Métodos Estadı́sticos de la Ingenierı́a Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadı́stica e Investigación Operativa Licesio J. Rodrı́guez-Aragón Marzo 2010 Contenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Definición de Momentos 3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Esperanza Matemática 5 Esperanza Matemática, Expectation Value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Varianza y Desviación Varianza, Variance . Desviación Tı́pica . . Propiedades . . . . . . Tı́pica 7 ...................................................... 8 ...................................................... 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Asimetrı́a y Apuntamiento 11 Asimetrı́a y Apuntamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Covarianza y Correlación Lineal 13 Covarianza, Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Desigualdades de Markov y Tchebychev 16 Desigualdad de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Desigualdad de Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1 Contenidos Definición de Momentos. Esperanza Matemática, Expectation Value. Varianza y Desviación Tı́pica, Variance and Standard Deviation. Covarianza y Coeficiente de Correlación Lineal, Covariance and Correlation Coefficient. Desigualdades de Markov y Tchebychev, Markov and Tchebychev Inequalities. Podemos construir medidas caracterı́sticas de la distribución de una Variable Aleatoria de forma equivalente a cómo se hizo en el Tema 3 para distribuciones de frecuencias. A statistical distribution is not uniquely specified by its moments, although it is by its characteristic function. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 2 / 18 3 / 18 Definición de Momentos Momentos La definición general de un Momento respecto del punto v y de orden r de la variable aleatoria X: P P r r i (xi − v) f (xi ) = i (xi − v) pi si X es discreta Mr (v) = R∞ r si X es contı́nua −∞ (x − v) f (x)dx Destacar la importancia de ciertos Momentos: Momentos Respecto al Origen, Raw Moment, v = 0. Momentos Centrales, Central Moment, v = µ. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 4 / 18 2 5 / 18 Esperanza Matemática Esperanza Matemática, Expectation Value La Esperanza Matemática, µ, de una variable aleatoria X es el Momento respecto al Origen de orden 1 y se conoce como media o valor esperado de X: X µ = E(X) = xi f (xi ), en el caso discreto. i µ = E(X) = Z ∞ xf (x)dx, en el caso contı́nuo. −∞ Siendo f (x) la función de probabilidad o de densidad, según el caso. The Expectation Value of a function f (x) in a variable X is denoted E(X). Algunas propiedades de la Esperanza: Si a y b son constantes y X una variable aleatoria con media µ y formamos Y = aX + b entonces, E(Y ) = E(aX + b) = aE(X) + b = aµ + b. El valor esperado de la suma o diferencia de dos o más funciones de una variable aleatoria X, es la suma o diferencia de los valores esperados de las funciones: E(g(X) ± h(X)) = E(g(X)) ± E(h(X)) La esperanza del producto de dos variables aleatorias independientes, X e Y , es el producto de las esperanzas: E(XY ) = E(X) · E(Y ). Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 6 / 18 3 7 / 18 Varianza y Desviación Tı́pica Varianza, Variance La Varianza, σ 2 , de una variable aleatoria X con distribución de probabilidades f (x) y media µ, es el Momento Central de orden 2: X σ 2 = Var(X) = E[(X − µ)2 ] = (xi − µ)2 f (xi ), i en el caso discreto. 2 2 σ = Var(X) = E[(X − µ) ] = Z ∞ −∞ (x − µ)2 f (x)dx, en el caso contı́nuo. Siendo f (x) la función de probabilidad o de densidad. For a single variate X with known population mean µ, the population Variance σ 2 , is defined as E[(X − µ)2 ]. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 8 / 18 4 Desviación Tı́pica Se denomina Desviación Tı́pica de X, a la raı́z cuadrada positiva de la varianza, √ p σ = Var(X) = σ 2 . The Standard Deviation σ of a probability distribution is defined as the square root of the variance σ2 Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 9 / 18 Propiedades Algunas propiedades de la Varianza: La varianza de una variable aleatoria X puede expresarse Var(X) = σ 2 = E(X 2 ) − E(X)2 = E(X 2 ) − µ2 . Si a y b son constantes y X una variable aleatoria con media µ y formamos Y = aX + b entonces, Var(Y ) = Var(aX + b) = a2 Var(X) = a2 σ 2 . Casos particulares de lo anterior son: Var(b) = 0 Var(X + b) = Var(X) Var(aX) = a2 Var(X) Var(aX + b) = a2 Var(X) Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 10 / 18 5 11 / 18 Asimetrı́a y Apuntamiento Asimetrı́a y Apuntamiento Asimetrı́a, Skewness: γ1 = µ3 , σ3 siendo µ3 el momento centrado de orden 3. Apuntamiento, Kurtosis: γ2 = µ4 − 3, σ4 siendo µ4 el momento centrado de orden 4. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 12 / 18 13 / 18 Covarianza y Correlación Lineal Covarianza, Covariance Sean X e Y dos variables aleatorias, con distribución de probabilidades conjunta f (x, y), la Covarianza entre X e Y se define del siguiente modo: Cov(X, Y ) = σXY = E[(X − µX )(Y − µY )]. Siendo esta expresión: Cov(XY ) = σXY = XX (xi − µX )(yj − µY )f (xi , yj ), i j en el caso discreto. Cov(XY ) = σXY = Z ∞ −∞ Z ∞ −∞ (x − µX )(y − µY )f (x, y)dxdy, en el caso contı́nuo. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 14 / 18 6 Propiedades Algunas propiedades de la Covarianza: La Covarianza puede expresarse: σXY = E(XY ) − E(X) · E(Y ) = E(XY ) − µX · µY . Si X e Y son independientes, entonces σXY = 0, ya que en ese caso E(XY ) = E(X) · E(Y ). El Coeficiente de Correlación Lineal de Pearson se define como, ρ= σXY . σX · σY Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 15 / 18 16 / 18 Desigualdades de Markov y Tchebychev Desigualdad de Markov Esta desigualdad permite establecer una acotación de la probabilidad de una función no negativa de una variable aleatoria X. Sea g una función no negativa de la variable aleatoria X y t una constante positiva, se verifica que P(g(X) ≥ t) ≤ E(g(X)) t Sea D el dominio en el que g(X) ≥ t: Z Z ∞ g(x)f (x)dx ≥ g(x)f (x)dx E(g(X)) = −∞ D Z Z ≥ tf (x)dx ≥ t f (x)dx = t · P(g(X) ≥ t) D D Un caso interesante resulta cuando g(x) = X, suponiendo que X > 0, P(X ≥ t) ≤ Licesio J. Rodrı́guez-Aragón E(X) t Tema 7, M.E.I. – 17 / 18 7 Desigualdad de Tchebychev La Desigualdad de Tchebychev nos permite, conociendo la Esperanza y la Varianza de una variable aleatoria, acotar la probabilidad P(|X − µ| < kσ). Sea X una variable aleatoria de media µ y varianza σ 2 entonces, para todo k > 0 se verifica, P(µ − kσ < X < µ + kσ) = P(|X − µ| < kσ) ≥ 1 − 1 . k2 Sea Y = g(X) = (X − E(X))2 , P(|X − µ| ≥ kσ) = P(Y ≥ k2 σ 2 ) ≤ como g(X) ≥ 0 podemos aplicar la desigualdad de Markov, ≤ E((X − E(X))2 ) σ2 1 E(Y ) = = = 2. 2 2 2 2 2 2 k σ k σ k σ k Tomando el complementario, se verifica: P(|X − µ| < kσ) ≥ 1 − 1 . k2 Como ejemplo tendrı́amos que si el número medio de pasos de vuelta de 100 barras roscadas de longitud 1m, es de 125 y su desviación tı́pica es de 1 entonces el 75%, k = 2, de las barras tienen entre 123 y 127 pasos de vuelta. Licesio J. Rodrı́guez-Aragón Tema 7, M.E.I. – 18 / 18 8