Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
En estos casos aparece la noción de variable aleatoria Función que asigna a cada suceso un número.
Las variables aleatorias pueden ser discretas o continuas (como en el primer tema del curso).
En las siguientes transparencias vamos a recordar conceptos de temas anteriores, junto con su nueva designación. Los nombres son nuevos. Los conceptos no.
Función de probabilidad (V. Discretas) Asigna a cada posible valor de una variable discreta su probabilidad. Recuerda los conceptos de frecuencia relativa y diagrama de barras. Ejemplo Número de caras al lanzar 3 monedas.
Función de densidad (V. Continuas) 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.
¿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.
Función de distribución 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.
¿Para qué sirve la f. distribución? Contrastar lo anómalo de una observación concreta.
Sé que una persona de altura 210cm es “anómala” porque la función de distribución en 210 es muy alta. Sé que una persona adulta que mida menos de 140cm es “anómala” porque la función de distribución es muy baja para 140cm.
Sé que una persona que mida 170cm no posee una altura nada extraña pues su función de distribución es aproximadamente 0,5.
Relaciónalo con la idea de cuantil.
En otro contexto (contrastes de hipótesis) podremos observar unos resultados experimentales y contrastar lo “anómalos” que son en conjunto con respecto a una hipótesis de terminada.
Intenta comprender la explicación de clase si puedes. Si no, ignora esto de momento. Revisita este punto cuando hayamos visto el tema de contrastes de hipótesis.
Valor esperado y varianza de una v.a. X Valor esperado Se representa mediante E[X] ó µ Es el equivalente a la media Más detalles: Ver libro.
Varianza Se representa mediante VAR[X] o s2 Es el equivalente a la varianza Se llama desviación típica a s Más detalles: Ver libro.
Distribución normal o de Gauss Aparece de manera natural: Errores de medida. Distancia de frenado. Altura, peso, propensión al crimen… Distribuciones binomiales con n grande (n>30) y ‘p ni pequeño’ (np>5) ‘ni grande’ (nq>5).
Está caracterizada por dos parámetros: La media, µ, y la desviación típica, s.
Su función de densidad es:
N(µ, s): Interpretación geométrica Podéis interpretar la media como un factor de traslación.
Y la desviación típica como un factor de escala, grado de dispersión,…
N(µ, s): 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%
Algunas características La función de densidad es simétrica, mesocúrtica y unimodal. Media, mediana y moda coinciden.
Los puntos de inflexión de la fun. de densidad están a distancia s de µ.
Si tomamos intervalos centrados en µ, y cuyos extremos están… a distancia s, ? tenemos probabilidad 68% a distancia 2 s, ? tenemos probabilidad 95% a distancia 2’5 s ? tenemos probabilidad 99%
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’.
Todas las distribuciones normales N(µ, s), pueden ponerse mediante una traslación µ, y un cambio de escala s, como N(0,1). Esta distribución especial se llama normal tipificada. Justifica la técnica de tipificación, cuando intentamos comparar individuos diferentes obtenidos de sendas poblaciones normales.
Tipificación Dada una variable de media µ y desviación típica s, se denomina valor tipificado,z, de una observación x, a la distancia (con signo) con respecto a la media, medido en desviaciones típicas, es decir
En el caso de variable X normal, la interpretación es clara: Asigna a todo valor de N(µ, s), un valor de N(0,1) que deja exáctamente la misma probabilidad por debajo.
Nos permite así comparar entre dos valores de dos distribuciones normales diferentes, para saber cuál de los dos es más extremo.
| Página siguiente |