You are on page 1of 85

ESTATÍSTICA

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.

Fenómeno aleatorio Variable aleatoria


Comportamento dun fenómeno Distribución de probabilidade da v.a.
función de distribución,
función de cuantía (v.a.d.)
función de densidade (v.a.c.)
Principais características
esperanza,
varianza,
momentos, ...
XERALIZACIÓN
Comportamento conxunto de fenómenos Distribución conxunta de dúas v.a.
Características
Comportamento individual Distribucións marxinais
Características
Comportamento condicionado Distribucións condicionadas
Características
Variables aleatorias:
discretas e continuas
Variables aleatorias

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”, ...

 Que acontecementos estudamos?


 Calquera acontecemento simple ou composto que poida formar parte dunha σ-
álxebra de acontecementos de Ω
 Que fai unha variable aleatoria? Converte en números reais os resultados dos
fenómenos aleatorios.
Ω  R
σ-álxebra de acontecemento de Ω  σ-álxebra de conxuntos de Borel
(acontecementos simples ou compostos) → (números ou subconxuntos de R)
Variables aleatorias
Aproveitando a equivalencia entre acontecementos e conxuntos, o concepto de

variable aleatoria permítenos pasar dun espazo probabilístico (Ω , σ − álxebra , P )

(
a un novo espazo probabilístico inducido Ω ' , σ − álxebra ' , P ' ) onde Ω ’ contén os

valores de R que a variable aleatoria lle asocia ós acontecementos de Ω ,

σ − álxebra ’ é unha nova álxebra de conxuntos (unha σ-álxebra de Borel) sobre os


resultados de Ω’, e P’ é unha nova función de probabilidade que lle asigna

probabilidades ós elementos de σ − álxebra ’ e que cumpre os tres axiomas da

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

Ω v→ Ω’ (Ω , σ − álxebra , P ) v→ (Ω , σ − álxebra , P )


.a . X .a . X ' ' '

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

 Do mesmo xeito, para ter completamente definida unha v.a. debemos


coñecer a súa distribución de probabilidade, isto é,
 conxunto de valores
 probabilidades
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
Variables aleatorias

 Pódense crear novas v.a. a partir

dunha ou varias v.a.?


Variables aleatorias
Propiedade

Calquera función medible dunha ou varias variables


aleatorias constitúe unha nova variable aleatoria.
Sexa X una v.a. e c unha cte, entón
 Z = cX é v.a.
 Z = X/c é v.a.
 Z = X+c é v.a.
 Z = X-c é v.a
 etc.

Así mesmo, se X e Y son v.a., entón


 Z = XY é v.a.
 Z = X/Y é v.a.
 Z = X-Y é v.a.
 etc.
Variables aleatorias
Exemplo
 Fenómeno: tirada de dúas moedas
 Espazo mostral: Ω = {(C , C ), (C , X ), ( X , C ), ( X , X )}
 X = nº de caras X = {0, 1, 2}
 Z = Premio = 10*X Z = {0, 10, 20}
 Se X é v.a , entón Z é v.a.

(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

 Función dunha variable aleatoria Z = Premio = 10*X

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

 Tipos de v.a. vs. tipos de Ω


(segundo o nº de valores que poden tomar)

 Ω finito ou infinito numerable ► V.A. Discreta


 Ω infinito non numerable ► V.A. Continua
Variables aleatorias:
discretas e continuas
Segundo o número de valores que poden tomar, as v.a. clasifícanse en
discretas, continuas ou mixtas.
 Variables discretas: aquelas que toman un número finito ou infinito
numerable de valores. Toman valores illados (≈ Ω e Ω’ finito ou infinito
numerable). Ex. nº empregados dunha empresa; nº de caras que poden saír
en ∞ tiradas dunha moeda; ....
 Variables continuas: aquelas que poden tomar un número infinito non
numerable de valores, isto é, variables que poden tomar os infinitos valores
non numerables da recta dos reais ou dun intervalo calquera da mesma (≈
Ω e Ω’ infinito non numerable). Ex. Beneficios dunha empresa.
 Variables mixtas: aquelas que en parte son discretas e en parte continuas.
Distribución de
probabilidade dunha
variable aleatoria
Distribución de probabilidade

 Que nos dá unha distribución de

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

 A distribución de probabilidade dunha v.a. pode darse a


través da
 Función de distribución da variable (prob. acumuladas)
 Función de cuantía / Función de densidade (prob. non
acumuladas).
Distribución 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 que asocia a cada valor x de X a probabilidade de que a

variable X tome valores menores ou iguais ó dito valor x.

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

 A función de cuantía é unha función que asigna probabilidades ós


valores dunha v.a. X discreta
P: R → R
xi Є X → P(xi)

Para que P sexa f. cuantía debe cumprir que

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

Exemplo. X= nº de caras na tirada de dúas moedas


1 4 se x1 = 0

P( X = xi ) = 2 4 se x 2 = 1
F(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

Actividade: obter a función de cuantía e a de


distribución da v.a. X= “numeración da
cara superior” na tirada dun dado.
Actividade
Actividade (p.39 temario)
A partir da actividade proposta no tema 1 referida ó experimento consistente en tirar
conxuntamente unha moeda e un dado.
a. Definir a distribución de probabilidade da v.a. X = ‘puntuación obtida’ , calculando
esta do seguinte xeito: se a moeda sae cara, tomamos como puntuación a que
sae na cara superior do dado; se a moeda sae cruz, tomamos como puntuación o
dobre dos puntos que saen na cara superior do dado. Explica como asignas
probabilidades e achega tanto a función de cuantía da probabilidade como a
función de distribución. Representa graficamente ambas funcións.
b. Supoñamos que o experimento forma parte dun concurso no que o premio
consiste en valorar en 100€ cada punto obtido, pero para concursar debemos
pagar unha cota de participación fixa igual a 300€. Define unha nova variable
función da variable X que cuantifique a cantidade neta de euros que podemos
ganar no concurso (xa descontada a cota de participación), g(X) = ’ganancia neta’.
Achega a función de cuantía da probabilidade da nova variable e calcula a
ganancia neta esperada.
Distribución de probabilidade
V.A. CONTINUA

 Función de densidade:

Definición e propiedades ?
Distribución de probabilidade
V.A. CONTINUA

Función de densidade dunha v.a. continua é unha función f ( x )


continua e integrable que cumpre :

I. f (x ) ≥ 0 ∀x
+∞
II. ∫ f (x ) dx = 1
−∞

Chámase función de densidade da v.a. X no punto x, porque para cada


valor x de X proporciona a densidade de probabilidade
ó redor dese punto.
Distribución de probabilidade
V.A. CONTINUA

 Función de densidade: f(x) dános a

densidade de probabilidade en x,

¿significa isto que nos dá a P(X=x)?


Distribución de probabilidade
V.A. CONTINUA. Función de Densidade

f(x) dános a densidade de probabilidade no punto x, non P(X=x)?


 se X é v.a. continua, P(X=x)=0 .
Xustificación: as v.a. continuas poden tomar infinitos valores non numerables.
Entón, teriamos que distribuír a probabilidade total do espazo mostral (a
unidade, P(Ω)=1) entre os infinitos valores. Por isto, a cada posible valor x da v.a.
X non lle podemos asignar unha probabilidade cuantificable distinta de cero
P( X = x ) =
1
→0

Como consecuencia, en v.a. continuas, non se fala da probabilidade en puntos,
senón de densidade de probabilidade (probabilidades en intervalos).

 Así, a función de densidade f(x) dunha v.a. X continua proporciona a densidade


de probabilidade no intervalo infinitesimal centrado no punto x.
Distribución de probabilidade
V.A. CONTINUA
Exemplo (G.Barbancho, p.69). Fenómeno: funcionamento reloxo de pilas
X = momento no que o reloxo deixa de funcionar
Valores de X = os infinitos valores do intervalo [0-12]
O intervalo [0, 12] é un acontecemento seguro: P[0 ≤ X ≤ 12] = P(Ω ) = 1
Mais ¿que probabilidade se lle pode asignar a cada valor do intervalo?
P( X = x ) = → 0
1

Contradición ? A suma de infinitos ceros non pode dar 1 !!!!. ?????
Solución: repartir a probabilidade total en intervalos (neste caso 12 intervalos)
Función de densidade (distribución uniforme)
1 12 0 ≤ x ≤ 12
f (x ) = 
 0 noutro caso
0 1 2 3 4 5 6 7 8 9 10 11 12
Distribución de probabilidade
V.A. CONTINUA

Podemos obter a función de densidade a partir da función


de distribución e viceversa?
f(x) obtense derivando F(x) e F(x) obtense integrando f(x)
f ( x ) = F ' (x ) ∀x
x
e F (x ) = P( X ≤ x ) = ∫ f (x ) dx
−∞

 Ambas as podemos utilizar para calcular


x
probabilidades. Ex.
P[x1 < X ≤ x 2 ] = F ( x 2 ) − F ( x1 ) =
2

∫ f (x ) dx
x1
, ∀x1 < x 2
Distribución de probabilidade
V.A. CONTINUA

 Lembremos que se X é v.a. continua, P( X = x ) = 0 . Entón

P[x1 < X ≤ x2 ] = P[x1 ≤ X ≤ x2 ] = P[x1 ≤ X < x2 ] = P[x1 < X < x2 ] =


x2

= ∫ f (x ) dx = F ( x ) − F ( x )
x1
2 1
Distribución de probabilidade
V.A. CONTINUA

 Función de densidade:

Representación e relación coa ED ?


Distribución de probabilidade
V.A. CONTINUA
Función de densidade. Relación coa Estatística Descritiva

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)

I. A demanda diaria X (en miles de unidades) dun determinado tipo


de artigo distribúese segundo a seguinte función
 1
1− x , 0 ≤ x ≤ 2
f ( x) =  2
 0 noutro caso

a. Entre que valores varía a demanda diaria do dito artigo?


b. Comprobar que a función f(x) é función de densidade. Represéntaa .
c. Calcular a función de distribución. Represéntaa.
d. Calcular a probabilidade de que o número de unidades demandadas
nun día estea entre 630 e 1870 unidades.
e. Supoñendo que dispoñemos da función de distribución e que non
coñecemos a función de densidade, como a calcularías?
f. Calcula a esperanza de X.
g. Se o prezo por unidade é de 5€, cal é o ingreso diario esperado pola
venda do dito artigo?
h. Calcula a varianza da demanda e a varianza do ingreso diarios.
Exercicios
I. Co obxecto de facer un plan de produción, unha empresa estimou que a
demanda aleatoria dos seus potenciais clientes se comportaría
semanalmente (en miles de unidades) segundo a seguinte función
3 x 2 se 0 < x < 1
f ( x) = 
 0 noutro caso
a. Entre que valores variaría a demanda semanal do dito artigo?
b. Comprobar que a función f(x) é función de densidade. Represéntaa .
c. Calcular a función de distribución. Represéntaa.
d. Calcular a probabilidade de que a demanda nunha semana non supere
as 700 unidades.
e. Que cantidade C se deberá ter disposta para a venda ó inicio da
semana para poder satisfacer a demanda cunha probabilidade do 90%?.
f. Supoñendo que se dispoña da función de distribución e non da de
densidade, ¿como calcularías a segunda en función da primeira?
g. Que demanda media semanal se espera?.
h. Se se establece un prezo de 100€ por unidade, ¿que ingreso semanal se
esperaría pola venda do dito artigo?
i. Calcula a varianza da demanda e a varianza do ingreso semanal.
Características
asociadas ás v.a.
Esperanza e Momentos
Esperanza

 Definición (concepto e cálculo) ?

 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.

 Sexa g(X) unha función medible de X → g(X) tamén é v.a.


 Entón, a distribución de g(X) (valores e probabilidades ou densidades)
derívase da distribución de X, e o seu valor esperado E(g(X))
calcúlase  ∑ g(x ) p
 ∀i
i i se g ( X ) é v.a. discreta
E ( g ( X ) ) = + ∞
 ∫ g ( x) f ( x)dx se g ( X ) é v.a. continua
−∞
 e, o mesmo que para X, a esperanza existirá se o correspondente
sumatorio ou integral converxe a un valor finito.
Esperanza dunha función de v.a.
Exemplo
 Sexa un xogo consistente en tirar dúas moedas conxuntamente.
Cada participante debe pagar 10€ e o premio a recibir virá dado por
10*X , onde X = nº de caras. Considerando que a ganancia neta de
cada xogador viría dada polo que recibe menos o que paga,
g(X)=10*X-10. Cal sería a ganancia neta esperada?
 Solución
X = nº de caras g(X) = ganancia neta
1 4 se x1 = 0 1 4 se g ( x1 ) = −10
 
P( X = xi ) = 2 4 se x 2 = 1 P(g ( X ) = g ( xi ) ) =  2 4 se g ( x 2 ) = 0
1 4 se x = 2  1 4 se g ( x ) = 10
 3  3

E(g(X)) = (-10*(1/4)) +( 0*(2/4)) + (10*(1/4)) = 0.

Tamén poderiamos ter aplicado as propiedades de esperanza, en concreto,


E(aX+b) = a E(X) + b , lembremos E(X) = 0 * (1/4) + 1*(2/4) + 2*(1/4) = 1
polo que E(10X-10) = 10*1 - 10 = 0
Exercicio
Exemplo (p. 37 temario)
Sexa un xogo consistente en tirar dúas moedas
conxuntamente. Cada participante debe pagar 10€ e
o premio a recibir será 10X , onde X = nº de caras.
Deste xeito a ganancia neta virá dada por
g(X)=10X-10.
Cal sería a ganancia neta esperada? (sol. 20€)
Esperanza
Propiedades
I. A esperanza dunha constante é igual á propia constante: E(c) = c.


∑∀i
c pi = c ∑ pi = c , pois ∑ pi = 1 caso discreto
∀i ∀i
E (c ) = + ∞
Dmt. +∞ +∞

 ∫ c f ( x)dx = c ∫ f ( x)dx = c , pois ∫ f ( x)dx = 1 caso continuo


−∞ −∞ −∞

II. A esperanza dunha transformación lineal dunha variable é igual á


transformación lineal da esperanza : E(aX+b) = a E(X) + b

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 ) ) = +∞ +∞ +∞

 ∫ ( g1 ( x) + g 2 ( x)) f ( x)dx = ∫ g1 ( x) f ( x)dx + ∫ g 2 ( x) f ( x)dx = E ( g1 ( X )) + E ( g 2 ( X )) , v.a.c.


−∞ −∞ −∞

IV. Monotonía da Esperanza.


Se g1(X) e g2(X) son funcións de X tal que
g1 ( x) ≤ g 2 ( x) , ∀x ∈ R
e, existen ambas esperanzas, entón E ( g1 ( x)) ≤ E ( g 2 ( x))
Esperanza
Propiedades
Exemplo. Supoñamos X= ”nº de caras na tirada de dúas moedas”.
1 4 se x1 = 0

P( X = xi ) = 2 4 se x 2 = 1
1 4 se x = 2
 3

 Sexa g1(X) = X2 e g2(X) = X4 , sendo g1 ( x) ≤ g 2 ( x) , ∀x ∈ R


 As funcións g1(X) e de g2(X) son v.a. con funcións de cuantía

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

 E esperanzas E(g1(x))=(1/4)*0 + (2/4)*1 + (1/4)*4 = 1.5


E(g2(x))=(1/4)*0 + (2/4)*1 + (1/4)*16 = 4.5

 Polo que, observamos que se cumpre que E ( g1 ( x)) ≤ E ( g 2 ( x))


Actividade
Actividade (p.39 temario)
A partir da actividade proposta no tema 1 referida ó experimento consistente en tirar
conxuntamente unha moeda e un dado.
a. Definir a distribución de probabilidade da v.a. X = ‘puntuación obtida’ , calculando
esta do seguinte xeito: se a moeda sae cara, tomamos como puntuación a que
sae na cara superior do dado; se a moeda sae cruz, tomamos como puntuación o
dobre dos puntos que saen na cara superior do dado. Explica como asignas
probabilidades e achega tanto a función de cuantía da probabilidade como a
función de distribución. Representa graficamente ambas funcións.
b. Supoñamos que o experimento forma parte dun concurso no que o premio
consiste en valorar en 100€ cada punto obtido, pero para concursar debemos
pagar unha cota de participación fixa igual a 300€. Define unha nova variable
función da variable X que cuantifique a cantidade neta de euros que podemos
ganar no concurso (xa descontada a cota de participación), g(X) = ’ganancia neta’.
Achega a función de cuantía da probabilidade da nova variable e calcula a
ganancia neta esperada.
Exercicios
I. Co obxecto de facer un plan de produción, unha empresa estimou que a
demanda aleatoria dos seus potenciais clientes se comportaría
semanalmente (en miles de unidades) segundo a seguinte función
3 x 2 se 0 < x < 1
f ( x) = 
 0 noutro caso
a. Entre que valores variaría a demanda semanal do dito artigo?
b. Comprobar que a función f(x) é función de densidade. Represéntaa .
c. Calcular a función de distribución. Represéntaa.
d. Calcular a probabilidade de que a demanda nunha semana non supere
as 700 unidades.
e. Que cantidade C se deberá ter disposta para a venda ó inicio da
semana para poder satisfacer a demanda cunha probabilidade do 90%?.
f. Supoñendo que se dispoña da función de distribución e non da de
densidade, ¿como calcularías a segunda en función da primeira?
g. Que demanda media semanal se espera?.
h. Se se establece un prezo de 100€ por unidade, ¿que ingreso semanal se
esperaría pola venda do dito artigo?
i. Calcula a varianza da demanda e a varianza do ingreso semanal.
Momentos
 Son valores que caracterizan a distribución de X.
 Miden a posición dos valores da variable en relación a un punto de
referencia a.

 Calcúlanse como esperanza de certas funcións de X

E ( X − a) r sendo r a orde do momento.


Tomando
 a=0 obtemos os momentos respecto á orixe
 a = E(X)= μ obtemos os momentos respecto á media ou centrados
Momentos respecto á orixe
 Definimos o momento de orde r da v.a. X respecto á orixe como
 ∑ xir pi se X é v.a. discreta
 ∀xi
( )
ar ( X ) = E X r = + ∞
 ∫ x r f ( x) dx se X é v.a. continua
−∞

 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

a1 a2 ...... as ....... ar ...... at ......


Momentos respecto á media
 Defínese o momento central de orde r dunha v.a. X
como r
 ∑ ( xi − µ ) p i se X é v.a. discreta
 ∀xi
( )
m r ( X ) = E ( X − µ ) = + ∞
r

sendo µ=E(X)
 ∫
−∞
( x − µ ) r f ( x) dx se X é v.a. continua

 Dándolle valores a r , obtemos os diferentes momentos. Entre


todos, destaca o momento de orde 2, que constitúe a varianza da
distribución
 ∑ ( xi − µ ) 2 p i se X é v.a. discreta
 ∀x
m2 ( X ) = E (( X − µ ) ) = σ X = + ∞
i
2 2

 ∫ ( 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

Dmt. A esperanza dunha suma é


igual á suma de esperanzas

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

III. A varianza non varía ante cambios de orixe e si varía


ante cambios de escala
 É invariante a cambios de orixe

X c → X + b , sendo b = cte


.orixe

σ X2 +b = E [( X + b) − E ( X + b)]2 = E [X + b − E ( X ) − b]2 = E [X − E ( X )]2 = σ X2


A esperanza vén afectada por cambios de orixe
E(X+b)=E(X)+b
Propiedades da varianza
 Varía ante cambios de escala

X c → X * a, sendo a = cte


.escala

σ X2 *a = E [(aX ) − E (aX )]2 = E [a( X − E ( X ))]2 = a 2 E [X − E ( X )]2 = a 2σ X2

 Aplicando conxuntamente ambos cambios


.escala + c .escala
X c  → aX + b, sendo a, b = ctes
σ aX
2
+b = E [( aX + b ) − E ( aX + b ) ]2
= E [aX + b − E ( aX ) − E (b ) ]2
=
= E [aX − aE ( X )] = a 2σ X2
2
E(b)=b
Outras medidas
 De posición: moda, mediana, cuantís,...

 De dispersión: coef. de variación,...

 De forma: coef. de asimetría (Pearson, Fisher)


coef. de curtose ou apuntamento, ....
Estandarización ou tipificación
Dada unha v.a. X con esperanza µ X e varianza σ X ,
2

chámase variable tipificada de X a unha variable Z
obtida restándolle a X a súa media e dividindo entre a
desviación típica

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)

I. A demanda diaria X (en miles de unidades) dun determinado tipo


de artigo distribúese segundo a seguinte función
 1
1− x , 0 ≤ x ≤ 2
f ( x) =  2
 0 noutro caso

a. Entre que valores varía a demanda diaria do dito artigo?


b. Comprobar que a función f(x) é función de densidade. Represéntaa .
c. Calcular a función de distribución. Represéntaa.
d. Calcular a probabilidade de que o número de unidades demandadas
nun día estea entre 630 e 1870 unidades.
e. Supoñendo que dispoñemos da función de distribución e que non
coñecemos a función de densidade, como a calcularías?
f. Calcula a esperanza de X.
g. Se o prezo por unidade é de 5€, cal é o ingreso diario esperado pola
venda do dito artigo?
h. Calcula a varianza da demanda e a varianza do ingreso diarios.
Exercicios
I. Co obxecto de facer un plan de produción, unha empresa estimou que a
demanda aleatoria dos seus potenciais clientes se comportaría
semanalmente (en miles de unidades) segundo a seguinte función
3 x 2 se 0 < x < 1
f ( x) = 
 0 noutro caso
a. Entre que valores variaría a demanda semanal do dito artigo?
b. Comprobar que a función f(x) é función de densidade. Represéntaa .
c. Calcular a función de distribución. Represéntaa.
d. Calcular a probabilidade de que a demanda nunha semana non supere
as 700 unidades.
e. Que cantidade C se deberá ter disposta para a venda ó inicio da
semana para poder satisfacer a demanda cunha probabilidade do 90%?.
f. Supoñendo que se dispoña da función de distribución e non da de
densidade, ¿como calcularías a segunda en función da primeira?
g. Que demanda media semanal se espera?.
h. Se se establece un prezo de 100€ por unidade, ¿que ingreso semanal se
esperaría pola venda do dito artigo?
i. Calcula a varianza da demanda e a varianza do ingreso semanal.
Xeralización ó caso
Bidimensional e
Multidimensional
Comportamento conxunto de dous fenómenos  Distribución conxunta de dúas v.a.
Características
Comportamento individual  Distribucións marxinais
Características
Comportamento condicionado  Distribucións condicionadas
Características
Distribucións Bidimensionais
(obxecto)
Os fenómenos empíricos non se comportan independentemente uns
dos outros. Así, son coñecidas as relacións entre
 prezo e cantidade demandada dun produto
 paro e inflación
 consumo e renda
 inversión e tipo de interese, etc.
Algunhas destas relacións deron lugar a teorías ou modelos económicos ben
coñecidos, como
 o Modelo de Produción de Cobb-Douglas[1],
 a Curva de Phillips[2],
 a Curva de Engel[3], etc.
Para contrastar estas relacións é necesario estudar conxuntamente as variables que
interveñen en cada relación. Para isto, é preciso definir a distribución conxunta
das mesmas.

[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

 Función de cuantía conxunta da v.a. (X,Y)


Tal que
P: R2 → R / i) P (xi , y j ) ≥ 0 , ∀( xi , y j )
( xi , y j ) 
→
P
[ ]
Pij = P X = xi , Y = y j , ∀( xi , y j ) ∈ R 2
ii) ∑∑ P(x , y ) = 1
i j
∀i ∀j

 Función de densidade conxunta da v.a. (X,Y) é unha función


f(x,y), continua e integrable en R2, tal que
i) f ( x, y ) ≥ 0 , ∀( x, y )
ii) +∞+∞
∫ ∫ f ( x, y) dy dx = 1
− ∞− ∞
Distribucións Marxinais
 Chamaremos distribucións marxinais ás distribucións unidim. das
variables X e Y obtidas a partir da distribución conxunta.
 Funcións de distribución marxinais de X e Y
 Obtemos F1(x) a partir de F(x,y) deixando que Y poida tomar calquera valor

F1 ( x) = P[A ∈ Ω / X ( A) ≤ x ] = P[X ≤ x ] = P[X ≤ x , Y ≤ ∞ ] = lim F ( x, y )


y →∞

 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 →∞

 Dada F(x,y) sempre é posible obter F1(x) e F2(y), pero non á


inversa.
Distribucións marxinais
v.a.discretas
Exemplo. Experimento = tirada dunha moeda dúas veces.
V.a. (X,Y) = (nº caras totais, nº caras 1ª tirada)

 Funcións de cuantía conxunta e marxinais

X Y 0 1 Pi. Distribución Marxinal de X Distribución Marxinal de Y

0 1/4 0 1/4 xi Pi. F1(x) yj P.j F2(y)

1 1/4 1/4 2/4 0 1/4 1/4 0 2/4 2/4


2 0 1/4 1/4
1 2/4 3/4 1 2/4 1
P.j 2/4 2/4 1
2 1/4 1

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 (1/4) / (2/4) = 0.5 0.5

2 (1/4) / (2/4) = 0.5 1

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
−∞−∞

 Casos particulares de funcións medibles dunha v.a. (X,Y)


 g(X,Y) = X+Y
 g(X,Y) = X*Y
 g(X,Y) = aX + bY + c , sendo a, b, c constantes

 Aplicando a definición anterior, pódense demostrar as seguintes


PROPIEDADES da esperanza
 E ( X + Y ) = E ( X ) + E (Y )
 E ( X * Y ) = E ( X ) * E (Y ) só se X e Y independentes

 E (aX + bY + c ) = aE ( X ) + bE (Y ) + c sendo a, b e c constantes


Momentos bidimensionais
Momentos respecto á orixe
 ∑ ∑ i y j p ji
x r s
se ( X , Y ) é v.a. discreta

( )
∀i ∀j
ar ,s ( X , Y ) = E X Y r s
= + ∞ +∞

∫ ∫ y f ( x, y) dxdy se ( X , Y ) é v.a. continua


r s
x
−∞ −∞

Dándolle valores a (r,s) obtemos os distintos momentos

( )
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

∫ ∫ (x − µ ) r ( y − µ Y ) s f ( x, y ) dxdy se ( X , Y ) é v.a. continua


− ∞
X
−∞

Dándolle valores a (r,s) obtemos os diferentes momentos

 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

das variables. Medida da 25


20
asociación lineal 15

Y
10
 Asociación positiva (σXY>0) : existe 5

unha maior probabilidade de que 0


0 2 4 6 8 10
valores altos de X estean asociados X

a valores altos de Y e viceversa.


Asociación negativa entre X e Y
 Asociación negativa (σXY<0) :
existe unha maior probabilidade de 25
20
que valores altos de X se atopen 15

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

Dmt.- σ aX ,bY = abσ XY


σ aX ,bY = E [(aX − E (aX ))(bY − E (bY ))] = E [(aX − aµ X )(bY − bµ Y )] =
= E [a ( X − µ X )b(Y − µ Y )] = abE [( X − µ X )(Y − µ Y )] = abσ XY

III. A covarianza non vén afectada por cambios de orixe


σ X + a ,Y +b = σ XY e σ X − a ,Y −b = σ XY
Propiedades da varianza e
covarianza
IV. A varianza dunha suma (resta) de variables é igual á suma de
varianzas máis (menos) dúas veces a covarianza

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 ) + (Y − µY ) + 2[( X − µ X )(Y − µY )]] =


2 2

= 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 

= E [(a( X − µ X ) ) + (b(Y − µY ) )] = E (a( X − µ X ) ) + E (b(Y − µY ) ) + 2 E [(a( X − µ X ) )(b(Y − µY ) )] =


2 2 2

= a 2 E (( X − µ X ) ) + b 2 E ((Y − µY ) ) + 2abE [(( X − µ X ) )((Y − µY ) )] = a 2σ X2 + b 2σ Y2 + 2abσ XY


2 2

 σ aX
2
= a σ
2 2
+ b σ Y + 2abσ XY
2 2
+ bY X

 Xeralizando a n variables, pode demostrarse que


σ2 = ∑ ai2σ X2 i + 2∑ ai a j σ X i X j
∑ ai X i ∀i ∀i , j
∀i
i< j
Momentos
Propiedades da varianza e covarianza
Actividade. Demostrar que

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