Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
2ESTADÍSTICA BÁSICA TEMA 4 – VARIABLES ALEATORIAS Tema 4: Variables Aleatorias 1. Introducción. 2. Variables aleatorias univariantes discretas 3. Variables aleatorias univariantes continuas 4. Medidas características de las variables aleatorias 4ESTADÍSTICA BÁSICA 1. Introducción ¿Qué es una variable aleatoria? Experimento: proceso de obtener un dato dadas unas condiciones de experimentación. La obtención de un nuevo dato, con las mismas condiciones, es una repetición del experimento Experimento aleatorio: experimento que al repetirlo no siempre se obtiene el mismo valor. Ejemplo:medir el tiempo que una máquina tarda en hacer la misma tarea, observar el valor al lanzar un dado... Variable aleatoria: es el resultado (numérico) de un experimento aleatorio. Es la variable numérica que es la respuesta de un experimento aleatorio Ejemplo: Experimento- observar el resultado de lanzar una moneda Variable aleatoria- valor que se obtiene al lanzar una moneda (variable discreta) Ejemplo: Experimento- medir el tiempo de acceso de un ordenador a una red Variable aleatoria- tiempo de acceso (variable continua) 5ESTADÍSTICA BÁSICA Variable aleatoria: es el resultado –numérico- de un experimento aleatorio ¿Cómo se define una variable aleatoria? A Definiendo el espacio muestral B Teniendo alguna función que nos ayude a asignar probabilidades a los diferentes sucesos que nos interesen (modelo de probabilidad) Experimento- observar el resultado de lanzar una moneda Variable aleatoria- valor que se obtiene al lanzar una moneda (variable discreta) Ejemplo: • Espacio muestral: {1=cara,0=cruz} • Modelo de probabilidad: P(X=1)=P(X=2)=0.5 1. Introducción 6ESTADÍSTICA BÁSICA Ejemplo: 𝑋=resultado de lanzar una moneda 𝑌=resultado de lanzar un dado NOTACIÓN: Variable aleatoria: letras mayúsculas del final del alfabeto Ejemplo: 𝑌=resultado de lanzar un dado Valores observados: a los valores observados se les denomina realizaciones de la variable aleatoria. Si lanzamos el dado 5 veces tendremos 5 realizaciones de la variable aleatoria 𝑌, por ejemplo 1,3,3,1,6. realizaciones • Cuando nos refiramos de forma genérica a un valor numérico que pueda tomar la variable aleatoria, usaremos letras minúsculas. 𝑃(𝑋 = 𝑥) es la probabilidad de que la variable aleatoria 𝑋 tome el valor 𝑥 𝑃(𝑌 = 𝑦𝑖) es la probabilidad de que la variable aleatoria 𝑌 tome el valor 𝑦𝑖 , 𝑖 = 1,2,… , 𝑛 1. Introducción Tema 4: Variables Aleatorias 1. Introducción. 2. Variables aleatorias univariantes discretas 3. Variables aleatorias univariantes continuas 4. Medidas características de las variables aleatorias 8ESTADÍSTICA BÁSICA 2. Variables aleatorias univariantes discretas Sea X una variable aleatoria cuantitativa discreta Sean 𝑥1, 𝑥2, … , 𝑥𝐾 los valores posibles que puede tomar X= valor al lanzar un dado x1=1 x2=2 X3=3 X4=4 x5=5 x6=6 X= estado aceptable/defectuoso de un artículo manufacturado x1=0 (aceptable) x2=1 (defectuoso) X= número de clientes que llegan a un puesto de servicio en una unidad de tiempo x1=0, x2=1, ... idealmente infinitos Ejemplos 9ESTADÍSTICA BÁSICA Para tener un modelo de probabilidad que asigne probabilidades a los sucesos: función de probabilidad o función de distribución A este tipo de variables aleatorias: K valores diferentes equiprobables, se les llama UNIFORMES DISCRETAS Función de probabilidad Es la función 𝑝(𝑥) de la variable aleatoria discreta X que asigna a cada valor diferente de 𝑋: 𝑥1, 𝑥2, … , 𝑥𝐾 la probabilidad de ser obtenido en una repetición del experimento aleatorio. x Ejemplo X= resultado de lanzar un dado Se tiene que 𝑥 = 1,… , 6 y cada valor es igual de probable Función de probabilidad: 𝑝(𝑥) = 1/6 para x=1,...,6. 𝑝(𝑥) 1 2 3 4 5 6 1/6 2. Variables aleatorias univariantes discretas ¿Probabilidad del suceso A: más de 2 líneas ocupadas? 𝑃(𝐴) = 𝑃[(𝑋 = 3) 𝑈 (𝑋 = 4) 𝑈 (𝑋 = 5)] = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) = 0.32 Ejemplo Una centralita telefónica tiene 5 líneas. Sea X=número de líneas ocupadas en una unidad de tiempo. Espacio muestral: X={0,1,2,3,4,5} Supongamos que la centralita recibe por término medio 2 llamadas por unidad de tiempo (y la duración de la llamada se completa en esa misma unidad de tiempo). Entonces se puede demostrar (próximo tema) que la función de probabilidad es: P(X=0)=0.14 P(X=1)=0.27 P(X=2)=0.27 P(X=3)=0.18 P(X=4)=0.09 P(X=5)=0.05 ¿Probabilidad de que haya alguna línea disponible? 10 11ESTADÍSTICA BÁSICA Función de distribución • Es una función 𝐹(𝑥) definida en toda la recta real • En cada punto 𝑥, en el dominio de la variable aleatoria 𝑋, es la probabilidad acumulada hasta es punto, es decir 𝐹 𝑥 = 𝑃 𝑋 𝑥 • 𝐹(−∞) = 0, 𝐹(+) = 1 2. Variables aleatorias univariantes discretas 𝑥1 = 1.5 Para cada valor 𝑥 de la recta real, 𝐹 𝑥 nos da la probabilidad acumulada 𝐹 1.5 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 = 0.41 𝑥2 = 4.5 Para cada valor 𝑥 de la recta real, 𝐹 𝑥 nos da la probabilidad acumulada 𝐹 4.5 = 𝑃 𝑋 = 0 + 𝑃 𝑥 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 + 𝑃(𝑋 = 4) = 0.95 X= número de líneas ocupadas en una unidad de tiempo 14 x p(x) F(x) 0 0.14 0.14 1 0.27 0.41 2 0.27 0.68 3 0.18 0.86 4 0.09 0.95 5 0.05 1 Para cada uno de los sucesos elementales, F(x) se obtiene sumando p(x) hasta ese número. F(2)=0.68 Para obtener F(x) en variables discretas (finitas) lo más cómodo puede ser hacer esta tabla X= número de líneas ocupadas en una unidad de tiempo 15 x p(x) F(x) 0 0.14 0.14 1 0.27 0.41 2 0.27 0.68 3 0.18 0.86 4 0.09 0.95 5 0.05 1 Para cada cualquier otro valor que no sea suceso elemental es también la suma de p(x) hasta ese valor F(3.5)=0.86 x=3.5 Para obtener F(x) en variables discretas (finitas) lo más cómodo puede ser hacer esta tabla 0.14 si x=0 0.27 si x=1 0.27 si x=2 0.18 si x=3 0.09 si x=4 0.05 si x=5 p(x) Función de probabilidad X= número de líneas ocupadas en una unidad de tiempo Función de distribución 𝐹(𝑥) = 𝑃(𝑋𝑥) 0𝑠𝑖 𝑥 < 0, pues 𝑃(𝑋 0) = 0 0.14 𝑠𝑖 0 ≤ 𝑥 < 1, pues 𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑋 < 0) + 𝑃(𝑋 = 0) 0.41 𝑠𝑖 1 ≤ 𝑥 < 2, pues 𝑃(𝑋 𝑥) = 𝑃(𝑋 < 1) + 𝑃(𝑋 = 1) 0.68 𝑠𝑖 2 ≤ 𝑥 < 3, pues 𝑃(𝑋 𝑥) = 𝑃(𝑋 < 2) + 𝑃(𝑋 = 2) 0.86𝑠𝑖 3 ≤ 𝑥 < 4, pues 𝑃(𝑋 𝑥) = 𝑃(𝑋 < 3) + 𝑃(𝑋 = 3) 0.95𝑠𝑖 4 ≤ 𝑥 < 5, pues 𝑃(𝑋 𝑥) = 𝑃(𝑋 < 4) + 𝑃(𝑋 = 4) 1.00 𝑠𝑖 𝑥 ≥ 5 16 Tema 4: Variables Aleatorias 1. Introducción. 2. Variables aleatorias univariantes discretas 3. Variables aleatorias univariantes continuas 4. Medidas características de las variables aleatorias 18ESTADÍSTICA BÁSICA 3. Variables aleatorias univariantes continuas Con variables cuantitativas continuas: infinitos valores posibles • 𝑃(𝑋 = 𝑥) = 0 siempre • Sólo interesa probabilidad de valores en un intervalo 𝑃(𝑋 > 𝑎), 𝑃(𝑎 < 𝑋 < 𝑏)… Ejemplos • X=valor seleccionado al azar en el intervalo [3,4], 𝑃(𝑋 = 𝜋) = 1/∞ = 0 𝑃(𝑋 < 3.5) = 0.5 • X= longitud de una pieza • X= tiempo en ejecutar una tarea • X= tiempo entre la llegada de dos clientes consecutivos uniforme continua 3 4 Para calcular probabilidades: función de densidad y función de distribución Área bajo 𝑓(𝑥)=PROBABILIDAD La función de densidad 𝑓(𝑥) es una función matemática tal que f(x): función de densidad de probabilidad de la variable aleatoria X en el punto x. Su valor es tanto mayor cuanto más probable sea obtener valores en un entorno de dicho punto x Función de densidad Intuitivamente, puede considerarse 𝑓(𝑥) 𝑑𝑥 como la probabilidad de X de caer en el intervalo infinitesimal [x, x + dx]. 𝑓 𝑥 ≥ 0 20ESTADÍSTICA BÁSICA Es como el polígono de frecuencia ‘límite’ en un histograma con infinitos datos Cuantos más datos se tenga: • se pueden hacer más intervalos • el polígono es más suave 3. Variables aleatorias univariantes continuas 21ESTADÍSTICA BÁSICA • Histograma o polígono: Describe sólo a los n datos observados(MUESTRA) Es la frecuencia de cada uno de los k intervalos • Función de densidad: Describe a TODA LA POBLACIÓN Es la densidad de probabilidad o probabilidad por unidad de medida en cada punto (unidades distintas que el histograma) Diferencias: 3. Variables aleatorias univariantes continuas 22ESTADÍSTICA BÁSICA Ejemplo X=longitud de una pieza manufacturada ¿Cuánto debe valer k? 0 0 X 3. Variables aleatorias univariantes continuas 23ESTADÍSTICA BÁSICA Ejemplo X=longitud de una pieza manufacturada 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Función de densidad f(x) x Si la pieza es aceptable cuando está en el intervalo [1.7;2.4] ¿Qué porcentaje de piezas defectuosa se fabrican? 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Función de densidad f(x) x PIEZAS VÄLIDAS PIEZAS DEFECTUOSAS PIEZAS DEFECTUOSAS X 3. Variables aleatorias univariantes continuas 24ESTADÍSTICA BÁSICA Para calcular probabilidades: función de densidad y función de distribución Función de distribución 𝑭(𝒙) Tiene la misma definición que en el caso discreto 3. Variables aleatorias univariantes continuas A partir de 𝑓 𝑥 podemos obtener 𝐹(𝑥) y viceversa. Es la misma información con diferente expresión. Si tenemos 𝐹(𝑥) es muy sencillo calcular probabilidades. No hace falta integrar, pues 𝐹(𝑥) ya es una integral. 25ESTADÍSTICA BÁSICA x 0.45 x 0.45 f(x) 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) 3. Variables aleatorias univariantes continuas න −∞ 𝒙 𝒇 𝒗 𝒅𝒗 = 𝟎. 𝟒𝟓 𝐹 𝑥 ya me da la integral; la probabilidad de tener valores menores o iguales a 𝑥. 𝑭(𝒙) = 𝟎. 𝟒𝟓 Tema 4: Variables Aleatorias 1. Introducción. 2. Variables aleatorias univariantes discretas 3. Variables aleatorias univariantes continuas 4. Medidas características de las variables aleatorias 27ESTADÍSTICA BÁSICA 4. Medidas características de las v. aleatorias Buscamos medidas que resuman algunas características de la variable aleatoria 4.1 Medidas de centralización 4.2 Medidas de dispersión 1. Media 2. Mediana 3. Moda 1. Varianza 2. Cuartiles 4.3 Efectos de las transformaciones lineales 28ESTADÍSTICA BÁSICA 4.1 Medidas de centralización 1. Media, Esperanza matemática, E(X), μ Es el promedio de los infinitos datos que forman la población • Los infinitos datos que se obtendrían de extraer infinitas realizaciones de la variable • Los infinitos datos que se obtienen de repetir el experimento aleatorio infinitas veces • ¿Cómo lo podemos hacer? V. aleatorias discretas: En el Tema 1: para el cálculo de la media de un conjunto de datos que repiten sus valores ... 𝑥1 se repite 𝑛1 veces 𝑥2 se repite 𝑛2 veces ... 𝑥𝐽 se repite 𝑛𝐽 veces Donde 𝑓𝑟(𝑥𝑗) es la frecuencia relativa del valor 𝑥𝑗 ҧ𝑥 = 𝑗=1 𝐽 𝑥𝑗𝑓𝑟(𝑥𝑗) 29ESTADÍSTICA BÁSICA 1. Media, Esperanza matemática, E(X), μ Es el promedio de los infinitos datos que forman la población ¿Cómo lo podemos hacer? V. aleatorias discretas: Sea X una variable aleatoria cuantitativa discreta. Sean x1,x2,...,xK los valores distintos que puede tomar Una centralita telefónica tiene 5 líneas. Sea X=número de líneas ocupadas. Espacio muestral: X={0,1,2,3,4,5} Ejemplo 0.14 si x=0 0.27 si x=1 0.27 si x=2 0.18 si x=3 0.09 si x=4 0.05 si x=5 p(x) 0.14 0.27 0.( ) 1.9627 0.18 0.09 0.050 1 2 3 4 5E X 4.1 Medidas de centralización 30ESTADÍSTICA BÁSICA 1. Media, Esperanza matemática, E(X), μ V. aleatorias discretas: V. aleatorias continuas: Ejemplo: Sea X una v. aleatoria continua definida en (0,1) con 4.1 Medidas de centralización 31ESTADÍSTICA BÁSICA 1. Media, Esperanza matemática, E(X), μ Es el centro de gravedad de la población 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 1.96 3/5=0.6 4.1 Medidas de centralización 32ESTADÍSTICA BÁSICA 1. Media, Esperanza matemática, E(X), μ Algunas propiedades (similares a la media muestral): 4.1 Medidas de centralización 33ESTADÍSTICA BÁSICA 2. Mediana La mediana de X es el valor xm que deja a cada lado el 50% de la población (la probabilidad a cada lado es 0.5) F(xm )=P(X xm )=0.50 Ejemplo: Sea X una v. aleatoria continua en (0,1) de densidad f(x)=2x 0 1 0.5 0.5 1 2 f(x) x 4.1 Medidas de centralización En distribuciones discretas, es el mínimo valor tal que 𝑃 𝑋 ≤ 𝑥𝑚 ≥ 0.5 34ESTADÍSTICA BÁSICA 3. Moda La moda de X es el valor x que maximiza 𝑝(𝑥) o 𝑓(𝑥) x p(x) moda 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 moda x f(x) 4.1 Medidas de centralización 4.2 Medidas de dispersión Varianza de un conjunto de datos: Media muestral de las desviaciones cuadráticas a la media muestral Varianza de una variable aleatoria: (varianza de toda la población) Esperanza de las desviaciones cuadráticas a la esperanza Desviación típica= 𝜎 ; Coeficiente de variación= 𝜎/|𝜇| Variable aleatoria… 𝑋 Desviación a la media… 𝑋 − 𝜇 al cuadrado... (𝑋 − 𝜇)2 Su media, o esperanza, es la varianza 𝜎2 = 𝐸[ 𝑋 − 𝜇 2] Su media o esperanza… 𝐸(𝑋) = 𝜇 1. Varianza, var(X), 𝝈𝟐 Es un concepto análogo al de la varianza de una muestra de datos, pero extendido a todos los elementos de la población 36ESTADÍSTICA BÁSICA ¿Cómo calcular la varianza a partir de 𝑝(𝑥) o 𝑓(𝑥)? 𝜎2 = 𝐸[ 𝑋 − 𝜇 2] = 𝐸 𝑋 − 𝐸 𝑋 2 𝐸(𝑋) = 𝜇 𝑔(𝑋) = 𝑋 − 𝜇 2 ** propiedad de la esperanza matemática ** 4.2 Medidas de dispersión Ejemplo: Sea X una v. aleatoria continua definida en (0,1) con X= número de líneas ocupadas. X={0,1,2,3,4,5}.Ejemplo: 0.14 si x=0 0.27 si x=1 0.27 si x=2 0.18 si x=3 0.09 si x=4 0.05 si x=5 p(x) ( ) 0 0.14 1 0.27 2 0.27 3 0.18 4 0.09 5 0.05 1.96E X 2 2 2 2 2 2 0.14 0.27 0.27( ) ( 1.96) ( 1.96) ( 1.96) ( 1.96) ( 1.96)0.18 ( 1.96) 0 1 2 3 0.09 0.05 1 25 .84 Var X 38ESTADÍSTICA BÁSICA 2. Cuartiles Q1, Q2, Q3 Son los valores que dividen la población en grupos de probabilidad 0.25 Se calculan de forma análoga a la mediana (Q2). Es decir: F(Q1)=0.25;F(Q3)=0.75 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 x 𝑓(𝑥) 0.25 0.25 0.25 0.25 Q1 Q2 Q3 4.2 Medidas de dispersión En distribuciones discretas, es el mínimo valor tal que 𝑃 𝑋 ≤ 𝑄1 ≥ 0.25. Se razona de manera análoga para los demás cuartiles. 39ESTADÍSTICA BÁSICA 2. Cuartiles Q1, Q2, Q3 4.2 Medidas de dispersión En distribuciones discretas, 𝑄1es el mínimo valor tal que 𝑃 𝑋 ≤ 𝑄1 ≥ 0.25. Se razona de manera análoga para los demás cuartiles y percentiles. 0.25 𝑄1 = 1 𝑄2 = 2 𝑄3 = 3 0.50 0.75 Percentil 10=0 Percentil 35=1 Percentil 40=1 Percentil 85=3 41ESTADÍSTICA BÁSICA 4.3 Efectos de las transformaciones lineales La esperanza es una suma, es por tanto un operador lineal similar a la media muestral y la varianza muestral 42ESTADÍSTICA BÁSICA ¿Por qué? SE puede demostrar queb Si X e Y son independientes… Estos resultados son de interés teórico para los próximos temas 4.3 Efectos de las transformaciones lineales Sean 𝑋1, 𝑋2, … , 𝑋𝑛 un conjunto de variables aleatorias independientes de varianza 𝜎𝑖 2, 𝑖 = 1,2, … , 𝑛. Entonces se cumple que 𝑣𝑎𝑟 𝑖 𝑋𝑖 = 𝑖 𝑣𝑎𝑟(𝑋𝑖) = 𝑖 𝜎𝑖 2
Compartir