Documente Academic
Documente Profesional
Documente Cultură
Matemáticas finita /
Inicio de estudiante
Verdadero/Falso Quiza
Ejercicios de examen
Tutorial en línea
Resumen de índice
Capítulo 7 resumen
Una Variable aleatoria X es una regla que asigna un valor numérico a cada resultado en el espacio
mestrual de un experimento.
Una vareable aleatoria discreta puede tomar en específico, aislado valor numérico, como resultado de
lanzar un dado, o el número de dolares en una cuenta bancaria escogido de forma aleatoria.
Una variable aleatoria continua puede tomar cualquier valor dentro de un continuo intervalo de tiempo,
como la temperatura en el Parque Central, o la altura de un atleta en centrimetros.
Variable aleatoria discreta que sólo puede asumir finitamente muchos valores (como el resultado de
lanzar un dado) se llama variables aleatorias finitas.
Ejemplo
En un experimento para simular lanzando tres monedas, sea X el número de caras que muestra despúes
de cada tiro. X es una variable finita que puede asumir los cuatro valores: 0, 1, 2, y 3.
Lanzar monedas
Moneda 1:
Moneda 2:
Moneda 3:
Valor de X:
Borra
Lance un dado hasta obtener un 6; X = al número de veces que veces que lo lanzó.
Los valore posibles para X son 1, 2, 3, 4, ... (¡si usted tiene muy mala suerte, podría lanzar un millon de
veces el dado para obtener un 6!)
Principio de página
Distribución de probabilidad
La probabilidad P(X = x) es la probabilidad de que X realiza el valor x. Del mismo modo, la probabilidad
P(a < X < b) es la probabilidad de que X se encuentre entre a y b.
Estas probabilidades pueden ser estimadas, o teoréticas (modeladas) (véa el capítulo 7 de Matematicas
Finitas o el resumen de probabilidad para una discusión de los tipos de probabilidad.)
Para una variable aleatoria finita, la colección de números P(X = x) a medida que varia x se llama la
distrubuición de probabilidad de X. Es frecuentemente útil representar gráficamente la distrubución de
probabilidades por un histograma.
Pulse aquí para una utilidad en-línea que genera cualquier distrubución de probabilidad y también
muestra el histograma.
Ejemplo
Sea X el número de caras que muestra después de un tiro de tres monedas (véase más arriba). La
siguiente simulación muestra la distrubuición de frecuencia relativa de X.
Lanzar monedas
Moneda 1:
Moneda 2:
Moneda 3:
Valor de X
N
0 1 2 3
Borra
Los valores de la distribución de probabilidad se cálcula por el número de combinaciones posibles que
dan 0, 1, 2, o 3 caras.
Principio de página
Un ensayo de Bernoulli es un experimento con dos posibles resultados, llamado el éxito y el fracaso.
Cada resultado tiene una probabilidad espesificada: p para el éxito y q para el fracaso (de modo que p+q
= 1).
P(X = x) = C(n,x)pxqn-x
Para una utilidad en-línea que permite calcular y graficar la distribución de probabilidad para los ensayos
de Bernoulli , pulce aquí.
Ejemplo Supongamos que echamos una moneda tres veces al aire, con p = P(cara) = 0.8 y q = P(cruz) =
0.2. Sea X = número de caras. A continuación, la distrubución se expresa por
X 0 1 2 3
La distribución de probabilidad y histograma para el lanzamiento de una moneda justa tres veces al aire
ya hemos calculado más arriba y es tambien representado por una distrubución binomial.
Distribución de frecuencias
0 1 2 3
0 1 2 3
Clear
Principio de página
x1 + x2 + . . .+ xn
∑xi
Si la muestra x1, x2, . . ., xn estamos utilizando se compone de todos los valores de X a partir de toda una
población (Por ejemplo, el puntaje SAT de cada estudiante de secundaria que tomaron la prueba), nos
referimos a la media, mediana, más arriba como la media, mediana, y modo poblacional .
Ejemplo
SX
40
= 5.
Para obtener la mediana muestral, coloque los puntajes en orden creciente, y seleccione los dos
puntajes de la media (porque n es par):
Principio de página
Si X es una variable aleatoria finita con valores x1, x2, . . ., xn, la media o valor esperado de X, escrito μ, o
E(X), es
= ∑ (xi.P(X = xi).
Un modo de X es un número m tal que P(X = m) es más grande. Este es el valor más problable de X o los
valores más problables si tiene X varios valores con la misma probabilidad más grande. Para una variable
aleatoria continua, un modo m es un número tal que la función de densidad de probabilidad es máxima
cuando x = m.
El valor esperado, la mediana y el modo de una variable aleatoria es el promedio, mediana, y modo que
esperiamos obtener si tenemos un gran número de los valores de X. En la inversa, si todo lo que
sabemos acerca de X es una colección de valores de X, entonces el promedio, mediana y modo de
aquellos resultados son nuestra mejor estimaciones del valor esperado, la mediana y el modo de X.
Ejemplo
Supongamos que echamos tres veces una moneda al aire, con p = P(cara) = 0.8 y q = P(Cruz) = 0.2. Tome
X = número de caras. Entonces la distrubución (véase más arriba) se da por
x 0 1 2 3
P(x) 0.008 0.096 0.384 0.512
= 2.4.
La mediana es 3, ya que P(X ≤ 3) = 1 ≥ 1/2 y P(X ≥ 3) = 0.512 ≥ 1/2. Además, 3 es el valor menos de X con
esta propiedad.
Principio de página
Medidas de disperción
s2 =
(xi - )2
n-1
n-1
σ2 =
(xi - )2
Para leer más acerca de la diferencia entre la varianza y la desviación estandar de la población y de una
muestra, vaya a nuestra pagina en línea de texto: Distrubuciónes muestrales.
Ejemplo
Vimos anteriormente que la media muestral es 5 (ver ejemplo "Media, Mediana, y modo de conjunto de
datos" mas arriba). La siguiente tabla muestra los cuadros de la diferencias desde la media, que
utilizamos para calcular la varianza muestral y la desviación estándar.
xi 11.5 3 5.5 0.5 3 10 2.5 4
s2 =
(xi - )2
n-1
103
14.714
Además,
s = 14.7141/2 3.836.
σ2 = 12.875
σ 3.588
Principio de página
σ2 = E( [X - μ]2 ).
Su desviación estándar se define como la raíz cuadrada σ de la varianza. Una fórmula alternativa para la
varianza, útil para el cálculo, es
σ2 = E(X2) - μ2.
La varianza y la desvianción estándar de una variable aleatoria son las varianza muestral y la desviación
estándar muestral de que esperamos obtener si tenemos un gran número de X-resultados. A la inversa,
si todo lo que sabemos acerca de X es una colección de X-resultados, entonces la varianza muestral y la
desviación estándar muestral de los resultados son nuestra mejor estimaciones de la varianza y
desviación estándar de X.
Ejemplo
Veamos de nuevo el experimento de echar tres veces una moneda al aire, con p = P(cara) = 0.8 y q =
P(crúz) = 0.2. (X = número de caras.) La siguenta es la distrubución, incluyendo los valores de x2.
x 0 1 2 3
x2 0 1 4 9
= 6.24.
Por lo tanto,
σ2 = E(X2) - μ2
σ = 0.481/2 0.6928.
Principio de página
Interpretación de la desviación estándar
La regla de Chebyshev
Por lo menos 3/4 de los resultados entran dentro de 2 desviaciones estándar de la media (en el intervalo
[-2s, +2s] para las muestras o [μ-2σ, μ+2σ] para las poblaciones).
Por lo menos 8/9 de los resultados entran dentro de 3 desviaciones estándar de la media (en el intervalo
[-3s, +3s] para las muestras o[μ-3σ, μ+3σ] para las poblaciones).
Por lo menos 15/16 de los resultados entran dentro de 4 desviaciones estándar de la media (en el
intervalo [-4s, +4s] para las muestra o [μ-4σ, μ+4σ] para las poblaciones).
...
Por lo menos 1-1/k2 de los resultados entran dentro de k de las desviaciones estándar de la media (en el
intervalo [-ks, +ks] para las muetras o [μ-kσ, μ+kσ] para las poblaciones).
Regla Empiríca
Para un conjunto de datos, cuya distrubución de frecuencia es la "forma de campana" y simétrica (como
en la figura), lo siguiente es cierto.
Aproximadamente el 68% de los resultados entran dentro de 1 desviación estándar de la media (en el
intervalo [-s, +s] para las muestras o [μ-σ, μ+σ] para las poblaciones).
Aproximadamente el 95% de los resultados entran dentro de 2 desviación estándar de la mediasta (en el
intervalo [-2s, +2s] para las muestras o [μ-2σ, μ+2σ] para las poblaciones).
Aproximadamente el 99.7% de los resultados entran dentro de 3 desviación estándar dela media (en el
intervalo [-3s, +3s] para las muestras o [μ-3σ, μ+3σ] de las poblaciones).
Ejemplo
Sin embargo, no podemos aplicar la regla empírica de la presente distrubución (mire la disribución de
probabilidad en el cuadro anterior y observe que no es simétrica).
Si la media de una muestra con una distribución simétrica y en la forma de campana es de 20, con
desviación estándar s = 2, entonces aproximadamente el 95% de los resultados se encuentran en el
intervalo [16, 24].
Preincipio de página
μ = np
σ2 = npq.
Para calcular el modo de X, tome (n+1)p y redondee por lo bajo (si es necesario) para obtener un
número entero. Si (n+1)p es un número entero, entonces todos dos de (n+1)p - 1 y (n+1)p será modos.
En cuanto a la moneda del experimento anterior, con n = 3, p = P(cara) = 0.8 y q = P((cruz) = 0.2, nos
encontramos que
μ = np = 3(0.8) = 2.4,
Principio de página
Una variable aleatoria continua X puede tomar cualquier valor real. La probabilidad P(a ≤ X ≤ b), se
especifica por medio de una curva de densidad de preobabilidad , una curva situada por encima del eje x
tal que la área total entre la curva y el eje x es igual a 1.
La probabilidad P(a ≤ X ≤ b) se da por la átra delimitada por la curva, el eje x, y las líneas x = a y x = b.
Ejemplo
Para un análisis detallada de varios ejemplos (las distrubuciones uniforme, exponencial, normal y beta)
mire la sección en-línea sobre las funciones de densidad de probabilidad .
Principio de página
Distribución uniforme
Una distribución uniforme finita en una distribución en la que todos los valores de X son igualmente
probables. Una distribución uniforme continua es aquella cuya función de densidad es una línea
horizonta.
Ejemplo
Principio de página
La más importante tipo de variable aleatoria continua es la variable aleatoria normal. Es una variable con
una curva de densidad en forma de campana dada por la siguiente ecuación.
La Variable aleatoria estándar Z es una variable aleatoria normal con medio 0 y desviación estándar 1.
Las probabilidades de la forma
P(a ≤ Z ≤ b)
se puede calcular con la ayuda de una tabla de distribución normal (tambien en el apéndice de
Matematicas finitos).
Para calcular áreas bajo la curva normales sin tener que usar una tabla, pruebe nuetra Utilidad para
distribuciones normales.
Ejemplo
Para texto en-linea sobre la distribución uniforme y su papel en disribuciones de medias mustrales vea
nuestra página en linea: Distrubuciones muestrales.
Para una discución de esta y otras distrubuciones (uniforme, exponencial y distrubuciones beta) basada
en el cálculo, vaya a la sección en-línea sobre las funciones de densidad de probabilidad.
Preincipio de página
Probabilidad de una variable con distrubución normal estar dentro de k desviaciones estándar de su
media
Sea X una variable aleatoria normal con media y desviación estándar s. Entonces:
donde Y tiene una distrubución normal con la misma media y desviación estándar que X, es decir, = np y
s = (n.p.(1-p))1/2.
principio de página
Princio de página