Tema 4: Variables Aleatorias...Estadística, Profesora: María Durbán 1 Tema 4: Variables...
Transcript of Tema 4: Variables Aleatorias...Estadística, Profesora: María Durbán 1 Tema 4: Variables...
Estadística, Profesora: María Durbán1
Tema 4: Variables Aleatorias
4.1 Concepto de variable aleatoria
4.2 Variables aleatorias discretas y continuas
Función de probabilidad Función de distribuciónFunción de densidad
4.3 Medidas características de una variable aleatoria
Esperanza, varianza, percentilesMedidas de forma
4.4 Transformaciones de variables aleatorias
Estadística, Profesora: María Durbán2
Objetivos del tema:Al final del tema el alumno será capaz de:
Comprender el concepto de variable aleatorias
Calcular probabilidades a partir de la función de densidad, función deprobabilidad o función de distribución
Calcular esperanzas y varianzas de variables aleatorias
Obtener la función de densidad o probabilidad y las medidascaracterísticas de una variable aleatoria transformada
Tema 4: Variables Aleatorias
Estadística, Profesora: María Durbán3
Tema 4: Variables Aleatorias
4.1 Concepto de variable aleatoria
4.2 Variables aleatorias discretas y continuas
Función de probabilidad Función de distribuciónFunción de densidad
4.3 Medidas características de una variable aleatoria
Esperanza, varianza, percentilesMedidas de forma
4.4 Transformaciones de variables aleatorias
4.1 Concepto de variable aleatoria
Estadística, Profesora: María Durbán4
4.1 Concepto de variable aleatoria
En ocasiones, describir todos los posibles resultados de un experimentoaleatorio no es suficiente
Lanzar una moneda 3 veces: {(CCC), (CCX), …}Lanzar un dado dos veces: {(1,1), (1,2), (1,3), …}
A veces es útil asociar un número a cada resultado del experimento
Definir una variable
No conocemos el resultado del experimento antes de realizarloNo conocemos el valor que va a tomar la variable antes del experimento
Estadística, Profesora: María Durbán5
4.1 Concepto de variable aleatoria
En ocasiones, describir todos los posibles resultados de un experimentoaleatorio no es suficiente
Lanzar una moneda 3 veces: {(CCC), (XCX), …}Lanzar un dado dos veces: {(1,1), (1,2), (1,3), …}
A veces es útil asociar un número a cada resultado del experimento.
No conocemos el resultado del experimento antes de realizarlo
No conocemos el valor que va a tomar la variable antes del experimento
X = Número de caras en el primer lanzamiento X[(CCC)]=1, X[(XCX)]=0, …
Y = Suma de las puntuaciones Y[(1,1)]=2, Y[(1,2)]=3, …
Estadística, Profesora: María Durbán6
4.1 Concepto de variable aleatoria
Una variable aleatoria es una función que asocia unnúmero real a cada elemento del espacio muestral
Las variables aleatorias se representan por letras mayúsculas, normalmente empezando por el final del alfabeto: X,Y, Z, etc.
Los posibles valores que puede tomar la variable se representanpor letras minúsculas,
x=1 es un posible valor de Xy=3.2 es un posible valor de Yz=-7.3 es posible valor de Z
Estadística, Profesora: María Durbán7
4.1 Concepto de variable aleatoria
Ejemplos
Número de unidades defectuosas en una muestra aleatoria de 5unidades
Número de defectos superficiales en un cm2 de cierto material
Tiempo de duración de una bombilla
Resistencia a la compresión de un material de construcción
Estadística, Profesora: María Durbán8
a b
RX
E X(si) = b; si ∈ E
X(sk) = a
si
sk
• El espacio RX es el conjunto de TODOS los posible valores de X(s).
• A cada posible suceso de E le corresponde un valor en RX
• En cierto sentido podemos considerar Rx como otro espacio muestral
4.1 Concepto de variable aleatoria
Estadística, Profesora: María Durbán9
a b
RX
E X(si) = b; si ∈ E
X(sk) = a
si
sk
Si sobre los elementos de E existe una distribución de probabilidad, esta se transmite a los valores que toma la variable X. Es decir, toda v.a. conservala estructura probabilística del experimento aleatorio que describe:
Pr( ) Pr( : ( ) )X x s E X s x= = ∈ =
4.1 Concepto de variable aleatoria
Estadística, Profesora: María Durbán10
Tema 4: Variables Aleatorias
4.1 Concepto de variable aleatoria
4.2 Variables aleatorias discretas y continuas
Función de probabilidad Función de distribuciónFunción de densidad
4.3 Medidas características de una variable aleatoria
Esperanza, varianza, percentilesMedidas de forma
4.4 Transformaciones de variables aleatorias
4.2 Variables aleatorias discretas y continuas
Estadística, Profesora: María Durbán11
4.2Variables aleatorias discretas y continuas
El rango de una variable aleatoria es el conjunto de valores que puede tomar la variable.
Atendiendo al rango las variables se pueden clasificar como:
Variables aleatorias discretas: Aquellas en las que el rango es finito o infinito numerable
Variables aleatorias continuas: Aquellas en las que el rango es un intervalode números reales
Variables aleatorias discretas: Aquellas en las que el rango es finito o infinito numerable
Variables aleatorias continuas: Aquellas en las que el rango es un intervalode números reales
Estadística, Profesora: María Durbán12
Ejemplos de variables aleatorias discretas
Número de defectos en la superficie de un cristal
Proporción de piezas defectuosas en una muestra de 1000
Número de bits transmitidos que se reciben correctamente
Ejemplos de variables aleatorias continuas
Corriente eléctrica
Longitud
Temperatura
Peso
Ejemplos de variables aleatorias discretas
Número de defectos en la superficie de un cristal
Proporción de piezas defectuosas en una muestra de 1000
Número de bits transmitidos que se reciben correctamente
Ejemplos de variables aleatorias continuas
Corriente eléctrica
Longitud
Temperatura
Peso
Frecuentementecuentan elnúmero de vecesque ocurre algo
Frecuentemente miden unamagnitud
4.2Variables aleatorias discretas y continuas
Estadística, Profesora: María Durbán13
4.2Variables aleatorias discretas
Los valores de una variable aleatoria cambian de un experimento a otro al cambiar los resultados del experimento
Una v.a. está definida por
Los valores que toma.La probabilidad de tomar cada uno de esos valores .
Es una función que indica las probabilidad de cada posible valor
( ) ( )i ip x P X x= =
Estadística, Profesora: María Durbán14
x
x1 x 2 x3 x4 x5 x6 xn
p(xi)
Las propiedades de la función de probabilidad se deducen de forma
Inmediata de los axiomas de la probabilidad:
{ } { }1
0 ( ) 1
( ) 1
Pr( ) Pr( ) Pr( )
in
ii
p x
p x
a b c A a X b B b X ca X c a X b b X c
=
≤ ≤
=
< < → = ≤ ≤ = < ≤
≤ ≤ = ≤ ≤ + < ≤
∑
4.2Variables aleatorias discretas
1. 0≤P(A) ≤1 2. P(E)=1 3. P(AUB)=P(A)+P(B) si A∩B=Ø
Estadística, Profesora: María Durbán15
Experimento: Lanzar 2 Monedas. X=Número de cruces.
4.2Variables aleatorias discretas
CC XCCX XX
RX
X
0 1 2
0 1/4 1/2 1
Pr
E
Estadística, Profesora: María Durbán16
X P(X=x)
0 1/4
1 1/2
2 1/4
Experimento: Lanzar 2 Monedas. X=Número de cruces.
X
X
X X
4.2Variables aleatorias discretas
C C
C
C
Estadística, Profesora: María Durbán17
X P(X=x)
0 1/4
1 1/2
2 1/4
Experimento: Lanzar 2 Monedas. X=Número de caras.
4.2Variables aleatorias discretas
x=0 x=1 x=2 X
p(x)
Estadística, Profesora: María Durbán18
4.2Variables aleatorias discretas
En ocasiones nos puede interesar la probabilidad de que una variable tome un valor menor o igual que una cantidad
0 0
1 2 n
1 1 1
2 2 1 2
1
( ) ( )( ) 0 ( ) 1
si X toma valores x x : ( ) ( ) ( )( ) ( ) ( ) ( )
( ) ( ) ( ) 1nn n ii
F x P X xF F
xF x P X x p xF x P X x p x p x
F x P X x p x=
= ≤−∞ = +∞ =
≤ ≤ ≤= ≤ == ≤ = +
= ≤ = =∑
…
Estadística, Profesora: María Durbán19
X P(X=x)
0 1/4
1 1/2
2 1/4
Experimento: Lanzar 2 Monedas. X=Número de caras.
4.2Variables aleatorias discretas
x=0 x=1 x=2 X
p(x)
Estadística, Profesora: María Durbán20
X F(x)
0 1/4
1 3/4
2 1
Experimento: Lanzar 2 Monedas. X=Número de caras.
4.2Variables aleatorias discretas
x=0 x=1 x=2 X
F(x)
0.25
0.5
0.75
1
Estadística, Profesora: María Durbán21
4.2Variables aleatorias continuas
Cuando una variable es continua, no tiene sentido hacer la suma:
1( ) 1i
ip x
∞
=
=∑
ya que el conjunto de valores que toma la variable es no numerable
Lo natural es generalizar
Introducimos un nuevo concepto que sustituye en variables continuas alde función de probabilidad en variables discretas
→∑ ∫
Estadística, Profesora: María Durbán22
4.2Variables aleatorias continuas
La función de densidad describe la distribución de probabilidad deuna variable continua. Es una función continua que verifica:
( ) 0
( ) 1
( ) ( ) b
a
f x
f x dx
P a X b f x dx
+∞
−∞
≥
=
≤ ≤ =
∫∫
Estadística, Profesora: María Durbán23
4.2Variables aleatorias continuas
La función de densidad describe la distribución de probabilidad deuna variable continua. Es una función que verifica:
( ) 0
( ) 1
( ) ( ) b
a
f x
f x dx
P a X b f x dx
+∞
−∞
≥
=
≤ ≤ =
∫∫ a b
Área por debajo de ese trozo de curva
Estadística, Profesora: María Durbán24
4.2Variables aleatorias continuas
( ) ( ) 0
( ) ( ) ( ) ( )
a
aP X a f x dx
P a X b P a X bP a X bP a X b
= = =
≤ ≤ = < ≤= ≤ <= < <
∫
a
Estadística, Profesora: María Durbán25
y
x2
0 5 10 15 20 25 30
0.0
0.1
0.2
0.3
0.4
0.5
La función de densidad no tiene por qué ser simétrica, ni estar definida para toda la recta real
La forma de la curva dependeráde uno o más parámetros
4.2Variables aleatorias continuas
( | )Xf x β
Estadística, Profesora: María Durbán26
4.2Variables aleatorias continuas
Si medimos una variable continua y la representamos e un histograma:
Si hacemos las clases cada vez más pequeñas:
Estadística, Profesora: María Durbán27
4.2Variables aleatorias continuas
Estadística, Profesora: María Durbán28
4.2Variables aleatorias continuas
El polígono de frecuencias tenderá a un curva:
( )f x
Estadística, Profesora: María Durbán29
La función de densidad para el tiempo de uso de un tipo de máquinas durante un año (en horas x100):
⎪⎪⎪
⎩
⎪⎪⎪
⎨
⎧
<≤−
<<
=
else0,
5x2.5x,2.50.40.8
2.5x0x,2.50.4
)x(f
2.5 5
0.4
f(x)
x
4.2Variables aleatorias continuas
Ejemplo
en otro caso
Estadística, Profesora: María Durbán30
¿Cuál es la probabilidad de que una máquina elegida al azar haya funcionado durante menos de 320 horas?
2.5 5
0.4
f(x)
x
3.2
740
524080
5240
23
52
0
23
52
.
.
....
).(
. .
.
=
⎟⎠⎞
⎜⎝⎛ −+⎟
⎠⎞
⎜⎝⎛=
=<
∫ ∫ dxxdxx
XP
4.2Variables aleatorias continuas
Ejemplo
Estadística, Profesora: María Durbán31
4.2Variables aleatorias continuas
Al igual que en el caso de variables discretas, podemos describir la distribución de una variable aleatoria continua mediante la Función de Distribución:
( ) ( ) ( ) x
F x P X x f u du x−∞
= ≤ = −∞ < < ∞∫
x
( )P X x≤
Estadística, Profesora: María Durbán32
4.2Variables aleatorias continuas
Al igual que en el caso de variables discretas, podemos describir la distribución de una variable aleatoria continua mediante la Función de Distribución:
( ) ( ) ( ) x
F x P X x f u du x−∞
= ≤ = −∞ < < ∞∫
( )( ) dF xf xdx
=
En el caso discreto la diferencia entre dos valores consecutivos de F(x)proporcionan la función de probabilidad. En el caso de variables continuas:
Estadística, Profesora: María Durbán33
4.2Variables aleatorias continuas
La función de distribución verifica las siguientes propiedades:
( ) ( )( ) 0 ( ) 1
a b F a F bF F< ⇒ ≤−∞ = +∞ =
Definimos los sucesos disjuntos:
{ } { } { } { } { } X a a X b X a a X b X b≤ < ≤ → ≤ ∪ < ≤ = ≤
Pr( ) Pr( ) Pr( ) ( )X b X a a X b F b≤ = ≤ + < ≤ ≤
Es no decrecienteEs continua
Tercer axioma de la probabilidad
0≥
Primer axioma de la probabilidad
Estadística, Profesora: María Durbán34
4.2Variables aleatorias continuas
La función de distribución verifica las siguientes propiedades:
( ) ( )( ) 0 ( ) 1
a b F a F bF F< ⇒ ≤−∞ = +∞ =
Es no decrecienteEs continua
( ) Pr( ) ( ) 0
( ) Pr( ) ( ) 1
F X f x dx
F X f x dx
−∞
−∞
+∞
−∞
−∞ = ≤ −∞ = =
+∞ = ≤ +∞ = =
∫∫
Estadística, Profesora: María Durbán35
La función de densidad para el tiempo de uso de un tipo de máquinas durante un año (en horas x100):
⎪⎪⎪
⎩
⎪⎪⎪
⎨
⎧
<≤−
<<
=
else0,
5x2.5x,2.50.40.8
2.5x0x,2.50.4
)x(f
2.5 5
0.4
f(x)
x
4.2Variables aleatorias continuas
Ejemplo
en otro caso
Estadística, Profesora: María Durbán36
4.2Variables aleatorias continuas
Ejemplo
0
2.5
0 2.5
0.4 0 x 2.52.50.4 0.4( ) 0.8 u du, 2.5 x 52.5 2.5
1 x 5
x
x
u du
F x u du
⎧< <⎪
⎪⎪= + − ≤ <⎨⎪⎪⎪ ≥⎩
∫
∫ ∫
0.4 x, 0 x 2.52.5
0.4( ) 0.8 x, 2.5 x 52.5
0, en otro caso
f x
⎧ < <⎪⎪⎪= − ≤ <⎨⎪⎪⎪⎩
Pr(0 2.5)X< < Pr(2.5 )X x≤ <
Pr( 5)X ≤
Estadística, Profesora: María Durbán37
4.2Variables aleatorias continuas
EjemploEjemplo
x=3.2
P(x<3.2)
2
2
0.08 0 2.5( ) -1 0.8 - 0.08 2.5 5
1 5
x xF x x x x
x
⎧⎪ < <⎪⎪= + ≤ <⎨⎪⎪
≥⎪⎩Estadística, Profesora: María Durbán
38
4.2Variables aleatorias continuas
Ejemplo
P(x<3.2)
Estadística, Profesora: María Durbán39
Tema 4: Variables Aleatorias
4.1 Concepto de variable aleatoria
4.2 Variables aleatorias discretas y continuas
Función de probabilidad Función de distribuciónFunción de densidad
4.3 Medidas características de una variable aleatoria
Esperanza, varianza, percentilesMedidas de forma
4.4 Transformaciones de variables aleatorias
4.3 Medidas características de una variable aleatoria
Estadística, Profesora: María Durbán40
4.3 Medidas características de una v.a.
Medidas de Centralización
En el caso de una muestra de datos la media muestral:
a cada valor se le asigna un peso 1/n
La media o Esperanza de una v.a. utiliza la probabilidad como peso:
1 21 1 1
nx x x xn n n
= + + +…
µ
[ ]
[ ]
( )
( )
i ii
E X x p x
E X x f x dx
µ
µ+∞
−∞
= =
= =
∑
∫
v.a. discreta
v.a. continua
Estadística, Profesora: María Durbán41
4.3 Medidas características de una v.a.
Medidas de Centralización
Intuitivamente: Mediana = valor que divide a la probabilidad total en dospartes iguales
0.50.5
( ) 0.5
( ) 0.5
P X m
F m
≤ =
≥
Estadística, Profesora: María Durbán42
¿Cuál es el tiempo de medio de funcionamiento de las máquinas?
4.2Variables aleatorias continuas
Ejemplo
[ ]2.5 2.52 2
0 0
0.4 0.4( ) d 0.8 d2.5 2.5
2.5
E X xf x dx x x x x x+∞
−∞= = + −
=
∫ ∫ ∫
0.4 x, 0 x 2.52.5
0.4( ) 0.8 x, 2.5 x 52.5
0, en otro caso
f x
⎧ < <⎪⎪⎪= − ≤ <⎨⎪⎪⎪⎩
Estadística, Profesora: María Durbán43
Si queremos saber el tiempo de funcionamiento tal que el 50% de las máquinas tiene una duración menor o igual a ese
4.2Variables aleatorias continuas
Ejemplo
( ) 0.5F m =2
2
0.08 0 x 2.5( ) -1 0.8 - 0.08 2.5 x 5
1 x 5
xF x x x
⎧ < <⎪= + ≤ <⎨⎪ ≥⎩
2
2
0.08 0.5 2.5-1 0.8 - 0.08 0.5 2.5
x mx x m= → =
+ = → =
Estadística, Profesora: María Durbán44
4.3 Medidas características de una v.a.
Medidas de posición
El percentil p de una variable aleatoria es el valor xp que verifica:
( ) y ( )( )
p p
p
p X x p p X x pF x p
< ≤ ≤ ≥
=v.a. discretas
v.a. continuas
Un caso particular son los cuartiles que dividen a la distribución en 4partes iguales
1 0.25
2 0.5
3 0.75
MedianaQ pQ pQ p
== ==
Estadística, Profesora: María Durbán45
4.3 Medidas características de una v.a.
Ejemplo
Una empresa está interesada en fabricar un nuevo tipo de destornilladoreléctrico. Se sabe que la distribución de probabilidad del número devueltas para ajustar tornillos de 10cm es la siguiente:
0.0320
0.1419
0.2118
0.1217
0.0916
0.2615
0.0614
0.0313
0.0312
0.0311
p(x)x
Estadística, Profesora: María Durbán46
4.3 Medidas características de una v.a.
Ejemplo
Una empresa está interesada en fabricar un nuevo tipo de destornilladoreléctrico. Se sabe que la distribución de probabilidad del número devueltas para ajustar tornillos de 10cm es la siguiente:
0.03
0.14
0.21
0.12
0.09
0.26
0.06
0.03
0.03
0.03
p(x)
1
0.97
0.83
0.62
0.5
0.41
0.15
0.09
0.06
0.03
F(x)
20
19
18
17
16
15
14
13
12
11
x
( ) 0.7 y ( ) 0.7p pp X x p X x< ≤ ≤ ≥
Estadística, Profesora: María Durbán47
4.3 Medidas características de una v.a.
Medidas de dispersión
En el caso de una muestra de datos la varianza muestral es una medida de la dispersión de los datos:
La Varianza de una v.a. utiliza la probabilidad como peso:
2 2 2 21 2
1 1 1( ) ( ) ( )ns x x x x x xn n n
= − + − + + −…
[ ]
[ ]
22
2 2
( ) ( )
( ) ( )
i ii
Var X x p x
Var X x f x dx
σ µ
σ µ+∞
−∞
= = −
= = −
∑
∫
v.a. discreta
v.a. continua
[ ] [ ]( )2Var X E X E X⎡ ⎤= −
⎣ ⎦
Estadística, Profesora: María Durbán48
4.3 Medidas características de una v.a.
Medidas de dispersión
[ ] [ ]( )2Var X E X E X⎡ ⎤= −
⎣ ⎦
[ ] [ ]( )22Var X E X E X⎡ ⎤= −⎣ ⎦
[ ]( ) [ ]( ) [ ]
[ ]( ) [ ] [ ]
[ ]( )
2 22
22
22
2
2
E X E X E X E X XE X
E X E X E X E X
E X E X
⎡ ⎤ ⎡ ⎤− = + −⎣ ⎦ ⎣ ⎦
⎡ ⎤= + −⎣ ⎦
⎡ ⎤= −⎣ ⎦ Es un operador lineal
[ ] es una constante, no depende de E X
X
Estadística, Profesora: María Durbán49
4.3 Medidas características de una v.a.
Desigualdad de Tchebychev
Si X es una variable aleatoria con:
Se puede demostrar que gran parte de la distribución está situada en un intervalo centrado en y que tiene amplitud varias veces . En concreto:
Es decir, la probabilidad de realizar una observación de una variable y queesté en ese intervalo es mayor o igual que 1-1/k2
[ ] [ ] 2 E X Var Xµ σ= =
µ σ
( ) 2
10 Pr 1k k X kk
µ σ µ σ∀ > − ≤ ≤ + ≥ −
Estadística, Profesora: María Durbán50
5-28
µ-3σ µ+3σµ
al menos 89%
µ-2σ µ+2σ
al menos 75%
4.3 Medidas características de una v.a.
Desigualdad de Tchebychev
Estadística, Profesora: María Durbán51
4.3 Medidas características de una v.a.
Medidas de forma
Momento de orden k reapecto al origen
( ) Momento de orden k reapecto a la media
kk
kk
m E X
E Xµ µ
⎡ ⎤= →⎣ ⎦⎡ ⎤= − →⎣ ⎦
33CA µ
σ=
[ ]1
2 21 2 2 10
m E X
m mµ µ σ
=
= = = −
Estadística, Profesora: María Durbán52
4.3 Medidas características de una v.a.
Medidas de forma
Momento de orden k reapecto al origen
( ) Momento de orden k reapecto a la media
kk
kk
m E X
E Xµ µ
⎡ ⎤= →⎣ ⎦⎡ ⎤= − →⎣ ⎦
33CA µ
σ=
4 44 4 o 3pCA µ µ
σ σ= −
Estadística, Profesora: María Durbán53
Tema 4: Variables Aleatorias
4.1 Concepto de variable aleatoria
4.2 Variables aleatorias discretas y continuas
Función de probabilidad Función de distribuciónFunción de densidad
4.3 Medidas características de una variable aleatoria
Esperanza, varianza, percentilesMedidas de forma
4.4 Transformaciones de variables aleatorias4.4 Transformaciones de variables aleatorias
Estadística, Profesora: María Durbán54
4.4 Transformaciones de variables aleatorias
En algunas situaciones necesitamos conocer la distribución de probabilidad de una función de una variable aleatoria
Ejemplos
Cambiar las unidadesUtilizar la escala logarítmica
)(XgY =
baX +2X
|| X
XXe
XlogX
1nis X sin X
1X
Estadística, Profesora: María Durbán55
4.4 Transformaciones de variables aleatorias
Sea X una v.a. cualquiera. Si realizamos el cambio de variable Y=h(X), tenemos una nueva v.a. :
( ) Pr( ) Pr( ( ) ) Pr( )YF y Y y h X y x A= ≤ = ≤ = ∈
( )Y h X=
{ }, ( )A x h x y= ≤
Función de distribución
Estadística, Profesora: María Durbán56
Ejemplo
Una empresa está interesada en fabricar un nuevo tipo de destornilladoreléctrico. Se sabe que la distribución de probabilidad del número devueltas para ajustar tornillos de 10cm es la siguiente:
0.03
0.14
0.21
0.12
0.09
0.26
0.06
0.03
0.03
0.03
p(x)
1
0.97
0.83
0.62
0.5
0.41
0.15
0.09
0.06
0.03
F(x)
20
19
18
17
16
15
14
13
12
11
x2¿Pr( 144)?X ≤
{ }( )
2 2Pr( 144) Pr( ) , 144
Pr 12 0.06
X x A A x x
X
≤ = ∈ = ≤
≤ =
4.4 Transformaciones de variables aleatorias
{ }, 144A x x= ≤
Estadística, Profesora: María Durbán57
4.4 Transformaciones de variables aleatorias
1 1( ) Pr( ( ) ) Pr( ( )) ( ( ))Y XF y h X y X h y F h y− −= ≤ = ≤ =
( )Y h X=En general:
Si es continua y monótona creciente:h
Si es continua y monótona decreciente:h1 1( ) Pr( ( ) ) Pr( ( )) 1 ( ( ))Y XF y h X y X h y F h y− −= ≤ = ≥ = −
Estadística, Profesora: María Durbán58
4.4 Transformaciones de variables aleatorias
Si X es una v.a. continua e Y=h(X),
( ) ( )Y Xdxf y f xdy
=
Función de densidad
1
( )( ( ))( )( )
1 ( )
X
xYY
X
F x dxdx dyF h yF yf yF x dxy ydx dy
−
∂⎧⎪∂∂ ⎪= = = ⎨ − ∂∂ ∂ ⎪⎪⎩
creciente
decreciente
x
Estadística, Profesora: María Durbán59
4.4 Transformaciones de variables aleatorias
Si X es una v.a. continua e Y=h(X), donde h es una función derivablee inyectiva,
Para v.a. discretas:
( )( ) Pr( ) Pr( )
i
Y ih x y
p y Y y X x=
= = = =∑
( ) ( )Y Xdxf y f xdy
=
Estadística, Profesora: María Durbán60
4.4 Transformaciones de variables aleatorias
Ejemplo
La velocidad de una partícula de gas es una v.a. V con función de densidad
2 2( / 2) 0( )
0 en el resto
bv
Vb v e v
f v− >
=
La energía cinética de la partícula es . ¿Cuál es lafunción de densidad de W?
2 / 2W mV=
Estadística, Profesora: María Durbán61
4.4 Transformaciones de variables aleatorias
Ejemplo
La velocidad de una partícula de gas es una v.a. V con función de densidad
2 2( / 2) 0( )
0 en el resto
bv
Vb v e v
f v− >
=
2 / 2 2 / 2 /W mV v w m v w m= → = = −
12
dvdw mw
= ( )21 2 2 /( ( )) ( / 2) 2 / b w m
Vf h w b w m e− −=
Estadística, Profesora: María Durbán62
4.4 Transformaciones de variables aleatorias
Ejemplo
La velocidad de una partícula de gas es una v.a. V con función de densidad
2 2( / 2) 0( )
0 en el resto
bv
Vb v e v
f v− >
=
2 2 /( / 2 ) 2 / 0( ) 0 en el resto
b w m
Wb m w m e wf w
− >=
Estadística, Profesora: María Durbán63
4.4 Transformaciones de variables aleatorias
Esperanza
[ ], ( )
( ) ( )( )
( ) ( )i i
X
i ix h x y
h x f x dxE h X
h x p X x
+∞
−∞
=
==
∫∑
[ ] ( ) ( ) ( )y XdxE y yf y dy h x f x dydy
+∞ +∞
−∞ −∞= =∫ ∫
( )Y h X=creciente
Estadística, Profesora: María Durbán64
4.4 Transformaciones de variables aleatorias
Esperanza
[ ], ( )
( ) ( )( )
( ) ( )i i
X
i ix h x y
h x f x dxE h X
h x p X x
+∞
−∞
=
==
∫∑
Transformaciones lineales
Y a bX= +
[ ] [ ][ ] [ ]2
E Y a bE X
Var Y b Var X
= +
=