Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PyEC05 PDF
PyEC05 PDF
Ejemplo: Con el fin de realizar un control de calidad en una fábrica de baterías, se mide el
tiempo de duración de baterías elegidas al azar y se define la v.a.
f : ℜ → ℜ + = [0, ∞)
P( X ∈ A) = ∫ f ( x)dx ∀ A⊆ℜ
A
53
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
b
P(a ≤ X ≤ b) = ∫ f ( x)dx
a
y P ( X = a ) = P(a ≤ X ≤ a ) = 0 ∀a ∈ ℜ.
Propiedad: Para que una función f (x) sea una función de densidad, debe satisfacer
f ( x) ≥ 0 ∀ x ∈ ℜ
∞
∫ f ( x)dx = 1
−∞
Observación: Nota que f (x) no es una probabilidad, de hecho puede ser mayor que 1.
Es simplemente el valor de una función en un punto.
Ejemplo: Sea
a x2 si 1 ≤ x ≤ 3
f ( x) =
0 en otro caso
1 si x ∈ A
I A ( x) =
0 si x ∉ A
∞ 3 3 3
x3 26 3
∫ = ⇔ ∫1 = ⇔ ∫1 = ⇔ =1⇔ a =1⇔ a = .
2 2
f ( x ) dx 1 a x dx 1 a x dx 1 a
−∞
3 1
3 26
∞ 3 3
3 2 3 x3 27 − 8 19
P ( X ≥ 2) = ∫ f ( x)dx = ∫ x dx = = = .
2 2
26 26 3 2
26 26
54
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x
F ( x) = P( X ≤ x) = ∫ f (t )dt
−∞
x x
Si x < 1 , F ( x) = P ( X ≤ x) = ∫
−∞
f (t )dt = ∫ 0 dt = 0
−∞
x x x
3 2 3 t3 x3 −1
Si 1 ≤ x ≤ 3 , F ( x) = ∫ f (t )dt = ∫ t dt = =
−∞ 1
26 26 3 1
26
x 3
3
Si x > 3, F ( x) = ∫ f (t )dt = ∫ 26 t dt =1
2
−∞ 1
Resumiendo,
0 si x < 1
x3 − 1
F ( x) = si 1 ≤ x ≤ 3
26
1 si x > 3
Observamos que se trata de una función continua, no decreciente que toma valores entre
0 y 1.
55
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
i) ∀x ∈ ℜ, FX ( x) ∈ [0,1] .
ii) FX (x) es monótona no decreciente, es decir que si x1 < x 2 ⇒ FX ( x1 ) ≤ FX ( x 2 ).
Observemos que las propiedades i), ii) y iv) ya las hemos demostrado en general al
considerar las v.a. discretas. Respecto a la propiedad iii), en el caso discreto probamos
que la función de distribución es continua a derecha en todo punto, mientras que en este
caso es continua en todo punto.
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b) = F (b) − F (a) .
∂F ( x)
F ' ( x) = = f ( x)
∂x
Dem: Resulta del Teorema Fundamental del Cálculo Integral, y de la definición de F (x) .
Distribución Uniforme:
1
f ( x) = I [ A, B ] ( x )
B−A
es decir, la densidad es constante sobre el intervalo [ A,B ] y 0 fuera de él. A y B son los
parámetros de la distribución.
Notación: X ~ U (A,B).
56
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x x
Si x < A ⇒ F ( x) = ∫
−∞
f (t )dt = ∫ 0 dt = 0 .
−∞
x x x
1 t x−A
Si A ≤ x ≤ B ⇒ F ( x) = ∫ f (t )dt = ∫ dt = = .
−∞ A
B−A B−A A B−A
x B B
1 t B−A
Si x > B ⇒ F ( x) = ∫
−∞
f (t )dt = ∫
A
B−A
dt =
B−A A
=
B−A
= 1.
Resumiendo,
0 si x < A
x − A si A ≤ x ≤ B
F ( x) = B − A
1 si x > B
57
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Percentiles de una distribución continua: Sea X una v.a. continua con función de
densidad f (x) y función de distribución acumulada F (x) y sea 0 < p < 1, el percentil
(100 p)-ésimo de la distribución de X es el valor xp tal que
xp
F ( x p ) = P( X ≤ x p ) = ∫ f (t )dt = p
−∞
3 2
Ejemplos: 1) Sea X con función de densidad f ( x) = x I [1,3] ( x) . Su función de
26
distribución está dada por
0 si x < 1
x3 − 1
F ( x) = si 1 ≤ x ≤ 3
26
1 si x > 3
x 03.25 − 1
= 0.25 ⇔ x 0.25 = (0.25 ⋅ 26 + 1) = 1.96
1/ 3
F ( x 0.25 ) = 0.25 ⇔
26
58
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
0 si x < A
x − A si A ≤ x ≤ B
F ( x) = B − A
1 si x > B
x 0.50 − A A+ B
F ( x 0.50 ) = 0.50 ⇔ = 0.50 ⇔ x 0.50 = 0.50( B − A) + A = .
B−A 2
Definición: Sea X una v.a. continua con función de densidad f (x) , la esperanza o valor
esperado de X se define como
∞
E( X ) = µ X = ∫ x f ( x)dx
−∞
∞
siempre que ∫x
−∞
f ( x)dx < ∞ . Si esta integral es ∞, la esperanza no puede definirse y
∞ B B
1 x2 B 2 − A2 A + B
E ( X ) = ∫ x f ( x)dx = ∫ x dx = = = .
−∞ A
B−A 2( B − A) A
2( B − A) 2
∞
E (h( X )) = ∫ h( x) f ( x)dx
−∞
59
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∞
si ∫ h( x) f ( x)dx < ∞ .
−∞
∞ ∞ ∞ ∞
E (h( X )) = ∫ h( x) f ( x)dx =
−∞
∫ (ax + b ) f ( x)dx = a ∫ x
−∞ −∞
f ( x)dx + b ∫ f ( x)dx = aE ( X ) + b .
−∞
Ejemplo: Dos especies compiten en una región para controlar una limitada cantidad de
cierto recurso. sea X: proporción del recurso controlada por la especie 1. Supongamos
que X ~ U (0,1), es decir
1 si x ∈ [0,1]
f ( x) =
0 si x ∉ [0,1]
Este modelo de asignación de recursos se denomina “broken stick” o “vara rota” ya que es
análogo a quebrar una vara en un punto aleatorio. La especie que controla la mayoría del
recurso, controla la cantidad.
1
1 − X si 0 ≤ X <
2
Sea h( X ) = max ( X ,1 − X ) =
1
X si ≤ X ≤1
2
El valor esperado para la cantidad controldad por la especie que más controla es:
∞ ∞ 1/ 2 1
E (h( X )) = ∫ h( x) f ( x)dx = ∫ max ( x,1 − x) f ( x)dx = ∫ (1 − x) f ( x)dx + ∫ x f ( x)dx =
−∞ −∞ 0 1/ 2
1/ 2 1
1/ 2 1
x2 x2 1 1 1 1 1 3
= ∫
0
(1 − x) dx + ∫ x dx = x −
1/ 2
2 0
+
2
= − + − =1− = .
2 8 2 8 4 4
1/ 2
Definición: Sea X una v.a. continua con esperanza µX y densidad f (x) , la varianza de X,
que se denotará V(X), σ X2 ó σ 2 , es
60
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
[ ]
∞
V ( X ) = σ X2 = E ( X − µ X ) = ∫ ( x − µ X ) 2 f ( x)dx
2
−∞
y el desvío standard de X, es σ X = + V ( X ) .
Proposición: V ( X ) = E ( X 2 ) − (E ( X ) ) .
2
Dem:
∞ ∞
( )
V ( X ) = E ( X − µ X ) 2 = ∫ ( x − µ X ) 2 f ( x) dx = ∫ ( x 2 − 2 xµ X + µ X2 ) f ( x) dx =
−∞ −∞
∞ ∞ ∞
A+ B
Ejemplos: Sea X ~ U (A,B), hemos demostrado que E ( X ) = , es decir el punto
2
medio del intervalo. Hallemos la varianza de X. Como V ( X ) = E ( X 2 ) − (E ( X ) ) ,
2
necesitamos calcular E ( X 2 ).
∞ B B
1 x3 B 3 − A 3 ( B − A)( B 2 + AB + A 2 )
E ( X ) = ∫ x f ( x)dx = ∫ x
2 2
dx = 2
= = =
−∞ A
B-A 3( B − A) A
3( B − A) 3( B − A)
( B 2 + AB + A 2 )
=
3
Entonces,
2
( B 2 + AB + A 2 ) A + B
V ( X ) = E ( X ) − (E ( X ) )
2
2
= − =
3 2
4( B 2 + AB + A 2 ) − 3( A 2 + 2 AB + B 2 ) B 2 − 2 AB + A 2 ( B − A) 2
= = = .
12 12 12
61
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
( B − A) 2
Por lo tanto, V ( X ) = .
12
Propiedad de la varianza y del desvío standard: Sea X una v.a. continua con densidad
f (x) ,
V (aX + b) = a 2V ( X ) y σ aX +b = a σ X .
∫ (h( x) − E (h( X ))
2
V (h( X )) = f ( x)dx
−∞
entonces, si h( x) = ax + b,
∞ ∞
∞ ∞
−∞ −∞
Obviamente, σ aX + b = a σ X .
62