Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 91 vistas

    Clase 4 Estadistica

    Cargado por

    Kevin Collantes Ramirez
    Este documento presenta conceptos básicos sobre variables aleatorias, incluyendo definiciones de variables aleatorias discretas y continuas, funciones de probabilidad, funciones de distribución acumulada, esperanza matemática, varianza, desviación estándar, función generatriz de momentos y función generatriz de momentos factorial. Contiene ejemplos ilustrativos de cómo calcular estas medidas para variables aleatorias discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase 4 Estadistica

    Cargado por

    Kevin Collantes Ramirez
    91 vistas5 páginas
    Este documento presenta conceptos básicos sobre variables aleatorias, incluyendo definiciones de variables aleatorias discretas y continuas, funciones de probabilidad, funciones de distribución acumulada, esperanza matemática, varianza, desviación estándar, función generatriz de momentos y función generatriz de momentos factorial. Contiene ejemplos ilustrativos de cómo calcular estas medidas para variables aleatorias discretas.

    Descripción original:

    Tito Contreras vladimiro

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta conceptos básicos sobre variables aleatorias, incluyendo definiciones de variables aleatorias discretas y continuas, funciones de probabilidad, funciones de distribución acumulada, esperanza matemática, varianza, desviación estándar, función generatriz de momentos y función generatriz de momentos factorial. Contiene ejemplos ilustrativos de cómo calcular estas medidas para variables aleatorias discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    91 vistas5 páginas

    Clase 4 Estadistica

    Cargado por

    Kevin Collantes Ramirez
    Este documento presenta conceptos básicos sobre variables aleatorias, incluyendo definiciones de variables aleatorias discretas y continuas, funciones de probabilidad, funciones de distribución acumulada, esperanza matemática, varianza, desviación estándar, función generatriz de momentos y función generatriz de momentos factorial. Contiene ejemplos ilustrativos de cómo calcular estas medidas para variables aleatorias discretas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    UNIVERSIDAD NACIONAL DEL CALLAO

    FACULTAD DE INGENIERÍA MECÁNICA Y DE ENERGÍA


    VARIABLES ALEATORIAS
    Prof. V.Contreras T.

    Definición 3.0.1 Una variable aleatoria X es una función que asocia un número real a
    cada elemento de un espacio muestral Ω simbólicamente

    X = {(w, x) / X(w) = x , w ∈ Ω , x ∈ R}

    El dominio de la variable aleatoria X (v.a.X) es el espacio muestral Ω y el rango es un


    subconjunto de los números reales que denotaremos poe RX , siendo

    RX = {x ∈ R / x = X(w) , w ∈ Ω}

    Ejemplo
    Sea Ω el espacio muestral que se obtiene al lanzar al aire una moneda justa tres veces.
    Se define la función X como ”el número de caras obtenidas”. Halle el recorrido de la ´v.a.
    X.
    Solución
    Se tiene que
    Ω = {sss, ssc, scs, css, scc, csc, ccs, ccc}
    X(sss) = 0
    X(ssc) = X(scs) = X(css) = 1
    X(scc) = X(csc) = X(ccs) = 2
    X(ccc) = 3
    Por lo tanto el RX = {0, 1, 2, 3}

    Clasificación

    Las variables aleatorias se clasifican en general en discretas y continuas.

    Variable aleatoria discretas Es aquella cuyo recorrido es conjunto finito o infinito nu-
    merable de valores. Es ejemplo de esta variable el último ejemplo.

    Variable aleatoria continua Es aquella cuyo rango es un conjunto infinito no numer-


    able de valores. Ejemplo:
    Sea Ω el espacio muestral que consiste del tiempo de duración de un foco obteniendo
    al azar de un lote, entonces Ω = {w ∈ R / w ≥ 0}. Si la v.a. X se define tambien
    como el tiempo de duración del foco, entonces X es la función identidad cuyo rango
    es el conjunto:
    RX = {x ∈ R / x ≥ 0}

    1
    3.1. Función de cuantı́a o función de probabilidad
    Definición 3.1.1 Sea x el valor de una v.a. X. Una función real valorada de f definida
    en el rango de X será una función de cuantı́a , si

    1. f (x) ≥ 0 para todo x ∈ Domf = RX


    X
    2. f (x) = 1
    ∀ x∈Domf

    Si x es el valor de la v.a. discreta X entonces f (x) es la probabilidad que la v.a. X tome


    el valor de x; esto es:

    f (x) = P (X(w) = x) abreviadamente f (x) = P [X = x]

    Sean x1 , x2 , ...xn , ... los valores de una v.a. discreta X y sea A cualquier subconjunto del
    conjunto de puntos { x1 , x2 , ...xn , ...} al que llamaremos evento A entonces la probabilidad
    del evento A de define: X
    P (A) = f (x)
    ∀ x∈A

    La grafica de la función de probabilidad o distribución de probabilidad discreta, consiste


    de segmentos verticales continuos o punteados de longitud proporcional a la probabilidad
    respectivamente en cada valor xi de la variable.
    Ejemplo
    Un supervisor en una planta manufacturera tiene tres hombres y tres mujeres traba-
    jando para él y desea escoger dos trabajadores para un trabajo especial. No queriendo
    mostrar sesgo en su selección, decide seleccionar los dos trabajadores al azar. Denote con
    Y el número de mujeres en su selección. Encuentre la distribución de probabilidad para
    Y.

    3.2. Función de distribución acumulada de una v.a.


    discreta
    Definición 3.2.1 La función de distribución acumulada (f.d.a) de probabiliades o sim-
    plemente función de distribución, F (x), de la v.a. discreta X cuya función de probabilidad
    es f (x), se define por:
    X X
    F (x) = P [X ≤ x] = P [X = k] = f (k) para x ∈ R
    k≤x k≤x

    Observación

    1. Notemos que 0 ≤ F (x) ≤ 1

    2
    2. SX es una v.a. discreta
    P (a < X ≤ b) = F (b) − F (a)
    P (a ≤ X ≤ b) = F (b) − F (a− )
    P (a < X < b) = F (b− ) − F (a)
    P (a ≤ X < b) = F (b− ) − F (a− )
    donde F (a− ) = P (X < a) = Limn→∞ F (a − n1 )

    3.3. Esperanza Matemática


    Definición 3.3.1 La esperanza matemática o valor esperado de la v.a. discreta X deno-
    tado por E(X) o µX o por µ se define por
    X
    E(X) = xi f (xi )
    xi ∈RX

    3.4. Varianza de la v.a. X


    Definición 3.4.1 La varianza de una variable aleatoria discreta X denotado por V ar(X)
    2
    ó V (X) o por σX se define por:
    X
    V (X) = E[(X − µ)2 ] = (xi − µ)2 f (xi )
    xi ∈RX

    donde f (xi ) es una función de cuantı́a de la x.a. X y µ es la media o esperanza de X.

    3.5. Desviación estandar de la v.a. X


    Definición 3.5.1 La desviación estandar de la v.a. X denotado por σX se define como:
    q
    2
    σX = σX

    Definición 3.5.2 Sea g una función continua de la v.a. discreta X, la esperanza matemática
    de g denotado por E(g(X)) se define por
    X
    E(g(X)) = g(x) f (x)
    ∀x∈RX

    donde f es una función de cuantı́a y g(x) está definido para todo x ∈ Rx .

    3
    Propiedades de la esperanza matemátiva y de la Varianza de una v.a. X
    Sea X una v.a. se cumplen:

    1. V (X) = E(X 2 ) − (E(X))2

    2. Si a y b son constantes reales entonces

    a) E(aX + b) = aE(X) + b
    b) V (aX + b) = a2 V (X)

    Ejemplo
    El gerente de una planta industrial está planeando comprar una nueva máquina ya
    sea del tipo A o del B. Si t denota el número de horas de operación diaria, el número Y1
    de reparaciones diarias requeridas para mantener una máquina de tipo A es una variable
    aleatoria con media y varianza iguales a 0, 10 t. El número Y2 de reparaciones diarias para
    una máquina de tipo B es una variable aleatoria con media y varianza iguales a 0, 12 t. El
    costo diario de operación A es CA (t) = 10t+30Y12 ; para B es CB (t) = 8t+30Y22 . Suponga
    que las reparaciones toman un tiempo insignificante y que cada noche las máquinas se
    afinan para que puedan operar esencialmente como máquinas nuevas al empezar el dı́a
    siguiente. ¿Cuál máquina minimiza el costo diario esperado si un dı́a de trabajo consta
    de (a) 10 horas y (b) 20 horas?

    3.6. Función generatriz de Momentos (Mx)


    Sea X una v.a. discreta y sea MX : D ⊂ R → R definida por MX (t) = E(et X ) para
    todo t ∈ D tal que:

    1. D es un entorno de cero
    dr MX (t)
    2. existe ∀t ∈ D
    d tr
    di MX (t) di (et X )
    3. = E( ) ∀i ≤ r ∀t ∈ D
    d ti d ti
    Se dice que MX es una función generatriz de momentos de X.
    di MX (t)
    Además νi = E(X i ) = |t=0 ∀i ≤ r
    d ti

    3.7. Función generatriz de Momentos factorial (ψx)


    Sea X una v.a. discreta y sea ψX : D ⊂ R → R definida por ψX (t) = E((1 + t)x ) para
    todo t ∈ D tal que:

    1. D es un entorno de cero
    dr ψX (t)
    2. existe ∀t ∈ D
    d tr

    4
    di ψX (t) di ((1 + t)x )
    3. = E( ) ∀i ≤ r ∀t ∈ D
    d ti d ti
    Se dice que ψX es una función generatriz de momentos factorial de X.
    di ψX (t)
    Además mi = E(X(X − 1)....(Xi + 1)) = |t=0 ∀i ≤ r
    d ti
    Ejemplo
    El gerente del almacén de una fábrica ha construido la siguiente distribución de prob-
    abilidad para la demanda diaria (número de veces que se usa) de una herramienta en
    particular.
    y 0 1 2
    p(y) 0, 1 0, 5 0, 4
    Cuesta a la fábrica 10 dólares cada vez que la herramienta se usa.

    1. a). Halle la función generatriz de momentos para la demanda diaria de la herramien-


    ta.

    2. b). Usando a) halle la media y varianza de la demanda diaria de la herramienta.

    3. c). Encuentre la media y la varianza del costo. diario por usar la herramienta.

    También podría gustarte