1 / 38

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas Principales Distribuciones continuas Ejercicios. Definición de v. a. continua.

elia
Download Presentation

Variable Aleatoria Continua. Principales Distribuciones

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Variable Aleatoria Continua.Principales Distribuciones Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas Principales Distribuciones continuas Ejercicios

  2. Definición de v. a. continua Las variables aleatorias continuas se definen sobre espacios muestrales infinitos no numerables, es decir, toman un número de valores infinito. Se representan mediante letras mayúsculas y pueden tomar comoposibles valores: X = { x1, x2, ... , xi, ... , xn, …} Se suele comentar que las variables aleatorias discretas son el resultado de contar (edad de una persona, nº de hijos, nº de hermanos, nº de veces que aparece cara en un lanzamiento de moneda, nº de puntos de un dado, etc…), mientras que las variables aleatorias continuas son el resultado de medir (velocidad media de un automóvil, talla y peso de una persona, etc…) Ejemplo: Si consideramos la variable aleatoria altura de las personas españolas mayores de 21 años, esta variable puede tomar infinitos valores, ya que entre cualesquiera dos valores, digamos 163.5 y 164.5, pueden darse infinitos valores de altura, uno de los cuales es exactamente el 164.

  3. Función de Densidad: f(x) • Definición • Es una función no negativa de integral 1. • Piénsalo como la generalización del histograma con frecuencias relativas para variables continuas. • ¿Para qué lo voy a usar? • Nunca lo vas a usar directamente. • Sus valores no representan probabilidades.

  4. Función de Densidad: f(x) ¿Para qué sirve la f. densidad? • Muchos procesos aleatorios vienen descritos por variables de forma que son conocidas las probabilidades en intervalos. • La integral definida de la función de densidad en dichos intervalos coincide con la probabilidad de los mismos. • Es decir, identificamos la probabilidad de un intervalo con el área bajo la función de densidad.

  5. Función de Densidad: f(x) Sea (Ω, ℘(Ω), P) un espacio de probabilidad y X una v. a. c. Se llama función de densidad, f(x), a una función real no negativa, tal que a, b R, con -∞ ≤ a ≤ b ≤ ∞: y que verifica: (i) f(x)  0 (ii) Gráficamente se representa mediante una curva. Observación f(x) no representa la probabilidad de nada, es sólo al integrar cuando obtenemos probabilidades.

  6. Función de Distribución, F(x) • Es la función que asocia a cada valor de una variable, la probabilidad acumulada de los valores inferiores o iguales. • Piénsalo como la generalización de lasfrecuencias acumuladas. Diagrama integral. • A los valores extremadamente bajos les corresponden valores de la función de distribución cercanos a cero. • A los valores extremadamente altos les corresponden valores de la función de distribución cercanos a uno. • Lo encontraremos en los artículos y aplicaciones en forma de “p-valor”, significación,… • No le deis más importancia a este comentario ahora. Ya os irá sonando conforme avancemos.

  7. Función de Distribución, F(x) Sea (, (), P) un espacio de probabilidad, X v. a. continua, {xi} i = 1 ..  los valores que toma y f(x) la función de densidad de X. Se llama función de distribución (acumulativa) de la v.a.c. X, F(x), a la probabilidad de que X sea menor o igual que x; es decir: Que cumple las siguientes propiedades: (i) F(- ) = 0 (iii) F() = 1 (v) F es monótona no decreciente, es decir, si xi xj entonces F(xi)  F(xj) (vi) F es continua (vii) Si f(x) es continua, entonces F(x) es derivable y (viii) P(a X b) = F(b) - F(a) =

  8. Función de Distribución, F(x) Gráficamente resulta:

  9. Características de las v.a. continuas Se trata de resumir la información de una variable aleatoria en un conjunto de medidas (números). Esperanza: Sea X una v. a. c. El valor esperado o esperanza matemática de X, denotada por E(X) o por µ, se define como: E(X) es un valor fijo que depende de la distribución de probabilidad de X. Está medida en las mismas unidades que X. Propiedades de la esperanza: (i) Si C es una constante, entonces E(C) = C. (ii) Linealidad: E(aX + b) = aE(X) + b, a, b   (iii) Si g(X) es una función de X, entonces: (iv) Si g(X), h(X) son funciones de X, entonces E[g(X)+h(X)]=E[g(X)]+E[h(X)] (v) |E[g(X)]|  E[|g(X)|]

  10. Características de las v.a. continuas Varianza: Sea X una v. a. d. La varianza de X se denota con Var(X), V(X) o 2 y se define como La raíz cuadrada positiva de la varianza se llama desviación típica y se denota con . Tanto la varianza como la desviación típica miden la dispersión de la v.a. respecto a su media. Observaciones: - La varianza y la desviación típica son cantidades positivas. - La desviación típica está medida en las mismas unidades que la v.a. Propiedades de la varianza: (i) Si C es una constante, V(C)=0 (ii) V(X) = E(X2) - E2(X) (iii) Si a y b son constantes: V(aX+b) = a2 V(X) La desviación media se define como la esperanza de |X-µ|.

  11. Principales Distribuciones Como ocurría con las variables aleatorias discretas, en la práctica, la función de densidad de la mayoría de las variables continuas se ajusta a un modelo teórico expresado mediante una fórmula concreta. Veremos los más habituales.

  12. Principales Distribuciones Distribución Normal N(,) • Es el modelo de distribución más utilizado en la práctica, ya que: • Multitud de fenómenos se comportan según una distribución normal. (distribución de pesos, alturas, coeficientes de inteligencia, errores en la medida, etc…) • Es la distribución muestral de varios estadísticos maestrales, tales como la media, etc… • Es una buena aproximación de otras distribuciones (así la distribución de una variable binomial, de Poisson, etc… son aproximadamente normales). • Se dice que una variable aleatoria continua sigue una distribución normal si su función de densidad viene dada por la expresión:

  13. Principales Distribuciones Esta distribución viene definida por dos parámetros: : es el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva (de la campana de Gauss). : es la desviación típica. Indica si los valores están más o menos alejados del valor central N(μ, σ): Interpretación geométrica • Podéis interpretar la media como un factor de traslación. Y la desviación típica como un factor de escala, grado de dispersión,…

  14. Principales Distribuciones • Los puntos de inflexión de la fun. de densidad están a distancia σ de μ. • Si tomamos intervalos centrados en μ, y cuyos extremos están… • a distancia σ,  tenemos probabilidad 68% • a distancia 2 σ,  tenemos probabilidad 95% • a distancia 2’5 σ tenemos probabilidad 99% N(μ, σ): Interpretación probabilista • Entre la media y una desviación típica tenemos siempre la misma probabilidad: aprox. 68% Entre la media y dos desviaciones típicas aprox. 95%

  15. Principales Distribuciones • Se caracteriza porque la gráfica de la función de densidad forma una curva, simétrica respecto a un valor central que coincide con la media de la distribución, y se extiende sin límite, tanto en la dirección positiva como negativa del eje X, de forma asintótica (campana de Gauss). • La función de densidad es simétrica, mesocúrtica y unimodal. • Media, mediana y moda coinciden. Por ser función de densidad, el área total encerrada bajo la curva y sobre el eje X es igual a 1. Un 50% de los valores están a la derecha de este valor central y otro 50% a la izquierda.

  16. Principales Distribuciones La curva de cualquier función de densidad está construida de tal modo que el área bajo la curva, limitada por los dos puntos x = a y x = b es igual a la probabilidad de que la variable aleatoria X asuma un valor entre x = a y x = b. No es posible calcular la probabilidad de un intervalo simplemente usando la primitiva de la función de densidad, ya que no tiene primitiva expresable en términos de funciones ‘comunes’.

  17. Principales Distribuciones Es posible transformar todas las observaciones de cualquier v. a. X con distribución normal N(μ, σ), mediante una traslación μ, y un cambio de escala σ, a un nuevo conjunto de observaciones de una variable aleatoria normal Z con media 0 y varianza 1 Z=N(0,1). Esta distribución normal se denomina normal tipificada, y su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribución. Para transformar una v. a. X en una normal tipificada se crea una nueva variable (Z) que será: Por tanto:

  18. Principales Distribuciones ¿Cómo se trabaja con la tabla de la normal tipificada? La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La primera fila nos indica el segundo decimal del valor que estamos consultando. Los valores del interior de la tabla representan áreas (o probabilidades) Llamaremos z al punto del eje OX que deja a su izquierda un área  en la curva, es decir Como la curva normal es simétrica respecto a su media y esta, en el caso de la normal tipificada (que es la tabulada) es 0, se verifica Hay ocasiones en que estamos interesados en conocer el punto del eje OX que deja a su izquierda , bajo la curva normal tipificada, un área . En estos casos buscamos en el interior de la tabla el valor más cercano a , y las coordenadas de la fila-columna de la posición de ese valor nos da el punto buscado.

  19. Principales Distribuciones Z es normal tipificada. Calcular P [Z<1,85] Solución: 0,968 = 96,8%

  20. Principales Distribuciones Z es normal tipificada. Calcular P[Z<-0,54] Solución: 1-0,705 = 0,295

  21. Principales Distribuciones Z es normal tipificada. Calcular P[-0,54<Z<1,85] Solución: 0,968-0,295= 0,673

  22. Principales Distribuciones • Aproximación de la Binomial a la Normal. • Distribución Binomial: • Si n es pequeña  Las probabilidades se obtienen de la fórmula de la binomial o de su tabla acumulada. • Si n es grande  Las probabilidades se obtienen por aproximación. • Aproximación discreta (la de Poisson) para aproximar probabilidades de la binomial cuando n es grande y p cercana a 0 ó a 1 (1-p cercano a 0). • Aproximación continua (la normal) para aproximar probabilidades de la binomial  es excelente cuando n es grande (n >30) pero sigue siendo buena para valores relativamente pequeños de n, siempre y cuando p esté cercano a 0.5. (np y nq ambos  5). • Cuidado con las probabilidades asociadas a los puntos extremos de los intervalos considerados  Corrección de continuidad

  23. Principales Distribuciones Ejemplo: Una prueba de opción múltiple tiene 200 preguntas, cada una con 4 posibles respuestas, de las cuales sólo 1 es la correcta. ¿Cuál es la probabilidad de que un alumno que contesta al azar 80 de ellas acierte entre 25 y 30? La probabilidad de una respuesta correcta para cada una de las 80 respuestas es p=1/4. X = nº de respuestas correctas de las 80 contestadas XB(80, ¼) P(25  X 30)= Usamos la aproximación a la normal con  = np = 80. ¼ = 20 y Se necesita conocer el área entre 24.5 y 30.5 (por la corrección de continuidad). Los correspondientes valores de Z son:

  24. Principales Distribuciones La probabilidad de responder correctamente de 35 a 30 preguntas la proporciona el área comprendida entre estos dos valores bajo la curva de la normal estándar

  25. Principales Distribuciones Distribución Chi - Cuadrado de Pearson 2k • Tiene un sólo parámetro denominado grados de libertad. • La función de densidad es asimétrica positiva. Sólo tienen densidad los valores positivos. • La función de densidad se hace más simétrica incluso casi gausiana cuando aumenta el número de grados de libertad. • Normalmente consideraremos anómalos aquellos valores de la variable de la “cola de la derecha”.

  26. Principales Distribuciones Distribución Chi - Cuadrado de Pearson 2k

  27. Principales Distribuciones Aproximación de 2 a la Normal

  28. Principales Distribuciones Distribución t de Student tk • Tiene un parámetro denominado grados de libertad. • Cuando aumentan los grados de libertad, más se acerca a N(0,1). • Es simétrica con respecto al cero. • Se consideran valores anómalos los que se alejan de cero (positivos o negativos).

  29. Principales Distribuciones Distribución t de Student tk

  30. Principales Distribuciones Distribución F de Fisher-Snedecor Fk1,k2 • Tiene dos parámetros denominados grados de libertad. • Sólo toma valores positivos. Es asimétrica. • Normalmente se consideran valores anómalos los de la cola de la derecha.

  31. Principales Distribuciones Distribución F de Fisher-Snedecor Fk1,k2

  32. Ejercicios Ejercicio 4.1 La variable X=" nº de centímetros a que un dardo queda del centro" al ser tirado por una persona, se observó que tenía por función de densidad f(x): k 0<x<10 0 restantes casos Se pide: a) Hallar k para que f(x) sea función de densidad. Representarla b) Hallar la función de distribución. Representarla c) Media, Varianza y Desviación Típica. d) P(X1) e) Probabilidad de acertar en la diana. Ejercicio 4.2 Se emplean calibradores para rechazar todos los componentes en los cuales haya cierta dimensión cuya medida no esté dentro de las especificaciones 1.5 d. Se sabe que esta medida tiene una distribución normal con media 1.5 y desviación estándar de 0.2. Determine el valor de d, de modo que las especificaciones cubran el 95% de las medidas.

  33. Ejercicios • Ejercicio 4.3 • En la observación del nº de glóbulos rojos (en millones) de los habitantes de una gran ciudad se observó que seguían aproximadamente una distribución normal de media 4.5 y desviación típica 0.5. • Se pide calcular: • Probabilidad de que un habitante tomado al azar tenga más de cinco millones de glóbulos rojos. • Tanto por ciento de la ciudad con menos de 3.75 millones • Nº de glóbulos rojos del 20 por 100 más alto de la ciudad • Nº de glóbulos rojos del 10 por 100 más bajo de la ciudad • Nº de glóbulos rojos del 80 por 100 más próximo a la media

  34. Ejercicios • Ejercicio 4.4 • Un biólogo comprobó que la probabilidad de que al inyectar a una rata un determinado producto sobreviviera después de una semana era de 0.5. Si el biólogo inyectó el producto a un lote de 100 ratas. • Se pide calcular: • Probabilidad de que vivan más de 65 • Probabilidad de que vivan entre 40 y 60 • Probabilidad de que vivan menos de 30 • Probabilidad de que vivan más de 45. ¿Qué significa esta probabilidad? • Ejercicio 4.5 • Una variable aleatoria sigue una distribución 2 de Pearson. Se pide calcular: • Los puntos críticos: 20.90;520.01;2620.025;820.08;10 • Las probabilidades: P(28 3.49); P(28 15.51); P(210 4); • P(220 29);

  35. Ejercicios • Ejercicio 4.6 • Una variable aleatoria sigue una distribución t de Student • Se pide calcular: • Los puntos críticos: t 0.20;20 t 0.99;10 t 0.25;10 • Las probabilidades: P(t10 1.372); P(t8 1.2); P(-0.5  t6 0.6); P(|t24|>2) • Ejercicio 4.7 • Una variable aleatoria sigue una distribución F de Fisher-Snedecor • Se pide calcular: • Los puntos críticos: F0.1;10,12 F0.05;5,24 F 0.90;28,30 • Las probabilidades: P(2  F10;20 2.25)

  36. Ejercicios • Ejercicio 4.8 • La población de sujetos tallados en el servicio militar se distribuye en X: altura N (1,69; 0,01) y en Y: peso N (68,2; 1,80). Suponiendo que ambas variables son independientes en la población y que seleccionamos una muestra aleatoria de 10 sujetos: • ¿Cuál es la probabilidad de que su estatura esté comprendida entre 1,65 y 1,70 m.? • ¿Cuál es la probabilidad de que su altura y peso sean superiores a 1,72 m. y 65 kg.? • ¿Cuáles son los pesos que delimitan al 50 por 100 central de los sujetos? • Si creamos la nueva variable: W = 2 ·X: Calcule E(W), σ2(W) y • P(3,32 ≤ W ≤ 3,40)

  37. Ejercicios • Ejercicio 4.9 • La variable extroversión (X) se distribuye según el modelo normal con media 50 y desviación típica 10. Conteste a las siguientes preguntas: • Probabilidad de que los sujetos obtengan como mucho una puntuación de 35 • Probabilidad de que los sujetos obtengan una puntuación mayor de 60 en extroversión • Calcule la puntuación en extroversión que deja por debajo de sí al 80% de los sujetos • Probabilidad de observar un valor comprendido entre 42 y 59 • Calcule la puntuación que corresponde al centil 90 en directas, diferenciales y típicas • Calcule los valores que acotan el 50% central de sujetos • Calcule la puntuación S que corresponde al centil 75 (siendo S= 2·zi+5) • Si se extrae una muestra aleatoria de 25 alumnos, ¿cuál es la probabilidad de que su media aritmética sea mayor de 55?

  38. Ejercicios • Ejercicio 4.10 • La variable U se distribuye según 2con 9 grados de libertad, la variable V se distribuye según t de student con 15 grados de libertad y la variable W se distribuye según F de Snedecor con 6 y 8 grados de libertad. • Según esto conteste a las siguientes preguntas: • Probabilidad de que la variable U adopte como mucho el valor 8 • Puntuación U tal que la probabilidad de obtener como máximo ese valor sea 0,70 • Probabilidad de observar valores en la variable V entre -1,341 y 2,602 • Calcular la puntuación V que corresponde al centil 80 • Probabilidad de que la variable W adopte como mínimo el valor 4,65 • Puntuación W que corresponde a la probabilidad acumulada de 0,90

More Related