Tema 4 variables aleatorias continuas
Click here to load reader
-
Upload
melanie-nogue -
Category
Documents
-
view
270 -
download
1
Transcript of Tema 4 variables aleatorias continuas
Estadística I Melanie Nogué Fructuoso
1
TEMA 4 VARIABLES ALEATORIAS CONTINUAS
1. Función de probabilidad y distribución
Cuando el soporte de la variable es un intervalo, estamos hablando de variables
aleatorias continuas, como por ejemplo:
X= tiempo que tarda una persona en llegar al trabajo
Sop(X)=[0,∞)
1.1. Cálculo de probabilidades
Utilizábamos la función de probabilidad para las variables aleatorias discretas de
forma que la calculábamos asignando un valor a la variable X. No obstante, en las
continuas no se puede aplicar, pues al calcular un valor concreto, la probabilidad daría
0. Entonces, en las variables aleatorias continuas se asignan probabilidades a
intervalos:
( )
Para poder calcularlo, la función de densidad se definirá como:
( ) ∫ ( )
Es decir, todo lo que hasta ahora hemos calculado con las variables aleatorias
discretas lo haremos mediante integrales.
Por ejemplo:
( ) { [ ]
Queremos saber la probabilidad de que X tome valores entre 0 y 0,5:
( ) ∫ [ ]
Propiedades de las integrales:
i. ∫
ii. ∫
iii. ∫
iv. ∫
v. ∫
Estadística I Melanie Nogué Fructuoso
2
vi. ∫
vii. ∫
viii. ∫
En el cálculo de probabilidades, da igual si > o < llevan el igual, pues no añade
probabilidades.
Si recordamos en matemáticas, las integrales son áreas, y en las VAC también
representarán las probabilidades como áreas.
1.2. Propiedades de la función de densidad
- Debe ser siempre positiva.
- La integral en el soporte de la variable en la función de densidad da 1, es decir:
∫ ( )
Esta última propiedad se usará por ejemplo en ejercicios donde se pregunte:
Ejercicio ejemplo: ¿qué valor de K debe ser para que la función sea una
función de densidad?
( ) { [ ]
∫
1.3. Función de distribución
Nos da todas las probabilidades acumuladas hasta el punto a. se calcula a priori:
( ) ( ) ∫ ( )
Donde el menos infinito representa el valor mínimo del soporte y el infinito es el
valor máximo. En nuestro ejemplo sería:
( ) ( ) ∫
Y finalmente, la forma de colocarlo es:
( ) {
( )
[ )
[ )
Estadística I Melanie Nogué Fructuoso
3
Propiedades:
i. Siempre se encuentra entre 0 y 1.
ii. ( ) ( ) ( )
iii. ( ) ( )
iv. Si nos dan la función de distribución, para encontrar la función de densidad
tendremos que derivar.
1.4. Esperanza
O valor esperado, se define como:
( ) ∫ ( )
Propiedades:
La más importante es que si queremos calcular cualquier función de x siendo
E(g(x)), se hace:
( ( )) ∫ ( ) ( )
1.5. Varianza
Tiene el mismo significado que para las VAD.
( ) ∫ ( ) ( ( ))
O bien:
( ) ( ) ( ( )) ( ) ∫ ( )
( ( ))
1.6. Función de densidad conjunta y marginal
Como en dos VAD estamos trabajando con funciones de densidad y deberemos
definir una nueva función de densidad conjunta. Si por ejemplo tenemos:
( ) { ( ) [ ] [ ]
Estadística I Melanie Nogué Fructuoso
4
¿Cuál es el valor de K para que la función de densidad conjunta sea realmente una
función de densidad?
∫ ∫ ( )
∫ [
]
∫
La forma general es:
( ) ∫ ∫
Si por ejemplo no nos dan los dos extremos de las variables u sólo nos dan el
superior, a la hora de integrar cogeríamos el valor del soporte, por ejemplo:
[ ] ( ) ∫
También nos pueden preguntar por la probabilidad de que x e y estén
relacionadas, como por ejemplo:
( )
Esto afectará a los límites de integración. En primer lugar, fijamos x y
despejamos y, y entonces cambiamos el orden y decimos y<x, dando:
∫ ∫ ( )
X puede tomar cualquier valor, sólo tiene restricción y que como máximo será
igual que x.
∫ ∫ ( )
∫ ( )
∫
Si tenemos la función de densidad conjunta, también nos interesará obtener la
función de densidad marginal. Si queremos saber la función marginal de x, tendremos
que integral la función respecto a y, y si lo que queremos es la y, integraremos en
función de x. Siendo:
( ) ∫
( ) ∫
1.7. Independencia entre variables
Dos variables son independientes si:
Estadística I Melanie Nogué Fructuoso
5
XU[a,b]
( ) ( ) ( )
1.8. Funciones de densidad condicionadas
Ahora ya no hablamos de probabilidades condicionadas, si no de funciones de
densidad condicionadas, la expresión es:
( )
( )
Además, para calcular la esperanza condicionada, se coge la función de densidad
condicionada y se multiplica por x, siendo:
( ) ∫
Todo esto nos puede servir si tenemos que calcular la covarianza, la cual se
calcularía:
( ) ( ) ( ) ( )
2. Distribución uniforme
En una distribución uniforme, la variable toma valores en un intervalo, [a, b],
además, la función de densidad es proporcional a la longitud de dicho intervalo, siendo
b-a.
Los parámetros de la distribución uniforme son los extremos del intervalo a y b.
Por lo tanto diremos que:
Si solo toma valores en el intervalo [a, b] con probabilidades positivas según la función
de densidad:
( ) {
[ ]
El valor esperado es:
( )
Estadística I Melanie Nogué Fructuoso
6
Y la varianza:
( ) ( )
3. Distribución exponencial
Se usa en la práctica para estudiar variables como los rendimientos de activos
financieros o la duración de aparatos electrónicos. Viene determinada por un único
parámetro .
Seguirá una distribución exponencial si sólo toma valores no negativos según la
función de densidad:
( ) { [ ]
El valor esperado es:
( )
Y la varianza:
( )
La representación gráfica sería:
Xexp()
Estadística I Melanie Nogué Fructuoso
7
4. Distribución normal
Es una de las más importantes en estadística. Describe situaciones en las que los
valores de la variable están alrededor de un valor normal central, con un cierto grado
de dispersión en los extremos.
Además existe el Teorema Central del Límite, que establece que la suma de un
elevado número de variables aleatorias, sin importar la distribución que tengan, se
puede aproximar por una distribución normal.
Esta distribución se caracteriza por los valores µ y ² que corresponden a la
esperanza E(x) y a la varianza V(x) respectivamente.
Por lo tanto, diremos que una variable X sigue una distribución normal con
parámetros µ y ² si puede tomar cualquier valor real según la función de densidad:
( )
( )
Su representación gráfica sería:
XN(µ,²)
Estadística I Melanie Nogué Fructuoso
8
Es simétrica respecto al parámetro µ, el cual nos dice el eje central y nos dice
cuán ancha o estrecha es.
Si quisiéramos calcular P( 3<x<5), gráficamente sería:
Nos piden el área marcada con una X. Entonces se debe integrar la función de
densidad. No obstante, es muy complicado integrar la función de esta distribución, por
ello, se usa una tabla la cual muestra la distribución normal estándar con esperanza 0
(µ=0) y varianza 1 (²=1). Esta distribución normal estándar se llamará Z.
Los valores que hay en la tabla con los que se encuentran en la izquierda de la
distribución, por ejemplo, P( Z1.27):
i. Buscar en la tabla 1.2
ii. En la fila superior buscar el 0.07
iii. Encontramos el valor, que en este caso sería 0.8980
En cambio, si nos preguntaran P(Z > 1.42), debemos buscar en la tabla qué
probabilidad equivale a 1.42 y restarlo a 1, siendo:
P( Z > 1.42)= 1-0.9222=0.0778
Otra propiedad es que empieza por 0.5 hasta 1 en los valores positivos, pues Z
pertenece a todo R, tomando valores desde 0.00 hasta 3.99 en positivo y de -3.99
hasta 0.00 en negativo.
4.1. Probabilidad de intervalos
Teniendo Z N(0,1), nos piden:
3 5
ZN(0,1)
Estadística I Melanie Nogué Fructuoso
9
( ) ( ) ( )
4.2. Método de estandarización
Tenemos una normal cualquiera, la cual le hacemos unas operaciones para
transformarla en una normal estándar.
( )
Por ejemplo: ( ) teniendo XN(5,4):
( ) (
) (
) ( )
Ejemplo II: XN(3,9) ( ) (
) ( ) ( )
( )
4.3. Probabilidad de intervalos
( )
Calcular ( ) ( ) ( )