Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadı́stica
Grado en Ingenierı́a en sistemas de telecomunicación
Clase 9
25 de enero de 2022
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
La función de distribución
{X = b}
{X ≤ b}
La función de distribución
La función de distribución
Ejercicio: tres lanzamientos de una moneda
Sea X el número de caras en tres lanzamientos de una
moneda equilibrada
Buscamos la cdf de X
La función de distribución
Ejercicio: tres lanzamientos de una moneda
FX (x) es la suma de las probabilidades de los resultados
{0, 1, 2, 3} que son menores o iguales a x
1
FX (0) = P[X ≤ 0] = fX (0) =
8
1 3 4
FX (1) = P[X ≤ 1] = fX (0) + fX (1) = + =
8 8 8
4 3 7
FX (2) = P[X ≤ 2] = fX (0) + fX (1) + fX (2) = + =
8 8 8
FX (3) = P[X ≤ 3] = fX (0) + fX (1) + fX (2) + fX (3) =
7 1
= + =1
8 8
La función de distribución
{0, 1, 2, 3}
La función de distribución
La función de distribución
(ii)
lı́m FX (x) = 1
x→+∞
(iii)
lı́m FX (x) = 0
x→−∞
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
La función de distribución
La función de distribución
Propiedades de la cdf
La cdf tiene otras propiedades que permiten calcular la
probabilidad de sucesos relacionados con
→ Intervalos de X
→ Valores individuales de X
La función de distribución
Propiedadesde la cdf
Como
{X ≤ a} ∪ {a < X ≤ b} = {X ≤ b}
entonces
Si la cdf es continua
en los extremos de un intervalo, los extremos
→ Tienen probabilidad nula
→ Pueden ser incluidos o excluidos del intervalo sin afectar al
valor de la probabilidad
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
La función de distribución
7 1 3
P[1 < X ≤ 2] = FX (2) − FX (1) = − =
8 2 8
La cdf es continua en x = 0.5 y x = 2.5, entonces
7 1 6
P[0.5 ≤ X < 2.5] = FX (2.5) − F (0.5) = − =
8 8 8
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
La función de distribución
Definición
Una variable aleatoria continua se define como una variable
aleatoria cuya cdf, FX (x),
→ Es continua siempre
→ Es suficientemente “suave” como para ser escrita como una
integral de una función no negativa f (x)
Z x
FX (x) = f (t)dt
−∞
Continuas vs discretas
Si X es continua la pmf NO se puede utilizar
caracterizar las probabilidades de X
Buscamos la cdf de X
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
Para 0 < x ≤ 1,
2πx
FX (x) = P[X ≤ x] = P[{θ ≤ 2πx}] = = x, 0 < x ≤ 1
2π
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
{X (θ) ≤ 1 < x}
Notación: X ∼ U(0, 1)
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
La función de densidad
La función de densidad de X , pdf, se define como la derivada
de FX (x)
dFX (x)
fX (x) =
dx
Propiedades de la pdf
La derivada de la cdf, cuando existe, es positiva porque la cdf
es una función no decreciente de x
fX (x) ≥ 0
Propiedades de la pdf
Propiedades de la pdf
La cdf de X se obtiene integrando la pdf
Z x
FX (x) = fX (t)dt
−∞
Buscamos la cdf
P[|X | < v ]
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
Entonces
α
c=
2
α v −α|x| α v −αx
Z Z
P[|X | < v ] = e dx = 2 e dx = 1 − e −αv
2 −v 2 0
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
Definición
La esperanza o media de una variable continua X se define
Z ∞
E [X ] = x · fX (x)dx
−∞
La esperanza de Y = g (X )
Supongamos que nos interesa calcular la esperanza de
Y = g (X )
Y = a cos(ωt + Θ)
→ a, ω y t son constantes
→ Θ es una variable aleatoria uniforme en el intervalo (0, 2π)
La variable aleatoria Y resulta de obtener una muestra de
E [Y ] = E [a cos(ωt + Θ)]
Z 2π
1 a
= a cos(ωt + θ) dθ = [sin(ωt + θ)]2π
0
0 2π 2π
a a
= sin(ωt + 2π) − sin(ωt) = 0
2π 2π
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
SD[X ] = V [X ]1/2
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
Como la media de X es
(a + b)
E [X ] =
2
entonces
b
a+b 2
Z
1 2
V [X ] = E [(X − E [X ]) ] = x− dx
b−a a 2
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
entonces
Z (b−a)/2 3 (b−a)/2
1 21 y
V [X ] = y dy =
b−a −(b−a)/2 b − a 3 −(b−a)/2
(b − a)2
=
12
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función
Media ⇒ E [X ]
Varianza ⇒ E [X 2 ]
Simetrı́a ⇒ E [X 3 ]
Curtosis ⇒ E [X 4 ]
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función