y es P(Y = y) = P ( X = g−1(y) ) : , 39 Funciones de Variables Aleatorias Función de Probabilidad En el caso, en que g−1(y) no tiene solución única, es decir, g−1(y) = x1, x2, . . . , xk , Entonces (Y = y) = k⋃ i=1 (X = xi ) Entonces P(Y = y) = k∑ i=1 P(X = g−1i (y)) : , 40 Funciones de Variables Aleatorias Función de Probabilidad Ejemplo5 Sea X una variable aleatoria que toma los valores −3,−2,−1, 0, 1, 2, 3 con la misma probabilidad. Determine la función de probabilidad de la v.a Y = X 2 − X : , 41 Funciones de Variables Aleatorias Introducción En el caso en que X es una v.a continua, se verán tres métodos que permiten determinar la distribución de una función de una variable aleatoria, Y = g(X ). I Método de la función de distribución acumulada I Método del teorema de transformación I Método de las funciones generadoras de momentos : , 42 Funciones de Variables Aleatorias Método de la función de distribución acumulada Suponga que X = g−1(Y ) tiene una única ráız I Se determina la función acumulada de Y , FY (y) = P(Y ≤ y) = P(g(X ) ≤ y) = FX (g −1(y)) si g(·) creciente 1− FX (g−1(y))) si g(·) decreciente I Luego la función de densidad de Y : fY (y) se obtiene derivando FY (y) con respecto a y : , 43 Funciones de Variables Aleatorias Método de la función de distribución acumulada Ejemplo Se realizó un estudio para determinar el comportamiento del ingreso total por hogar. Un análisis a los hogares cuyo ingreso fue menor a tres millones de peso, determinó que estos pueden ser representados por una distribución continua cuya función de densidad está dada por: fX (x) = e−x 1− e−3 0 ≤ x ≤ 3 0 en otro caso Por otra parte, el gasto familiar Y (en millones de pesos) está relacionado de la siguiente manera con el ingreso total X : Y = 7X 1 + 2X Determine la función de densidad del gasto familiar, especificando su soporte (o recorrido). : , 44 Funciones de Variables Aleatorias Método del teorema de transformación Este método es una consecuencia del método anterior, independiente de si g(·) es creciente o decreciente, obteniendose que fY (y) se calcula mediante fY (y) = ∣∣∣∣ ddy g−1(y) ∣∣∣∣ fX (g−1(y)) : , 45 Funciones de Variables Aleatorias Método del teorema de transformación Note que si g(·) es creciente, entonces FY (y) = FX (g −1(y)) Luego fY (y), se obtiene a través de fY (y) = d dy FY (y) = fX (g −1(y)) d dy g−1(y) Si g(·) es decreciente entonces FY (y) = 1− FX (g−1(y))) Luego, fY (y) = d dy FY (y) = −fX (g−1(y)) d dy g−1(y) : , 46 Funciones de Variables Aleatorias Método del teorema de transformación Note que para ambos casos (creciente o decreciente) se obtiene la misma función de densidad Y , ya que en el caso de g(·) decreciente se tiene que d dy g −1(y) es negativa. Por lo tanto, para g(·) creciente o decreciente para todo y se tiene que la función de densidad se calcula por fY (y) = ∣∣∣∣ ddy g−1(y) ∣∣∣∣ fX (g−1(y)) : , 47 Funciones de Variables Aleatorias Método del teorema de transformación En el caso en que g−1(y) tenga más de una inversa, g−1(y) = x1, x2, . . . , xk , Entonces (Y = y) = k⋃ i=1 (X = xi ) Entonces fY (y) = k∑ i=1 fX (g −1 i (y)) ∣∣∣∣ ddy g−1(y) ∣∣∣∣ : , 48 Funciones de Variables Aleatorias Método de la función de distribución acumulada Ejemplo En el ejemplo anterior calcule la función de densidad de Y utilizando el método del teorema de transformación. : , 49 Funciones de Variables Aleatorias Método de las funciones generadoras de momentos Este método se basa en el teorema de Unicidad, el cual afirma que si dos variables aleatorias tienen funciones generadoras de momentos idénticas, las dos variables aleatorias poseen las misma distribuciones de probabilidad. : , 50 Variables Aleatorias y Distribución de Probabilidad Introduccción Eventos Aleatorios y Variables Aleatorias Distribución de Probabilidades de una Variable Aleatoria Medidas Descriptivas de Variables Aleatorias Función Generadora de Momentos Funciones de Variables Aleatorias Introducción Función de Probabilidad y de Densidad
Compartir