Académique Documents
Professionnel Documents
Culture Documents
1.1.
Clculo de probabilidades
Utilizbamos la funcin de probabilidad para las variables aleatorias discretas de forma que la calculbamos asignando un valor a la variable X. No obstante, en las continuas no se puede aplicar, pues al calcular un valor concreto, la probabilidad dara 0. Entonces, en las variables aleatorias continuas se asignan probabilidades a intervalos: ( )
Es decir, todo lo que hasta ahora hemos calculado con las variables aleatorias discretas lo haremos mediante integrales. Por ejemplo: ( ) { [ ]
En el clculo de probabilidades, da igual si > o < llevan el igual, pues no aade probabilidades. Si recordamos en matemticas, las integrales son reas, y en las VAC tambin representarn las probabilidades como reas.
1.2.
Debe ser siempre positiva. La integral en el soporte de la variable en la funcin de densidad da 1, es decir: ( )
Esta ltima propiedad se usar por ejemplo en ejercicios donde se pregunte: Ejercicio ejemplo: qu valor de K debe ser para que la funcin sea una funcin de densidad? ( ) { [ ]
1.3.
Funcin de distribucin
Donde el menos infinito representa el valor mnimo del soporte y el infinito es el valor mximo. En nuestro ejemplo sera: ( ) ( )
Propiedades: i. ii. iii. iv. Siempre se encuentra entre 0 y 1. ( ) ( ) ( ) ( ) ( ) Si nos dan la funcin de distribucin, para encontrar la funcin de densidad tendremos que derivar.
1.4.
Esperanza
O valor esperado, se define como: ( ) Propiedades: La ms importante es que si queremos calcular cualquier funcin de x siendo E(g(x)), se hace: ( ( )) ( ) ( ) ( )
1.5.
Varianza
1.6.
Como en dos VAD estamos trabajando con funciones de densidad y deberemos definir una nueva funcin de densidad conjunta. Si por ejemplo tenemos: ( ) { ( ) [ ] [ ]
Cul es el valor de K para que la funcin de densidad conjunta sea realmente una funcin de densidad?
( ) [ ]
Si por ejemplo no nos dan los dos extremos de las variables u slo nos dan el superior, a la hora de integrar cogeramos el valor del soporte, por ejemplo: [ ] ( )
Tambin nos pueden preguntar por la probabilidad de que x e y estn relacionadas, como por ejemplo: ( )
Esto afectar a los lmites de integracin. En primer lugar, fijamos x y despejamos y, y entonces cambiamos el orden y decimos y<x, dando: ( )
X puede tomar cualquier valor, slo tiene restriccin y que como mximo ser igual que x. ( ) ( )
Si tenemos la funcin de densidad conjunta, tambin nos interesar obtener la funcin de densidad marginal. Si queremos saber la funcin marginal de x, tendremos que integral la funcin respecto a y, y si lo que queremos es la y, integraremos en funcin de x. Siendo: ( ) ( )
1.7.
1.8.
Ahora ya no hablamos de probabilidades condicionadas, si no de funciones de densidad condicionadas, la expresin es: ( ) ( ) Adems, para calcular la esperanza condicionada, se coge la funcin de densidad condicionada y se multiplica por x, siendo: ( )
Todo esto nos puede servir si tenemos que calcular la covarianza, la cual se calculara: ( ) ( ) ( ) ( )
2. Distribucin uniforme
En una distribucin uniforme, la variable toma valores en un intervalo, [a, b], adems, la funcin de densidad es proporcional a la longitud de dicho intervalo, siendo b-a. Los parmetros de la distribucin uniforme son los extremos del intervalo a y b. Por lo tanto diremos que:
XU[a,b]
Si solo toma valores en el intervalo [a, b] con probabilidades positivas segn la funcin de densidad: ( ) El valor esperado es: ( ) { [ ]
3. Distribucin exponencial
Se usa en la prctica para estudiar variables como los rendimientos de activos financieros o la duracin de aparatos electrnicos. Viene determinada por un nico parmetro .
Seguir una distribucin exponencial si slo toma valores no negativos segn la funcin de densidad: ( ) {
Xexp()
El valor esperado es: ( ) Y la varianza: ( ) La representacin grfica sera:
4. Distribucin normal
Es una de las ms importantes en estadstica. Describe situaciones en las que los valores de la variable estn alrededor de un valor normal central, con un cierto grado de dispersin en los extremos. Adems existe el Teorema Central del Lmite, que establece que la suma de un elevado nmero de variables aleatorias, sin importar la distribucin que tengan, se puede aproximar por una distribucin normal. Esta distribucin se caracteriza por los valores y que corresponden a la esperanza E(x) y a la varianza V(x) respectivamente. Por lo tanto, diremos que una variable X sigue una distribucin normal con parmetros y si puede tomar cualquier valor real segn la funcin de densidad: ( )
( )
XN(,)
Es simtrica respecto al parmetro , el cual nos dice el eje central y nos dice cun ancha o estrecha es. Si quisiramos calcular P( 3<x<5), grficamente sera:
Nos piden el rea marcada con una X. Entonces se debe integrar la funcin de densidad. No obstante, es muy complicado integrar la funcin de esta distribucin, por ello, se usa una tabla la cual muestra la distribucin normal estndar con esperanza 0 (=0) y varianza 1 (=1). Esta distribucin normal estndar se llamar Z.
ZN(0,1)
Los valores que hay en la tabla con los que se encuentran en la izquierda de la distribucin, por ejemplo, P( Z1.27): i. ii. iii. Buscar en la tabla 1.2 En la fila superior buscar el 0.07 Encontramos el valor, que en este caso sera 0.8980
En cambio, si nos preguntaran P(Z > 1.42), debemos buscar en la tabla qu probabilidad equivale a 1.42 y restarlo a 1, siendo:
4.1.
Probabilidad de intervalos
4.2.
Mtodo de estandarizacin
Tenemos una normal cualquiera, la cual le hacemos unas operaciones para transformarla en una normal estndar.
Por ejemplo: ( ( )
) teniendo XN(5,4): ( ( ) ) ( ( ) ) ( ( ) ) ( )
Probabilidad de intervalos
( ) ( )
Calcular (