Академический Документы
Профессиональный Документы
Культура Документы
1
Imaginemos una ruleta de la fortuna con un perímetro circular
de longitud 1. Como la flecha puede señalar infinitos valores
no numerables, todo resultado tiene probabilidad 0. ¿Cómo
podemos definir entonces probabilidades?
p (x)
0 x<0
1
p( x) = 0 ≤ x ≤1
b − a
1
Área = 1 0 x >1
x
2
0 1
p (x) p (x)
1 1
x x
0 a 1 0 a b 1
F : ℜ → [0,1]
x → F ( x) = P( X ≤ x)
4
Definimos la función de distribución para la variable
aleatoria continua como:
x
F ( x) = ∫ p(t )dt
−∞
∀x ∈ ℜ
Diferenciando tenemos: dF ( x)
= p( x)
dx
para cada x donde p(x) es continua. 5
Función de densidad de probabilidad
Es una función no
negativa de integral 1. 0.25
P ( a ≤ x ≤ b) = 0.10
F (b) − F (a ) = 0.05
b 0.00
= ∫ p ( x)dx
1
10
11
12
13
14
15
a b
a 6
Observa que: ∞
∫ p(v)dv = 1
−∞
F(x) = 0 si x ≤ -1
x
F ( x) = 0.75 ∫ (1 − v 2 )dv = 0.50 + 0.75 x − 0.25 x 3 si - 1 < x ≤ 1
−1
F(x) = 1 si x >1.
1
2
P( ≤
1
4 X 2) F (2) F ( 4 ) 0.75∫ (1 v )dv = 0.3164
≤ = − 1 = − 2
1
4
12
Varianza y desviación típica
σ 2 = ∑ ( x j − μ) 2 p ( x j ) (Distribución discreta)
j
∞
σ 2 = ∫ ( x − μ) 2 p ( x)dx (Distribución continua)
−∞
13
Distribución de probabilidad uniforme U(a,b)
Función de densidad de probabilidad:
1
1 b−a
si a ≤ x ≤ b
p ( x ) = U ( a, b) = b − a p (x)
0 en otro caso
Área = 1
Recordemos que la función de
distribución se define como:
x a x b
F ( x) = ∫ p(t )dt
−∞
∀x ∈ ℜ
Entonces:
0 x<a
x −a
F ( x) = a≤ x≤b
b − a
1 x>b 14
Igualmente, partiendo de la función de distribución:
0 x<a
x −a
F ( x) = a≤ x≤b
b − a
1 x>b
1
dF ( x) si a ≤ x ≤ b
= p( x) p( x) = b − a
dx 0 en otro caso
15
Ejemplo: 1
47 − 41 para 41 ≤ x ≤ 47
=
p( x)
0 para el resto de valores
45 − 42 1
p (x) =
47 − 41 2
Calcula la 1 1
probabilidad =
47 − 41 6
Area
P(42 ≤ x ≤ 45) = 0.5
41 45 42 47 x
x1 − x2 45 − 42 1
P(x1 ≤ x ≤ x2 ) = P(42 ≤ x ≤ 45) = =
b−a 47 − 41 2
16
Calcula la media, la varianza y la desviación típica de
la distribución de probabilidad uniforme.
b
x
b
x b2 − a2 a + b
2
μ=∫ dx = = =
a
b−a 2(b − a ) a 2(b − a ) 2
a+b 1 (b − a) b−a
2
b 2
σ = ∫x −
2
dx = ; σ=
a
2 b−a 12 12
1 1
(σ2=1/12) (σ2=3/4)
p(x) p(x)
0 x 1 -1 0 1 2 x
Nota: Observa que estas distribuciones tienen la misma media pero distinta
varianza. Mayor varianza implica mayor dispersión alrededor de la media. 17
Momentos de orden k centrados
en el origen y en la media.
E (T ( X )) = ∑ T ( x j ) p ( x j ) (Distribución discreta)
j
E ( X k ) = ∑ x j p( x j )
k Momentos de orden k
j
E (( X − μ) k ) = ∑ ( x j - μ) k p ( x j )
j
∞
E (T ( X )) = ∫ T ( x) p ( x)dx (Distribución continua)
−∞
∞
E( X k ) = ∫ p( x)dx
k
x Observa que para k = 2:
−∞
∞
σ2 = E((X - µ)2)
E (( X − μ) k ) = ∫ ( x − μ) k p ( x)dx 19
−∞
Otras medidas de la anchura de la distribución:
− Desviación absoluta media, Δx:
N ∞
1
∆x ≡
N
∑ x −x
i =1
i o ∆x ≡ ∫ x − x p ( x)dx
−∞
a ∞
x
F ( x) = ∫ p(t )dt
−∞
23
Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetría de la distribución.
Asimetría (skewness)
∑i =1 i
N
1 ( x − x ) 3
m3 ≡
N σ3
∞
m3 ≡ ∫ ( x − x ) 3 p ( x)dx
−∞
1 ∑i =1 i
N
Kurtosis ( x − x ) 4 ∞
m4 ≡ m4 ≡ ∫ ( x − x ) 4 p ( x)dx
N σ4 −∞
Se suele medir en una escala que (Figs. © Press et al., “Numerical Recipes”)