UNIVERSIDAD CENTROCCIDENTAL LISANDRO ALVARADO DECANATO DE CIENCIAS Y TECNOLOGAS DEPARTAMENTO DE INVESTIGACIN DE OPERACIONES Y ESTADSTICA VARIABLE ALEATORIA Una funcin que asocia un nmero real cada punto del espacio muestral.
Las v.a. definidas sobre espacios muestrales discretos se llaman v.a. discretas y las definidas sobre espacios muestrales continuos se llaman continuas.
VARIABLE ALEATORIA Una v.a. se llama variable aleatoria discreta si se puede contar su conjunto de resultados posibles; y se llama v.a. continua cuando toma valores en una escala continua.
La Distribucin de probabilidades o funcin de probabilidad: modelo terico que describe la forma en que varan los resultados de un experimento aleatorio. Lista de los resultados de un experimento con las probabilidades que se esperaran ver asociadas con cada resultado, se simboliza por f(x). DISTRIBUCIN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
La Distribucin de probabilidad de una variable aleatoria indica el comportamiento que ella tiene en el experimento. Esta funcin asigna probabilidades a cada uno de los valores de una variable aleatoria discreta.
La distribucin de probabilidad f(x) de una variable aleatoria discreta asocia un nmero entero o especfico a cada elemento del espacio muestral, donde la funcin f(x) de cada resultado posible de x se debe cumplir: f(x)>= o; f(x)=1; P(X=x)=f(x). DISTRIBUCIN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
1. Lanzamos una moneda 3 veces. Representamos cara por c y cruz por z. W = {ccc, ccz, czc, zcc, czz, zcz, zzc, zzz} Definimos la v.a. X: nmero de caras, que puede tomar los valores {0, 1, 2, 3}. A esta funcin se le denomina funcin distribucin de probabilidad (fdp)
x Sucesos p x
0 {zzz} 1/8 1 {czz, zcz, zzc} 3/8 2 {ccz, czc, zcc} 3/8 3 {ccc} 1/8 EJEMPLO 2. Sigamos con el ejemplo X = Cantidad de caras al lanzar dos monedas P(X = 0) = P(SS) = P(X = 1) = P(SC;CS) = P(SC) U P(CS) = P(X = 2) = P(CC) =
DISTRIBUCIN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA CONTINUA La variable aleatoria continua es aquella que toma cualquier valor en una escala continua. La funcin de densidad de probabilidad mide la concentracin de probabilidad alrededor de los valores de una variable aleatoria continua. La distribucin de una variable aleatoria continua se define por su funcin de densidad de probabilidad(fdp) f(x); definida en los nmeros reales si:
} } = < < = 9 e > +
b a dx x f b x a P c dx x f b x x f a ) ( ) ( ) 1 ) ( ) ; 0 ) ( ) FUNCIN DE DISTRIBUCIN ACUMULADA La funcin de distribucin acumulada es la funcin que acumula las probabilidades asociadas hasta un valor de una variable aleatoria. Se simboliza F(x) y se define: ESPERANZA MATEMTICA Valor esperado o esperanza matemtica o media
PROPIEDADES DE LA ESPERANZA Sean X e Y variables aleatorias y c una constante perteneciente a los reales: 1) E (c ) = c 2) E (X+c ) = E(X) + c 3) E (cX) = c E(X) 4) E (X+Y) = E(X) + E(Y) 5) E (X-Y) = E(X) - E(Y) 6) Si X e Y son independientes E (XY) = E(X) * E(Y) EJEMPLO Se tira un dado. Se define como v.a. el nmero que sale Cul es su media? La variable X puede tomar los valores 1, 2, ..., 6 y para todos ellos f(x) = 1/6. En consecuencia la media es
Obsrvese que es un nmero que la v.a. no puede alcanzar ESPERANZA MATEMTICA Si X es una v.a. cualquier funcin de ella, h(x), es tambin una v.a., en consecuencia tambin se define este parmetro para una funcin de v.a. VARIANZA La variancia es un parmetro de la distribucin. Es una medida de dispersin de los valores de x alrededor de E(X). Se define como
aunque para el clculo se suele usar esta otra frmula equivalente:
Qu mide la varianza? Mide la dispersin de la variable alrededor de la media.
PROPIEDADES DE LA VARIANZA Sean X e Y variables aleatorias y c una constante perteneciente a los reales: 1) V (c ) = 0 2) V (X + c ) = V(X) 3) V (cX) = c2 V(X) 4) Si X e Y son independientes V (X + Y) = V(X) + V(Y) 5) Si X e Y son independientes V (X - Y) = V(X) + V(Y) TEOREMA CHEVYSCHEV La probabilidad de que cualquier variable aleatoria X, tome un valor dentro de la desviaciones estndar de la media es al menos 1 (1 / 2 ). Es decir: