5 votos

Pregunta rápida sobre una imagen - el área bajo una distribución normal es siempre 1

Mira la foto de abajo.

Es de este sitio: http://mathworld.wolfram.com/Convolution.html

Las 3 curvas (roja, azul, verde) son distribuciones normales [Edición y solución a mi pregunta (gracias Hyperplane): Resulta que no son las curvas de una distribución normal. Aprendí que "gaussiano" no significa necesariamente una función de densidad de probabilidad] . El verde es la convolución del azul y el rojo.

Mi pregunta

Sé que el área bajo todas las curvas normales es uno (axioma de la probabilidad). Pero parece que la curva roja tiene el área más grande.

Sé que la convolución de dos normales tiene una varianza igual a la suma de la varianza de $f$ y $g$ ... Me parece que es una mala foto, pero sé que me equivoco al acusar a wolfram de eso. ¿Puede arreglar mi intuición? ¿Realmente está todo en las colas?

Lo siento si esta es la pregunta más tonta de la historia.

enter image description here

4voto

Andrei Puntos 111

Tienes razón. La imagen (y el texto) son engañosos. Para comprobarlo, fíjate en la función del vagón. El área de $f$ y $g$ es definitivamente diferente

0 votos

Ahh, este comentario ha sido útil. Mi error crítico fue pensar que las gaussianas eran funciones de densidad de probabilidad. Pero en el ejemplo que indican antes, las funciones de caja no son ambas RVs uniformes porque el área bajo la caja azul parece ser menor que $1$ . Eso me dio la pista de que esta página no está enfocada a las probabilidades y luego también he aprendido hoy que gaussiano no significa necesariamente una curva de densidad de probabilidad. Gracias.

4voto

Mike West Puntos 3124

¿Por qué supones que todas son densidades de probabilidad?

A mí me parece que simplemente eligieron $g(x) = \tfrac{1}{2}f(2x)$ . Por lo tanto, el verde y el azul deben tener la misma área, pero no el azul y el rojo.

Me las arreglé para recrearlo en desmos . Parece que utilizaron $f(x) = e^{-(2x)^2}$ y $g(x) =\frac{1}{2}e^{-(4x)^2}$ , lo que da $[f*g](x) = \frac{1}{4}\sqrt{\frac{\pi}{5}}e^{-\tfrac{16}{5}x^2}$ . (O valores que, al menos, se aproximen a esto)

enter image description here

0 votos

En la página web se dice que son curvas gaussianas... Creo que eso significa que son funciones de densidad de probabilidad legítimas con áreas de 1. ¿O quizás tienen la forma normal pero están escaladas para no tener un área de 1?

2 votos

@HJ_beginner Las curvas gaussianas son cualquier cosa de la forma $a e^{-b(x-c)^2}$ con $b>0$ .

0 votos

Ahh creo que tienes razón entonces y eso resuelve que el área no sea 1. ¿Y la varianza... no sería la curva verde más gorda que la roja porque su varianza es igual a la varianza de las curvas azul y roja sumadas? Por ejemplo en los puntos $1$ y $-1$ parece que debería ser mayor que la curva roja. Parece que el verde y el rojo tienen la misma desviación estándar. Gracias por su ayuda y paciencia.

0voto

The Phenotype Puntos 1096

La imagen no es correcta como nos ha mostrado Hyperplane. Así que las áreas no son iguales.

Obsérvese que esta ilusión de "área enorme bajo una función pequeña" existe para otras funciones. Podemos comparar la integral convergente $$\lim_{t\to\infty}\int_1^t\frac{1}{x^2}dx=\lim_{t\to\infty}(1-\frac{1}{t})=1$$ y la integral divergente $$\lim_{t\to\infty}\int_1^t\frac{1}{x}dx=\lim_{t\to\infty}\ln(t)=\infty$$

Ambas funciones $\frac{1}{x^2}$ y $\frac{1}{x}$ están muy cerca de $0$ para $x>4$ pero la segunda integral sigue añadiendo una cantidad ilimitada de área como $t$ se hace más grande.

0 votos

Agradezco su ayuda. Esas dos funciones son un ejemplo muy interesante... ¿entonces básicamente la ilusión es que las colas son más gruesas para la curva verde y azul que para la curva roja? Por ejemplo, ¿sería seguro decir que si $g$ es la curva azul, entonces $g(1000) > f(1000)$ ? Lo siento, soy un súper novato.

0 votos

Tienes razón sobre la ilusión. Se podría decir que $g(x)>f(x)$ para grandes $x$ si la varianza de $g$ es mayor que el de $f$ si se observan sus funciones de densidad de probabilidad (el $\exp(-\frac{(x-\mu)^2}{2\sigma^2})$ parte). Para ello debes conocer la varianza de cada función, o puedes utilizar la parte "68" de la "regla 68-95-99,7" para determinar visualmente sus varianzas.

0 votos

@The_Phenotype Aparentemente $g$ no es una gaussiana, por lo que se supone que $g$ es otra función que es una gaussiana.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X