Professional Documents
Culture Documents
Miguel Chong
Series de tiempo
El modelo matem atico que explica el comportamiento de los resultados de los experimentos aleatorios est a compuesto por tres elementos El espacio de estados o espacio muestral E El espacio de sucesos ( - algebra) y una funci on de probabilidad P que toma valores en el [0, 1], esta funci on asigna probabilidades a los sucesos. Los elementos que integran el espacio muestral E son eventos y aqu se nos diculta hacer operaciones con estos elementos. Para resolver este problema se recurre a la asignaci on de n umeros a los elementos de E . Para llevar a cabo las transformaciones de sucesos en n umeros reales se introduce el concepto de variable aleatoria.
Miguel Chong
Series de tiempo
Denici on Una variable aleatoria (v.a.) X es una funci on que manda elementos de E a R (o un subconjunto de R), denotado por X :E R,
y al conjunto de los valores reales que puede tomar X le llamamos rango o recorrido. Denici on La funci on de distribuci on de variable aleatoria X la deniremos como la probabilidad del evento {X ( ) (, x ]} para x R, o escrito en s mbolos FX (x ) = P (X ( ) (, x ]) o de una manera m as compacta FX (x ) = P (X x ). 1
Propiedades de la funci on de distribuci on FX () FX () = 0 y FX () = 1 P (a < X b) = FX (b) FX (a) Es mon otona no decreciente P (a < X b) = FX (b) FX (a) 0 La funci on de distribuci on es continua por la derecha lim |FX (x + ) FX (x ) | = 0.
0
Miguel Chong
Series de tiempo
Variable aleatoria discreta Una variable aleatoria es discreta cuando su rango es un conjunto nito o numerable de puntos. Cada punto tiene una masa de probabilidad de ocurrir
P (X = xi )
= pi .
Adem as si sumamos sobre todo el rango de la variable aleatoria los pesos deben ser igual a uno, es decir, P (X = xi ) = pi = 1. Entonces para una v.a. discretas la funci on de distribuci on FX () queda denida como: P (X u ) P (X = xi ) , u R.
xi u
FX (u )
= =
Variables aleatorias continuas Una variable aleatoria X es continua si su funci on de distribuci on x est a denida como, FX (x ) = fX (u ) du , donde fX () se le conoce como la funci on de densidad y cumple con ser una funci on continua f (x ) 0 FX () =
f (x )dx
= 1.
Miguel Chong
Series de tiempo
Observaciones Como fX () es continua entonces FX () ser a tambi en continua. A partir de FX () podemos obtener fX () usando el Teorema d Fundamental del C alculo, puesto que FX (x ) = fX (x ). dx El conjunto de puntos donde fX () > 0 ser a el rango de la variable aleatoria. Notemos que P (X = x ) = x fX (u ) du = 0 y por lo tanto en este caso P (X u ) = P (X < u ).
x
Miguel Chong
Series de tiempo
P (X = x ) p (1 p )
n x x 1x n x
E (X ) p np
1 p k p
Var (X ) p (1 p ) np (1 p )
1p p2 k (1p ) p2
p (1 p )
p (1 p )x 1
x 1 k 1
p k (1 p )x k
e x x!
Miguel Chong
Series de tiempo
fX (x )
1 b a (+ ) 1 x ()( )
E (X )
b +a 2 + 1
Var (X )
(b a)2 2 (+ )2 (+ +1) 1 2 2
(1 x ) 1
, R+ R, 2 R+ 1
x 1 e x
(x )2 2 2
2 2
exp
Miguel Chong
Series de tiempo
Notaci on Diremos que la v.a. X sigue cierta una distribuci on FX (x ), de las siguientes formas X fX (x ) X FX (x ) X nombre de la v.a. y sus par ametros
Miguel Chong
Series de tiempo
Variables aleatorias bidimensionales Si el resultado del experimento aleatorio que hacemos da como resultado dos observaciones conjuntas entonces tenemos una variable aleatoria bidimensional (X , Y ). Este vector puede ser cualquier punto del plano R R. Cada entrada del vector es una variables aleatorias unidimensionales con su respectivo campo de variaci on o rango que nos determinan el rango del vector conjunto. El vector aleatorio (X , Y ) tendr a un campo de variaci on y una funci on distribuci on de probabilidad, que denotaremos FX Y (, ) o distribuci on conjunta, donde
FX Y (x , y ) = P ({X x } {Y y }) = P (X x , Y y ) .
Miguel Chong
Series de tiempo
A partir de las variables aleatorias bidimensionales podemos obtener las de distribuciones marginales y condicionales. La forma de obtener las distribuciones marginales es la siguiente
FY (y ) = FX Y (, y )
Miguel Chong
Series de tiempo