Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
singleton .
En la prctica el conjunto de los valores que puede tomar es o una parte de .
converger a . Para
todo las frecuencias
conjunto de los .
Usualmente se representa a las leyes discretas por diagramas de barras : Se dibuja
Los otros dos ejemplos bsicos son la ley binomial y la ley geomtrica.
Ley binomial.
Se repite el mismo experimento veces en forma independiente y se cuenta el
nmero de veces que se produce el evento . Se considerar la repeticin de los
experimentos como un nuevo experimento global. Como solamente nos interesa el
evento , bastar guardar de la experiencia global una -tupla booleana del tipo:
Si
conjunto . Para determinar su ley, los eventos que nos interesan son los
Ejemplos:
X - Variable que nos define el nmero de burbujas por envase de vidrio que son
generadas en un proceso dado.
X - 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
X - Variable que nos define el nmero de productos defectuosos en un lote de 25
productos.
X - 0, 1, 2, 3,....,25 productos defectuosos en el lote
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre sern enteros, nunca fraccionarios.
Ejemplos:
Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una
variable continua es que esta variable nos permite medirla o evaluarla, mientras que
una variable discreta no es medible, es una variable de tipo atributo, cuando se
inspecciona un producto este puede ser defectuoso o no, blanco o negro, cumple con
las especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las
que pueden ser.
2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.
X - Es una variable que puede tomar tanto valores enteros como fraccionarios.
2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad
de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin
de densidad de probabilidad slo puede estar definida en los cuadrantes I y II.
3. La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad
de probabilidad deber ser de 1.
Varianza
Hay que tener en cuenta que la varianza puede verse muy influida por los valores
atpicos y no se aconseja su uso cuando las distribuciones de las variables aleatorias
tienen colas pesadas. En tales casos se recomienda el uso de otras medidas de
dispersin ms robustas.
El trmino varianza fue acuado por Ronald Fisher en un artculo publicado en enero
de 1919 con el ttulo The Correlation Between Relatives on the Supposition
of Mendelian Inheritance.1
Caso continuo
Si la variable aleatoria X es continua con funcin de densidad f(x), entonces
donde
y las integrales estn definidas sobre el rango de X.
y f(y) F(y)
f(2) =
2 F(2) = f(2) = 1/36
1/36
f(3) =
3 F(3) = f(2) + f(3) = 1/36 + 2/36 = 3/36
2/36
f(4) =
4 F(4) = f(2) + f(3) + f(4) = 1/36 + 2/36 + 3/36 = 6/36
3/36
f(5) =
5 F(5) = f(2) + f(3) + f(4) + f(5)= 1/36 + 2/36 + 3/36 + 4/36= 10/36
4/36
f(6) =
6 F(6) = f(2) + f(3) + f(4) + f(5) + f(6) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36= 15/36
5/36
f(7) =
7 F(7) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36 + 6/36 = 21/36
6/36
f(8) = F(8) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) = 1/36 + 2/36 + 3/36 + 4/36 + 5/36 + 6/36 +
8
5/36 5/36= 26/36
f(9) = F(9) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9)= 1/36 + 2/36 + 3/36 + 4/36 + 5/36 +
9
4/36 6/36 + 5/36 + 4/36= 30/36
f(10) = F(10) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) = 1/36 + 2/36 + 3/36 + 4/36 +
10
3/36 5/36 + 6/36 + 5/36 + 4/36 + 3/36= 33/36
f(11) = F(11) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) + f(11) = 1/36 + 2/36 + 3/36 +
11
2/36 4/36 + 5/36 + 6/36 + 5/36 + 4/36 + 3/36 + 2/36= 35/36
f(12) = F(12) = f(2) + f(3) + f(4) + f(5) + f(6) + f(7) + f(8) + f(9) + f(10) + f(11) + f(12) = 1/36 + 2/36 +
12
1/36 3/36 + 4/36 + 5/36 + 6/36 + 5/36 + 4/36 + 3/36 + 2/36 + 1/36= 36/36= 1
Ejemplos
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.
El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos
de azar, debido a que los jugadores deseaban saber cual era su esperanza de ganar o
perder con un juego determinado. Como a cada resultado particular del juego le
corresponde una probabilidad determinada, esto equivale a una funcin de probabilidad
de una variable aleatoria y el conjunto de todos los resultados posibles del juego estar
representado por la distribucin de probabilidad de la variable aleatoria. El valor
esperado o esperanza es muy importante, ya que es uno de los parmetros que
describen una variable aleatoria.
Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el
valor esperado de la variable aleatoria X, el cual se representa por E(X), est definido
por:
E(X) = xi f(xi)
Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la
variable aleatoria por la probabilidad que le corresponde y despus se suman esos
productos.
xi 2 3 4 5 6 7 8 9 10 11 12
f(xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Respuesta:
600 + 470 + 170 + 430 + 300 1970
Media = = = 394
5 5
as que la altura media es 394 mm. Vamos a dibujar esto en el grfico:
Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:
Varianza: 2 = 2062 + 762 + (-224)2 + 362 + (-94)2 = 108,520 = 21,704
5 5
As que la varianza es 21,704.
Y la desviacin estndar es la raz de la varianza, as que:
Desviacin estndar: = 21,704 = 147
y lo bueno de la desviacin estndar es que es til: ahora veremos qu alturas estn a
distancia menos de la desviacin estndar (147mm) de la media:
Ejemplo. Supngase de X es una variable aleatoria continua cuya f.d.p. est dada por:
Ejemplo. Supongamos que una v.a. continua X tiene una f.d.a. dada por:
Ejemplo. Supongamos que una v.a. continua X tiene una f.d.a dada por:
Ejemplo. Sea X el ngulo entre la direccin fijada y la direccin de la aguja de una hiladora. Si
la aguja se mueve en cierto modo, y se puede suponer que para cada valor de X entre 0 y 2p,
la probabilidad P(X x ) es igual a la razn del ngulo X y el ngulo total 2p. Esto representa a
la funcin de distribucin:
Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles
de ocurrencia del evento; es decir, de cuntas formas puede ocurrir determinada
situacin.
Los casos favorables de ocurrencia de un evento sern los que cumplan con la
condicin que estoy buscando.
As para el tiro de una moneda tengo 2 casos posibles de ocurrencia (o cae guila o
cae sol) y slo 1 caso favorable de que pueda caer guila (pues slo hay un guila en
la moneda).
Para calcular la probabilidad de un evento se utiliza la siguiente frmula:
Por lo tanto, existe una probabilidad del 50% que yo obtenga un guila 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. Qu fruta es ms 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 slo 10 manzanas. As, aplicando la frmula obtenemos que:
33.3% probable
66.7% probable
Como 66.7 es mayor que 33.3 es ms probable que saque una pera, pues hay ms
peras que manzanas en la canasta.
Fjate bien que 33.3% + 66.7% es igual al 100% porque siempre que saques algo de la
canasta es seguro que saques una fruta.