Tecnicatura universitaria en Ciencia de Datos e IA
Estadística y Ciencia de Datos
Prof. Sofia Galeano
Definición de una variable aleatoria
Una variable aleatoria X es una función que a los
Imagen
resultados de un experimento les asigna un valor
numérico.
𝑋: 𝑆 → ℝ
Ejemplo:
Dado el experimento tirar una moneda 4 veces, se registran las
caras (c) y las cruces (x):
𝑆 = {𝑐𝑐𝑐𝑐, 𝑐𝑐𝑐𝑥, 𝑐𝑐𝑥𝑐, 𝑐𝑥𝑐𝑐, 𝑥𝑐𝑐𝑐, 𝑐𝑐𝑥𝑥, 𝑐𝑥𝑐𝑥, 𝑥𝑐𝑐𝑥, 𝑥𝑥𝑐𝑐, 𝑥𝑐𝑥𝑐, 𝑐𝑥𝑥𝑐,
𝑐𝑥𝑥𝑥, 𝑥𝑐𝑥𝑥, 𝑥𝑥𝑐𝑥, 𝑥𝑥𝑥𝑐, 𝑥𝑥𝑥𝑥}
𝑋: cuenta la cantidad de caras observadas.
X cccc = 4
𝑋 𝑐𝑥𝑐𝑥 = 2
Variable aleatoria discreta
(vad)
Variable aleatoria discreta
Una variable aleatoria discreta, es una variable aleatoria 𝑋 cuyos
valores funcionales constituyen un conjunto finito o discreto.
Imagen
Ejemplo
Se revisan las asistencias de los estudiantes de la TU en
ciberseguridad en las videollamadas registrando el tiempo de
conexión. La variable aleatoria asigna el valor 1 si el estudiante
estuvo conectado al menos una hora y el valor 0 en caso contrario.
Notación:
𝑆 = {𝐸 , 𝐸 , 𝐸 , … , 𝐸 }
𝑋 𝐸 =𝑥
𝑥 son los valores que asigna la variable aleatoria 𝑋
𝑋 = 𝑥 = {𝐸 ∈ 𝑆: 𝑋 𝐸 = 𝑥}
Es el conjunto de todos los eventos sencillos 𝐸 que tienen asignado
el valor 𝑥 y puede pensarse como un evento.
Función de Distribución de
probabilidad
Función de Distribución de
probabilidad
Imagen
La distribución de probabilidad o función de densidad de una variable
aleatoria discreta está compuesta por las probabilidades que se
obtengan de los diferentes valores de la variable.
𝑓 𝑥 = 𝑃(𝑋 = 𝑥)
Ejemplo:
- 6 lotes de componentes están listos para ser enviados por un
proveedor. El número de componentes defectuosos en cada lote
es:
Imagen
lote 1 2 3 4 5 6
n° defect 0 2 0 1 2 0
Sea X el n° de componentes defectuosos en el lote seleccionado.
𝑓 0 =? 𝑓 1 =? 𝑓 2 =? 𝑓 4 =?
𝑋 = 1 = 𝑙𝑜𝑡𝑒4 , 𝑋 = 4 = ∅, 𝑋 = 2 = {𝑙𝑜𝑡𝑒2, 𝑙𝑜𝑡𝑒5}
Función de distribución
acumulada
Función de Distribución Acumulada
La función de distribución acumulada 𝐹(𝑥) de una variable aleatoria
discreta 𝑋 con función de densidad 𝑓 𝑥 se define como
Imagen
𝐹 𝑥 =𝑃 𝑋≤𝑥 = 𝑓(𝑦)
:
Ejemplo:
- La función de densidad de una variable Y es
y 1 2 3 4
f(y) 0.4 0.3 0.2 0.1
Entonces 𝐹(𝑥) está definida por:
Imagen
𝐹 1 = f 1 = 0.4
𝐹(2) = 𝑓 1 + 𝑓 2 = 0.4 + 0.3 = 0.7
𝐹 3 = 𝑓 1 + 𝑓 2 + 𝑓 3 = 0.4 + 0.3 + 0.2 = 0.9
𝐹 4 = 𝑓 1 + 𝑓 2 + 𝑓 3 + 𝑓 4 = 0.4 + 0.3 + 0.2 + 0.1 = 1
𝐹 0 =0y𝐹 5 =1
𝑋 = 1 = 𝑙𝑜𝑡𝑒4 𝑋=4 =∅
Propiedades
La función de densidad 𝑓(𝑥) de una variable aleatoria 𝑋 cumple
que:
- 0 ≤ 𝑓(𝑥) ≤ 1 para todo valor de 𝑥
Imagen
∑ 𝑓(𝑥 ) = 1 cuando se suman todos los 𝑥 ∈ 𝑋
La distribución acumulada 𝐹(𝑥) cumple que:
- 0 ≤ 𝐹(𝑥) ≤ 1 para todo valor de 𝑥
𝐹(𝑥) es una función no decreciente en 𝑥
𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
- Si 𝑥 ≤ 𝑥 entonces 𝐹(𝑥 ) ≤ 𝐹(𝑥 )
Esperanza, varianza y
desviación estándar de v.a.d.
Esperanza
La esperanza, media o valor esperado de una variable aleatoria
Imagen
discreta X con distribución de probabilidad 𝑓(𝑥) es:
𝜇 = 𝐸 𝑋 = ∑ 𝑥𝑓(𝑥) para todos los 𝑥
Ejemplos: y
f(y)
1
0.4
2
0.3
3
0.2
4
0.1
Tomando el ejemplo anterior para la variable aleatoria Y
𝜇=𝐸 𝑌 = 𝑦 𝑓(𝑦 )
Imagen
𝑦𝑓 𝑦 =𝑦 𝑓 𝑦 +𝑦 𝑓 𝑦 +𝑦 𝑓 𝑦 + 𝑦 𝑓(𝑦 )
= 1 0.4 + 2 0.3 + 3 0.2 + 4 0.1
= 0.4 + 0.6 + 0.6 + 0.4 = 2
Propiedades
μ = 𝐸 ℎ 𝑋 = ∑ ∈ ℎ 𝑥 𝑓(𝑥)
cuando D es el conjunto de valores de una vad X con función de
densidad𝑓(𝑥) y ℎ(𝑥)una función
𝐸 𝑎𝑋 = 𝑎𝐸(𝑋)
𝐸 𝑋+𝑏 =𝐸 𝑋 +𝑏
Imagen
𝐸 𝑐 = 𝑐 para c una constante
𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸(𝑌)
Varianza
Sea 𝑓(𝑥) la función de densidad de una vad X y 𝜇 su valor esperado.
Entonces la varianza es:
𝑉 𝑋 =𝜎 =𝜎 = Imagen
𝑥 − 𝜇 . 𝑓 𝑥 = 𝐸[(𝑋 − 𝜇) ]
Desviación estándar
𝑉(𝑋) = 𝜎 =𝜎
Ejemplos: y
f(y)
1
0.4
2
0.3
3
0.2
4
0.1
Tomando el ejemplo anterior para la variable aleatoria Y
𝑦 𝑓 𝑦 =2 = 𝜇
𝑉 𝑌 =? ? Imagen
𝑉 𝑌 = 𝑦 − 𝜇 . 𝑓(𝑦) = 𝑦 − 2 . 𝑓(𝑦)
= (1 − 2) 0.4 + 2 − 2 0.3 + 3 − 2 0.2 + 4 − 2 0.1
= 1 0.4 + 0 0.3 + 1 0.2 + 2 0.1 = 0.4 + 0.2 + 0.2
𝑉 𝑌 = 0.8
Propiedades
V X = E 𝑋 − [𝐸(𝑋)]
𝑉 𝑋 + 𝑏 = 𝑉(𝑋)
V 𝑎𝑋 = 𝑎 𝑉(𝑋)
Imagen
𝑉[ℎ(𝑋)] = ∑ ℎ 𝑥 − 𝐸 ℎ 𝑋 . 𝑓(𝑥) con ℎ(𝑥) una función