Clase 4 Variable Aleatoria Continua

Variable aleatoria Continua
Introducción.
Transformación de variables aleatorias.
Variable aleatoria continua
Enzo Hernández
1
Departmento de Matemáticas
Universidad Técnica Federico Santa María
Agosto, 2018
Enzo Hernández Short Paper Title

Introducción.
1 Variable aleatoria Continua

Variable aleatoria Continua.
Principales funciones densidad.
2 Introducción.
Medidas de centralidad y dispersión.
Estudio de la función densidad normal usando la calculadora.
3 Transformación de variables aleatorias.
Funciones densidad generadas por la normal.
Problemas interesantes.

Introducción.
Todo lo hecho para el caso discreto se extiende al caso continuo.

Introducción.
Outline

2 Introducción.

Introducción.
Denición.
Sea X una variable aleatoria diremos que X es una variable aleatoria

continua ssi Rec(X ) no es enumerable.
Observación.
Extenderemos la noción de función de cuantía, función distribución

y medida de probabilidad utilizando los conceptos de variable
aleatoria discreta.

Introducción.
Denición.
Sea X una variable aleatoria continua se le asocia una función lla-

mada función densidad, fX , que satisface las siguientes propiedades:
fX (x) ≥ 0, para todo x ∈ Rec(X ).

=1
R∞
−∞ fX (x) · dx
Denición.
Sea X una variable aleatoria continua con función densidad fX , se le

asocia una función llamada función distribución, FX , denida por:
Z a
FX (a) = f (x) · dx
−∞

Introducción.
Denición.
Sea X una variable aleatoria continua con función densidad fX , se le

asocia una medida de probabilidad , PX , denida por:
Z a
PX (X ≤ a) = f (x) · dx
−∞
Observación.
1.- La medida de probabilidad asociada a X se puede denotar y

denir en términos de la medida de probabilidad P asociada a Ω
por:
PX (X ≤ a) = P {w ∈ Ω/X (w ) ≤ a}

Introducción.
1
(
x ∈A
2.- Se dene la función indicatriz por IA (x) =
0 x∈/A
3.- Observar que P(X ≤ a) = FX (a)

Introducción.
Outline

2 Introducción.

Introducción.
1.- Función densidad Uniforme .
Sea X una v.a.c ( variable aleatoria continua) se le asocia la

función densidad
1
fX (x) = · I[a,b] (x)
b−a
X ∼ U[a, b] denotará variable aleatoria distribuida uniforme de

parámetro a y b.
Introducción.
2.- Función densidad exponencial.

función densidad
fX (x) = λ · e −λ ·x · I[0,∞[ (x)
X ∼ exp(λ ) denotará variable aleatoria distribuida exponencial de

parámetro λ > 0 .
Introducción.
3.- Función densidad Normal .

función densidad
1 1
(x−u)2
fX (x) = √ · e− 2·σ 2 · IR (x)
2π · σ
X ∼ N(µ, σ 2 ) denotará variable aleatoria distribuida normal de

parámetros u ∈ R y σ > 0
Si u = 0 y σ = 1 diremos que X se distribuye Normal estándar.

Introducción.
Utilizando las medidas de centralidad de una v.a.d extendemos esas

nociones al caso continuo.
Enzo Hernández Medidas de Centralidad y Dispersión.

Introducción.
Outline

2 Introducción.

Introducción.
Denición.
Sea X una v.a.c con función densidad fX .
1.- Primer momento, esperanza matemática o media de la v.a.d X

se dene por: Z ∞
E (X ) = x · fX (x)
−∞
2.- Se dene el momento de orden r por:

Z ∞
E (X r ) = x r · fX (x)
−∞
3.- Se dene la varianza para v.a.d por:

V (X ) = E (X 2 ) − E 2 (X )

Introducción.
Propiedades.
Sea X una v.a.c con función de densidad fX entonces
1.- E (aX + b) = aE (X ) + b
2.- V (aX + b) = a2 · V (X )

Introducción.
Proposición.
Si X ∼ U[a, b] entonces E (X ) = b+a

2 y V (X ) = 12 .
2
1
(b−a)
2 Si X ∼ exp(λ ) entonces E (X ) = λ1 y V (X ) = λ1 . 2
3 Si X ∼ N(µ, σ 2 ) entonces E (X ) = u y V (X ) = σ 2 .

Introducción.
Ejercicio.
1.- Demostrar las propiedades de la esperanza y varianza

2.- Demostrar las medidas de centralidad y dispersión de las tres

Introducción.
funciones densidad.
Outline

2 Introducción.

Introducción.
La función
1 1
(x−u)2
fX (x) = √ · e− 2·σ 2 · IR (x)
2π · σ
tiene las siguientes características.
1 Es simétrica, con eje de simetría x = u . Es decir
f (u − x) = f (u + x).
2 Tiene un máximo en x = u y es f (u) = √21π·σ .
3 Tiene puntos de inexión en x = u ± σ .
Ejercicios.
Sea X ∼ N(1, 4) determinar, usando su calculadora.

Introducción.
P(X > 2)
P(0 < X < 2)
P(|X | < 2)
P(X < a) = 0, 8
P(|X | < a) = 0, 75

Variable aleatoria Continua Transformación de variables aleatorias.
Introducción. Funciones densidad generadas por la normal.
Transformación de variables aleatorias. Problemas interesantes.

Outline

2 Introducción.

Observación.
Sea X una v.a.c con función densidad fX se dene la v.a.c

Y = g ◦ X , siendo g una función invertible y derivable entonces
FY (y ) = P(Y ≤ y ) = P(g (X ) ≤ y ) = P(X ≤ g −1 (y )) = FX (g −1 (y ))
Es decir
FY (y ) = FX (g −1 (y ))
Derivando ambos lados
dg −1
fY (y ) = fX (g −1 (y )) ·
dy

Teorema (cambio de variable)

Sea X una v.a.c con función densidad fX se dene la v.a.c Y = g ◦ X
, siendo g una función invertible y derivable entonces
dg −1
fY (y ) = fX (g −1 (y )) ·
dy

Outline

2 Introducción.

1.- Sea X ∼ N(µ, σ 2 ) se dene la v.a.c Y = Xσ−u entonces

X −u
FY (y ) = P(Y ≤ y ) = P( ≤ y ) = P(X ≤ σ y +u) = FX (σ y +u)
σ
Luego
1 1 2
· e − ·y
fY (y ) = √ 2
2π
Y con esa función densidad se llama variable aleatoria normal
estándar.
2.- Sea X ∼ N(0, 1) se dene la v.a.c Y = X 2 entonces

√ √ √ √
FY (y ) = P(Y ≤ y ) = P(X 2 ≤ y ) = P(− y ≤ X ≤ y ) = FX ( y )−FX (−
Luego
√ 1 √ 1
fY (y ) = fX ( y ) · √ + fX (− y ) · √
2· y 2 y
1 1 1
fY (y ) = √ · √ · e − 2
·y
· I]0,∞[ (y )
y 2π
Y con esa función densidad se llama variable aleatoria chi-

cuadrada con 1 grado de libertad.
Outline

2 Introducción.

1. ( Teorema de Tcheviche)
Demostrar:
Si X es una variable aleatoria con E (X ) = µ y 0 < V (X ) < ∞

entonces P(|X − µ| < k · σ ) > 1 − k1 ; con k ∈ N
2
2.- En la construcción de tablas de mortalidad y nacimiento se

tienen en cuenta los siguientes supuestos:
a) la probabilidad que una persona muera durante el

intervalo[t + 4t, t] es igual a :
p(t, t + 4t) = a(t) · 4t + o(4t) ; lim4t→0 o(4t)
∆t = 0
donde a(t) es una función continua no negativa.
b) la muerte de una persona particular en un intervalo de tiempo
]t1 , t2 [ no depende de lo ocurrido previo al tiempo t1 .
c) la probabilidad de muerte en el nacimiento es nula.
Demostrar que la probabilidad que una persona muera antes de

tener la edad t . es: R t
1 − e − a(x)·dx
0
Sugerencias.
i) Asuma que π(t) : probabilidad que una persona sobreviva hasta
el tiempot .
ii) π(t + 4t/t) : es la medida de probabilidad que dado que
sobrevivió hasta la edad t , sobreviva a la edad t + 4t .
iii) Demuestre que π(t + 4t) = π(t) · π(t + 4t/t)


Clase 4 Variable Aleatoria Continua

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 4 Variable Aleatoria Continua

Cargado por

Copyright:

Formatos disponibles

Variable aleatoria Continua

Variable aleatoria continua

Enzo Hernández Short Paper Title

Variable aleatoria Continua

1 Variable aleatoria Continua

Enzo Hernández Short Paper Title

Todo lo hecho para el caso discreto se extiende al caso continuo.

Enzo Hernández Short Paper Title

1 Variable aleatoria Continua

Enzo Hernández Short Paper Title

Sea X una variable aleatoria diremos que X es una variable aleatoria

Extenderemos la noción de función de cuantía, función distribución

Enzo Hernández Short Paper Title

Sea X una variable aleatoria continua se le asocia una función lla-

fX (x) ≥ 0, para todo x ∈ Rec(X ).

Sea X una variable aleatoria continua con función densidad fX , se le

Enzo Hernández Short Paper Title

Sea X una variable aleatoria continua con función densidad fX , se le

1.- La medida de probabilidad asociada a X se puede denotar y

Enzo Hernández Short Paper Title

Enzo Hernández Short Paper Title

1 Variable aleatoria Continua

Enzo Hernández Short Paper Title

1.- Función densidad Uniforme .

Sea X una v.a.c ( variable aleatoria continua) se le asocia la

X ∼ U[a, b] denotará variable aleatoria distribuida uniforme de

2.- Función densidad exponencial.

Sea X una v.a.c ( variable aleatoria continua) se le asocia la

fX (x) = λ · e −λ ·x · I[0,∞[ (x)

X ∼ exp(λ ) denotará variable aleatoria distribuida exponencial de

3.- Función densidad Normal .

Sea X una v.a.c ( variable aleatoria continua) se le asocia la

X ∼ N(µ, σ 2 ) denotará variable aleatoria distribuida normal de

Si u = 0 y σ = 1 diremos que X se distribuye Normal estándar.

Utilizando las medidas de centralidad de una v.a.d extendemos esas

Enzo Hernández Medidas de Centralidad y Dispersión.

1 Variable aleatoria Continua

Enzo Hernández Medidas de Centralidad y Dispersión.

Sea X una v.a.c con función densidad fX .

1.- Primer momento, esperanza matemática o media de la v.a.d X

2.- Se dene el momento de orden r por:

3.- Se dene la varianza para v.a.d por:

Enzo Hernández Medidas de Centralidad y Dispersión.

Enzo Hernández Medidas de Centralidad y Dispersión.

Si X ∼ U[a, b] entonces E (X ) = b+a

Enzo Hernández Medidas de Centralidad y Dispersión.

1.- Demostrar las propiedades de la esperanza y varianza

Enzo Hernández Medidas de Centralidad y Dispersión.

1 Variable aleatoria Continua

Enzo Hernández Medidas de Centralidad y Dispersión.

Sea X ∼ N(1, 4) determinar, usando su calculadora.

P(0 < X < 2)

Enzo Hernández Medidas de Centralidad y Dispersión.

Enzo Hernández Medidas de Centralidad y Dispersión.

1 Variable aleatoria Continua

Enzo Hernández Medidas de Centralidad y Dispersión.

Sea X una v.a.c con función densidad fX se dene la v.a.c

FY (y ) = P(Y ≤ y ) = P(g (X ) ≤ y ) = P(X ≤ g −1 (y )) = FX (g −1 (y ))

Derivando ambos lados

Enzo Hernández Medidas de Centralidad y Dispersión.

Teorema (cambio de variable)

Enzo Hernández Medidas de Centralidad y Dispersión.

1 Variable aleatoria Continua

2.- Se dene el momento de orden r por:

3.- Se dene la varianza para v.a.d por:

Sea X una v.a.c con función densidad fX se dene la v.a.c

1.- Sea X ∼ N(µ, σ 2 ) se dene la v.a.c Y = Xσ−u entonces

2.- Sea X ∼ N(0, 1) se dene la v.a.c Y = X 2 entonces