Clase semana 5 Estadística

VARIABLES ALEATORIAS CONTINUAS

Una variable aleatoria X es una función que asigna un número real a cada resultado en el
espacio muestral S de un experimento aleatorio. El conjunto de los posibles valores de la
variable aleatoria X se denomina rango.

Una función real F(x), definida sobre todo (−∞ , ∞ ), no decreciente, continua por la derecha y
que satisface F (−∞ ) =0 y F ( ∞ ) =1 se denomina función de distribución.

Sea X una variable aleatoria, definida sobre un espacio muestral. Se define una función
puntual F(x) sobre (−∞ , ∞ ) mediante la relación
F ( x )=P( X ≤ x)
Esta función F(x) se denomina la función de distribución de la variable aleatoria X.

Teorema
Si F(x) es función de distribución de una variable aleatoria X entonces es una función de
distribución según la definición del segundo párrafo.

Sea X una variable aleatoria con función de distribución F(x). Se dice que X es una variable
aleatoria continua si existe una función f(x) tal que para cada número real x se satisface
x
F ( x )= ∫ f ( t ) dt
−∞
Esta función f(x) se denomina función de densidad de la variable aleatoria X.

Generalmente en el contexto de estadística se dice que F(x) es la función de distribución

acumulada de la variable aleatoria X.

Propiedades de la función de distribución:

 0 ≤ F ( x ) ≤ 1 para cualquier valor real x.
 F(x) es una función no decreciente en los reales.

Propiedades de la función de densidad:

 0 ≤ f ( x ) para cualquier valor real x.
∞

 ∫ f ( x ) dx=1
−∞

Inversamente, cualquier función f(x) que satisfaga las dos propiedades anteriores y sea
integrable, es la función de densidad de alguna variable aleatoria continua X.

x
En resumen: F ( x )=P ( X ≤ x ) =∫ f ( t ) dt
−∞

El cálculo de la probabilidad de que la variable aleatoria X adopte un valor entre los números
reales a y b se reduce a efectuar
 b
P ( a ≤ X ≤ b )=∫ f ( x ) dx
a

Como consecuencia, para una variable aleatoria continua cualquiera X se tiene que
P ( a ≤ X ≤ b )=P ( a< X ≤ b ) =P ( a≤ X < b )=P ( a< X <b )

Construcción de F(x) a partir de f(x):

Sea f(x) una función de densidad de una variable aleatoria continua X, como la que se indica
en la gráfica en forma de ejemplo.

f2(x)

f3(x)
f1(x) f4(x)
x1 x2 x3 X

{
f 1 ( x ) si−∞< x ≤ x 1
f ( x )= f 2 ( x ) si x 1< x ≤ x 2
f 3 ( x ) si x 2< x ≤ x 3
f 4 ( x ) si x3 < x ≤ ∞
Entonces la función de distribución acumulada F(x) se construye mediante la integración
F ( x )=¿

Construcción de f(x) a partir de F(x):

Si f(x) es una función continua en el punto x, entonces
dF ( x )
F ' ( x )= =f ( x)
dx

Momentos de variables aleatorias continuas

El valor esperado y la varianza de una variable aleatoria continua se definen de manera
similar al caso de la variable aleatoria discreta; en las definiciones dadas para variable
discreta se reemplaza la sumatoria por la integral.

La esperanza o valor esperado de X se define como

∞
E ( X ) =∫ xf ( x ) dx
−∞
La notación para representar E ( X ) es μ X y se le llama también media de X.

El valor esperado de una función g(X) es

∞
E ( g( X) ) =∫ g ( x)f ( x ) dx
−∞
Observar que para calcular la esperanza de X se usa la función g(x) = x (es decir que en ese
caso particular g es la función identidad).
La varianza de X es V(X)
∞ ∞
σ =E [ ( X−E( X)) ]= ∫ ( x−E ( X ) ) f ( x)dx=E ( X )− ( E ( X ) ) = ∫ x 2 f ( x)−μ2X
2 2 2 2 2
−∞ −∞
2
g( x )=( x−μ X )
Para calcular la varianza se utiliza la función en E ( g( X) ) .

La desviación típica de X es σ , es decir, la raíz cuadrada de la varianza.

Propiedades básicas de la esperanza y la varianza

Para variables aleatorias X y Y y constantes reales a, b y c se verifican las siguientes
propiedades:

Esperanza
1. E(X + Y) = E(X) + E(Y)
2. E(aX) = aE(X)
3. E(a) = a
Por lo tanto de los puntos 1, 2 y 3 se tiene que E(aX + bY + c) = aE(X) + bE(Y) + c, es decir, la
esperanza es lineal con respecto a las variables aleatorias.

Varianza
1. V(aX) = a2 V(X)
2. V(a) = 0
Por lo tanto de los puntos 1 y 2 se tiene que V( aX + b) = a2V(X). Como consecuencia se tiene

que para la desviación estándar la relación es √ V (aX)=|a |√V ( X) .

Sean X y Y dos variables aleatorias. La covarianza entre X y Y describe y mide la relación lineal
entre dos variables aleatorias, definiéndose como:
Cov(X,Y) = E(X - X)(Y - Y) =E(XY) - XY

Los conceptos de función de distribución y función de densidad se puede extender a variables

aleatorias definidas sobre el espacio euclídeo R p . Esta extensión es, no obstante, de una
importante complejidad matematica, y no se estudia en este curso. Sin embargo se puede
esbozar un concepto que resultará de interés posteriormente.

Si las variables son independientes entonces su covarianza es 0.

Si la covarianza es 0 entonces no hay relación lineal entre las variables, pero no se puede
garantizar que sean independientes.

Propiedad de la varianza para suma de variables aleatorias

Para variables aleatorias X y Y se verifica la siguiente propiedad:
Var(aX + bY) = a2 Var(X) +b2 Var(Y) + 2abCov(X,Y)
En particular si las variables X y Y son independientes entonces
Var(X + Y) = Var(X) + Var(Y)

Aproximación de la variable aleatoria binomial mediante la variable normal

Sea XB una variable aleatoria binomial con parámetros n y p. Se sabe que esta variable discreta
tiene media np y varianza npq se puede aproximar a una distribución normal estandarizada si
np>5 para p≤0,5 o cuando nq>5 para p>0,5
P ( X B=x ) ≈ P
( x −np−0.5
√npq
≤Z≤
√ npq )
x−np+ 0.5

P (a ≤ X ≤ b) ≈ P
B ( a−np−0.5
√ npq
≤Z ≤
√ npq )
b−np+ 0.5