Documentos de Académico
Documentos de Profesional
Documentos de Cultura
F(x) =
f(t)dt
Comentarios:
1) Si X es v.a. continua F es continua
2) F es continua P(X=x0)=0 para todo x0 R
3) Si X es v.a. continua
b
f ( x ) dx
para todo ab
Propiedades de las funciones de densidad
Son funciones f:RR que cuplen dos propiedades:
a)
b)
f(x)dx =1
46
Esperanza.
x p( x )
x I x
x f (x ) dx
| x| f ( x ) dx <
Comentario: hay que pedir una condicin similar a esta ltima para el caso discreto?
47
E( g( X )) =
x I
g( x ) p ( x )
E( g( X )) =
g( x ) f ( x ) dx
E(a X + b) = a E(X)+ b
E( X + Y) = E(X) + E(Y)
y que estas propiedades valan para cualquier variable aleatoria (discretas, continuas, cualquiera).
Ejercicio: Hemos demostrado la propiedad a) para el caso de variables aleatorias discretas,
demostrarlo tambin para el caso de variables aleatorias continuas (sugerencia: usar el teorema
anterior sobre E(g(X)).
Hemos dicho que la siguiente es la definicin de varianza para cualquier variable aleatoria:
Definicin de varianza
Sea X una v.a. se define
Var(X) = E(X-E(X))2
Clculo de la varianza.
De la definicin general de Var(X) y del teorema que permite calcular E(g(X)) regulta lo siguiente:
a) Para una v.a. discreta. Si X es discreta con f.p.p. p(x) es
Var ( X ) =
x I
( x E( X )) 2 p( x )
48
Var ( X ) =
( x E( X )) 2 f ( x ) dx
Var ( X ) = E( X 2 ) ( E( X )) 2
Esta proposicin ya la demostramos. La demostracin que hemos hecho vale para cualquier v.a.
(no solamente para el caso discreto).
En general es ms fcil calcular la varianza de una v.a. discreta o continua usando esta
proposicin que usando la definicin de varianza.
Para el caso continuo, usando esta proposicin, como se calcula la Varianza?
+
a) calculando
E( X ) =
x f ( x ) dx
b) calculando
E( X 2 ) =
x 2 f ( x ) dx
P(X x ) = f ( x)dx =
49
P(1/4 X 1/2)?
1
I [ a ,b ] ( x )
ba
f (x) =
- Si X U[a,b], cunto vale E(X)?
- Demostrar que Var(X) = (b-a)2/12
ax
dx =? ;
x2
dx =? ;
ax 2
dx =? ;
xe
ax 2
dx =?
ex
/2
dx = 2
50
Cuando, como en el caso del rendimiento, una variable tiene un histograma parecido a una curva
"normal", diremos que la variable tiene distribucin aproximadamente normal o aproximadamente
gaussiana. Vamos ahora a definir las curvas normales o curvas de Gauss.
Distribucin Normal o Gaussiana
Daremos primero un caso particular: la distribucin normal standard.
Distribucin normal standard. Definicin:
Se dice que una v.a. Z tiene distribucin Normal standard si su funcin de densidad es:
1 z2 / 2
e
2
f ( z)=
51
0.2
0.0
0.1
0.3
0.4
-3
-2
-1
x-
Var(Z)=1
Por eso la normal standard se la llama tambin Normal(0,1) (se abrevia N(0,1))
Llamemos a la funcin de distribucin acumulada de la N(0,1):
( x) =
1 z2 / 2
e
dz
2
Los programas estadsticos calculan esta funcin (tambin hay tablas), y usndola se puede calcular
cualquier P(aZb):
si Z N(0,1) entonces
La curva normal graficada por el Statistix superpuesta al histograma de los 210 rendimientos del
producto qumico no es la normal standard.
Puede observarse que esta curva normal toma su valor mximo no en el cero sino en la media de los
rendimientos de los 210 lotes observados (que es 84.1).
Hay muchas curvas normales: una para cada media y cada DS. La normal standard tiene media = 0 y
DS = 1.
Distribucin normal o de Gauss. Definicin:
Se dice que X N(,2) si su funcin de densidad es:
f (x) =
2 2
1 x
Z=
Z N(0,1)
E(X)= , Var(X)= 2
53
Si Z N(0,1) entonces:
P(-1 Z 1 ) = 0.683 0.68
P(-2 Z 2 ) = 0.954 0.95
P(-3 Z 3 ) = 0.997
b)
Distribucin exponencial (definicin): Se dice que una variable aleatoria continua X tiene
distribucin exponencial con parmetro (notacin: X exp()), si su funcin de densidad es de la
forma:
f ( x) = e x I [0,+ ] ( x)
- Es evidente que el parmetro tiene que ser >0 para que sea una funcin de densidad, verdad?
- Verificar que f(x) cumple las propiedades de una funcin de densidad.
- La distribucin exponencial se usa: a) como modelo aproximado para la duracin de piezas que no
tienen desgaste; b) para el tiempo que transcurre entre un evento y el siguiente en un proceso de
Poisson.
- Demostrar que si X exp() entonces F ( x) = 1 e x para x0.
- Demostrar que si X exp(), entonces E(X)= 1/, Var(X)= 1/2
Distribucin Gamma, Weibull y otras distribuciones
Distribucin Gamma (definicin): Se dice que X ~ (,) si su funcin de densidad es de la forma:
f ( x) = cte. x 1 e x I [0,+ ) ( x)
donde >0, >0 y la cte multiplicativa es tal que f ( x) = 1
Se puede demostrar (no lo haremos) que E(X)= / y Var(X)= /2
Distribucin de Weibull (definicin): Se dice que X~Weibull(,) si su funcin de densidad es de
la forma:
f ( x) = x 1e x I [0,+] ( x)
54