Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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%
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
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 )
N(0,1)
‐2 ‐1 0 +1 +2 Z
T60
xi x
Z xi
x
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)
-0’75
1’25 23
3.1. Distribución normal
Ejemplo (cont.)
4. ¿Qué peso deja por debajo al 33% de las mujeres?
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
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
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
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 n2 E(X ) n
var(x) 2n
E(X) 0
Distribución tn
n
var(x)
n2
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
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