Funciones de una variable aleatoria Funciones de una variable aleatoria(cont)

Sea X una variable aleatoria de la que conocemos su distribución de probabilidad. Nos El planteamiento más general supone que Y = g(X), siendo g cualquier
interesa estudiar una función, Y = g(X). función que verifique que Y es una variable aleatoria. Dos casos particulares:
Dependiendo del tipo de variable aleatoria que sea X, así es Y . Si X es discreta, Y es •Caso 1: Y = aX + b
discreta. Si X es continua, Y puede ser discreta o continua.
•Caso 2: Y = aX 2
EJEMPLO 3.15: Sea X: número de canales emitiendo en un instante determinado en un
sistema de comunicación. Se sabe que el coste de emisión de cada canal, en un Caso 1: Lo veremos en un ejemplo.
instante determinado, es de 10 euros si el canal está emitiendo y de 2 euros si el canal
Caso 2:
no está emitiendo. Estudiar la variable aleatoria Y : coste de emisión del sistema de
comunicación en un instante determinado.


La variable Y es discreta, el conjunto de valores que toma es finito y viene determinado FY (y) = P (Y ≤ y) = P aX 2 ≤ y =
por los valores que toma X. En concreto,       
1 y y y
•P (Y = 6) = P (X = 0) = , = P |X| ≤ =P − ≤X≤ =
8 a a a
•si X = 0, Y = 6, 3     
•si X = 1, Y = 14, •P (Y = 14) = P (X = 1) = , y y
=⇒ 8 = FX − FX −
•si X = 2, Y = 22, 3 a a
•P (Y = 22) = P (X = 2) = ,
•si X = 3, Y = 30. 8
1 
•P (Y = 30) = P (X = 3) = . y
8 siempre y cuando tenga sentido calcular .
a
Tema 3: Variables aleatorias unidimensionales – p.1 Tema 3: Variables aleatorias unidimensionales – p.2

Esperanza de una v.a Esperanza de una v.a(cont)

Si X es una variable aleatoria discreta, llamamos esperanza EJEMPLO 3.16:

matemática o media de la variable aleatoria X al valor Sea X la variable aleatoria discreta, X: número de canales emitiendo en un instante
determinado cuya distribución de probabilidad es:

µ = E [X] = xi pi xi pi
i∈I 0 1/8
1 3/8
siempre que exista.
2 3/8
Si X es una variable aleatoria continua llamamos esperanza 3 1/8
matemática o media de la variable aleatoria X al valor
La esperanza de esta variable es:
 ∞ 3 3 1 3
µ = E [X] = xf (x)dx E [X] = 0·P (X = 0)+1·P (X = 1)+2·P (X = 2)+3·P (X = 3) = +2· +3· =
8 8 8 2
−∞
Este valor representa el número medio de canales emitiendo en un instante
siempre que exista. determinado.

Tema 3: Variables aleatorias unidimensionales – p.3 Tema 3: Variables aleatorias unidimensionales – p.4
 Ejemplo 3.17 Propiedades

Sea Z la variable aleatoria continua, cuya función de Teorema: Sea X una variable aleatoria cualquiera y sea Y = g(X) una
densidad está en el problema 3.11, Z : tiempo, en transformación de X tal que Y es una variable aleatoria. Entonces,
segundos, entre peticiones consecutivas a un servidor ⎧ ∞
⎪ 
⎨ g(xi )pi si X es discreta
de páginas Web. E [g(X)] = i=1
⎪
⎩ ∞ g(x)f (x)dx si X es continua
 ∞  ∞ −∞
1 z
E [Z] = zf (z)dz = z e− 2 dz = 2
−∞ 0 2 Propiedad:
Sea X una variable aleatoria cualquiera y sea g(X) = aX +b con a y b números
Este resultado nos indica que el tiempo medio entre reales. Entonces,
dos peticiones consecutivas al servidor es de 2 E [aX + b] = aE [X] + b
segundos.
Demostración: Supongamos que X es continua con densidad asociada f .
Entonces,

 ∞  ∞  ∞
E [aX + b] = (ax + b) f (x)dx =a xf (x)dx+b f (x)dx = aE[X] + b
−∞ −∞ −∞
Tema 3: Variables aleatorias unidimensionales – p.5 Tema 3: Variables aleatorias unidimensionales – p.6

Mediana Moda

Llamamos mediana de X, y lo denotamos Me, a un valor que verifica Sea X una variable aleatoria cualquiera. Llamamos
moda de la variable aleatoria X y lo denotamos Mo, a
1 1
P (X < M e) ≤ y P (X ≤ M e) ≥
2 2 
En el caso de que esta condición la verifiquen todos los valores de un intervalo, xM o / pM o = max {pi } X discreta
Mo =
consideraremos por convenio que la mediana es el punto medio de dicho intervalo.
x / f (x) es máxima X continua
EJEMPLO 3.18 Sea X una variable aleatoria discreta cuya función de distribución es:
⎧
⎪
⎪ 0 x < −1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ 1
⎪
⎪
⎪
⎪ −1 ≤ x < 2
⎨ 4
F (x) =
⎪
⎪
⎪
⎪ 7
⎪
⎪ 2≤x<3
⎪
⎪ 8
⎪
⎪
⎪
⎪
⎪
⎪
⎩
1 x≥3

Me = 2.
Tema 3: Variables aleatorias unidimensionales – p.7 Tema 3: Variables aleatorias unidimensionales – p.8
 Varianza Varianza(cont)

Sea X una variable aleatoria cualquiera con media µ y sea g(X) = (X − µ)2 . EJEMPLO 3.19: Calculo de la varianza de la variable X: número de canales
Llamamos varianza de Xal valor emitiendo en un instante determinado. Su distribución de probabilidad es:
 
V (X) = µ2 = E (X − µ)2 xi pi
0 1/8
siempre y cuando exista E[X 2 ]. A menudo a la varianza se la denota por σ 2 .
1 3/8
Propiedades de la varianza de una variable aleatoria X
2 3/8
V (X) ≥ 0.
  3 1/8
V (X) = E X 2 − (E [X])2 (forma de cálculo de la varianza).
3  
V (aX + b) = a2 V (X) ∀a, b ∈ R. Ya hemos calculado que E [X] = . Calculamos ahora el término E X 2 .
2
Demostración Sea Y la variable aleatoria
 Y = aX +b.
 Al calcular su varianza mediante la
definición tenemos que V (Y ) = E (Y − E (Y ))2 . Si sustituimos ahora Y = aX + b,
  1 3 3 1
E X 2 = 02 · + 12 · + 22 · + 32 · = 3
al ser E [aX + b] = aE [X] + b, obtenemos 8 8 8 8
     
V (Y ) = E (Y − E (Y ))2 = E (aX + b − aE [X] − b)2 = E a2 (X − E [X])2 = a2 V (  2
  3 3
V (X) = E X 2 − (E [X])2 = 3 − =
2 4
Tema 3: Variables aleatorias unidimensionales – p.9 Tema 3: Variables aleatorias unidimensionales – p.10

Varianza(cont) Coeficiente de variación

EJEMPLO 3.20:Sea Z la variable aleatoria continua , Z: tiempo, en La desviación típica no sirve para comparar la dispersión entre dos
segundos, entre peticiones consecutivas a un servidor de páginas variables diferentes (distintas unidades o distinta magnitud).
Web. Hemos obtenido que E[Z] = 2. Llamamos coeficiente de variación de Pearson a
 ∞
  
E Z2 = z 2 f (z)dz = 8 V (X) σ
0 CV = =
E [X] µ
 
por lo que V (Z) = E Z 2 − (E [Z])2 = 8 − 22 = 4.
EJEMPLO 3.21: Sea la variable X: número de canales emitiendo en un
3 3
Con el fin de tener las mismas unidades de la variable se define la instante determinado, E [X] = y V (X) = .
2 4
desviación típica como sigue:
√
Sea una variable aleatoria X con varianza σ 2 = V (X), llamamos 3
CV (X) = = 0 5773
desviación típica de X a la raíz cuadrada positiva de la varianza. 3
lo que supone una dispersión relativa del 57 73%.

σ= V (X)

Tema 3: Variables aleatorias unidimensionales – p.11 Tema 3: Variables aleatorias unidimensionales – p.12
 Desigualdad de Chebychev Interpretación gráfica de la media y la varianza de una v.a

Desigualdad de Chebychev: Sea X una variable aleatoria cualquiera. Sean Tenemos las funciones de densidad de dos variables aleatorias
µ = E [X] y σ 2 = V (X) su esperanza y varianza, respectivamente. Sea continuas, X (gráfico más apuntado) e Y (gráfico más achatado).
K > 0, K ∈ R. Entonces,

1
P (|X − µ| ≥ Kσ) ≤
K2
EJEMPLO 3.22: Sea Z la variable aleatoria continua, Z: tiempo, en segundos,
entre peticiones consecutivas a un servidor de páginas Web. E [Z] = 2 y
V (Z) = 4. Buscamos un intervalo tal que la probabilidad de que el tiempo
entre peticiones consecutivas esté en dicho intervalo sea mayor o igual que
0’75.
La desigualdad de Chebychev con K = 2, resulta:
3 E [X] = E [Y ] = 2, y V (X) = 1 y V (Y ) = 4. La dispersión relativa de
P (|Z − 2| ≤ 4) ≥
4 Y es mayor que la de X puesto que CV (Y ) > CV (X). Esto puede
Despejando resulta que: al menos el 75% de las peticiones distan menos de verse directamente en el gráfico al tener las variables la misma media.
6 segundos de la siguiente petición.
Tema 3: Variables aleatorias unidimensionales – p.13 Tema 3: Variables aleatorias unidimensionales – p.14

Interpretación gráfica de la media y la varianza de una v.a Medidas de asimetrı́a

Ahora tenemos las funciones de densidad de dos variables aleatorias Estas medidas sirven para darnos una idea de la forma de la
continuas, X (curva más a la izquierda) e Y (curva más a la derecha). distribución de la variable aleatoria.

Sea X una variable aleatoria cualquiera. Sean µ = E [X] y

σ 2 = V (X). El coeficiente de asimetría de Pearson se define:

3 (µ − M e)
P =
σ
y el coeficiente de asimetría de Fisher
 
E (X − µ)3 µ3
E [X] = 1 y E [Y ] = 3, y V (X) = 1 = V (Y ) La dispersión relativa de Y con
F = =
σ3 σ3
respecto a X no se puede observar directamente en el gráfico al ser variables
1 •asimétrica a la derecha si P > 0 ó F > 0,
con distinta media. CV (X) = 1 y CV (Y ) = , La variable X , en términos
3 •asimétrica a la izquierda si P <0 ó F <0,
relativos, es más dispersa que la variable Y.
•simétrica si P =0 ó F =0.
Tema 3: Variables aleatorias unidimensionales – p.15 Tema 3: Variables aleatorias unidimensionales – p.16