Ficha de uso
Introducción
Variable aleatoria y función de distribución
Una variable aleatoria X asigna un número a cada resultado de un experimento. Queda descrita por su función de distribución
F_X(x) = P(X ≤ x),
que crece de 0 a 1. Si X es discreta (toma valores aislados x_i), F_X es una escalera con saltos de altura p_X(x_i) = P(X = x_i), su función de probabilidad. Si es continua, F_X es continua y su derivada es la densidad f_X(x) = F_X′(x): P(a < X ≤ b) = ∫_a^b f_X(x) dx = F_X(b) − F_X(a).
Media y varianza
La media μ_X = E{X} = ∫ x f_X(x) dx (o Σ x_i p_X(x_i)) es el centro de masas de la distribución. La varianza σ_X² = E{(X − μ_X)²} = E{X²} − μ_X² mide su dispersión, y σ_X es la desviación típica, en las mismas unidades que X.
Distribuciones habituales
| Distribución |
Densidad o probabilidad |
Media |
Varianza |
| Uniforme U[a, b] |
1/(b − a) en [a, b] |
(a + b)/2 |
(b − a)²/12 |
| Normal N(μ, σ²) |
e−(x−μ)²/(2σ²)/(σ√(2π)) |
μ |
σ² |
| Exponencial |
λe−λx, x ≥ 0 |
1/λ |
1/λ² |
| Rayleigh |
(x/σ²)e−x²/(2σ²), x ≥ 0 |
σ√(π/2) |
(2 − π/2)σ² |
| Laplace |
e−|x−μ|/s/(2s) |
μ |
2s² |
| Binomial B(n, p) |
C(n, k) pk(1 − p)n−k |
np |
np(1 − p) |
| Poisson |
e−λλk/k! |
λ |
λ |
Estimar a partir de muestras
Con N muestras, la proporción de las que caen en cada intervalo de anchura Δ, dividida entre Δ, es el histograma normalizado, que estima f_X. La proporción de muestras menores o iguales que x es la distribución empírica F_N(x), que estima F_X. La media muestral estima μ_X con un error típico σ/√N, y la máxima diferencia entre F_N y F_X también baja como 1/√N (teorema de Glivenko-Cantelli y prueba de Kolmogórov-Smirnov).
Guía de uso
- Distribución y sus parámetros: los títulos de los deslizadores cambian con la distribución, y los que no se usan se ocultan.
- N es el número de muestras, intervalos los del histograma (solo para las continuas) y realización cambia la semilla.
- A la izquierda, el histograma normalizado y la densidad teórica (o las frecuencias relativas y las probabilidades, para las discretas). A la derecha, la distribución empírica y la teórica.
- El recuadro compara la media y la varianza teóricas con las muestrales, da el error típico de la media y la máxima distancia entre F_N y F.
Ejercicios
1. Más muestras. Con N(0, 1), prueba N = 100, 1000, 10 000 y 100 000. ¿Cómo bajan el error de la media y la distancia entre F_N y F?
Solución
Con esta realización, la media muestral vale 0,21, −0,005, −0,003 y 0,001, y la distancia entre F_N y F, 0,13, 0,03, 0,007 y 0,002. Los dos errores bajan como 1/√N: 0,1, 0,03, 0,01 y 0,003. Multiplicar N por 100 da una cifra decimal más.
2. La uniforme. Elige U[2, 6] (a = 2, anchura 4) con N = 10 000. ¿Qué media, varianza y P(X > 5) tiene? Compáralas con las muestras y con la gráfica de F.
Solución
μ = 4, σ² = 16/12 = 4/3 y P(X > 5) = 1 − F(5) = 1/4: en la gráfica de F, F(5) = 0,75. Las muestras dan 3,993 y 1,332. Es el ejercicio 2 de la hoja.
3. Los intervalos del histograma. Con N(0, 1) y N = 1000, prueba 5, 30 y 100 intervalos. ¿Qué pasa en cada caso? ¿Por qué con N = 100 000 se pueden usar más?
Solución
Con 5 intervalos, de anchura 1,6, el histograma es demasiado grueso y aplasta el pico (sesgo). Con 100, cada uno recoge unas pocas muestras y las barras fluctúan mucho (varianza). Con N mayor cada intervalo recibe más muestras, la fluctuación relativa baja como 1/√(número de muestras del intervalo) y se pueden usar intervalos más estrechos. Una regla habitual es tomar unos √N intervalos.
4. La binomial y la Poisson. Compara B(60; 0,05) con la Poisson de λ = 3 y N = 10 000. ¿Qué medias y varianzas tienen? ¿Por qué se parecen tanto?
Solución
La binomial tiene media np = 3 y varianza np(1 − p) = 2,85; la Poisson, 3 y 3. Sus probabilidades casi coinciden: cuando n es grande y p pequeño con np = λ fijo, la binomial tiende a la Poisson. Por eso la Poisson modela el número de sucesos raros (fotones, llegadas a una cola) en un intervalo.
5. Misma varianza, distinta forma. Compara N(0, 1) con la Laplace de media 0 y escala s = 0,71. ¿Qué varianza tiene la Laplace? ¿En qué se diferencian sus densidades?
Solución
2s² = 2 · 0,71² ≈ 1: la misma que la normal. La Laplace tiene un pico más agudo en 0 y colas más pesadas (decaen como e−|x|/s, no como e−x²/2): da más valores muy pequeños y más valores grandes. La media y la varianza no bastan para describir una distribución.
6. La Rayleigh. Con σ = 1, ¿cuánto valen la media y la varianza? ¿Dónde aparece esta distribución?
Solución
σ√(π/2) = 1,253 y (2 − π/2) = 0,429; las muestras dan 1,251 y 0,427. Es la distribución del módulo √(X² + Y²) de dos gaussianas independientes de media nula y la misma varianza: la amplitud de un ruido de banda estrecha o la envolvente de una señal de radio con desvanecimiento.
Para profundizar
- Apuntes del Tema 6, sección 1, «Variable aleatoria», «Esperanza, media y varianza», «Distribuciones habituales» y «Análisis de muestras».
- Transparencias T6-01, variables aleatorias y distribuciones.
- Hoja de ejercicios del Tema 6, ejercicios 1 a 3 y 5, y sus soluciones.
- A. Papoulis y S. U. Pillai, Probability, Random Variables and Stochastic Processes, 4.ª ed., McGraw-Hill, 2002, capítulos 4 y 5.
Relación con otros conceptos