Upload
matias-barrera
View
216
Download
0
Embed Size (px)
DESCRIPTION
Complemento Unidad 4
Citation preview
1Estadstica
Licenciatura en Radiologa
INSTITUTO SUPERIOR DE TECNOLOGA MDICA
Unidad 5: Variables aleatorias
Profesores: Javier Bussi, Fernanda Mndez
Variable aleatoria
El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numrica.
En estos casos aparece la nocin de variable aleatoria Funcin que asigna a cada suceso un nmero.
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 designacin. Los nombres son nuevos. Los conceptos no.
2Funcin 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
Nmero de caras al lanzar 3
monedas.0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
Funcin de densidad (V. Continuas)
Definicin
Es una funcin no negativa de integral 1.
Pinsalo como la generalizacin del
histograma con frecuencias relativas para
variables continuas.
Para qu lo voy a usar?
Nunca lo vas a usar directamente.
Sus valores no representan probabilidades.
3Para qu 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 funcin de densidad en dichos intervalos coincide con la probabilidad de los mismos.
Es decir, identificamos la probabilidad de un intervalo con el rea bajo la funcin de densidad.
Funcin de distribucin
Es la funcin que asocia a cada valor de una variable, la probabilidad acumuladade los valores inferiores o iguales.
Pinsalo como la generalizacin de lasfrecuencias acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les corresponden valores de la funcin de distribucin cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en forma de p-valor, significacin, No le deis ms importancia a este comentario ahora. Ya
os ir sonando conforme avancemos.
4Para qu sirve la f. distribucin? Contrastar lo anmalo de una observacin concreta.
S que una persona de altura 210cm es anmala porque la funcin de distribucin en 210 es muy alta.
S que una persona adulta que mida menos de 140cm es anmala porque la funcin de distribucin es muy baja para 140cm.
S que una persona que mida 170cm no posee una altura nada extraa pues su funcin de distribucin es aproximadamente 0,5.
Relacinalo con la idea de cuantil.
En otro contexto (contrastes de hiptesis) podremos observar unos resultados experimentales y contrastar lo anmalos que son en conjunto con respecto a una hiptesis de terminada.
Intenta comprender la explicacin de clase si puedes. Si no, ignora esto de momento. Revisita este punto cuando hayamos visto el tema de contrastes de hiptesis.
Valor esperado y varianza de una v.a. X
Valor esperadoSe representa mediante E[X]
Es el equivalente a la media Ms detalles: Ver libro.
VarianzaSe representa mediante VAR[X] o 2
Es el equivalente a la varianza
Se llama desviacin tpica a
5Algunos modelos de v.a.
Hay v.a. que aparecen con frecuencia en las Ciencias de la Salud. Experimentos dicotmicos.
Bernoulli
Contar xitos en experimentos dicotmicos repetidos: Binomial
Poisson (sucesos raros)
Y en otras muchas ocasiones Distribucin normal (gaussiana, campana,)
El resto del tema est dedicado a estudiar estas distribuciones especiales.
Distribucin de Bernoulli
Tenemos un experimento de Bernoulli si al realizar un experimentos slo son posibles dos resultados: X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)
Lanzar una moneda y que salga cara.
p=1/2
Elegir una persona de la poblacin y que est enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que ste se cure.
p=95%, probabilidad de que el individuo se cure
Como se aprecia, en experimentos donde el resultado es dicotmico, la variable queda perfectamente determinada conociendo el parmetro p.
6Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico con impacto frontal y cuyos conductores no tenan cinturn de seguridad, que 300 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a.
Solucin. La noc. frecuentista de prob. nos permite aproximar la probabilidad de
tener secuelas mediante 300/2000=0,15=15%
X=tener secuelas tras accidente sin cinturn es variable de Bernoulli
X=1 tiene probabilidad p 0,15
X=0 tiene probabilidad q 0,85
Ejemplo de distribucin de Bernoulli.
Se ha observado estudiando 2000 accidentes de trfico con impacto frontal y cuyos conductores s tenan cinturn de seguridad, que 10 individuos quedaron con secuelas. Describa el experimento usando conceptos de v.a.
Solucin. La noc. frecuentista de prob. nos permite aproximar la probabilidad de
quedar con secuelas por 10/2000=0,005=0,5%
X=tener secuelas tras accidente usando cinturn es variable de Bernoulli
X=1 tiene probabilidad p 0,005
X=0 tiene probabilidad q 0,995
7Distribucin binomial
Funcin de probabilidad
Problemas de clculo si n es grande y/o p cercano a 0 o 1.
Media: =n p
Varianza: 2 = n p q
nkqpk
nkXP knk
0 ,][
Distribucin Binomial
Si se repite un nmero fijo de veces, n, un experimento de Bernoulli con parmetro p, el nmero de xitos sigue una distribucin binomial de parmetros (n,p).
Lanzar una moneda 10 veces y contar las caras. Bin(n=10,p=1/2)
Lanzar una moneda 100 veces y contar las caras. Bin(n=100,p=1/2)
Difcil hacer clculos con esas cantidades. El modelo normal ser ms adecuado.
El nmero de personas que enfermar (en una poblacin de 500.000 personas) de una enfermedad que desarrolla una de cada 2000 personas.
Bin(n=500.000, p=1/2000)
Difcil hacer clculos con esas cantidades. El modelo de Poisson ser ms adecuado.
8Distribucin de Poisson
Tambin se denomina de sucesos raros.
Se obtiene como aproximacin de una
distribucin binomial con la misma media, para
n grande (n>30) y p pequeo (p
9Distribucin normal o de Gauss
Aparece de manera natural:
Errores de medida.
Distancia de frenado.
Altura, peso, propensin al crimen
Distribuciones binomiales con n grande (n>30) y p ni pequeo (np>5) ni grande (nq>5).
Est caracterizada por dos parmetros: La media, , y la desviacin tpica, .
Su funcin de densidad es:
2
2
1
2
1)(
x
exf
N(, ): Interpretacin
geomtrica
Podemos interpretar
la media como un
factor de traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
10
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aprox. 68%
Entre la media y dos
desviaciones tpicas
aprox. 95%
Algunas caractersticas La funcin de densidad es simtrica, mesocrtica y unimodal.
Media, mediana y moda coinciden.
Los puntos de inflexin de la fun. de densidad estn a distancia de .
Si tomamos intervalos centrados en , y cuyos extremos estn a distancia , tenemos probabilidad 68% a distancia 2 , tenemos probabilidad 95% a distancia 25 tenemos probabilidad 99%
No es posible calcular la probabilidad de un intervalo simplemente usando la primitiva de la funcin de densidad, ya que no tiene primitiva expresable en trminos de funciones comunes.
Todas las distribuciones normales N(, ), pueden ponerse mediante una traslacin , y un cambio de escala , como N(0,1). Esta distribucin especial se llama normal estandarizada.
11
Estandarizacin Dada una variable de media y desviacin tpica , se denomina
valor estandarizado,z, de una observacin x, a la distancia (con signo) con respecto a la media, medido en desviaciones tpicas, es decir
En el caso de variable X normal, la interpretacin es clara: Asigna a todo valor de N(, ), un valor de N(0,1) que deja exactamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos distribuciones normales diferentes, para saber cul de los dos es ms extremo.
x
z
Tabla N(0,1) Z es normal estandarizada.
Calcular P[Z
12
Tabla N(0,1) Z es normal estandarizada.
Calcular P[Z
13
Ejemplo: Clculo con probabilidades normales
El colesterol en la poblacin tiene distribucin
normal, con media 200 y desviacin 10.
Qu porcentaje de individuos tiene
colesterol inferior a 210?
Qu valor del colesterol slo es superado por
el 10% de los individuos.
Todas las distribuciones normales son similares salvo traslacin y cambio de escala: Estandaricemos
110
200210
xz
841,0)ver tabla(]00,1[ ZP
14
8,21228,110200
10
20028,1
x
x
El valor del colesterol que slo supera el 10% de los individuos es el percentil 90. Calculemos el percentil 90 de la N(0,1) y deshacemos la estandarizacin.
x
z
Ejemplo: Estandarizacin
Se quiere dar una beca a uno de dos estudiantes de
sistemas educativos diferentes. Se asignar al que
tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema
donde la calificacin de los alumnos se comporta como
N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema
donde la calificacin de los alumnos se comporta como
N(70,10).
Solucin
No podemos comparar directamente 8 puntos de A frente a
los 80 de B, pero como ambas poblaciones se comportan
de modo normal, podemos tipificar y observar las
puntuaciones sobre una distribucin de referencia N(0,1)
15
110
7080
21
68
B
BBB
A
AAA
xz
xz
Como ZA>ZB, podemos decir que el
porcentaje de compaeros del mismo
sistema de estudios que ha superado
en calificacin el estudiante A es
mayor que el que ha superado B.
Podramos pensar en principio que A
es mejor candidato para la beca.
Por qu es importante la distribucin normal?
Las propiedades que tiene la distribucin normal son interesantes, pero todava no hemos hablado de por qu es una distribucin especialmente importante.
La razn es que aunque una v.a. no posea distribucin normal, ciertos estadsticos/estimadores calculados sobre muestras elegidas al azar s que poseen una distribucin normal.
Es decir, tengan las distribucin que tengan nuestros datos, los objetos que resumen la informacin de una muestra, posiblemente tengan distribucin normal (o asociada).
16
Aplic. de la normal: Estimacin en muestras
Como ilustracin mostramos una variable que presenta valores distribuidos de forma muy asimtrica. Claramente no normal.
Saquemos muestras de diferentes tamaos, y usemos la media de cada muestra para estimar la media de la poblacin.
Aplic. de la normal: Estimacin en muestras
Cada muestra ofrece un resultado diferente: La media muestral es variable aleatoria.
Su distribucin es ms parecida a la normal que la original.
Tambin est menos dispersa. A su dispersin (desv. tpica del estimador media muestral os gusta el nombre largo?) se le suele denominar error tpico.
17
Aplic. de la normal: Estimacin en muestras
Al aumentar el
tamao, n, de la
muestra:
La normalidad de las
estimaciones mejora
El error tpico
disminuye.
Aplic. de la normal: Estimacin en muestras
Puedo garantizar medias muestrales tan cercanas como quiera a la verdadera media, sin ms que tomar n bastante grande
Se utiliza esta propiedad para dimensionar el tamao de una muestra antes de empezar una investigacin.
18
Resumen: Teorema del lmite central Dada una v.a. cualquiera, si extraemos muestras de
tamao n, y calculamos los promedios muestrales, entonces:
dichos promedios tienen distribucinaproximadamente normal;
La media de los promedios muestraleses la misma que la de la variable original.
La desviacin tpica de los promedios disminuye en un factor raz de n (error estndar).
Las aproximaciones anteriores se hacen exactas cuando n tiende a infinito.
Este teorema justifica la importancia de la distribucin normal.
Sea lo que sea lo que midamos, cuando se promedie sobre una muestra grande (n>30) nos va a aparecer de manera natural la distribucin normal.
Distribuciones asociadas a la normal
Cuando queramos hacer inferencia estadstica hemos visto que la distribucin normal aparece de forma casi inevitable.
Dependiendo del problema, podemos encontrar otras (asociadas): X2 (chi cuadrado)
t- student
F-Snedecor
Estas distribuciones resultan directamente de operar con distribuciones normales. Tpicamente aparecen como distribuciones de ciertos estadsticos.
Veamos algunas propiedades que tienen (superficialmente). Para ms detalles consultad el manual.
Sobre todo nos interesa saber qu valores de dichas distribuciones son atpicos. Significacin, p-valores,
19
Qu hemos visto? En v.a. hay conceptos equivalentes a los de temas
anteriores Funcin de probabilidad Frec. Relativa. Funcin de densidad histograma Funcin de distribucin diagr. Integral. Valor esperado media,
Hay modelos de v.a. de especial importancia: Bernoulli
Binomial
Poisson
Normal Propiedades geomtricas
Tipificacin
Aparece tanto en problemas con variables cualitativas (dicotmicas, Bernoulli) como numricas
Distribuciones asociadas T-student
X2
F de Snedecor