Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Vicente Acu
na
Lab. de Bioinform
atica y Matem
atica del Genoma (Mathomics)
Centro de Modelamiento Matem
atico, Universidad de Chile
Primavera 2015
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
1 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
2 / 250
Contenidos
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
3 / 250
Clase 1: Qu
e es estadsitica?
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
4 / 250
Clase 1: Qu
e es estadsitica?
Ejemplos cotidianos
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
5 / 250
Clase 1: Qu
e es estadsitica?
Definicion/objetivos
Varias definiciones. Todas implican que la estadstica es una teora de
la informacion cuyo objetivo es la inferencia
El conjunto de los objetos de interes es la poblaci
on. Para conocer
con absoluta certeza una caracterstica tendramos que mirar toda la
poblacion generalmente es imposible!
Seleccionamos un subconjunto de la poblaci
on: la muestra. A partir
de ella inferimos caractersticas de la poblaci
on.
Medida de bondad: Cuan buena es mi predicci
on? probabilidad
de que mi estimacion sea cercana a la realidad.
La meta de la estadstica es hacer una inferencia acerca de una poblacion,
con base en informacion contenida en una muestra de esa poblacion y dar
una medida de bondad asociada para la inferencia.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
6 / 250
dependientes, por tanto, se convierte en un deseo para determinar el efecto de las variable
conceptual de mediciones de poblacin.
Una poblacin individual (o cualquier conjunto de mediciones) puede estar caracterizad
por una distribucin de frecuencia relativa, que puede estar representada por un histograma d
frecuencia relativa. Se construye una grfica al subdividir el eje de medicin en intervalos de igu
ancho. Se construye un rectngulo sobre cada intervalo, de modo que la altura del rectngu
sea proporcional a la fraccin del nmero total de mediciones que caen en cada celda. Po
Queremos estimar
el peso total de los 500 salmones en una
ejemplo, para caracterizar las diez mediciones 2.1, 2.4, 2.2, 2.3, 2.7, 2.5, 2.4, 2.6, 2.6 y 2.
piscicultura. Tenemos
los pesos
de unaenmuestra
ejemplares
podramos dividir
el eje de medicin
intervalos dede
igual10
ancho
(por ejemplo .2 unidades
comenzando con 2.05. Las frecuencias relativas (fraccin del nmero total de mediciones
escogidos al azar:
calculadas para cada intervalo, se muestran en la Figura 1.1. Observe que la figura da una cla
descripcin
grfi2.4,
ca de todo
conjunto
de las diez mediciones.
2.1, 2.4, 2.2, 2.3,
2.7, 2.5,
2.6,el2.6,
2.9.
Observe que no hemos dado reglas precisas para seleccionar el nmero, anchos o ubicacio
Una manera ranes
pida
de
caracterizar
una
muestra
distribuci
on de
de los intervalos empleados para construir
un histograma.
Esto es porque
la seleccin d
estos
elementos
est
un
poco
a
discrecin
de
la
persona
que
intervenga
en
la construccin.
frecuencia relativa histograma
Aun cuando son arbitrarias, unas cuantas guas pueden ser muy tiles para seleccionar lo
Escogemos un intervalos.
rango que
contenga
todos
losdevalores,
lo dividimos
en que
5 se
Los puntos
de subdivisin
del eje
medicin deben
escogerse de modo
Clase
1: Qu
e es en
estad
independientes
la sitica?
distribucin
Frecuencia
relativa
.3
.2
.1
0
Vicente Acu
na (CMM, Universidad de Chile)
2.05
2.25
2.45
Prob. y Est.
2.65
2.85
3.05
Eje
7 / 250
Clase 1: Qu
e es estadsitica?
Histograma en R project
> datos <- c(2.1, 2.4, 2.2, 2.3, 2.7,
2.5, 2.4, 2.6, 2.6, 2.9)
> datos
[1] 2.1 2.4 2.2 2.3 2.7 2.5 2.4 2.6 2.6 2.9
> hist(datos)
> hist(datos, breaks=20, col=7)
> min(datos)
[1] 2.1
> max(datos)
[1] 2.9
> hist(datos, breaks=seq(2.05,3.05,0.2), col=7)
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
8 / 250
Clase 1: Qu
e es estadsitica?
Histograma en R project
Una version mas sofisticada que especifica los lmites de las barras y los
ejes.
datos <- c(2.1, 2.4, 2.2, 2.3, 2.7, 2.5, 2.4, 2.6, 2.6, 2.9)
resol <- 0.1 # Ultima cifra significativa
bar <- 0.2 # Ancho de barra. Probar distintos valores!
limites <- seq(min(datos)-0.5*resol,max(datos)+bar,bar)
h=hist(datos, breaks=limites,axes=FALSE,col=7)
axis(1,at=limites)
axis(2)
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
9 / 250
Clase 1: Qu
e es estadsitica?
Histograma en R project
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
10 / 250
ClaseAun
1: Qu
e es estad
sitica?
cuando
son arbitrarias,
Interpretacion probabilistica
F I G U R A 1.1
Histograma
de frecuencia relativa
Frecuencia
relativa
.3
.2
.1
0
2.05
2.25
2.45
2.65
2.85
3.05
Eje
de medicin
W-cap-01.indd 4
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
11 / 250
Clase
1: Qu
ede
es 2.05
estadsitica?
el intervalo
a 2.45
Interpretacion probabilistica
Frecuencia
relativa
2.05
2.25
2.45
2.65
2.85
3.05
W-cap-01.indd 5
es la fraccion del area bajo la curva entre los valores sobre el area
total.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
12 / 250
Clase 1: Qu
e es estadsitica?
y=
1X
yi .
n
i=1
1 X
yi .
m
i=1
Prob. y Est.
13 / 250
Clase 1: Qu
e es estadsitica?
sn2
1X
=
(yi y )2
n
i=1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
14 / 250
Clase 1: Qu
e es estadsitica?
2 =
1 X
(yi )2
m
i=1
sn2
1X
=
(yi y )2
n
i=1
Prob. y Est.
15 / 250
Clase 1: Qu
e es estadsitica?
Definition
Si s 2 es la varianza de una muestra de mediciones, definimos la desviacion
estandar de la muestra como la raz positiva de su varianza; es decir,
s = s2
La correspondiente
desviaci
on est
andar poblacional se denota por
= 2.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
16 / 250
Clase 1: Qu
e es estadsitica?
F I G U R A 1.4
Curva normal
68%
Cuando los datos tienen forma de campana o normal (lo que sucede muy a
Como
se mencion
en la Seccin
una
vez que se conozca la d
menudo)
tenemos
la siguiente
regla 1.2,
emp
rica:
contienemediciones.
aproximadamente
68 % de las mediciones.
Estas probabilidades se mostraron como reas bajo un h
2 contiene
95 % de lasespecifi
mediciones.
En aproximadamente
forma anloga, las probabilidades
cadas en la regla empric
normal
la Figura 1.4.
3 contiene
casi mostrada
todas lasenmediciones..
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
17 / 250
Clase 1: Qu
e es estadsitica?
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
18 / 250
Clase 1: Qu
e es estadsitica?
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
19 / 250
Clase 1: Qu
e es estadsitica?
G U R A 2.1
stribucin de
encia para la
in generada
por un dado
balanceado
Frecuencia
relativa
1 6
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
6
Nmero de
la cara superior
del dado
20 / 250
Clase 1: Qu
e es estadsitica?
Modelos teoricos
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
21 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
22 / 250
Experimento y eventos
Empezaremos con algunas definiciones
Definition
Un experimento es el proceso por medio del cual se hace una
observacion.
Pueden ser tanto controlables (ej: tipo laboratorio, lanzar un dado)
como incontrolables (ej: cantidad agua cada un da dado, )
Al realizar el experimento puede terminar en diferentes resultados.
Siempre vamos a preferir trabajar con un s
olo experimento, aunque
consista en repetir una acci
on. Ejemplos:
: lanzar un dado
: escoger 10 salmones,
: lanzar una moneda 5 veces
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
23 / 250
Prob. y Est.
24 / 250
Definition
El espacio muestral discreto es aquel que esta formado ya sea por un
n
umero finito o numerable de puntos muestrales distintos.
experimento: tirar un dado y observar resultado.
S = { Observar un 1, Observar un 2, . . . , Observar un 6}
experimento: n
umero de bacterias en un cultivo luego de 3 das.
S = {1 bactera, 2 bacterias, 3 bacterias, . . .}
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
25 / 250
Eventos simples
Definition
Un evento simple es un conjunto que contiene un y s
olo un punto muestral
(i.e. es un singleton).
Experimento: tirar un dado y observar resultado.
Eventos simples:
E1 = {observar un 1}
E2 = {observar un 2}
E3 = {observar un 3}
E4 = {observar un 4}
E5 = {observar un 5}
E6 = {observar un 6}
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
26 / 250
Eventos
Definition
Un evento en un espacio muestral discreto S es un conjunto de puntos
muestrales, es decir, cualquier subconjunto de S.
: tirar un dado y observar resultado.
A : observar un n
umero impar.
A = {observar un 1, observar un 3, observar un 5} = E1 E3 E5
B : observar un n
umero menor que 5.
B = {observar un 1, observar un 2, observar un 3, observar un 4} =
E1 E2 E3 E4
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
27 / 250
S
E6
E1
E3
E5
E4
E2
o B = E1 E2 E3 E4.
La regla para determinar cules eventos simples incluir en un evento compuesto es muy p
sa. Un evento simple Ei se incluye en el evento A si y slo si A ocurre siempre que ocurra
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
28 / 250
Eventos
Ejemplo infinito numerable:
: observar n
umero de bacterias en un cultivo luego de 3 horas.
Evento B: el n
umero de bacterias es mayor que 200.
B=
Ei
i=201
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
29 / 250
F I G U R A 2.8
Diagrama de Venn
para el experimento
de lanzar un dado
S
E6
E1
E3
E5
E4
E2
A : Se obtiene impar.
: Seuno
obtiene
un simples
n
umero
si y sloB
si ocurre
de los eventos
E1, E3 menor
o E5. As, que 5.
A = E 1 E3 E5
B = E1 E2 AE=3{E1 , EE43 ,
E5}
o A = E1 E3 E5.
El evento se obtienen
impar
menorunque
5menor
es que
A 5)
seBpuede
=E
1E
3.
Del mismo
modo, y
B (observar
nmero
escribir
como
El evento se obtiene impar o menor
que 5 es
B = {E 1 , E 2 , E 3 , E 4 } o
A B = E1 E2 E3 E4 E 5 .
B = E1 E2 E3 E4.
La regla para determinar cules eventos simples incluir en un evento compuesto es muy p
sa. Un evento
Ei se incluye
en el
A siEy slo
El evento no se obtiene
unsimple
impar
es A
=evento
E2
. siempre que ocurra
4 siEA6ocurre
D E FI NIC IN 2.5
Vicente Acu
na (CMM, Universidad de Chile)
30 / 250
Recuerdo algebra
Leyes distributivas
A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
Leyes de DeMorgan
(A B) = A B
(A B) = A B
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
31 / 250
Modelo probabilstico
Definition
Sea S un espacio muestral asociado a un experimento. A todo evento A en
S le asignamos un n
umero, P(A), llamado probabilidad de A, de modo que
se cumplen los siguientes axiomas:
A1: P(A) 0
A2: P(S) = 1
A3: Si A1 , A2 , A3 , . . . forman una secuencia de eventos disjuntos dos a dos
(es decir, Ai Aj = si i 6= j), entonces
X
P(A1 A2 A3 . . .) =
P(Ai ).
i=1
Prob. y Est.
32 / 250
Modelo probabilstico
Para definir un modelo probabilstico para un experimento con un
espacio muestral discreto basta con asignar una probabilidad
numerica a cada evento simple Ei del espacio muestral S.
Este valor debe ser coherente con lo que creemos sera la frecuencia
relativa al repetir el evento muchas veces. Ej: si creemos que el dado
no esta cargado entonces P(Ei ) = 61 .
Los axiomas permiten otras asignaciones. Podramos asignar :
1
1
2
P(E1 ) = , P(E2 ) = , P(E3 ) = ,
3
15
15
1
1
1
P(E4 ) = , P(E5 ) = , P(E6 ) =
15
15
15
si suponemos que el dado esta cargado al uno.
El modelo probabilstico elegido va a depender de las suposiciones
(razonables!) que hagamos.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
33 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
34 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
35 / 250
Ejercicios
(Wackerly 2.17)
Los trenes de aterrizaje hidraulicos que salen de una planta de reparacion
de aviones se inspeccionan para ver si tienen defectos. Registros historicos
indican que 8 % tienen defectos s
olo en ejes, 6 % tienen defectos solo en
bujes y 2 % tienen defectos en ejes y bujes. Uno de los trenes hidraulicos
se selecciona al azar. Cual es la probabilidad de que el conjunto tenga
(a) un buje defectuoso?
(b) un eje o buje defectuoso?
(c) exactamente uno de los dos tipos de defecto?
(d) ning
un tipo de defecto?
Sol: Pizarra
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
36 / 250
Ejercicios
(Wackerly 2.18)
Suponga que dos monedas balanceadas se tiran al aire y que se observan
las caras superiores.
(a) Indique los puntos muestrales para este experimento.
(b) Asigne una probabilidad razonable a cada punto muestral. (Los
puntos muestrales son igualmente probables?)
(c) Denote con A el evento de que exactamente se vea una cara y con B
el evento de que se vea al menos una cara. Indique los puntos
muestrales en A y B.
(d) De su respuesta al inciso (c), encuentre
P(A), P(B), P(A B), P(A B) y P(A B).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
37 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
38 / 250
Espacios equiprobables
Definition
Un espacio muestral finito se denomina equiprobable si todos los eventos
simples (puntos muestrales) tienen la misma probabilidad de ocurrir.
Cuando tenemos un espacio equiprobable, entonces para cualquier evento
A tenemos
P(A) =
n
umero de puntos muestrales en A
|A|
=
n
umero de puntos muestrales en S
|S|
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
39 / 250
Prob. y Est.
40 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
41 / 250
(1,)
(2,)
Etapa 2
(1,1)
(1,2)
(1,3)
(1,4)
(2,1)
(2,2)
(2,3)
(2,4)
(3,)
(4,)
44
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
42 / 250
(1,)
(2,)
Etapa 2
(1,2)
(1,3)
(1,4)
(2,1)
(2,3)
(2,4)
(3,)
(4,)
43
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
43 / 250
43
44
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
44 / 250
Prob. y Est.
45 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
46 / 250
Prob. y Est.
47 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
48 / 250
3 13 12
Par asegurarse que la clasificaci
on esta bien, verificar que cualquier
resultado valido posible aparece una y s
olo una vez en las hojas del
arbol y que la cantidad de grupos posibles en cada etapa de
clasificacion no dependa de las etapas anteriores.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
49 / 250
Prob. y Est.
50 / 250
Recomendaci
on 1: Siempre comenzar pensando en como se codifica
un resultado particular (ej: vector de dos componentes) y calcular
primero los resultados totales. Luego los favorables.
Recomendaci
on 2: Hacer el arbol (o un esquema de el) y verificar
que: (1) Todos los valores validos esta en alguna hoja y (2) Ning
un
resultado posible esta representado en mas de una hoja.
Recomendaci
on 3: Hacer diferentes intentos, no tiene por que salir a
la primera idea. En general no es facil!
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
51 / 250
Distinguible vs indistinguible
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
52 / 250
Ordenando r objetos de n
Theorem
El n
umero de maneras de ocupar r posiciones diferentes utilizando n
objetos distinguibles (con r n) es
n(n 1)(n 2) . . . (n r + 1) =
n!
(n r )!
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
53 / 250
Ordenando r objetos de n
20!
15!
4!
0!
= 24
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
54 / 250
Ejemplo: cumpleanos
(Wackerly 2.7)
Considere un experimento que consiste en registrar el cumplea
nos para
cada una de 20 personas seleccionadas al azar. Si no se presta atencion a
los a
nos bisiestos y se supone que hay s
olo 365 cumplea
nos distintos
posibles, encuentre el n
umero de puntos del espacio muestral S para este
experimento. Si suponemos que cada uno de los posibles conjuntos de
cumplea
nos es igualmente probable, cual es la probabilidad de que cada
persona de las 20 tenga un cumplea
nos diferente?
Sol:Pizarra
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
55 / 250
Permutaciones
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
56 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
57 / 250
Permutaciones
n! es el n
umero de permutaciones de n elementos distinguibles.
Que pasa si hay elementos indistinguibles entre los n?
No es lo mismo el n
umero de secuencias diferentes de 3 letras que
podemos hacer con la palabra AJO que con la palabra OJO:
AJO 3 2 1 = 6 casos.
OJO s
olo 3 casos: OJO, OOJ, JOO
Para analizar este caso podemos primero distinguir las letras de OJO
como J,O1 y O2 , luego contar el total (3 2 1) y finalmente
analizar cuantas veces aparece un resultado cuando volvemos a
indistinguir. En el ejemplo, al distinguir, cada palabra se cuenta
exactamente dos veces (OJO aparece como O1 JO2 y O2 JO1 ).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
58 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
59 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
60 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
61 / 250
Combinaciones
Theorem
Dado un conjunto A de tama
no n, el n
umero de subconjuntos de A de
tama
no r es
n
n!
:=
r
r !(n r )!
.
Dem: Considerar dos grupos de tama
no fijo: los que quedan dentro del
subconjunto y los que quedan fuera. Aplicar resultado anterior.
Ejemplo:
Elegir un comite (sin cargos) de 5 personas de entre 20.
20
5
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
62 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
63 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
64 / 250
Probabilidad condicional
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
65 / 250
Probabilidad condicional
Definition
La probabilidad condicional de un evento A, dado que un evento B ha
ocurrido, es igual a
P(A B)
,
P(A|B) =
P(B)
siempre que P(B) > 0. El smbolo P(A|B) se lee probabilidad de A dado
B.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
66 / 250
Probabilidad condicional
Ejemplo:
Considere el ejemplo de lanzar un dado balanceado. Consideremos los
eventos A : se obtiene un 1 y B: se obtiene un n
umero impar.
La probabilidad de obtener un 1 dado que se obtiene impar es la
probabilidad de A dado B:
P(A|B) =
P(A B)
1/6
1
=
=
P(B)
1/2
3
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
67 / 250
Independencia de eventos
Que pasa si la probabilidad de un evento no es afectada cuando
suponemos la ocurrencia o no ocurrencia de otro evento?
Tenderamos a calificar estos eventos como independientes
Definition
Se dice que dos eventos son independientes si cumple cualquiera de los
siguientes casos (todos son equivalentes):
P(A|B) = P(A),
P(B|A) = P(B),
P(A B) = P(A)P(B)
Si esto no sucede decimos que los sucesos son dependientes
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
68 / 250
Independencia de eventos
Ejemplo: Tirar una moneda no balanceada 5 veces (probabilidad de
cara 0,6). Cual es la probabilidad de obtener exactamente 2 caras?.
Ai : sale cara en lanzamiento i
P(Ai ) = 6/10 y P(Ai ) = 4/10
B : se obtienen exactamente dos caras. P(B) =?
Veamos la probabilidad de un evento simple en B:
E1 = (C , C , S, S, S) = A1 A2 A3 A4 A5 A6
Si suponemos , razonablemente, que cada tirada Ai es independiente:
6 2 4 3
P(E1 ) = P(A1 )P(A2 )P(A3 )P(A4 )P(A5 )P(A6 ) = ( 10
) ( 10 )
Todos los eventos simples en B tienen la misma probabilidad:
6 2 4 3
( 10
) ( 10 ) .
5!
Cuantos eventos simples contiene B? 2!3!
= 52
6 2 4 3
Conclumos P(B) = 52 ( 10
) ( 10 )
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
69 / 250
Probabilidad de la interseccion
Theorem
La probabilidad de la intersecci
on de dos eventos A y B es
P(A B) = P(A)P(B|A)
= P(B)P(A|B)
Si a A y B son independientes, entonces
P(A B) = P(A)P(B)
Dem: De la definicion de probabilidad condicional
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
70 / 250
Probabilidad de la interseccion
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
71 / 250
Probabilidad de la union
Theorem
La probabilidad de la uni
on de dos eventos A y B es
P(A B) = P(A) + P(B) P(A B).
Si A y B son mutuamente excluyentes, P(A B) = 0 y
P(A B) = P(A) + P(B)
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
72 / 250
Probabilidad de la union
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
73 / 250
Theorem
Si A es un evento, entonces
P(A) = 1 P(A).
Dem: S = A A
Muchas veces es mas facil calcular la probabilidad del complemento
de nuestro evento de interes. Ej: Probabilidad que entre 20 personas
al menos dos tengan cumplea
nos el mismo da.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
74 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
75 / 250
Theorem
Suponga que {B1 , B2 , . . . , Bk } es una partici
on de S tal que P(Bi ) > 0,
para i = 1, 2, . . . , k. Entonces para cualquier evento A
P(A) =
k
X
P(A|Bi )P(Bi )
i=1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
76 / 250
Regla de Bayes
Theorem
Suponga que {B1 , B2 , . . . , Bk } es una partici
on de S tal que P(Bi ) > 0,
para i = 1, 2, . . . , k. Entonces
P(A|Bj )P(Bj )
P(Bj |A) = Pk
i=1 P(A|Bi )P(Bi )
Dem: ley de probabilidad total y probabilidad condicional.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
77 / 250
Ejemplo (Wackerly)
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
78 / 250
Ejemplo (Wackerly)
Un fusible electronico es producido por cinco lneas de produccion en una
operacion de manufactura. Los fusibles son costosos, sumamente
confiables y se envan a proveedores en lotes de 100 unidades. Como la
prueba es destructiva, la mayora de los compradores de fusibles prueban
s
olo un n
umero peque
no de ellos antes de decidirse a aceptar o rechazar
lotes de fusibles que lleguen. Las cinco lneas de produccion producen
fusibles al mismo ritmo y normalmente producen s
olo 2 % de fusibles
defectuosos, que se dispersan al azar en la producci
on.
Desafortunadamente, la lnea 1 de producci
on sufri
o problemas mecanicos
y produjo 5 % de piezas defectuosas durante el mes de marzo. Esta
situacion llego al conocimiento del fabricante despues de que los fusibles
ya haban sido enviados. Un cliente recibi
o un lote producido en marzo y
prob
o tres fusibles. Uno fall
o. Cual es la probabilidad de que el lote se
haya producido en la lnea 1? Cual es la probabilidad de que el lote haya
provenido de una de las otras cuatro lneas?
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
79 / 250
Solucion
Desarrollo: Pizarra
Sol: 0.73 y 0.63
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
80 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
81 / 250
Variables aleatorias
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
82 / 250
Definition
Una variable aleatoria Y es discreta si puede tomar solo un n
umero finito
o infinito numerable de valores distintos. Es decir, su recorrido RY es finito
o infinito numerable.
Ejemplo : lanzar 3 monedas equilibradas.
La v.a. Y :n
umero de caras tiene RY = {0, 1, 2, 3}. Por lo tanto Y
es discreta.
Ejemplo : lanzar una moneda hasta que salga sello
La v.a. X =n
umero de lanzamientos tiene RX = {1, 2, 3, . . .}.
Como RX es infinito numerable entonces X es discreta.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
83 / 250
Cuando no es discreta?
Ejemplo : lanzar un dardo en un disco de tiro al blanco y mirar su
posicion.
la variable aleatoria Y =distancia entre la posici
on y el centro del
blanco es discreta o no?
Si asumimos una medici
on perfecta, el n
umero de posibles valores de
Y es cualquier n
umero real entre 0 y el radio del disco Y no es
discreta. Mas adelante estudiaremos este caso.
En cambio si observamos la zona en que cay
o, la v.a. X =puntaje
obtenido es claramente discreta. As, para un mismo experimento
podemos definir distintas v.a. de distinta naturaleza.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
84 / 250
Vicente Acu
na (CMM, Universidad de Chile)
1
2
y P(Y = 2) =
Prob. y Est.
1
4
85 / 250
Proposition
La probabilidad de que Y tome el valor y , P(Y = y ), es la suma de las
probabilidades de todos los puntos muestrales en S a los que se asigna el
valor y . A veces denotamos P(Y = y ) como pY (y ) o simplemente como
p(y ).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
86 / 250
Distribucion de probabilidad
Definition
La distribucion de probabilidad para una variable discreta Y es la
descripcion de la probabilidad de cada uno de los valores que puede tomar
Y . Puede ser representada por una f
ormula, una tabla o una grafica que
produzca p(y ) = P(Y = y ) para todo y .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
87 / 250
1
1
2
1
FIGURE 4.1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
88 / 250
Distribucion de probabilidad
pter 4
36
5
36
4
36
3
36
2
36
1
36
10
11
12
Prob. yas
Est.
graphically
shown in Figure 4.1. Similarly, a graph
89 / 250
Distribucion de probabilidad
Algunas propiedades:
La probabilidad para Y = y debe estar entre 0 y 1 para todo y :
0 pY (y ) 1
La probabilidad para todos los valores de Y debe sumar 1
X
pY (y ) = 1
y RY
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
90 / 250
Ejemplo
Sea =lanzar 3 monedas equilibradas y la v.a. Y que representa
el n
umero de caras.
Dada una ley de probabilidad sobre S, podemos calcular la funcion de
probabilidad de Y calculando la probabilidad de cada conjunto
{Y = k} con k = 0, . . . , 3 (es usual usar k en vez de y cuando los
valores posibles de Y son enteros)
pY (0) = P(Y = 0) = P{(S, S, S)} = 1/8
pY (1) = P(Y = 1) = P{(S, S, C ), (S, C , S), (C , S, S)} = 3/8
pY (2) = P(Y = 2) = P{(S, C , C ), (C , S, C ), (C , C , S)} = 3/8
pY (3) = P(Y = 3) = P{(C , C , C )} = 1/8
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
91 / 250
Ejemplo (continuacion)
En general no escribimos todos los valores. En cambio calculamos una
formula para la funcion de probabilidad:
3
pY (k) =
k = 0, . . . , 3
23
pY (k) =
1 3 3 1
+ + + =1
8 8 8 8
3
3
1 X 3
1 X 3 k 3k
1
pY (k) = 3
= 3
1 1
= 3 (1 + 1)3 = 1
2
k
2
k
2
k=0
Vicente Acu
na (CMM, Universidad de Chile)
k=0
Prob. y Est.
92 / 250
Problema
Problema: Tres bolas son elegidas al azar sin reemplazo desde una
urna conteniendo 20 bolas numeradas del 1 al 20. Si apostamos que
al menos una bola elegida tiene un n
umero mayor o igual a 17, cual
es la probabilidad de que ganemos la apuesta?
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
93 / 250
3k
20
3
Prob. y Est.
94 / 250
16!
(16(3k))!
maneras). Es decir
3
4!
16!
k (4k)! (13+k)!
20!
17!
P(Y = k) =
16
(k4)(3k
)
) pero
20
(3)
Prob. y Est.
95 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
96 / 250
Esperanza
Definition
Sea Y una v.a. discreta con funci
on de probabilidad p(y ). Entonces el
valor esperado de Y , E (Y ), se define como
X
E (Y ) =
yp(Y )
y RY
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
97 / 250
pY 2 (4) = 2/3
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
98 / 250
1
3
+ 02
1
3
+ 22
1
3
8
3
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
99 / 250
Varianza
Theorem
Si Y es una v.a. con media E (Y ) = , la varianza de la v.a. Y se define
como el valor esperado de (Y )2 . Esto es,
V (Y ) = E ((Y )2 ).
La desviaci
on estandar de Y es la raz cuadrada positiva de V (Y )
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
100 / 250
Propiedades de la esperanza
Theorem
Sea Y una v.a. discreta con funci
on de probabilidad p(y ) y sea c una
constante. Entonces E (c) = c.
Una constante es cualquier valor que no vara cuando realizamos el
experimento.
Caso particular interesante: E (E (X )) = E (X ) pues la esperanza de X
no depende del resultado de X
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
101 / 250
Propiedades de la esperanza
Theorem
Sea Y una v.a. discreta con funci
on de probabilidad p(y ), g (Y ) una
funcion de Y y c una constante. Entonces
E (cg (Y )) = cE (g (Y ))
.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
102 / 250
Propiedades de la esperanza
Theorem
Sea Y una v.a. discreta con funci
on de probabilidad p(y ) y sean
g1 (Y ), g2 (Y ) . . . gk (Y ) k funciones de Y . Entonces
E (g1 (Y ) + g2 (Y ) + . . . + gk (Y )) = E (g1 (Y )) + E (g2 (Y )) + . . . E (gk (Y ))
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
103 / 250
Formula de la varianza
Theorem
Sea Y una v.a. discreta con funci
on de probabilidad p(y ) y media
E (Y ) = ; entonces
V (Y ) = 2 = E ((Y )2 ) = E (Y 2 ) 2
Dem: Pizarra
Esta f
ormula es muy usada para calcula la esperanza
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
104 / 250
Propiedad de la varianza
Theorem
Si X es una variable aleatoria y a, b son constantes, entonces
V (aX + b) = a2 V (X )
Demostracion: Pizarra
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
105 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
106 / 250
Prob. y Est.
107 / 250
Prob. y Est.
108 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
109 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
110 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
111 / 250
Captulo 3
F I G U R A 3.4
Histogramas
de probabilidad
binomial
p ( y)
.40
.30
n = 10, p = .1
.20
.10
0
0
10
10
(a)
p ( y)
.25
n = 10, p = .5
.20
.15
.10
.05
0
0
(b)
p ( y)
.18
.16
.14
n = 20, p = .5
.12
.10
.08
.06
.04
.02
0
0
Vicente Acu
na (CMM, Universidad de Chile)
10
(c)
Prob. y Est.
12
14
16
18
20
112 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
1
p
y varianza
1p
.
p2
113 / 250
FIGURA 3.5
La distribucin
de probabilidad
geomtrica, p = .5
p ( y)
.5
.4
.3
.2
.1
W-cap-03.indd 115
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
114 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
r
p
y varianza
r (1p)
.
p2
115 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
116 / 250
Si definimos la v.a. X n
umero de defectuosos al da, solo sabemos que
E (X ) = .
Supongamos que separamos el da en N intervalos muy peque
nos
tales que: (1) es imposible que en cada intervalo se produzca mas de
un defectuoso y (2) la probabilidad de fabricar un defectuoso en un
intervalo es independiente de los que suceda en otros intervalos.
Entonces la probabilidad de que produzca un defectuoso en el
intervalo i es N y X es una binomial X bin(N, N ).
Es coherente pues E (X ) = N N = .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
117 / 250
N k
P(X = k) =
( ) (1 )Nk
N
k N
para k {0, 1, . . . , N}
k
N k
lm
( ) (1 )Nk = e
n k
N
N
k!
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
118 / 250
Definition
Decimos que una v.a. discreta X sigue una distribuci
on de Poisson de
parametro > 0, si la distribuci
on de X esta dada por
pX (k) = e
k
k!
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
119 / 250
Prob. y Est.
120 / 250
Propuesto
Demostrar que la distribuci
on de Poisson
satisface la condicion
P
(requerida para ser distribuci
on): y RY pY (y ) = 1 (Hint: use la
expansion en serie de e )
Demostrar que la esperanza de una v.a. de Poisson con parametro
es (Hint: Busque formar la condici
on anterior)
Demostrar que la varianza tambien es (Hint: Encuentre
E (Y (Y 1)) para calcular E (Y 2 ) )
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
121 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
122 / 250
Prob. y Est.
123 / 250
F I G U R A 4.1
Funcin de distribucin binomial,
n = 2, p = 1/2
F(y)
1
3/4
1/2
1/4
Theorem
Si F (y ) es una funcion de distribuci
on de la variable aleatoria Y entonces
1
lmy F (y ) = 0
lmy F (y ) = 1
F (y ) es no decreciente en y .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
125 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
126 / 250
Por tanto,
llegamos a la definicin de una variable aleatoria continua.
Clase 9: Variables aleatorias
continuas
D E F I N I C I N 4.2
Una variable aleatoria Y con funcin de distribucin F(y) se dice que es continua si F(y)
es continua, para q < y < q.2
F(y)
F(y2)
F(y1)
y1
y2
2. Para ser matemticamente precisos, tambin necesitamos que exista la primera derivada de F(y) y que sea continua excepto para, a lo sumo, un nmero finito de puntos en cualquier intervalo finito. Las funciones de distribucin
para las variables aleatorias continuas estudiadas en este texto satisfacen este requisito.
W-cap-04.indd 160
Vicente Acu
na (CMM, Universidad de Chile)
27/7/09 02:25:31
Prob. y Est.
127 / 250
Definition
Sea F (y ) la funcion de distribuci
on para una v.a. continua Y . Entonces
f (y ), dada por
dF (y )
f (y ) =
= F 0 (y )
dy
siempre que exista la derivada, se denomina funci
on de densidad de
probabilidad para la variable aleatoria Y .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
128 / 250
Variables aleatorias
F I G U R A 4.3
La funcin
de distribucin
f ( y)
F ( y0 )
y0
La funcion de distribuci
on y la densidad se relacionan por el teorema
fundamental del calculo:
Z y
-cap-04.indd 161
F (y ) =
f (t)dt.
La densidad es un modelo te
orico de la frecuencia de un evento: es el
histograma si pudieramos repetir un experimento infinitas veces.
Obviamente f (y ) es no negativa e integra 1 en el los reales.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
129 / 250
Theorem
Si f (y ) es una funcion de densidad para una variable aleatoria continua,
entonces
1. f (y ) 0 para todo y tal que < y < .
R
2. f (y )dy = 1.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
130 / 250
b
a
Theorem
Si la variable
aleatoria
densidad
f (y
) y funcin
a < b,de entonces
TE O
R E MA 4.3 Y tiene
Si la variable
aleatoria
Y tiene
densidad f (y)la
y a < b, entonces
dad en
de que
caiga en el intervalo
[a, b] es
probabilidad de que Y caiga
el Yintervalo
[a, b] es
Z
P(a Y b) =
P(a
P Y b) !
f (y )dy .
f ( y) dy.
a
a
Esta probabilidad es el rea sombreada de la Figura 4.8.
F I G U R A 4.8
P (a Y b)
f (y)
0
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
y
131 / 250
Prob. y Est.
132 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
133 / 250
Theorem
Sea g (Y ) una funcion de Y ; entonces el valor esperado de g (Y ) esta dado
por
Z
E (Y ) =
g (y )f (y )dy
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
134 / 250
Propiedades de la esperanza
Theorem
Sea c una constante y sean g (Y ), g1 (Y ), g2 (Y ), ..., gk (Y ) funciones de
una variable aleatoria continua Y . Entonces se cumplen los siguientes
resultados:
1. E (c) = c.
2. E (cg (Y )) = cE (g (Y )).
3. E [g1 (Y )+g2 (Y )+. . .+gk (Y )] = E [g1 (Y )]+E [g2 (Y )]+. . .+E [gk (Y )].
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
135 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
136 / 250
Distribucion uniforme
Definition
Si 1 < 2 , se dice que una variable aleatoria Y tiene distribucion de
probabilidad uniforme en el intervalo (1 , 2 ) si y s
olo si la funcion de
densidad de Y es
(
1
1 y 2
f (y ) = 2 1
0
en cualquier otro punto.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
137 / 250
D E F I NIC IClase
N 4.6
Si u1 < continuas
u2, se dice
que una variable aleatoria Y tiene distribucin de prob
10: Variables aleatorias
usuales I
Distribucion uniforme
f ( y) =
F I G U R A 4.9
Funcin de
densidad para Y
1
,
u2 u1
u 1 y u2 ,
0,
f(y)
A1
A2
9 10
04.indd 174
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
138 / 250
Theorem
Si 1 < 2 e Y es una variable alatoriauniforme distribuida en el intervalo
(1 , 2 ), entonces
176 Captulo 4
1 + 2
(2 1 )2
2
=
E
(Y
)
=
y
=
V
(Y
)
=
.
Variables continuas y sus distribuciones de probabilidad
2
12
TE O RE MA 4.6
Prueba
u1 + u2
2
y s2 = V (Y ) =
(u2 u1 ) 2
.
12
Vicente Acu
na (CMM, Universidad de Chile)
q
q
y f ( y) dy
u2
Prob.
y Est.1
139 / 250
4.5aleatorias
La distribucin
de probabilidad normal
Variables
continuas
La distribucin de probabilidad continua que ms se utiliza es la distribucin normal, con la
conocida forma de campana que estudiamos en relacin con la regla emprica. Los ejemplos
y ejercicios de esta seccin ilustran algunas de las numerosas variables aleatorias que tienen
distribuciones que se calculan en forma muy cercana por medio de una distribucin de probabilidad normal. En el Captulo 7 presentaremos un argumento que explica, al menos parcialmente, el suceso comn de distribuciones normales de datos en la naturaleza. La funcin de
densidad normal es como sigue:
DE F INI C IN 4.8
Se dice que una variable Y tiene una distribucin normal de probabilidad si y slo si,
para s > 0 y q < m < q, la funcin de densidad de Y es
f ( y) =
1
s2p
e( ym)
%(2s2 )
q < y < q .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
V(Y) = s2.
140 / 250
bilidad normal. En el Captulo 7 presentaremos un argumento que explica, al menos parcialnormales de datos en la naturaleza. La funcin de
densidad normal es como sigue:
Se dice que una variable Y tiene una distribucin normal de probabilidad si y slo si,
para s > 0 y q < m < q, la funcin de densidad de Y es
f ( y) =
1
s2p
e( ym)
%(2s2 )
q < y < q .
cap-04.indd 178
Vicente Acu
na (CMM, Universidad de Chile)
V(Y) = s2.
27/7/09 0
Prob. y Est.
141 / 250
F I G U R A 4.10
La funcin
de densidad de
probabilidad normal
f (y)
Vicente Acu
na (CMM, Universidad de Chile)
La d
Prob. y Est.
142 / 250
b
a
1
s2p
dy.
Prob. y Est.
143 / 250
asociados
con variables
aleatorias
Clase 10: Variables
aleatorias
continuas usuales
I
EJEMPLO 4.8
Denote con Z una variable aleatoria normal con media 0 y desviacin estndar 1.
a Encuentre P( Z > 2).
b Encuentre P(2 Z 2).
c Encuentre P(0 Z 1.73).
179
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
144 / 250
f (y)
!
z"
Solucin
Vicente Acu
na (CMM, Universidad de Chile)
! + z"
145 / 250
ZI
Clase 10: Variables aleatorias continuasP(0
usuales
Variables
aleatorias continuas
F I G U R A 4.12
A2
2
EJEMPLO 4.9
Las calificaciones para un examen de admisin a una universidad estn normalmente distribuidas con media de 75 y desviacin estndar 10. Qu fraccin de las calificaciones se
encuentra entre 80 y 90?
Solucin
Recuerde que z es la distancia desde la media de una distribucin normal expresada en unidades de desviacin estndar. Entonces,
z=
.indd 180
Vicente Acu
na (CMM, Universidad de Chile)
y m
.
s
27/7/09 02:
Prob. y Est.
146 / 250
F I G U R A 4.13
rea requerida para
el Ejemplo 4.9
A
0
.5
1.5
Prob. y Est.
147 / 250
conforme
y aumenta.
En usuales
la Figura
Clase 10: Variables
aleatorias
continuas
I
DE F IN IC IN 4.9
Se dice que una variable aleatoria Y tiene una distribucin gamma con parmetros
a > 0 y b > 0 si y slo si la funcin de densidad de Y es
f ( y) =
y a1 ey/b
,
ba
0 y < q,
0,
donde
=
y a1 ey dy.
La cantidad (a) se conoce como funcin gamma. La integracin directa verificar que
(1) = 1. La integracin por partes verifica que
= (a 1
1) para cualquier a > 1
y que (n) = (n 1)!, siempre que n sea un entero.
En la Figura 4.16 se dan grficas de funciones de densidad gamma para a = 1, 2 y 4 y
b = 1. Observe en la Figura 4.16 que la forma de la densidad gamma difiere para los diferentes valores de a. Por esta razn, a recibe a veces el nombre de parmetro de forma asociado
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
148 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
149 / 250
Prob. y Est.
150 / 250
0.6
0.3
0.0
0.1
0.2
Density
0.4
0.5
alpha=0.5
alpha=1
alpha=1.3
alpha=2
alpha=3
alpha=4
10
x value
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
151 / 250
Prob. y Est.
152 / 250
0.6
0.3
0.0
0.1
0.2
Density
0.4
0.5
beta=0.5
beta=1
beta=2
beta=3
beta=4
beta=8
10
x value
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
153 / 250
Prob. y Est.
154 / 250
0.3
0.0
0.1
0.2
Density
0.4
0.5
Probability densities
alpha=0.5 beta=8
alpha=1
beta=4
alpha=1.33 beta=3
alpha=2
beta=2
alpha=4
beta=1
alpha=20 beta=0.2
10
x value
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
155 / 250
d
c
y a1 ey"b
dy.
ba
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
156 / 250
0 II
Clase 11: Variables aleatorias continuas usuales
de fp tal que P(Y fp) =
TE O REMA 4.8
s2 = V (Y ) = ab2 .
04.indd 186
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
157 / 250
[b a+2
b
Variables aleatorias continuas
b
+ 2)] =
b 2 ( + 1
= ( + 1)b 2.
Dos casos especiales de variables aleatorias con distribucin gamma ameritan consideracin particular.
DE F INI CI N 4.10
Sea un entero positivo. Se dice que una variable aleatoria Y tiene distribucin
ji cuadrada con grados de libertad si y slo si Y es una variable aleatoria con distribucin gamma y parmetros a = /2 y b = 2.
Una variable aleatoria con distribucin ji cuadrada se denomina variable aleatoria
(2) ji cuadrada. Estas variables aleatorias se presentan con frecuencia en teora estadstica.
La motivacin que hay detrs de llamar al parmetro como grados de libertad de la distribucin 2 se apoya en una de las principales formas de generar una variable aleatoria con esta
distribucin y se da en el Teorema 6.4. La media y la varianza de una variable aleatoria 2
provienen directamente del Teorema 4.8.
p-04.indd 187
Vicente Acu
na (CMM, Universidad de Chile)
27/7/09 02:2
Prob. y Est.
158 / 250
188
Captulo 4
TE O RE MA 4.9
Demostracin
Vicente Acu
na
s2 = V(Y) = 2.
En casi todos los textos de estadstica se pueden ver tablas que dan probabilidades as
con distribuciones 2. La Tabla 6, Apndice 3, da puntos porcentuales asociados con d
ciones 2 para numerosas opciones de . No se dispone fcilmente de tablas de la distr
gamma general, pero demostraremos en el Ejercicio 6.46 que si Y tiene una distribucin
con a = n/2 para algn entero n, entonces 2Y/b tiene una distribucin 2 con n gra
libertad. De ah que, por ejemplo, si Y tiene una distribucin gamma con a = 1.5 =
b = 4, entonces 2Y/b = 2Y/4 = Y/2 tiene una distribucin 2 con 3 grados de libertad. En
(CMM, Universidad
Chile)
Prob. se
y Est.
1592/ de
250las
P(Y <de3.5)
= P([Y/2] < 1.75)
puede hallar usando tablas de la distribucin
En casi todos los textos de estadstica se pueden ver tablas que dan probabilidades asociadas
con distribuciones 2. La Tabla 6, Apndice 3, da puntos porcentuales asociados con distribuciones 2 para numerosas opciones de . No se dispone fcilmente de tablas de la distribucin
gamma general, pero demostraremos en el Ejercicio 6.46 que si Y tiene una distribucin gamma
con a = n/2 para algn entero n, entonces 2Y/b tiene una distribucin 2 con n grados de
libertad. De ah que, por ejemplo, si Y tiene una distribucin gamma con a = 1.5 = 3/2 y
b = 4, entonces 2Y/b = 2Y/4 = Y/2 tiene una distribucin 2 con 3 grados de libertad. Entonces,
P(Y < 3.5) = P([Y/2] < 1.75) se puede hallar usando tablas de la distribucin 2 de las que se
puede disponer fcilmente.
La funcin de densidad gamma en la que a = 1, se llama funcin de densidad exponencial.
DE F IN IC I N 4.11
Se dice que una variable aleatoria Y tiene una distribucin exponencial con parmetro
b > 0 si y slo si la funcin de densidad de Y es
1 y#b
e
, 0 y < ,
f ( y) = b
0,
en cualquier otro punto.
La funcin de densidad exponencial a menudo es de ayuda para modelar la vida til de
componentes electrnicos. Suponga que el tiempo que ya ha operado un componente no afecta su probabilidad de operar durante al menos b unidades de tiempo adicionales. Esto es, la
probabilidad de que el componente opere durante ms de a + b unidades de tiempo, dado que
ya ha operado durante al menos a unidades de tiempo, es la misma que la probabilidad de
que un componente nuevo opere al menos b unidades de tiempo si el componente nuevo se
pone en servicio en el tiempo 0. Un fusible es un ejemplo de un componente para el cual
a veces esta suposicin es razonable. Veremos en el siguiente ejemplo que la distribucin
exponencial proporciona un modelo para la distribucin de la vida til de ese componente.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
160 / 250
Variables
TE O R E M A 4.10
Demostracin
EJ E MP L O 4.10
s2 = V(Y) = b2.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
161 / 250
Demostracin
E J E MPL O 4.10
y s2 = V(Y) = b2.
Suponga que Y tiene una funcin de densidad de probabilidad exponencial. Demuestre que, si
a > 0 y b > 0,
P(Y > a + b)Y > a) = P(Y > b).
-04.indd 188
Vicente Acu
na (CMM, Universidad de Chile)
27/7/09 02:2
Prob. y Est.
162 / 250
La funcin de densidad beta es una funcin de densidad de dos parmetros definida sobre
Variables aleatorias continuas
el intervalo cerrado 0 y 1. Frecuentemente se usa como modelo para proporciones, por
ejemplo como la proporcin de impurezas en un producto qumico o la proporcin de tiempo
que una mquina est en reparacin.
Se dice que una variable aleatoria Y tiene una distribucin de probabilidad beta con
parmetros a > 0 y b > 0 si y slo si la funcin de densidad de Y es
f ( y) =
y a1 (1 y) b1
,
B( , b)
0 y 1,
0,
donde
B (, b) =
1
0
y a1 (1 y) b1 dy =
a b
.
a + b)
Las grficas de funciones de densidad beta toman formas muy diferentes para diversos
valores de los dos parmetros a y b. Algunos de stos se muestran en la Figura 4.17. Ciertos
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
163 / 250
F I G U R A 4.17
Funciones de
densidad beta
La distribucin de probab
f ( y)
! =5
" =3
! =3
" =3
! =2
" =2
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
164 / 250
La funcin
de distribucin
acumulativa
binomial se presenta en la Tabla 1, Apndice 3, para n
Clase 11: Variables
aleatorias
continuas usuales
II
= 5, 10, 15, 20 y 25 y p = .01, .05, .10, .20, .30, .40, .50, .60, .70, .80, .90, .95 y .99. El modo
ms eficiente de obtener probabilidades binomiales es usar un software de estadstica como
el R o SPlus (vea el Captulo 3). Una forma incluso ms fcil para hallar probabilidades y
cuantiles asociados con variables aleatorias de distribucin beta es usar directamente software
apropiado. La pgina web de Thomson contiene una aplicacin breve, Beta Probabilities,
que proporciona probabilidades de cola superior [es decir, P(Y > y0)] y cuantiles asociados
con variables aleatorias con distribucin beta. Adems, si Y es una variable aleatoria con distribucin beta y parmetros a y b, el comando pbeta(y0, a, 1$b) de R (o SPlus) genera
P(Y y0), mientras que qbeta(p, a, 1$b ) da el psimo cuantil, el valor de fp de manera
que P(Y fp) = p.
T E O R E M A 4.11
a
a +b
indd 195
Vicente Acu
na (CMM, Universidad de Chile)
s 2 = V (Y ) =
ab
.
(a +b ) 2 (a + b + 1)
27/7/09 02:25
Prob. y Est.
165 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
166 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
167 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
168 / 250
Definition
La funcion generadora de momento m(t) para una variable aleatoria Y se
define como m(t) = E (e tY ). Decimos que una funci
on generadora de
momento para Y existe si existe una constante positiva b tal que m(t) es
finita para |t| b.
Veamos (pizarra) que la f.g.m. -si existe- es igual a:
E (e tY ) = 1 + t01 +
t3
t2 0
2 + 03 + . . .
2!
3!
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
169 / 250
Theorem
Si m(t) existe, entonces para cualquier entero positivo k,
#
d k m(t)
= m(k) (0) = 0k ,
dt k
t=0
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
170 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
171 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
172 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
173 / 250
de probabilidad comn
Distribucin
Funcin de probabilidad
Binomial
p( y) =
n
y
p y (1 p) ny ;
Media
Varianza
Funcin
generadora
de momento
np
np(1 p)
[ pet + (1 p)]n
1
p
1p
p2
pet
1 (1 p)et
y = 0, 1, . . . , n
Geomtrica
p( y) = p(1 p) y1 ;
y = 1, 2, . . .
Hipergeomtrica
p( y) =
r
y
N
n
N r
ny
nr
N
r
N
N r
N
N n
N 1
No existe en
forma cerrada
y = 0, 1, . . . , n si n r ,
y = 0, 1, . . . , r si n > r
Poisson
p( y) =
l y el
;
y!
exp[l(et 1)]
r
p
r (1 p)
p2
pet
1 (1 p)et
y = 0, 1, 2, . . .
Binomial negativa
p( y) =
y1
r 1
pr (1 p) yr ;
y = r, r + 1, . . .
837
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
174 / 250
Distribucin
Uniforme
Normal
Funcin de probabilidad
f ( y) =
f ( y) =
1
u1 y u2
u2 u1
1
s2p
1
2s2
exp
( y m) 2
Media
Varianza
Funcin
generadora
de momento
u1 + u2
2
(u2 u1 ) 2
12
et u2 et u1
t (u2 u1 )
s2
b2
(1 bt) 1
ab
ab 2
(1 bt) a
2v
(1 2t) y/2
a
a +b
ab
(a + b) 2 (a + b + 1)
no existe en
forma cerrada
exp mt +
t 2 s2
2
q < y < + q
Exponencial
f ( y) =
1 y/b
e
b
b>0
0<y< q
Gamma
f ( y) =
y a1 ey/b ;
0 < y <q
Ji-cuadrada
f ( y) =
( y) (y/2)1 ey/2
;
2v/2 v/2)
y >0
Beta
f ( y) =
+ b)
y a1 (1 y) b1 ;
0<y <1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
175 / 250
Teorema de Tchebysheff
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
176 / 250
Teorema de Tchebysheff
Theorem
Sea Y una variable aleatoria con media finita y varianza 2 . Entonces,
para cualquier k > 0
P(|Y | < k) 1
1
k2
P(|Y | k) 1
1
k2
o equivalentemente
Prob. y Est.
177 / 250
Teorema de Tchebysheff
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
178 / 250
Teorema de Tchebysheff
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
179 / 250
Teorema de Tchebysheff
Ejemplo: El n
umero de clientes por da en un mostrador de ventas, Y ,
ha sido observado durante un largo periodo y se encontro que tiene
una media de 20 y desviaci
on estandar de 2. La distribucion de
probabilidad de Y no se conoce. Que se puede decir acerca de la
probabilidad de que, ma
nana, Y sea mayor que 16 pero menor que
24?
Solucion: Propuesto
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
180 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
181 / 250
Distribucion Multivariantes
Dado el experimento lanzar dos dados, podemos definir varias
variables aleatorias para describir los posibles resultados.
Luego, podemos identificar eventos interesantes que se definen a
partir de mas de una variable aleatoria.
Y1 : el n
umero de puntos que aparecen en el dado 1.
Y2 : el n
umero de puntos que aparecen en el dado 2.
Y3 : la suma del n
umero de puntos en los dados.
Y4 : el producto del n
umero de puntos que aparecen en los dados.
Si consideramos las v.a. Y1 e Y2 podemos denotar el evento sale un
seis y un cuatro como la intersecci
on de los eventos
(Y1 = 6), (Y2 = 4).
As podemos calcular la probabilidad pY1 ,Y2 (6, 4) =
calcular entonces pY1 ,Y2 (y1 , y2 ) para todo (y1 , y2 ).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
1
36 .
Podemos
182 / 250
Distribucion Multivariantes
5.2
F I G U R A 5.1
Funcin de probabilidad bivariante;
y1 = nmero de
puntos en el dado 1,
y2 = nmero de
puntos en el dado 2
p ( y1, y2 )
1!36
0
1
2
6
y1
3
4
5
6
y2
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
183 / 250
Distribucion Multivariantes
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
184 / 250
Definition
Sean Y1 y Y2 variables aleatorias discretas. La funci
on de probabilidad
conjunta (o bivariante) para Y1 y Y2 esta dada por
p(y1 , y2 ) = P(Y1 = y1 , Y2 = y2 ),
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
185 / 250
Theorem
Si Y1 y Y2 son variables aleatorias discretas con funci
on de probabilidad
conjunta p(y1 , y2 ), entonces
1. p(y1 , y2 ) 0 para todo y1 , y2 .
P
2.
y1 ,y2 p(y1 , y2 ) = 1 donde la suma es para todos los valores (y1 , y2 ) a
los que se asignan probabilidades diferentes de cero.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
186 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
187 / 250
Definition
Sean Y1 y Y2 variables aleatorias discretas. La funci
on de distribucion
(acumulada) conjunta F (y1 , y2 ) esta dada por
F (y1 , y2 ) = P(Y1 y1 , Y2 y2 ),
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
188 / 250
Definition
Sean Y1 y Y2 variables aleatorias continuas con funci
on de distribucion
conjunta F (y1 , y2 ). Si existe una funci
on no negativa f (y1 , y2 ), tal que
Z y1 Z y2
F (y1 , y2 ) =
f (t1 , t2 )dt2 dt1 ,
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
189 / 250
lm F (y1 , y2 ) =
y1
y2
lm F (y1 , y2 ) =
y1
lm F (y1 , y2 ) = 0
y2
2. y l
m F (y1 , y2 ) = 1
1
3.
y2
Si y1 >
y1 y y2 > y2 entonces
F (y1 , y2 ) F (y1 , y2 ) F (y1 , y2 ) + F (y1 , y2 ) 0.
Prob. y Est.
190 / 250
Theorem
Si Y1 y Y2 son variables aleatorias continuas conjuntas con una funcion de
densidad conjunta dada por f (y1 , y2 ), entonces
1. f (y1 , y2 ) 0 para toda y1 , y2 .
R R
2. f (y1 , y2 )dy1 dy2 = 1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
191 / 250
Para el caso continuo univariante, las reas bajo la densidad de probabilidad para un inte
valo corresponden a probabilidades. De igual manera, la funcin de densidad de probabilid
bivariante f (y1, y2) traza una superficie de densidad de probabilidad sobre el plano (y1, y
Densidad
Bivariante
(Figura 5.2).
R A 5.2
ensidad
f (y1, y2)
f ( y1, y2 )
a1
a2
y1
b1
b2
y2
b2
a2
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
a1
192 / 250
Ejemplo
Suponga que una partcula radiactiva se localiza aleatoriamente en un
cuadrado con lados de longitud unitaria. Esto es, si se consideran dos
regiones de igual area y dentro del cuadrado unitario es igualmente
probable que la partcula se encuentre en cualquiera de las dos. Denote
con Y1 y Y2 las coordenadas de la ubicaci
on de la partcula. Un modelo
razonable para el histograma de frecuencia relativa para Y1 y Y2 es la
analoga bivariante de la funci
on de densidad uniforme univariante:
(
1 0 y1 1, 0 y2 1
f (y1 , y2 ) =
0 en cualquier otro punto.
a. Dibuje la superficie de densidad de probabilidad.
b. F (0.2, 0.4).
c. Encuentre P(0.1 Y1 0.3, 0 Y2 0.5).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
193 / 250
.4
y1
.2
dy2 =
.4
0
.2 dy2 = .08.
EjemploLa probabilidad F(.2, .4) corresponde al volumen bajo f(y1, y2)= 1, que est sombread
G U R A 5.3
resentacin
geomtrica
de f (y1, y2),
Ejemplo 5.3
f ( y1, y2 )
F(.2, .4)
.2
1
.4
y1
y2
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
194 / 250
Ejemplo
Se ha de almacenar gasolina en un enorme tanque una vez al principio de
cada semana y luego se vende a clientes individuales. Denote con Y1 el
nivel de gasolina (proporci
on) que alcanza el tanque despues de surtirlo.
Debido a suministros limitados, Y1 vara de una semana a otra. Denote
con Y2 la proporcion de la capacidad del tanque que se vende durante la
semana. Como Y1 y Y2 son proporciones, estas dos variables toman
valores entre 0 y 1. Ademas, la cantidad de gasolina vendida, y2 , no puede
ser mayor que la cantidad disponible, y1 . Suponga que la funcion de
densidad conjunta para Y1 y Y2 esta dada por
(
3y1 0 y2 y1 1
f (y1 , y2 ) =
0
en cualquier otro punto.
Encuentre la probabilidad de que menos de la mitad del tanque tenga
gasolina y mas de un cuarto del tanque se venda (Grafico en siguiente
slide).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
195 / 250
Figura ejemplo
R A 5.4
ensidad
para el
mplo 5.4
f ( y1, y2 )
3
1
y1
y2
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
196 / 250
Definition
Sean Y1 y Y2 variables aleatorias discretas conjuntas con funcion de
probabilidad conjunta p(y1 , y2 ). Entonces las funciones de probabilidad
marginal de Y1 y Y2 , respectivamente, estan dadas por
X
X
p1 (y1 ) =
p(y1 , y2 ) y p2 (y2 ) =
p(y1 , y2 ).
todos y2
Vicente Acu
na (CMM, Universidad de Chile)
todos y1
Prob. y Est.
197 / 250
Definition
Sean Y1 y Y2 variables aleatorias continuas conjuntas con funcion de
densidad conjunta f (y1 , y2 ). Entonces las funciones de densidad marginal
de Y1 y Y2 , respectivamente, estan dadas por
Z
Z
f1 (y1 ) =
f (y1 , y2 )dy2 y f2 (y2 ) =
f (y1 , y2 )dy1 .
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
198 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
199 / 250
Ejemplo
y1
y2
Total
Total
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
200 / 250
Ejemplo
Sea
(
2y1
f (y1 , y2 ) =
0
0 y1 1, 0 y2 1
en cualquier otro punto.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
201 / 250
Ejemplo
238 Captulo 5 Distribuciones de probabilidad multivariantes
F I G U R A 5.6
Representacin
geomtrica
de f(y1, y2),
Ejemplo 5.6
f ( y1, y2 )
2
1
1
0
y1
1
y2
densidad de probabilidad triangular que se vera como el lado de la cua de la Figura 5.6. Si
la probabilidad estuviera acumulada a lo largo del eje y2 (acumulndose a lo largo de lneas
paralelas al eje y1), la densidad resultante sera uniforme. Confirmaremos estas soluciones
visuales mediante la aplicacin de la Definicin 5.4. Entonces, si 0 y1 1,
Vicente Acu
na (CMM, Universidad de Chile)
f 1 ( y1 ) =
f ( y1 , y2 ) dy2 =
Prob.
q
y Est.
1
0
1
0
202 / 250
Definition
Si Y1 y Y2 son variables aleatorias discretas conjuntas con funcion de
probabilidad conjunta p(y1 , y2 ) y funciones de probabilidad marginal
p1 (y1 ) y p2 (y2 ), respectivamente, entonces la funci
on de probabilidad
discreta condicional de Y1 dada Y2 es
p(y1 , y2 )
P(Y1 = y1 , Y2 = y2 )
=
P(Y2 = y2 )
p2 (y2 )
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
203 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
204 / 250
Definition
Si Y1 y Y2 son variables aleatorias, entonces la funci
on de distribucion
condicional de Y1 dado que Y2 = y2 es
F (y1 |y2 ) = P(Y1 y1 |Y2 = y2 ).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
205 / 250
Densidad condicional
Definition
Sean Y1 y Y2 variables aleatorias continuas conjuntas con densidad
conjunta f (y1 , y2 ) y densidades marginales f1 (y1 ) y f2 (y2 ),
respectivamente. Para cualquier y2 tal que f2 (y2 ) > 0, la densidad
condicional de Y1 dada Y2 = y2 esta dada por
f (y1 |y2 ) =
f (y1 , y2 )
f2 (y2 )
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
206 / 250
Ejemplo
Una maquina automatica expendedora de bebidas tiene una cantidad
aleatoria Y2 de bebida en existencia al principio de un da determinado y
dosifica una cantidad aleatoria Y1 durante el da (con cantidades
expresadas en galones). La maquina no se reabastece durante el da y, en
consecuencia, Y1 Y2 . Se ha observado que Y1 y Y2 tienen una densidad
conjunta dada por
(
1/2 0 y1 y2 2
f (y1 , y2 ) =
0
en cualquier otro punto.
Esto es, los puntos (y1 , y2 ) estan uniformemente distribuidos en el
triangulo con las fronteras dadas. Encuentre la densidad condicional de Y1
dada Y2 = y2 . Eval
ue la probabilidad de que se venda menos de 1/2
gal
on, dado que la maquina contiene 1.5 galones al empezar el da.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
207 / 250
Independencia
Definition
Sea Y1 que tiene una funci
on de distribuci
on F1 (y1 ) y sea Y2 que tiene
una funcion de distribuci
on F2 (y2 ), y F (y1 , y2 ) es la funcion de
distribucion conjunta de Y1 y Y2 . Entonces se dice que Y1 y Y2 son
independientes si y solo si
F (y1 , y2 ) = F1 (y1 )F2 (y2 )
para todo par de n
umeros reales (y1, y2). Si Y1 y Y2 no son
independientes, se dice que son dependientes.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
208 / 250
Independencia
Theorem
Si Y1 y Y2 son variables aleatorias discretas con funci
on de probabilidad
conjunta p(y1 , y2 ) y funciones de probabilidad marginal p1 (y1 ) y p2 (y2 ),
respectivamente, entonces Y1 y Y2 son independientes si y solo si
p(y1 , y2 ) = p1 (y1 )p2 (y2 )
para todos los pares de n
umeros reales (y1, y2).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
209 / 250
Independencia
Theorem
Si Y1 y Y2 son variables aleatorias continuas con funcion de densidad
conjunta f (y1 , y2 ) y funciones de densidad marginal f1 (y1 ) y f2 (y2 ),
respectivamente, entonces Y1 y Y2 son independientes si y solo si
f (y1 , y2 ) = f1 (y1 )f2 (y2 )
para todos los pares de n
umeros reales (y1, y2).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
210 / 250
Ejemplo
Recordemos el ejemplo de tirar dos dados y tal que Y1 indica el valor del
primer dado e Y2 indica el valor del segundo dado. Demuestre que Y1 e Y2
son independientes.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
211 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
212 / 250
Ejemplo
Sea
(
6y1 y22
f (y1 , y2 ) =
0
0 y1 1, 0 y2 1
en cualquier otro punto.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
213 / 250
Ejemplo
Sea
(
2
f (y1 , y2 ) =
0
0 y2 y1 1
en cualquier otro punto.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
214 / 250
Descomposicion de conjunta
Theorem
Sean Y1 y Y2 que tienen una densidad conjunta f (y1 , y2 ) que es positiva si
y s
olo si a y1 b y c y2 d, para constantes a, b, c y d; y
f (y1 , y2 ) = 0 en otro caso. Entonces Y1 y Y2 son variables aleatorias
independientes si y solo si
f (y1 , y2 ) = g (y1 )h(y2 )
donde g (y1 ) es una funcion no negativa de y1 solamente y h(y2 ) es una
funcion no negativa de y2 solamente.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
215 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
216 / 250
Teoremas especiales
Definition
Sea g (Y1 , Y2 , . . . , Yk ) una funci
on de las variables aleatorias discretas,
Y1 , Y2 , . . . , Yk , que tienen funci
on de probabilidad p(y1 , y2 , . . . , yk ).
Entonces el valor esperado de g (Y1 , Y2 , . . . , Yk ) es
E (g (Y1 , Y2 , . . . , Yk )) =
X
X X
g (y1 , y2 , . . . , yk )p(y1 , y2 , . . . , yk ).
...
todo yk
todo y2 todo y1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
217 / 250
Teoremas especiales
Definition
Sea g (Y1 , Y2 , . . . , Yk ) una funci
on de las variables aleatorias continuas
Y1 , Y2 , . . . , Yk con funcion de densidad conjunta f (y1 , y2 , . . . , yk )
Entonces el valor esperado de g (Y1 , Y2 , . . . , Yk ) es
E (g (Y1 , Y2 , . . . , Yk )) =
Z
...
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
218 / 250
Teoremas especiales
Theorem
Sea c una constante. Entonces
E (c) = c.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
219 / 250
Teoremas especiales
Theorem
Sea g (Y1 , Y2 ) una funcion de las variables aleatorias Y1 y Y2 y sea c una
constante. Entonces
E [cg (Y1 , Y2 )] = cE [g (Y1 , Y2 )].
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
220 / 250
Teoremas especiales
Theorem
Sean Y1 y Y2 variables aleatorias y g1 (Y1 , Y2 ), g2 (Y1 , Y2 ), . . . , gk (Y1 , Y2 )
funciones de Y1 y Y2 . Entonces
E [g1 (Y1 , Y2 ) + g2 (Y1 , Y2 ) + ... + gk (Y1 , Y2 )]
= E [g1 (Y1 , Y2 )] + E [g2 (Y1 , Y2 )] + ... + E [gk (Y1 , Y2 )].
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
221 / 250
Teoremas especiales
Theorem
Sean Y1 y Y2 variables aleatorias independientes y sean g (Y1 ) y h(Y2 )
funciones solo de Y1 y Y2 , respectivamente. Entonces
E [g (Y1 )h(Y2 )] = E [g (Y1 )]E [h(Y2 )],
siempre que existan los valores esperados.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
222 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
223 / 250
Prob. y Est.
224 / 250
Definition
Si Y1 y Y2 son variables aleatorias con medias 1 y 2 , respectivamente, la
covarianza de Y1 y Y2 es
Cov (Y1 , Y2 ) = E [(Y1 1 )(Y2 2 )]
Si Y1 aumenta cuando Y2 aumenta covarianza positiva
Si Y1 disminuye cuando Y2 aumenta covarianza negativa
Si no hay una tendencia clara covarianza cercana a cero
No sirve como medida absoluta de la dependencia
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
225 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
226 / 250
Teorema:
F I G U R A 5.8
Observaciones
dependientes e
independientes
para (y1, y2)
y2
y2
!2
!2
!1
(a)
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
y1
Covarianza de
y1
!1
(b)
227 / 250
Coeficiente de correlacion
Definition
Si Y1 y Y2 son variables aleatorias con medias 1 y 2 , respectivamente, el
coeficiente correlacion de Y1 y Y2 es
=
Cov (Y1 , Y2 )
1 2
Prob. y Est.
228 / 250
Theorem
Si Y1 y Y2 son variables aleatorias con medias 1 y 2 , respectivamente,
entonces es
Cov (Y1 , Y2 ) = E [(Y1 1 )(Y2 2 )] = E (Y1 Y2 ) E (Y1 )E (Y2 ).
Dem: Usando propiedades de la esperanza.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
229 / 250
Ejemplo
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
230 / 250
Theorem
Si Y1 y Y2 son variables aleatorias independientes, entonces
Cov (Y1 , Y2 ) = 0.
As, las variables aleatorias independientes deben ser no correlacionadas.
Dem: Pizarra
Ojo: La recproca no es cierta. Ver ejemplo.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
231 / 250
ve
en la Tabla 5.3.
Demuestre que Y1 y Y2 son dependiente
Clase 15: Covarianza y correlaci
on de dos v.a.s
y1
y2
+1
1
0
+1
1$16
3$16
1$16
3$16
0
3$16
1$16
3$16
1$16
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
232 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
233 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
234 / 250
Theorem
Sean Y1 , Y2 , . . . , Yn variables aleatorias
P tales que E (Yi ) = i , y sean
a1 , a2 , . . . , an constantes. Sea U = ni=1 ai Yi . Entonces se tiene que:
E (U) =
n
X
ai i
i=1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
235 / 250
Y1
Y1
Y1
Y1
es
es
es
es
menor que 1
menor que 1
mayor que 1
mayor que 1
y Y2
y Y2
y Y2
y Y2
es menor que 2
es mayor que 2
es menor que 2
es mayor que 2
Los casos (a) y (d) aportan mas varianza y los casos (b) y (c) menos.
Pero todas las combinaciones son posibles (pues las variables son
independientes).
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
236 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
237 / 250
Prob. y Est.
238 / 250
1i<jn
o equivalentemente:
n X
n
X
V (U) =
ai aj Cov (Yi , Yj ).
i=1 j=1
Prob. y Est.
239 / 250
n X
m
X
ai bj Cov (Yi , Xj ).
i=1 j=1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
240 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
241 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
242 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
243 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
244 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
245 / 250
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
246 / 250
Theorem
Sean Y1 , Y2 , . . . , Yn variables aleatorias independientes con f.g.m.
mY1 (t), mY2 (t), . . . , mYn (t), respectivamente. Si U = Y1 + Y2 + . . . + Yn ,
entonces
mU (t) = mY1 (t) mY2 (t) . . . mYn (t)
Dem: Usar esperanza de multiplicaci
on de v.a. independientes.
Este resultado permite demostrar los siguientes dos teoremas.
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
247 / 250
n
X
ai Yi = a1 Y1 + a2 Y2 + . . . + an Yn ,
i=1
n
X
ai i = a1 1 + a2 2 + . . . + an n
i=1
V (U) =
n
X
i=1
Vicente Acu
na (CMM, Universidad de Chile)
Prob. y Est.
248 / 250
Pn
2
i=1 Zi
Yi i
, i = 1, 2, . . . , n.
i
Prob. y Est.
249 / 250
Figura
implica que
P x 2 xa
f(u)
!
0
Vicente Acu
na (CMM, Universidad de Chile)
x2!
Prob. y Est.
250 / 250