Professional Documents
Culture Documents
EMPRESARIAL II
TEMA 2
Distribucións de
Probabilidade
Programa
TEMA 2 DISTRIBUCIÓN DE PROBABILIDADE
Variables aleatorias: discretas e continuas.
Distribución de probabilidade dunha variable aleatoria.
Características asociadas ás variables aleatorias. Esperanza,
momentos.
Xeralización ó caso bidimensional e multidimensional.
Utilidade ?
Definición ?
Variables aleatorias
Acontecementos = resultados dos fenómenos. Poden ser
cualitativos ou cuantitativos. Ex. (cara, cruz) na tirada dunha moeda.
Os acontecementos cualitativos non permiten facer uso de
desenvolvementos e operacións matemáticas, polo que para traballar
con eles é útil expresalos de forma cuantitativa.
Así, dado un espazo probabilístico (Ω, σ-álxebra, P), unha v. a. X é
unha función medible definida sobre Ω que asigna a cada posible
acontecemento de Ω un número real x, transformando os
acontecementos da sigma-alxebra asociada a Ω en subconxuntos
de В (sigma-alxebra de Borel sobre R)
X: Ω
→ R
A
→ X ( A) = x
Isto é, unha v.a. é unha función que asigna números reais ós resultados
dos fenómenos aleatorios.
Variables aleatorias
Acontecementos a estudar
Simples (resultados elementais do fenómeno; contitúen Ω )
Compostos (grupos de resultados elementais do fenómeno, contidos na σ-álxebra
de Ω)
Exemplo. Fenómeno: “tirada dun dado”
Acontecementos simples: “saír cara 1”, “saír cara 2”, ...
Acontecementos compostos: “saír nº par”, “saír maior a 2”, ...
(
a un novo espazo probabilístico inducido Ω ' , σ − álxebra ' , P ' ) onde Ω ’ contén os
probabilidade. Isto é,
(Ω , σ − álxebra , P ) v→
.a . X
(Ω '
, σ − álxebra '
, P '
)
(Ω , σ − álxebra , P ) v→
.a . X
(R , B, P ) '
Variables aleatorias
Exemplo
Fenómeno: tirada dunha moeda 2 veces
Espazo mostral Ω = {(C , C ), (C , X ), ( X , C ), ( X , X )}
X= nº de caras
cc 2
¿Acontecementos da σ-álxebra’ de Ω’ ?
c+ 1
(nºs reais ou conxuntos de nºs reais)
+c 1
Ex. “X≤1” , “X>1” , …
++ 0
Outros exemplos:
Fenómeno = Coñecementos dos alumnos na materia EEII (espazo mostral Ω)
V.a. X = cualificacións en EEII (espazo mostral inducido Ω’)
Posibles elementos da σ-álxebra de Ω’ ? X< 5 ; 7≤X<9 ; X≥9 ; X=10 ; etc.
Variables aleatorias
O comportamento dun fenómeno aleatorio vén dado a través
posibles resultados
probabilidade coa que ocorren
Ω X = nº de caras Ω’
Ω = {(C , C ), (C , X ), ( X , C ), ( X , X )} v→
.a . X
X = {2 , 1 , 1 , 0} = {2 , 1 , 0}
P P’
1
P = ,
1
,
1
,
1
→ 1 1 1 1
P' X = , ,
1 2 1
, = , ,
4 4 4 4 4 4 4 4 4 4 4
Variables aleatorias
(Ω , σ − álxebra , P ) v→
.a . X
(Ω '
, σ − álxebra '
, P '
)
Variables aleatorias
Exemplo. Fenómeno = tirada de dúas moedas
Ω X = nº de caras Ω’
Ω = {(C , C ), (C , X ), ( X , C ), ( X , X )} v→
.a . X
X = {2 , 1 , 1 , 0} = {2 , 1 , 0}
P P’
1
P = ,
1
,
1
,
1
→ 1 1 1 1
P' X = , ,
1 2 1
, = , ,
4 4 4 4 4 4 4 4 4 4 4
v.a. X = {2 , 1 , 0}
→ Z = 10 X = {20 , 10 , 0}
Probab.
1 2 1
PX = , ,
→ PZ =
1 2 1
, ,
4 4 4 4 4 4
Variables aleatorias
probabilidade ?
Distribución de probabilidade
Para ter completamente definida unha v.a. debemos
coñecer a súa distribución de probabilidade, isto é,
conxunto de valores
Probabilidades ou densidades de probabilidade
Función de distribución:
Definición ?
Propiedades ?
Función de Distribución
Sexa X unha variable definida sobre o espazo probabilístico
(Ω , σ − álxebra , P ) .
Chámase función de distribución da v.a. X no valor x á función
F:R→R /
xЄX → FX ( x) = P{A ∈ Ω / X ( A) ≤ x} = P( X ≤ x )
Función de Distribución
Propiedades
I. 0 ≤ F ≤1
II. F é monótona crecente, x1 ≤ x2 ⇒ F ( x1 ) ≤ F ( x2 )
III. F é unha función continua: é continua pola dereita, mais non
necesariamente continua pola esquerda, isto é, lim F ( x + h) = F ( x )
h →0
IV. lim F ( x) = 0
x → −∞
lim F ( x) = 1
x → +∞
P( x1 < X ≤ x 2 ) = F ( x 2 ) − F ( x1 )
V.
P( x1 ≤ X ≤ x 2 ) = F ( x 2 ) − F ( x1 ) + P( X = x1 )
P( x1 ≤ X < x 2 ) = F ( x 2 ) − F ( x1 ) + P( X = x1 ) − P( X = x 2 )
P( x1 < X < x 2 ) = F ( x 2 ) − F ( x1 ) − P( X = x 2 )
Distribución de probabilidade
V.A. DISCRETA
Función de cuantía:
Definición ?
Propiedades ?
Representación ?
Distribución de probabilidade
V.A. DISCRETA
i) P( xi ) ≥ 0 ∀xi ∈ X
ii) ∑ P( x ) = 1
∀xi ∈ X
i
Distribución de probabilidade
V.A. DISCRETA
Exemplo Ω = {(C , C ), (C , X ), ( X , C ), ( X , X )}
X = nº de caras na tirada de dúas moedas
Función de cuantía de X P(x)
Diagrama de barras
1 4 se x1 = 0 2/4
P( X = xi ) = 2 4 se x 2 = 1
1 4 se x = 2
1/4
3
X
0 1 2
Pode demostrarse que P cumpre as condicións dunha función de
cuantía
P( x ) ≥ 0 ∀x ∈ X
i i
∑ P ( xi ) = 1 / 4 + 2 / 4 + 1 / 4 = 1
∀xi ∈ X
Distribución de probabilidade
V.A. DISCRETA
Función de distribución
FX ( x ) = P ( X ≤ x ) = ∑ P( x ),
∀xi ≤ x
i ∀x ∈ X
1 4 se x = 2 1
3
3/4
0 para x < 0
1 4 para 0 ≤ x < 1
FX ( x ) =
3 4 para 1 ≤ x < 2 1/4
1 para x ≥ 2
X
0 1 2
Distribución de probabilidade
V.A. DISCRETA
Función de densidade:
Definición e propiedades ?
Distribución de probabilidade
V.A. CONTINUA
I. f (x ) ≥ 0 ∀x
+∞
II. ∫ f (x ) dx = 1
−∞
densidade de probabilidade en x,
∫ f (x ) dx
x1
, ∀x1 < x 2
Distribución de probabilidade
V.A. CONTINUA
= ∫ f (x ) dx = F ( x ) − F ( x )
x1
2 1
Distribución de probabilidade
V.A. CONTINUA
Función de densidade:
Estatística Descriptiva: di
Distrib de frecuencias
agrupadas en intervalos,
con amplitudes distintas.
Histograma
(usar densidades!!!!) Histograma
Amplitude cero
L0 L1 L2 ….. Li …….
Nº interv. infinito
Polígono de frecuencias
non acumuladas
▼
Función de densidade
Exercicios (nº 9 boletín exercicios de clase)
Existe sempre ?
Interpretación frecuentista ?
Esperanza
Chamamos esperanza dunha v.a. ó seu valor medio ou valor esperado
e calcúlase ∑
x p ( x ) se X é v.a. discreta
∀xi
i i
E ( X ) = + ∞
∫ x f ( x)dx se X é v.a. continua
−∞
Pode existir ou non. Existe sempre que o correspondente sumatorio ou
integral converxe a un valor finito.
Observemos a similitude coa media aritmética
E ( X ) = ∑ xi p( xi ) ≈ X =
∑ xi ni = ∑ x f lembremos cando n → ∞ pi = fi
i i
n
INTERPRETACIÓN en termos frecuentistas: a esperanza é o valor ó que
tendería a media aritmética se realizásemos o experimento un número
infinito de veces baixo idénticas condicións n →∞
X
→ E ( X )
Esperanza
1 4 se x1 = 0
P( X = xi ) = 2 4 se x 2 = 1
1 4 se x = 2
3
n→∞
x1 + x2 + ... + xn →∞
X= n
→ ?
n
Esperanza
Actividade (p.36 temario)
Calcula a media aritmética da variable “nº de caras” ó tirar dúas
moedas
a) 3 veces,
b) 5 veces,
c) 10 veces,
d) 50 veces
e) 100 veces.
Compara os resultados. A que valor tendería a media aritmética do “nº
de caras” na tirada de dúas moedas 100.000 veces?
Esperanza dunha función de v.a.
Sexa X unha v.a.
Dmt.
∑
∀i
(axi + b) pi = ∑ a xi pi + ∑ b pi = a ∑ xi pi + b∑ pi = aE ( X ) + b , v.a.d .
∀i ∀i ∀i ∀i
E (aX + b ) = +∞ +∞ +∞ +∞ +∞
∫ (ax + b) f ( x)dx = ∫ a x f ( x)dx + ∫ b f ( x)dx = a ∫ x f ( x)dx + b ∫ f ( x)dx = aE ( X ) + b , v.a.c.
−∞ −∞ −∞ −∞ −∞
Esperanza
Propiedades
III. A esperanza da suma de dúas funcións medibles de X é igual á
suma das esperanzas.
Dmt.
∑ ∀i
( g1 ( xi ) + g 2 ( xi )) pi = ∑ g1 ( xi ) pi + ∑ g 2 ( xi ) pi = E ( g1 ( X )) + E ( g 2 ( X )) , v.a.d .
∀i ∀i
E (g1 ( X ) + g 2 ( X ) ) = +∞ +∞ +∞
1 4 se g1 ( x1 ) = 0 1 4 se g 2 ( x1 ) = 0
P( g1 ( xi ) ) = 2 4 se g1 ( x2 ) = 1 P( g 2 ( xi ) ) = 2 4 se g 2 ( x2 ) = 1
1 4 se g ( x ) = 4 1 4 se g ( x ) = 16
1 3 2 3
Dándolle valores a r
para r = 0 , a0 = E ( X 0 ) = 1
para r = 1 , a1 = E ( X 1 ) = E ( X ) = µ
∑ xi2 pi se X é v.a. discreta
∀xi
para r = 2 , a 2 = E ( X ) = + ∞
2
∫ x 2 f ( x) dx se X é v.a. continua
−∞
etc
Momentos respecto á orixe
Do mesmo xeito ca esperanza, os momentos poden non existir se
non se produce a converxencia do correspondente sumatorio ou
integral. Neste senso, pode dmt que
se existe o momento de orde r, tamén existirán os de orde inferior; e,
se non existe o momento de orde r, tampouco existirán os de orde
superior
Se ∃ ar ⇒ ∃ as para s < r
Se non ∃ ar ⇒ non ∃ at para t > r
sendo µ=E(X)
∫
−∞
( x − µ ) r f ( x) dx se X é v.a. continua
∫ ( x − µ ) 2 f ( x) dx se X é v.a. continua
−∞
Propiedades da varianza
I. σ X2 = E [( X − µ ) 2 ] = E (X 2 ) − (E ( X ) )2 = E (X 2 ) − µ 2
σ X2 = E [( X − µ ) 2 ] = E [X 2 − 2µX + µ 2 ] = E (X 2 ) − E (2µX ) + E ( µ 2 ) =
( ) ( )
= E X 2 − 2µ E ( X ) + µ 2 = E X 2 − 2µ 2 + µ 2 = E X 2 − µ 2 ( )
i) A esperanza dunha constante por unha variable é igual á constante
pola esperanza da variable.
ii) A esperanza dunha constante é igual á propia constante
Propiedades da varianza
II. É sempre positiva σ2 ≥0 e σ ≥0
X − µX
Z= =
1
(X − µ X )
σX σX
Estandarización ou Tipificación.
Propiedades
µZ = 0 , σ = 1 2
Z
X − µX
Dmt. Lembremos: Z= =
1
(X − µ X )
σX σX
1 1
µ Z = E (Z ) = E ( X − µ X ) = E[X − µ X ] = 1 [E ( X ) − µ X ] = 1 [µ X − µ X ] = 0
σ X σX σX σX
2 2
X − µX 1
σ Z2 = E [Z − µ Z ]2 = E − 0 = E ( X − µ X ) = 12 E[X − µ X ]2 = 12 σ X2 = 1
σX σ X σX σX
Exercicios (nº 9 boletín exercicios de clase)
[1] Relaciona a produción coa mao de obra e o capital empregados. Isto é, explica o comportamento da produción en
función do traballo e do capital: Q=f(T,K).
[2] Supón que o comportamento dos salarios está condicionado polo que ocorre co desemprego, polo que explica a
‘taxa de variación dos salarios monetarios’ en función da ‘taxa de desemprego’: S=f(D).
[3] Entende que o consumo dos fogares depende da súa renda, propondo explicar o consumo dun determinado ben
en función da renda: C=f(R).
Distribucións Bidimensionais
Función de distribución dunha v.a. bidimensional (X,Y)
F : R2 → R /
( x, y ) → FXY ( x, y ) = P[X ≤ x , Y ≤ y ] = P[{A ∈ Ω / X ( A) ≤ x , Y ( A) ≤ y}] , ∀( x, y ) ∈ R 2
Obtemos F2(y) a partir de F(x,y) deixando que X poida tomar calquera valor
F2 ( y ) = P[ A ∈ Ω / Y ( A) ≤ y ] = P[Y ≤ y ] = P[ X ≤ ∞ , Y ≤ y ] = lim F ( x, y )
x →∞
1 1
∑P
∀i
i.
Distribucións Condicionadas
Recollen o comportamento dunha das variables condicionado a que a
outra tome un valor concreto.
Lembremos a def. de probabilidade condicionada en acontecementos
[ B] = P(PA(∩B)B)
PA ; P( B) > 0
Dado que cada valor x (ou grupo de valores) dunha v.a. X constitúe un
acontecemento, o xa visto para acontecementos pode aplicarse a
variables.
Distribucións condicionadas
Exemplo. Experimento = tirada dunha moeda dúas veces.
V.a. (X,Y) = (nº caras totais, nº caras 1ª tirada)
Distribución de X / Y=1
X / Y=1 P (X=xi / Y=1) F(x / Y=1)
0 0 / (2/4) = 0 0
1
Esperanza dunha función de (X,Y)
A esperanza matemática de dunha función medible g(X,Y) da v.a. (X,Y)
vén dada por
∑∑ g ( xi , y j ) pi j se ( X , Y ) é v.a. discreta
∀xi ∀y j
E [g ( X , Y )] = + ∞+ ∞
∫ ∫ g ( x, y ) f ( x, y )dxdy se ( X , Y ) é v.a. continua
−∞−∞
( )
a10 = E X 1Y 0 = E ( X ) = µ X a = E (X 20
2
)
Y 0 = E( X 2 )
a 01 = E (X 0
Y1 ) = E (Y ) = µ a = E (X
y 02
0
Y2 ) = E (Y 2
)
a = E (X Y ) = E ( X Y )
11
1 1
Momentos bidimensionais
Momentos respecto á media
∑ ∑ (x i − µ X ) r ( y j − µ Y ) s p ji se ( X , Y ) é v.a. discreta
[ ]
m r , s ( X , Y ) = E ( X − µ X ) r (Y − µ Y ) s = + ∞
∀i
+∞
∀j
Varianzas [
m20 = E ( X − µ X ) 2 (Y − µ Y ) 0 = E ( X − µ X ) 2 = σ X2]
m02 = E [( X − µ X ) 0
(Y − µ Y ) ] = E (Y − µ
2
Y ) 2
= σ 2
Y
Covarianza [
m11 = E ( X − µ X )1 (Y − µ Y )1 = σ XY ]
Momentos Bidimensionais
En distribucións multidimensionais é habitual agrupar os momentos
en vectores ou matrices, construíndo o vector de medias ou a matriz V-C
Vector de medias µ X1
µX µX2
Para 2 variables Para n variables
µY
µ
Xn
Matriz de Varianzas-covarianzas
Para 2 variables Para n variables
σ X2 σ XY σ X2 1 σ X 1 X 2
σ X 1 Xn
2
σ σY σ X 2 X 1 σ X2 2 σ X 2 Xn
XY
σ
XnX 1 σ XnX 2 σ Xn2
Covarianza
Interpretación
Medida da variabilidade conxunta Asociación positiva entre X e Y
Y
10
Asociación positiva (σXY>0) : existe 5
Y
asociados con valores baixos de Y e 10
viceversa. 5
0
Incorrelación lineal (σXY=0): non 0 2 4 6 8 10
X
existe relación lineal entre X eY.
Coeficiente de correlación
Permite cuantificar a relación lineal entre variables . Idem covarianza
Vantaxe: toma valores entre -1 e +1, polo que nos permite coñecer
se dúas variables teñen relación lineal e cal é o signo desta
a intensidade da relación
Defínese como σ
ϕ XY = XY
, −1 ≤ ϕ ≤ 1
σ XσY
ϕ =0
Correlación lineal Correlación lineal
perfecta negativa perfecta positiva
Incorrelación lineal
Independencia de v.a.
P( xi , y j ) = Pi. P. j ∀ij se ( X , Y ) v.a. discreta
X eY independentes ⇔
f ( x, y ) = f 1 ( x ) f 2 ( y ) se ( X , Y ) v.a. continua
Independencia e incorrelación
X e Y independentes ⇒ σ XY = 0 ⇒ ϕ XY = 0 X e Y incorreladas
X e Y independentes ⇐ σ XY = 0 ⇐ ϕ XY = 0 X e Y incorreladas
Propiedades da varianza e
covarianza
A covarianza (momento centrado) pode expresarse en función dos
momentos respecto á orixe
[ ]
m11 = σ XY = E ( X − µ X )1 (Y − µ Y )1 = E ( XY ) − µ X µ Y
σ XY = E [( X − µ X )(Y − µY )] =
Dmt.- = E [( XY − XµY − Yµ X + µ X µY )] =
= E ( XY ) − µY E ( X ) − µ X E (Y ) + µ X µY =
= E ( XY ) − µY µ X − µ X µY + µ X µY =
= E ( XY ) − 2 µ X µY + µ X µY =
= E ( XY ) − µ X µY
Propiedades da varianza e
covarianza
I. A covarianza entre X e Y é a mesma ca covarianza entre Y e X
σ XY = σ YX
II. A covarianza vén afectada por cambios de escala
σ X2 +Y = σ X2 + σ Y2 + 2σ XY e σ X2 −Y = σ X2 + σ Y2 − 2σ XY
Dmt
2
E ( X + Y ) = E [X + Y − µ X − µY ] = E [( X − µ X ) + (Y − µY )] =
σ X +Y = E ( X + Y ) −
2 2 2
= E ( X ) + E (Y )
= E ( X − µ X ) + E (Y − µY ) + 2 E [( X − µ X )(Y − µY )] = σ X2 + σ Y2 + 2σ XY
2 2
Propiedades da varianza e
covarianza
v σ aX
2
+ bY + c = a σ
2 2
X + b σ Y + 2abσ XY
2 2
Dmt.- 2
σ aX = E (aX + bY + c) − E (aX + bY + c) = E [aX + bY + c − aµ X − bµY − c ] =
2 2
+ bY + c
= aE ( X ) + bE (Y ) + c
σ aX
2
= a σ
2 2
+ b σ Y + 2abσ XY
2 2
+ bY X
a. σ X − a ,Y −b = σ XY
σ 2
b. X −Y = σ 2
X + σ Y − 2σ XY
2
σ 2
c. aX +bY = a σ
2 2
X + b σ Y + 2abσ XY
2 2
σ aX
2
−bY = a σ
2 2
X + b σ Y − 2abσ XY
2 2
Fin