Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribución Exponencial
Distribución Exponencial
1
f ( x) = I [ A, B ] ( x )
B−A
Notación: X ~ U (A,B).
⎧ 0 si x < A
⎪x− A
F ( x) = ⎨ si A ≤ x ≤ B
⎪B − A
⎩ 1 si x > B
A+ B ( B − A) 2
E( X ) = y V (X ) = .
2 12
− 1 x−μ
2
( )
e 2σ
1 2
f ( x) = (1)
2π σ
El gráfico de la función de densidad normal tiene forma de campana con eje de simetría
en x = μ y puntos de inflexión en x = μ + σ y x = μ - σ.
63
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
μ-σ μ μ+σ
Densidades Normal
0.8
N(0,1)
N(0,1/4)
N(0,2)
0.6
N(0,4)
0.4
0.2
0.0
-4 -2 0 2 4
x
64
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Se puede verificar que en efecto la función (1) es una función de densidad, es decir que la
integral sobre toda la recta es 1. No lo haremos, pero sí verificaremos que su gráfico es
simétrico respecto de μ, punto en el cual alcanza su único máximo y que tiene puntos de
inflexión en x = μ + σ y x = μ - σ.
En efecto,
x2
− 1 ( μ − x − μ )2 −
f(μ − x)=
1
e 2σ 2 =
1
e 2σ 2
σ 2π σ 2π
x2
− 1 ( μ + x − μ )2 −
f(μ + x)=
1
e 2σ 2 =
1
e 2σ 2
σ 2π σ 2π
⎡ (x − μ )2 ⎤⎥ − 1 (x − μ )
1 2
⎢ −
∂f ( x ) ∂ 2
e 2σ
1
e 2σ
1 2 1
= ⎢ ⎥=0⇔− (x−μ)=0
∂x ∂x ⎢ 2π σ ⎥ 2π σ σ2
⎢⎣ ⎥⎦
⇔ ( x − μ ) = 0 ⇔ x = μ.
Ejercicio: Verificar que la derivada segunda en x = μ es menor que 0 y por lo tanto se trata
de un máximo y que la densidad tiene dos puntos de inflexión en x = μ + σ y x = μ - σ.
65
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2
1 −z
f ( z) = e 2
2π
2
z 1 −t
Φ( z ) = F ( z ) = ∫ e 2 dt
−∞ 2π
Esta función está tabulada, ya que su integral no tiene una expresión analítica conocida.
Ejemplo: Z ~ N (0,1),
Percentiles de la distribución Normal Standard: Sea 0 < p < 1, el percentil (100 p)-
ésimo de la distribución normal standard es el valor z tal que
Φ ( z ) = p,
66
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
X −μ
1) Si X ~ N ( μ , σ 2 ) ⇒ Z = ~ N (0,1)
σ
Dem:
⎛X −μ ⎞
FZ ( z ) = P( Z ≤ z ) = P⎜ ≤ z ⎟ = P( X ≤ σ z + μ ) = FX (σ z + μ )
⎝ σ ⎠
− (σ z + μ − μ )
2
∂ ∂ 1 2σ 2
fZ ( z ) = FZ ( z ) = F ( σ z + μ ) = f X ( σ z + μ )σ = e σ=
∂z ∂z X 2π σ
2
1 −z
= e 2
2π
2) Si Z ~ N (0,1) y σ > 0 ⇒ X = σ Z + μ ~ N ( μ , σ 2 ) .
Dem: Ejercicio.
xp =σ zp + μ
⎛ X − μ xp − μ ⎞ ⎛x −μ⎞
F ( x p ) = p ⇔ P( X ≤ x p ) = p ⇔ P⎜⎜ ≤ ⎟ = p ⇔ Φ⎜ p
⎟
⎟
⎜ σ ⎟= p
⎝ σ σ ⎠ ⎝ ⎠
xp − μ
⇔ = zp ⇔ xp =σ zp + μ .
σ
67
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Dem:
∞ ∞ z2
1 −
E( Z ) = ∫ zf ( z )dz = ∫ z
−∞ −∞ 2π
e 2
dz = 0
∞ z2 ∞ z2
1 − 1 −
V ( Z ) = E( Z ) − ( E( Z )) = E( Z ) = ∫z dz = ∫z
2 2 2 2 2 2
e ze dz
−∞ 2π −∞ 2π
z2 z2
1 − 1 −
u=z dv = ze 2
dz du = dz v=− e 2
2π 2π
se obtiene
z2
∞
∞ z2 ⎛ z2
M
⎞
1 − 1 − ⎜ 1 − ⎟
V( Z ) = −
2π
ze 2
+ ∫
−∞ 2π
e 2
dz = lim ⎜ −
M →∞
⎜ 2π
ze 2 ⎟⎟ + 1 .
−∞ ⎝ −M ⎠
⎛ ⎞ ⎛ ⎞
⎜ 1 M ⎟ ⎜ 1 1
⎟
lim ⎜ − ⎟ = lim ⎜ − ⎟=0
M →∞⎜ 2π M 2 ⎟ M→∞⎜ 2π M 2 ⎟
⎜ ⎟ ⎜ ⎟
⎝ e 2 ⎠ ⎝ Me 2 ⎠
y
⎛ ⎞ ⎛ ⎞
⎜ 1 M ⎟ ⎜ 1 1
⎟
lim ⎜ ⎟ = lim ⎜ ⎟=0
M →− ∞⎜ 2π M 2 ⎟ M→− ∞⎜ 2π M2 ⎟
⎜ ⎟ ⎜ ⎟
⎝ e 2 ⎠ ⎝ Me 2 ⎠
68
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
X −μ
Dem: Recordemos que, si X ~ N(μ, σ2), entonces ~ N (0,1) .
σ
⎛X −μ⎞
Como E ( Z ) = E ⎜ ⎟ = 0 , por linealidad de la esperanza,
⎝ σ ⎠
1
(E ( X ) − μ ) = 0 ⇒ E ( X ) = μ .
σ
⎛X −μ⎞
Como V ( Z ) = V ⎜ ⎟ = 1 , por propiedades de la varianza,
⎝ σ ⎠
1
V (X ) =1⇒V (X ) = σ 2 .
σ 2
∞
Γ(α ) = ∫ x α −1 e − x dx
0
Propiedades:
2) Si α ∈ N, Γ(α ) = (α − 1)!
⎛1⎞
3) Γ⎜ ⎟ = π
⎝2⎠
69
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∞ ∞
∞
Γ(α ) = ∫ x α −1 e − x dx = − x α −1 e − x + ∫ (α − 1) x α − 2 e − x dx =
0
0 0
∞
M α −1
= − lim + 0 + ( α − 1 )∫ x ( α −1 )−1 e − x dx = 0 + 0 + ( α − 1 )Γ( α − 1 ) = ( α − 1 )Γ( α − 1 ).
M →∞ e M
0
2) Ejercicio.
3)
∞ 1 ∞ 1
⎛1⎞ −1 −
Γ⎜ ⎟ = ∫ x 2 e − x dx = ∫ x 2 e − x dx
⎝2⎠ 0 0
2
Aplicaremos el siguiente cambio de variable: u = 2 x , con lo cual du = dx .
2x
Entonces,
∞ u2 ∞ u2 ∞ u2
⎛1⎞ − 1 − 1 −
Γ⎜ ⎟ = ∫ 2 e 2 du = ∫ 2 e 2 du = π ∫ e 2 du = π ,
⎝2⎠ 0 − ∞ 2π
2 −∞
e − λ x xα − 1 λα
f ( x) = I ( x)
Γ(α ) (0, ∞)
70
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Densidades Gamma
1.0
G(1,1)
G(2,3)
G(2,1/2)
0.8
G(2,1)
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
e − x xα −1
f ( x) = I (0,∞) ( x )
Γ(α )
71
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
G(1,1)
G(2,1)
0.8
G(5,1)
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
α α
Proposición: X ~ Γ (α , λ), entonces E ( X ) = y V (X ) = 2 .
λ λ
Dem:
∞ e − λx xα −1 λα ∞ e − λx xα λα ∞ e − λx x (α +1)−1 λα
E( X ) = ∫ x dx = ∫ dx = ∫ dx =
0 Γ(α ) 0 Γ(α ) 0 Γ(α )
Calculemos ahora E ( X 2 ).
72
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2 ∞ 2 e − λ x x α −1 λα ∞ e − λ x x α +1 λα ∞ e − λ x x α + 2 −1 λα
E(X ) = ∫ x dx = ∫ dx = ∫ dx =
0 Γ (α ) 0 Γ (α ) 0 Γ (α )
(α + 1)α ⎛α ⎞ α α α α
2 2 2
Finalmente, V ( X ) = − ⎜ ⎟ = 2 + 2 − 2 = 2 , como queríamos demostrar.
λ2 ⎝λ⎠ λ λ λ λ
Dem: Ejercicio.
Nota: Esta última propiedad permite obtener probabilidades para una v. a. con
distribución Gamma a partir de una distribución Gamma standard. En efecto,
supongamos que X ~ Γ (α , λ), entonces λ X ~ Γ (α , 1) y, por ejemplo
−x
β α −1
e x
f ( x) = α I ( x)
β Γ(α ) (0,∞)
En este caso, E ( X ) = α β y V ( X ) = α β 2 .
Notación: X ~ ε(λ).
73
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Densidades Exponencial
1.0
E(1)
E(2)
E(1/2)
0.8
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
⎧ 0 si x ≤ 0
⎪
F ( x) = ⎨
⎪1 − e −λx si x > 0
⎩
En efecto, si x > 0,
x x
F ( x ) = ∫ λ e −λt dt = − e −λt = −e −λx + 1,
0 0
1 1
Proposición: Si X ~ ε (λ), entonces E ( X ) = y V (X ) = .
λ λ2
Dem: Se deduce inmediatamente de la esperanza y la varianza de una v.a. Gamma con
parámetro α = 1.
74
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
⎛ − 10 ⎞
1
⎛ −
10
⎞ ⎛ − ⎞
5
Se puede demostrar que la v.a. T: “tiempo hasta la ocurrencia del primer evento” (o
equivalentemente, tiempo entre la ocurrencia de dos eventos sucesivos), tiene distribución
exponencial.
75
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
e −νt (νt ) 0
FT (t ) = 1 − P( X t = 0) = 1 − = 1 − e −ν t ,
0!
y por lo tanto
⎧ 0 si x ≤ 0
⎪
F ( x) = ⎨
⎪1 − e −ν x si x > 0
⎩
es decir, T~ ε (ν).
Ejercicio: Demostrar que el tiempo de espera hasta la segunda ocurrencia del evento
tiene distribución Γ(2, ν).
76