Professional Documents
Culture Documents
Pág.
Introducción 2
Conclusión 21
Bibliografía 22
1
Introducción:
La Estadística Descriptiva nos ofrece una serie de herramientas muy ´útiles para
resumir gráfica y numéricamente los datos que hemos obtenido sobre una
característica o variable de interés, X, de una población.
2
UNIDAD 4.VARIABLES ALEATORIAS
Se dice que una variable aleatoria es discreta si toma un número finito o a lo más
numerable de valores:
singleton .
3
sentido que hay que dar a la noción de ley discreta. Repetimos veces, en forma
independiente, el experimento aleatorio del cual como resultado medimos . Se
Ley uniforme.
Ley de Bernoulli.
4
Las variables aleatorias discretas más simples son las indicatrices de eventos.
Los otros dos ejemplos básicos son la ley binomial y la ley geométrica.
Ley binomial.
5
Si denota la probabilidad del evento , la variable aleatoria sigue una ley de
conjunto . Para determinar su ley, los eventos que nos interesan son
Definición 3.4 Se dice que una variable aleatoria sigue la ley binomial de
6
2.
Para recordar:
Simulación:
Repetir veces
Si ( Random ) entonces
finSi
finRepetir.
Observación:
7
mismo experimento. Nos interesa el momento en que se produce el evento por
todo se tiene:
8
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos
La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.
¿Qué es una distribución discreta?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable
aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
9
puede utilizar la distribución discreta de Poisson para describir el número de quejas
de clientes en un día. Supongamos que el número promedio de quejas por día es
10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un
día.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
10
Para formalizar el concepto un poco mas, en un experimento con resultados
discretos xi para los cuales la probabilidad es P(xi), la media estará dada por
a = SxiP(xi)
En el caso de variables continuas donde se expresa la probabilidad en términos de
una función de distribución, la media toma la forma
Desviación estándar
La desviación estándar (σ) mide cuánto se separan los datos.
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la
varianza?"
Varianza
la varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (¿Por qué al cuadrado?)
y lo bueno de la desviación estándar es que es útil: ahora veremos qué alturas están
a distancia menos de la desviación estándar (147mm) de la media:
11
valor. También puede usar esta información para determinar la probabilidad de que
una observación sea mayor que cierto valor o se encuentre entre dos valores.
Ejemplo de uso de la CDF para evaluar pesos de llenado
Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución
normal, con una media de 12 onzas y una desviación estándar de 0.25 onzas. La
función de densidad de probabilidad (PDF) describe la probabilidad de valores
posibles de peso de llenado. La CDF proporciona la probabilidad acumulada de
cada valor de x.
Ejemplos
Estatura de una persona elegida al azar en una población. El valor que se obtenga
será una medición en cualquier unidad de longitud (m, cm, etc.) dentro de unos
límites condicionados por la naturaleza de la variable. El resultado es impredecible
con antelación, pero existen intervalos de valores más probables que otros debido
a la distribución de alturas en la población. Más adelante veremos que,
generalmente, variables biométricas como la altura se adaptan un modelo de
13
distribución denominado distribución Normal y representada por una campana de
Gauss.
Diremos que una variable aleatoria X continua tiene una distribución absolutamente
continua si existe una función real f, positiva e integrable en el conjunto de números
reales, tal que la función de distribución F de X se puede expresar como
En el presente manual, todas las variables aleatorias continuas con las que
trabajemos pertenecen al grupo de las variables absolutamente continuas, en
particular, los ejemplos y casos expuestos.
Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos
14
La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.
15
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
16
En el caso de variables continuas donde se expresa la probabilidad en términos de
una función de distribución, la media toma la forma
Desviación estándar
La desviación estándar (σ) mide cuánto se separan los datos.
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la
varianza?"
Varianza
La varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (¿Por qué al cuadrado?)
5
17
Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución
normal, con una media de 12 onzas y una desviación estándar de 0.25 onzas. La
función de densidad de probabilidad (PDF) describe la probabilidad de valores
posibles de peso de llenado. La CDF proporciona la probabilidad acumulada de
cada valor de x.
La CDF para pesos de llenado en cualquier punto específico es igual al área que se
encuentra por debajo de la curva PDF a la izquierda de ese punto.
Utilice la CDF para determinar la probabilidad de que una lata de gaseosa
seleccionada aleatoriamente tenga un peso de llenado menor que 11.5 onzas,
mayor que 12.5 onzas o entre 11.5 y 12.5 onzas.
18
Los casos favorables de ocurrencia de un evento serán los que cumplan con la
condición que estoy buscando.
Así para el tiro de una moneda tengo 2 casos posibles de ocurrencia (o cae águila
o cae sol) y sólo 1 caso favorable de que pueda caer águila (pues sólo hay un águila
en la moneda).
Por lo tanto, existe una probabilidad del 50% que yo obtenga un águila al tirar una
moneda.
Veamos otro ejemplo: Si yo tengo una canasta llena de peras y manzanas, de las
cuales hay 20 peras y 10 manzanas. ¿Qué fruta es más probable que saque al azar
de la canasta?
Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los
casos posibles. Para calcular la probabilidad de sacar una manzana mis casos
favorables son 10 puesto que existen sólo 10 manzanas. Así, aplicando la fórmula
obtenemos que:
19
ó 33.3% probable
ó 66.7% probable
Como 66.7 es mayor que 33.3 es más probable que saque una pera, pues hay más
peras que manzanas en la canasta.
Fíjate bien que 33.3% + 66.7% es igual al 100% porque siempre que saques algo
de la canasta es seguro que saques una fruta.
20
Conclusión profesional:
Se concluye que para las distribuciones continuas y discretas los dos métodos de
estimación trabajados proporcionan las mismas medidas descriptivas la media, la
varianza, el error promedio de estimación, coeficiente de kurtosis, coeficiente de
asimetría, etc.
La regla más evidente para las probabilidades es que deben variar en valor de 0 a
1. Un evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto
tiene una probabilidad uno de ocurrir.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones, etc.; El término elemento
aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados.
Conclusión personal:
Una variable aleatoria continua teóricamente puede asumir cualquier valor entre dos
límites dados, o sea que sus variaciones son infinitesimales, mientras que en las
variables aleatorias discretas existen “saltos” o “interrupciones” entre los valores que
puede tomar.
21
Bibliografía:
Luis Rincón
Editorial: Lumisa
Mexico DF.
George C. Canavos
Mexico 2000
Editorial: MATLAB
Ecuador 2017
22