Professional Documents
Culture Documents
Funcin de distribucin de
una variable aleatoria continua
Para una variable aleatoria continua disponemos
de un conjunto no numerable de valores. No es posible
definir una probabilidad para cada uno. Por eso
definimos previamente la funcin de distribucin de
probabilidad, que s tiene un significado inmediato y
semejante al caso discreto:
F : [0,1]
x F ( x) P( X x)
2
F ( x)
p(t )dt
dF ( x)
p( x)
dx
0.05
15
14
13
12
11
10
0.00
5
p ( x)dx
0.10
0.15
P ( a x b)
F (b) F (a)
0.20
0.25
Es una funcin no
negativa de integral 1.
b
4
Observa que:
p(v)dv 1
F(x) = 0 si x -1
x
si - 1 x 1
F(x) = 1 si x >1.
1
2
2
1
P(
X 2) F (2) F ( 4 ) 0.75 (1 v )dv 0.3164
1
4
1
4
6
P ( X x) F ( x) 0.5 0.75 x 0.25 x 3 0.95 x 0.73
(Distribucin discreta)
xp( x)dx
(Distribucin continua)
(Distribucin discreta)
2 ( x ) 2 p ( x)dx
(Distribucin continua)
(Distribucin discreta)
E ( X k ) x j p( x j )
k
Momentos de orden k
E (( X ) k ) ( x j - ) k p ( x j )
j
E (T ( X )) T ( x) p ( x)dx
(Distribucin continua)
E( X k )
k
x
p( x)dx
E (( X ) k ) ( x ) k p ( x)dx
xmed
si N es impar
x( N 1) / 2
si N es par
1 / 2( x N / 2 x( N 1) / 2 )
F ( xmed ) P ( X x) P( X x) 0.5
Discr.
Cont.
dx
F ( x)
p(t )dt
10
Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetra de la distribucin.
Asimetra (skewness)
1
m3
N
3
(
x
x
)
i 1 i
N
m3 ( x x ) 3 p ( x)dx
4
(
x
x
)
1 i 1 i
m4
N
4
N
m4 ( x x ) 4 p( x)dx
11
1
x
N
x x
i 1
x x p ( x)dx
p( x)dx 0.683
a
p( x)dx 0.25
p( x)dx 0.25
b
12
13
14
15
16
Distribucin normal
Karl F. Gauss
(1777-1855)
1
N (, ) P ( x)
e
2
( x ) 2
2 2
( 0)
Puntos
de
inflexin
- , Mo, Mn +
1.6
1.2
p(x)
0.8
0.4
0
-2.50
-1.50
-0.50
0.50
x
1.50
2.50
1
N (, ) P ( x)
e
2
( x ) 2
( 0)
2 2
10
20
30
40
50
60
70
80
90
100
110
120
N(, ): Interpretacin
geomtrica
Podemos interpretar la
media como un factor
de traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
a distancia 2 ,
a distancia 25
1
N (, ) P( x)
e
2
( x ) 2
2 2
1
F ( x)
2
( v ) 2
2 2
dv
1
P (a X b) F (b) F (a )
e
2 a
En particular:
1
2
( v ) 2
2 2
( v ) 2
2 2
dv
dv 1
z=
x -
68 %
2 95 %
3 99 %
68%
95%
-3
-2
-1
99%
0
z
1
Tipificacin
Dada una variable de media y desviacin tpica ,
se denomina valor tipificado z, de una observacin
x, a la distancia (con signo) con respecto a la media,
medido en desviaciones tpicas, es decir:
x
z
zA
xA A 8 6
2
A
1
zB
xB B 80 70
1
B
10
Apliquemos el cambio de
variable tipificada a la funcin
de distribucin F(x):
-
z
dv dz
1
F ( x)
2
1
p( z )
e
2
z2
( v ) 2
2 2
dv
; z
1
F ( z ) p(Z z )
2
u2
du
1
p( z )
e
2
z2
; z
1
F ( z ) p( Z z )
2
u2
du
Caracterstica de la distribucin
normal tipificada (reducida o
estndar):
No depende de ningn parmetro.
Su media es 0, su varianza es 1 y su
desviacin tpica es 1.
La curva f(x) es simtrica respecto al
eje de ordenadas y tiene un mximo
en este eje.
Tiene dos puntos de inflexin en z =1
y z = -1.
EJEMPLO
Sea una variable distribuida normalmente con media
= 4 y desviacin tpica = 1.5.
Cul es la probabilidad de encontrar un valor x 6
(P(x 6 ))?
=4
= 1.5
x
z
Hallar P ( x > 6 )
0.5
0.40824
0.09176
?
-0.5
-3
1
-2
2.5
-1
4
0
5.5 6
1 1.33
x
7
2
8.5
3
(0.3820)
Se debe desestandarizar : Se busca en la tabla
x=z+
de acuerdo al rea.
Con su signo
0.30x2+4 =4.60
38.20%
x=?
4.60
g (t ) E[e ] e P ( X xi )
txi
tX
Continua
g (t ) E[e ] e f ( x)dx
tX
tx
t 2 t 3
g (t ) E[e ] 1 tx x x ... f ( x)dx
2!
3!
2
3
t
t
k
1 tm1 m2 m3 ...
d g (t )
2!
3!
mk
k
tX
dt
t 0
Funcin caracterstica
(t ) E[e ] e P( X xi )
itxi
itX
(t ) E[e ] e f ( x)dx
itX
itx
Observemos que:
1
f ( x)
2
e (t )dt
itx
' ' ( 0) 2
( k ) ( 0) k
(t ) (0) ' (0)t
t ...
t ...
2!
k!
(t ) E[eitX ] (0) 1
E
[
i
X
e
]
E
[
i
X
]
i
mk
k
k
dt
dt
i
i
2
k
(t ) 1 im1t m2t ... mk t ...
2!
k!
1 d k (t )
mk k
k
i dt t 0
itx
( it ) x
( it ) x
dx
e
it
it
0
i
' (t )
( it ) 2
i
' ( 0)
' (0) 1
E[ X ]
2 i 2
' ' (t )
( it )3
2
2i
' ' (0) 2
2 1
1
E[ X ] ( E[ X ]) 2 2 2
2
Acerca de la Desigualdad de
Chebyshev
Desigualdad de Chebyshev
Para entender bien este resultado
necesitamos saber de variables aleatorias y
probabilidades. Sin embargo, trataremos de
explicar su sentido - y su uso - de la forma
ms intuitiva posible, sin entrar en detalles
tcnicos.
Desigualdad de Chebyshev
Variable Aletoria. Una variable aleatoria es una
variable que puede tomar diferentes resultados con
cierta probabilidad
Probabilidad. Pensemos en la probabilidad de un
resultado como la frecuencia con que ocurre el
resultado si repetieramos el experimento muchas
veces.
Por ejemplo, si tiramos una moneda muchas
veces, la mitad de las veces debieramos obtener
cara y la otra mitad sello. La variable es lado de la
moneda. El resultado cara tiene una probabilidad
0.5 (50% de las veces) y el resultado sello 0.5.
Desigualdad de Chebyshev
Pensemos ahora que una variable X puede tomar
valores en los nmeros reales, por ejemplo, el
tiempo nos tardamos en llegar a la casa. Tomar una
muestra de X es medir el tiempo en diferentes
ocasiones.
Esperanza. Pensemos en la esperanza de la
variable aleatoria X como el promedio que
mediramos si tomamos una muestra muy grande
de la variable.
Varianza. Pensemos en la varianza de la variable
aleatoria X como la varianza que mediramos si
tomamos una muestra muy grande de la variable.
Desigualdad de Chebyshev
La Desigualdad de Chebychev:
1
P( X k) 2
k
Por ejemplo, la probabilidad de que la variable se
aleje ms que 2 desviaciones estndar de su valor
esperado es menor que 1/4 = 0.25
La probabilidad de que se aleje ms de 3
desviaciones estndar es menor que 1/9 = 0.11
Desigualdad de Chebyshev
La Desigualdad de Chebychev pone un mximo a
la probabilidad de que la variable aleatoria tome un
valor que se aleja de su valor esperado por ms de
cierto valor.
Ms precisamente (P denota1probabilidad de ... )
P( X k)
Donde
es la esperanza de la variable
aleatoria,
es su desviacin estndar (la raz de
su varianza) y k es un nmero real positivo
cualquiera.
Desigualdad de Chebyshev
Notemos que esto se puede reescribir como
1
P( k X k) 1 2
k
[ 2, 2]
Usandok 2
Desigualdad de Chebyshev
En la prctica no conocemos la esperanza y la
varianza (o desviacin estndar) de X, pero como
bueno ingenieros podemos reemplazar la esperanza
por el promedio y la desviacin por la desviacin
estndar muestral.
1
X X k) 1 2
P(X k
k
Desigualdad de Chebyshev
La Desigualdad de Chebychev es un caso especial
de la desigualdad de Markov
E( X )
P(a X a)
a
P3 ( Z z )
P ( X k ) P (Y z k )
54
Convolucin
p3 ( j )
p (k ) p ( j k )
S n X 1 X 2 ... X n
teniendo en cuenta que:
S n S n 1 X n
55
P( S 2 s)
m( X
k ) m( X 2 s k )
(....)
56
(...)
Este es el resultado
grfico para la suma
S10 de 10 dados.
57
( f g )( z ) f ( z y ) g ( y )dy
g ( z x) f ( x)dx
59
Dos distribuciones
uniformes U(0,1).
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolucin de sus
densidades.
60
f Z ( z ) f X ( z y )dy
0
61
Dos densidades
de probabilidad
exponenciales
Exp().
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolucin de sus
densidades.
63
Convolucin de dos
densidades de probabilidad
exponenciales Exp().
64
Obtenemos la
densidad de
probabilidad de la
suma de las dos
variables por
convolucin de sus
densidades.
Normalizacin
de N(0, 2)
S n X 1 X 2 ... X n
Teniendo en cuenta que:
S n S n 1 X n
Y que:
f S2 ( x) f X1 f X 2 ( x)
Tendremos para n variables aleatorias independientes:
f S n ( x) f X1 f X 2 ... f X n ( x)
67
68
69
70
S n X 1 X 2 ... X n
lim p ( S n ) N ( , )
n
71
P ( x k ) 1 k
O bien, haciendo:
P( x )
2
Demostracin:
2 f ( x )dx
f ( x)dx
2
2 f ( x)dx
f ( x)dx
P x
P x
2
73
Sn
lim P
0
n
n
o de forma equivalente :
Sn
lim P
1
n
n
74
Demostracin:
2
2
S
n
n
S n n
Var
; E
2
n
n
n
n
n
2
Sn
Usando la desigualdad
P
2
de Chebyshev y fijado
n
n
un psiln:
Sn
lim P
0
n
n
o de forma equivalente :
Sn
lim P
1
n
n
75
1
Sn
P
1
2
n
76
En las grficas se ha
marcado con puntos
las probabilidades
comprendidas entre
0.45 y 0.55.
Vemos como a medida
que n crece la
distribucin se
concentra ms y ms
alrededor de 0.5 y el
porcentaje de rea
correspondiente al
intervalo (0.45, 0.55)
se hace ms y ms
grande.
77
1
1
2
E X i ; Var X i
2
12
2
1
Sn 1
Sn
E
Var
;
n 12n
n 2
n
De modo que, para cualquier > 0, tendremos:
Sn
2
1
P
2
2
n
12
n
79