La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Estadı́stica
Grado en Ingenierı́a en sistemas de telecomunicación
Clase 9

Jaime de la Mota Sanchis

Departamento de Teorı́a de la Señal y Comunicaciones

Universidad Rey Juan Carlos
Páginas 141 a 161 del libro de Alberto León

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

Función de probabilidad vs función de distribución

La función de probabilidad, pmf, de una variable aleatoria
discreta se define en términos de sucesos de la forma

{X = b}

La función de distribución, cdf, es un enfoque alternativo que

utiliza sucesos de la forma

{X ≤ b}

La cdf tiene la ventaja de que

→ No se limita a variables aleatorias discretas
→ Se aplica a todos los tipos de variables aleatorias
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La función de distribución

Definición formal e interpretación

La función de distribución, cdf, de una variable aleatoria X se
define como la probabilidad del suceso {X ≤ x}

FX (x) = P[X ≤ x] para − ∞ < x < +∞

Es la probabilidad de que la variable aleatoria X tome un valor

en el intervalo
(−∞, x]
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

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

Sabemos que X toma los valores SX = {0, 1, 2, 3}

La pmf proporciona las probabilidades asociadas a SX
1
fX (0) = pX (0) =
8
3
fX (1) = pX (1) =
8
3
fX (2) = pX (2) =
8
1
fX (3) = pX (3) =
8
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

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

¿Cual es la cdf de 4? ¿y de −1?

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La función de distribución

Ejercicio: tres lanzamientos de una moneda

La cdf resultante (en éste caso) es una función
→ Definida a trozos
→ No decreciente
→ Que crece desde 0 a 1
La cdf tiene saltos en los puntos

{0, 1, 2, 3}

La magnitud de los saltos es

 
1 3 3 1
, , ,
8 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

Ejercicio: tres lanzamientos de una moneda

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La función de distribución

Propiedades básicas de la cdf

Los axiomas de probabilidad y sus corolarios implican que
(i)
0 ≤ FX (x) ≤ 1

(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

Propiedades básicas de la cdf

(iv) FX (x) es una función no decreciente

Si a<b entonces FX (a) ≤ FX (b)

(v) FX (x) es continua por la derecha

Para h > 0, FX (b) = lı́m FX (b + h) = FX (b + )

h→0
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

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

(vi) P[a < X ≤ b] = FX (b) − FX (a)

(vii) P[X = b] = FX (b) − FX (b − ) magnitud del salto
(viii) P[X > x] = 1 − P[X ≤ x] = 1 − FX (x)

Si la cdf es continua en el punto b,

entonces P[X = b] = 0
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La función de distribución

Propiedadesde la cdf
Como
{X ≤ a} ∪ {a < X ≤ b} = {X ≤ b}
entonces

P[a ≤ X ≤ b] = P[X = a] + P[a < X ≤ b]

= FX (a) − FX (a− ) + FX (b) − FX (a)
= FX (b) − FX (a− )

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

Ejercicio: tres lanzamientos de una moneda

Sea X el número de caras en tres lanzamientos de una
moneda equilibrada
Usando la cdf, buscamos la probabilidad de los sucesos
A = {1 < X ≤ 2}, B = {0.5 ≤ X < 2.5} y C = {1 ≤ X < 2}

Por la propiedad (vi) y la ayuda de la gráfica

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

Ejercicio: tres lanzamientos de una moneda

Como {1 ≤ X ≤ 2} = {1 ≤ X < 2} ∪ {X = 2} entonces

P[1 ≤ X ≤ 2] = P[1 ≤ X < 2] + P[X = 2] = FX (2) − FX (1− )

Utilizando la propiedad (vii) para P[X = 2]

P[1 ≤ X < 2] = FX (2) − FX (1− ) − P[X = 2]

= FX (2) − FX (1− ) − (FX (2) − FX (2− ))
4 1 3
= FX (2− ) − FX (1− ) = − =
8 8 8
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

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
−∞

Para variables aleatorias continuas

→ La cdf es continua en todos los puntos
→ La propiedad (vii) implica que P[X = x] = 0 para todo x
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Continuas vs discretas
Si X es continua la pmf NO se puede utilizar
caracterizar las probabilidades de X

Para variables aleatorias discretas calculamos probabilidades

como la suma de masas
de probabilidad en puntos
Para variables aleatorias continuas calculamos probabilidades
como integrales de “densidades de probabilidad”
en intervalos de la recta real
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en el intervalo unitario

Una flecha gira conectada al centro de un tablero circular
Sea θ el ángulo final de la flecha, donde 0 < θ ≤ 2π
La probabilidad de que θ caiga en un subintervalo de (0, 2π]
es proporcional a la longitud del subintervalo
La variable aleatoria X se define como
θ
X (θ) =
2π

Buscamos la cdf de X
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en el intervalo unitario

A medida que aumenta θ de 0 a 2π, X aumenta de 0 a 1
Ningún resultado θ conduce a un valor x ≤ 0, por lo que

FX (x) = P[X ≤ x] = P[Ø] = 0 para x < 0

Para 0 < x ≤ 1,

{X ≤ x} se produce cuando {θ ≤ 2πx}

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

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en el intervalo unitario
Para x > 1, todos los resultados θ llevan a

{X (θ) ≤ 1 < x}

FX (x) = P[X ≤ x] = P[0 < θ ≤ 2π] = 1, x >1

X es una variable aleatoria uniforme en el intervalo unitario


0 x < 0

FX (x) = x 0 ≤ x ≤ 1

1 x >1


Notación: X ∼ U(0, 1)
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en el intervalo unitario

Sea X la variable aleatoria uniforme del ejemplo anterior
Utilizando la cdf, buscamos la probabilidad de los sucesos

{−0.5 < X ≤ 0.25}

{0.3 < X < 0.65}
{|X − 0.4| > 0.2}
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en el intervalo unitario

La cdf de X es continua en todos los puntos

P[−0.5 < X ≤ 0.25] = FX (0.25) − FX (−0.5) = 0.25 − 0 = 0.25

P[0.3 < X < 0.65] = FX (0.65) − FX (0.3) = 0.65 − 0.3 = 0.35
P[|X − 0.4| > 0.2] = P[{X < 0.2} ∪ {X > 0.6}]
= P[X < 0.2] + P[X > 0.6]
= FX (0.2) + (1 − FX (0.6)) = 0.2 + 0.4 = 0.6
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Variable aleatoria uniforme en (a, b)

La figura (a) muestra la cdf de la variable aleatoria uniforme

general X en el intervalo (a, b)
X ∼ U(a, b)
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

La función de densidad
La función de densidad de X , pdf, se define como la derivada
de FX (x)
dFX (x)
fX (x) =
dx

La pdf es una forma alternativa de especificar la información

contenida en la función de distribución
La pdf representa la “densidad” de probabilidad en el punto x
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

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

La probabilidad de un intervalo [a, b] es el área por debajo de

fX (x) en ese intervalo
Z b
P[a ≤ X ≤ b] = fX (x)dx
a
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Propiedades de la pdf

Figura: (a) La función de densidad especifica la probabilidad de intervalos

de anchura infinitesimal. (b) La probabilidad de un intervalo [a, b] es el
área por debajo de la pdf en dicho intervalo.
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Propiedades de la pdf
La cdf de X se obtiene integrando la pdf
Z x
FX (x) = fX (t)dt
−∞

Si hacemos x tender a infinito en la ecuación anterior,

obtenemos una condición de normalización para las pdf
Z ∞
fX (t)dt = 1
−∞
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en (a, b)

La pdf de la variable aleatoria uniforme viene dada por
(
1
a≤x ≤b
fX (x) = b−a
0 x <ayx >b

Buscamos la cdf

La cdf se calcula integrando la pdf


0
 x <a
x−a
FX (x) = b−a a ≤ x ≤ b

1 x >b

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria uniforme en (a, b)

Figura: cdf (a) y pdf (b) de una variable aleatoria uniforme.

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria exponencial

El tiempo de transmisión de mensajes X en un sistema de
comunicaciones sigue una distribución exponencial

P[X > x] = e −λx , x >0

Buscamos la cdf y la pdf de X

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria exponencial

La cdf viene dada por FX (x) = P[X ≤ x] = 1 − P[X > x]
(
0 x <0
FX (x) = −λx
1−e x ≥0

La pdf se obtiene a partir de la cdf

(
0 x <0
fX (x) = FX′ (x) =
λe −λx x ≥0
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria de Laplace

La pdf de la amplitud de las ondas del habla decae
exponencialmente con una tasa α
Se propone la siguiente pdf

fX (x) = c · e −α|x| , −∞<x <∞

Buscamos la constante c y la probabilidad

P[|X | < v ]
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variables aleatorias continuas

Ejercicio: variable aleatoria de Laplace

Utilizamos la condición de normalización para hallar c
Z ∞ Z ∞  −αx ∞
−α|x| −αx e 2c
1= ce dx = 2c e dx = 2c − =
−∞ 0 α 0 α

Entonces
α
c=
2

La probabilidad P[|X | < v ] se calcula integrando la pdf

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

Esperanza de una variable aleatoria continua

Definición
La esperanza o media de una variable continua X se define
Z ∞
E [X ] = x · fX (x)dx
−∞

E [X ] está bien definida si la integral converge absolutamente

Z +∞
E [|X |] = |x| · fX (x)dx < ∞
−∞
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Esperanza de una variable aleatoria continua

Ejercicio: media de la variable aleatoria uniforme en (a, b)

La media de la variable aleatoria uniforme en (a, b) es
Z ∞ Z b
1
E [X ] = x · fX (x)dx = x· · dx
−∞ a b−a
Z b
1 a+b
= x · dx =
b−a a 2

La media es exactamente el punto medio del intervalo [a, b]

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Esperanza de una variable aleatoria continua

Ejercicio: media de la variable aleatoria exponencial

El tiempo X entre las llegadas de clientes a una estación de
servicio tiene una distribución exponencial
Buscamos la media del tiempo entre llegadas

Aplicando la definición de esperanza

Z ∞ Z ∞
E [X ] = x · fX (x)dx = x · λe −λx dx
−∞ 0

Resolvemos la integral usando integración por partes

Z Z
udv = uv − v du
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Esperanza de una variable aleatoria continua

Ejercicio: media de la variable aleatoria exponencial

En particular con u = x y dv = λe −λx dx
h i∞ Z ∞
−λx
E [X ] = −xe + e −λx dx
0 0
 −λx ∞
−e
= lı́m xe −λx − 0 +
x→∞ λ 0
−e −λx 1 1
= lı́m + =
x→∞ λ λ λ
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Esperanza de una variable aleatoria continua

Ejercicio: media de la variable aleatoria exponencial

Hemos usado que e −λx y xe −λx tienden a cero cuando x se
acerca a infinito
λ es la tasa de llegadas de clientes medida en clientes por
segundo
El resultado es el tiempo medio entre llegadas
1
E [X ] =
λ
medido en unidades de tiempo por cliente
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La esperanza de una función de una variable continua

La esperanza de Y = g (X )
Supongamos que nos interesa calcular la esperanza de

Y = g (X )

E [Y ] se puede calcular directamente usando la pdf de X

Z ∞
E [Y ] = g (x)fX (x)dx
−∞
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La esperanza de una función de una variable continua

Ejercicio: esperanza de un sinusoide con fase aleatoria

Consideramos la variable

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

La amplitud de una sinusoide

con fase aleatoria Θ

Buscamos la amplitud media de Y y la potencia media de Y

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

La esperanza de una función de una variable continua

Ejercicio: esperanza de un sinusoide con fase aleatoria

La amplitud media es la esperanza de Y

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

La esperanza de una función de una variable continua

Ejercicio: esperanza de un sinusoide con fase aleatoria

1 + cos2α
cos2α = 2cos 2 α − 1 ⇒ cos 2 α =
2

La potencia media de Y es la esperanza de Y 2

 
2 2 2 2 1 + cos(2ωt + 2Θ)
E [Y ] = E [a cos (ωt + Θ)] = E a
2
 2 2

a a
= E + cos(2ωt + 2Θ)
2 2
a2 a2 2π a2
Z
1
= + cos(2ωt + 2θ) dθ =
2 2 0 2π 2
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variabilidad de una variable continua

Varianza y desviación tı́pica

La varianza de la variable aleatoria X se define como

V [X ] = E [(X − E [X ])2 ] = E [X 2 ] − (E [X ])2

La desviación tı́pica de la variable aleatoria X se define como

SD[X ] = V [X ]1/2
La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variabilidad de una variable continua

Ejercicio: varianza de la variable aleatoria uniforme

Buscamos la varianza de la variable aleatoria X uniforme en el
intervalo [a, b]

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

Variabilidad de una variable continua

Ejercicio: varianza de la variable aleatoria uniforme

Si denotamos
(a + b)
y =x−
2

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

Variabilidad de una variable continua

Momentos de una variable aleatoria

Varios parámetros de la pdf utilizan la esperanza de una
potencia de X
Estas esperanzas se llaman momentos de X
El momento n-ésimo de la variable aleatoria X se define como
Z ∞
n
E [X ] = x n · fX (x)dx
−∞

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

Variabilidad de una variable continua

Ejercicio: varianza de la variable aleatoria normal

Figura: Función de densidad de una variable aleatoria Normal.

La función de distribución Variables aleatorias continuas Esperanza de una variable aleatoria continua La esperanza de una función

Variable aleatoria mixta

Es un tipo de variable aleatoria cuya CDF presenta

discontinuidades en un número contable de puntos, x0 , x1 , x2 . . . ,
aunque también se incrementa de manera contı́nua sobre, al
menos, un intervalo de x, entonces,

FX (x) = pF1 (x) + (1 − p)F2 (x)

siendo 0 < p < 1, F1 (x) la CDF de una variable aleatoria discreta
y F2 (x) la CDF de una variable aleatoria contı́nua.