Tema 13.

Espacio muestral continuo

1. Función de densidad de probabilidad

2. Función de distibución
3. Algunas distribuciones de variables aleatorias
continunas
• Distribución Normal
• Distribuciónχ2
• Distribución t de Student
• Distribución F de Snedecor
4. Valores esperados y varianza
5. Diferencias entre el modelo discreto y el continuo
1
1. Función de densidad de
probabilidad

2
 1. Función de densidad de probabilidad
Sea X una variable aleatoria continua y sea f (x) una función que
cumple las siguientes condiciones:

Condiciones
1. f (x)  0
2. El área total bajo la curva es igual a la unidad

 f (x)dx  1

3
1. Función de densidad de probabilidad
Ejemplo
1 si 2  x  3
f (x)  0 en otro caso
f (x)
1. f (x)  0

2.  f (x)dx  1 1
1
2 3
X (v.a.)

Sí se cumple :  f (x)dx  1
f (x) es un función de densidad de probabilidad (f.d.p.)
4
1. Función de densidad de probabilidad
• No es posible deducir la probabilidad de un valor puntual como
en las discretas y no existe una función de probabilidad que
asigne valores como en aquellas
• Sí es posible obtener la probabilidad acumulada hasta un cierto
valor (función de distribución) y, a partir de ella, ver cómo
cambia la probabilidad acumulada en cada punto; estos cambios
no serán probabilidades, sino densidad de probabilidad
• En la práctica, para las vv. aa. continuas podemos asignar
probabilidades a intervalos de valores

5
2. Función de distribución

6
 2. Función de distribución
Es una función, F (x) , que asigna a cada valor xi de X (v.a.) la
probabilidad de que la variable asuma un valor inferior o igual a xi (se
expresa como la integral definida de la f.d.p. hasta un punto)


xi
F(xi )  P(X  xi )  f (x)dx

Propiedades
1. F()  Lim F(xi )  0
x
2. F()  Lim F(xi )  1
x
3. 0  F(xi )  1
4. F(xi ) es una función no decreciente
F(x r )  F(x s ) si x r  x s 7
3. Algunas distribuciones de
variables aleatorias continuas

8
 3.1. Distribución normal
 Es una función matemática que describe muchos fenómenos
naturales, puesto que es frecuente encontrar variables con
distribuciones muy similares a la de la normal
 Refleja el hecho de que la mayor parte de las personas, con
respecto a numerosas variables, se encuentran en los valores
centrales y en menor medida en los extremos
 El primero en llegar a su formulación fue de Moivre (1733) en
un intento de dar una solución al cálculo de las probabilidades
binomiales acumuladas con n grande
 Desarrollos importantes fueron los de Gauss y Laplace, que
hace que la función se conozca como distribución de Gauss o
de Laplace-Gauss
9
 3.1. Distribución normal
Función de densidad de probabilidad
2
1 x  
  
1 2   
f (x)  e  N(, 2 )
 2
f(x)

34’1% 34’1%

0’1% 2’2% 13’6% 13’6% 2’2% 0’1%

-3 -2 -1  +1 +2 +3 x
10
 3.1. Distribución normal
Función de densidad de probabilidad:
características
 Puntos de Inflexión en: μ-σ y μ+σ
 Simétrica respecto a x= μ
 Tiene un máximo en x= μ
 Es asintótica respecto al eje de abscisas
 Son más probables los valores próximos a la media o valor
esperado, que divide a la curva en dos zonas de igual área
 Conforme nos separamos de ese valor, la probabilidad va
decreciendo de igual forma a derecha e izquierda
11
 3.1. Distribución normal
Distribuciones normales con diferente media
e igual dispersión

12
 3.1. Distribución normal
Distribuciones normales con igual media
y diferente dispersión

13
 3.1. Distribución normal
Función de distribución
2
1 x  
  
1
  2   
xi
F(xi )  e dx
2
F(xi )  P(X  xi )
f(x) F(x)

0’5

 xi X -2 -1  +1 +2

 3.1. Distribución normal
Distribución normal tipificada o estandarizada
Función de densidad de probabilidad
2
1 x 
  
1 2   
f (x)  e  N(, 2)
 2 Z
1
1
1  z2
f (z)  e 2  N(0,1)
2
Función de distribución
1 2
1  z

zi
F(zi )  e 2 dz
2 15
 3.1. Distribución normal
Distribución normal tipificada (cont.)

N(0,1)

-2 -1 0 1 2 Z
Características
 No depende de ningún parámetro
 Su media es 0, su varianza es 1 y su desviación típica es 1
 Tiene dos puntos de inflexión en z =1 y z = -1
16
 3.1. Distribución normal
Distribución normal tipificada (cont.)
P(1   1  x  1)  P(2   2  x  2 ) 
N(1, 12 )  P(1  z  0) N(2, 22 )

X 1‐21 1-1 1 1+1 1+21 2‐22 2-2 2 2+2 2+22 X

N(0,1)

‐2           ‐1            0           +1          +2 Z
T60

3.1. Distribución normal

Distribución normal tipificada (cont.)
 Para trabajar con la distribución normal tipificada, a partir de
una distribución normal no tipificada, el primer paso consiste
en calcular la puntuación típica (Zxi) correspondiente a una
puntuación directa dada (xi)

xi   x
Z xi 
x

 Una vez tipificado el valor, se busca en las tablas de la curva

normal la probabilidad acumulada correspondiente al mismo,
es decir, la probabilidad de que Z asuma un valor inferior o
igual a Zi
18
Diapositiva 18

T60 He incluido alguna cosa, leela

TRINI; 18/01/2010
 3.1. Distribución normal
Z Z

19
 3.1. Distribución normal
Ejemplo
En una población el peso de los varones sigue una distribución
N(70,64) y el de las mujeres N(60,36)

N(70,64) N(60,36)

-2 -1 0 1 2 Z -2 -1 0 1 2 Z
54 62 70 78 86 XV 48 54 60 66 72 XM

20
 3.1. Distribución normal
Ejemplo (cont.)
1. Calcular la probabilidad de que una mujer elegida al azar pese
menos de 51 kg
P(X M  51)
X M  M 51 60
Z XM    1'5
N(60,36) M 6
P(X M  51)  P(Z X M  1,5)

-2 -1 0 1 2 Z
48 54 60 66 72 XM
P(Z<-1’5)=0’0668
-1’5
 3.1. Distribución normal
Ejemplo (cont.)
2. Calcular la probabilidad de que una mujer elegida al azar pese
más de 72 kg
P(X M  72) 
X M  M 72  60
Z XM   2
M 6 Otro método:
N(60,36)
P(X M  72)  P(Z X M  2) P(Z>2)=P(Z<-2)=0,0228

0’9772

-2 -1 0 1 2 Z -2 -1 0 1 2 Z

48 54 60 66 72 XM 48 54 60 66 72 XM

22
-2
2
 3.1. Distribución normal
Ejemplo (cont.)
3. Calcular la probabilidad de que un varón elegido al azar pese
entre 64 kg y 80 kg
P(64  X V  80)
X v  V 64  70 X v  V 80  70
Z Xv    0'75   1' 25
V 8 Z Xv 
V 8
N(70,64)
P(64  X V  80)  P(0'75  Z XV  1' 25) 
0’6678  P(Z XV  1' 25)  P(Z XV  0'75) 

-2 -1 0 1 2 Z  0'8944  0' 2266  0'6678

54 62 70 78 86 XV

-0’75

1’25 23
 3.1. Distribución normal
Ejemplo (cont.)
4. ¿Qué peso deja por debajo al 33% de las mujeres?

N(60,36) P(Z X M  z)  0'33

X M  M
Z XM   0'44
M
33%

X M  M
-2 -1 0 1 2 Z  0'44
48 54 60 66 72 XM
M
P(Z<-0’44)=0’33 X M  60
 0'44
x? 6
-0,44 X M  (0'44  6)  60  57'36Kg
57’36 Kg
24
Se busca en el interior de la tabla el valor 0’33 que corresponde a z=-0’44
 3.2. Distribución  n2

 Es una distribución derivada de la distribución normal

 Sirve para realizar inferencias acerca de algunos parámetros
 Esta variable surge de una combinación de variables aleatorias
normales, es una suma de variables z elevadas al cuadrado
 El número de valores sumados es el único parámetro de este
modelo (se denomina grados de libertad), es el parámetro por el
que se distinguen los distintos miembros de esta familia de
distribuciones

25
 3.2. Distribución  n2

X  Z12  Z 22  ... Z n2
Son variables N(0,1) X   n2
Z1,Z 2,K ,Z n Son independientes entre si con n grados de libertad
0.12

0.10

0.08 n=10

0.06
n=30
0.04
n=60
0.02

0
26
20 40 60 80 100
 3.2. Distribución  n2
Características
 Sólo toma valores mayores o iguales a 0
 Asimétrica positiva
 Es asintótica respecto al eje de abscisas
 Si n∞ la distribución se aproxima a la Normal

27
3.2. Distribución  n2

28
 3.2. Distribución  n2
Ejemplos
1. Probabilidad de que una variable X, que sigue una
distribución chi-cuadrado con 10 grados de libertad,
tenga un valor igual o inferior a 4,87
2
P(X  4'87) si X   10

2
 0'10,10  4'87

0’10

P(X<4’87)=0’10
29
4’87
 3.2. Distribución  n2
Ejemplos
2. Valor de una variable X que tiene una distribución chi-
cuadrado con 4 grados de libertad que deja por debajo un
90% de los datos

P(X  x)  0'90 si X   42
x  7'78

2
0’9
 0'90,4  7'78

P(X<x)=0’9
7’78 30
 3.3. Distribución tn
 Es una distribución derivada de una distribución normal y otra  n2
 Sirve para realizar inferencias acerca de algunos parámetros
X
Z X  tn con n grados de libertad

 n2
n n=1000
n=5

n=1

31
-4 -3 -2 -1 0 1 2 3 4
 3.3. Distribución tn
Características
 Simétrica respecto a tn=0
 Tiene un máximo en tn= 0
 Es asintótica respecto al eje de abscisas
 Si n∞ la distribución se aproxima a la Normal
 Son más probables los valores próximos a la media o valor
esperado, que divide a la curva en dos zonas de igual área
 Conforme nos separamos de ese valor la probabilidad va
decreciendo de igual forma a derecha e izquierda

32
3.3. Distribución tn

33
 3.3. Distribución tn
Ejemplos
1. Probabilidad de que una variable X que sigue una
distribución t con 20 grados de libertad tenga un valor igual
o inferior a 1’725
P(X  1'725) si X  t 20

P(X  1'725)  0'95

t0'95,20  1'725
0’95

P(X<1’725)=0’95 34
 3.3. Distribución tn
Ejemplos
2. Valor de una variable X que sigue una distribución t con 1
grado de libertad que deja por debajo un 90% de los datos

P(X  x)  0'90 si X  t1

x  3'078

0’90
t0'90,1  3'078

P(X<x)=0’90
35
3’078
 3.3. Distribución tn
Ejemplos
3. Valor de una variable X que sigue una distribución t con 1
grado de libertad que deja por debajo un 10% de los datos

P(X  x)  0'10 si X  t1

x  3'078
t0'10,1  3'078
0’10

P(X<x)=0’10
-3’078
 3.4. Distribución F de Snedecor
 Es una distribución derivada de dos  n2
 Sirve para realizar inferencias acerca de algunos parámetros
 n2 X  Fn1,n 2 con n1 y n 2 grados de libertad
1
n1
X
 n2
2
n2 n1=20 y n2=40

n1=10 y n2=20

n1=5 y n2=10

0 1 2 3 4 5 6 37
 3.4. Distribución F de Snedecor
Características

 Sólo toma valores mayores o iguales a cero

 Asimétrica positiva
 Es asintótica respecto al eje de abscisas
 Si n1 y n2∞ la distribución se aproxima a la Normal

38
3.4. Distribución F de Snedecor

39
3.4. Distribución F de Snedecor

40
 3.4. Distribución F de Snedecor
Ejemplos
1. Probabilidad de que una variable X que sigue una
distribución F con 10 y 10 grados de libertad tenga un
valor igual o inferior a 2’98
P(X  2'98) si X  F10,10
P(X  2'98)  0'95

F0'95,10,10  2'98
0’95

P(X<2’98)=0’95
2’98 41
 3.4. Distribución F de Snedecor
Ejemplos
2. Valor de una variable X que sigue una distribución F con
10 y 10 grados de libertad que deja por debajo un 97’5% de
los datos
P(X  x)  0'975 si X  F10,10

x  3'72

F0'975,10,10  3'72
0’975

P(X<x)=0’975
3’72 42
 4. Valor esperado y varianza de algunas variables
continuas
E(X )  
Distribución Normal
var(x)   2x

Distribución Normal Estandarizada E(X)  0

var(x)  1

Distribución  n2 E(X )  n
var(x)  2n
E(X)  0
Distribución tn
n
var(x) 
n2
n2
E(X) 
n1  2
Distribución Fn1,n2
2n 22 n1  n 2  2 
var(x) 
n1(n 2  4)(n 2  2) 2
5. Diferencias entre el modelo discreto y el continuo

DISCRETO CONTINUO
 P(X=xi)≥0  P(X=xi)=0

 f(x) es la función de  f(x) es la función de densidad de

probabilidad probabilidad
0f(x)1 f(x)≥0 (puede ser mayor que 1)

 Probabilidad referida  Probabilidad referida

tanto a valores puntuales sólo a intervalos
como a intervalos
T61
5. Diferencias entre el modelo discreto y el continuo

DISCRETO CONTINUO
 P(X≥xi)≠P(X>xi)  P(X≥xi)=P(X>xi)

 P(X≤xi)≠P(X<xi)  P(X≤xi)=P(X<xi)

 P(X≥xi)=1-P(X<xi)=1-P(X≤xi-1)  P(X≥xi)=1-P(X≤xi)

 P(X≤xi)=1-P(X>xi)=1-P(X≥xi+1)  P(X≤xi)=1-P(X≥xi)

 P(xi≤X≤xj)≠P(X≤xj)-P(X≤xj)  P(xi≤X≤xj)=P(X≤xj)-P(X≤xj)
45
Diapositiva 45

T61 mira el 3 y 4 del discreto

TRINI; 18/01/2010