Scribd
Cargar
5 vistas2 páginas

Variables Aleatorias y Probabilidades

La Estadística Descriptiva proporciona herramientas para resumir datos de una variable de interés, mientras que la Inferencia Estadística busca obtener conclusiones sobre la población a partir de una muestra, utilizando modelos de probabilidad. Se introducen las variables aleatorias discretas y continuas, así como sus funciones de probabilidad, que permiten calcular probabilidades y distribuciones. La comprensión de estas variables es esencial para realizar inferencias válidas sobre la población a partir de muestras aleatorias.

Cargado por

saul
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
5 vistas2 páginas

Variables Aleatorias y Probabilidades

La Estadística Descriptiva proporciona herramientas para resumir datos de una variable de interés, mientras que la Inferencia Estadística busca obtener conclusiones sobre la población a partir de una muestra, utilizando modelos de probabilidad. Se introducen las variables aleatorias discretas y continuas, así como sus funciones de probabilidad, que permiten calcular probabilidades y distribuciones. La comprensión de estas variables es esencial para realizar inferencias válidas sobre la población a partir de muestras aleatorias.

Cargado por

saul
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

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. Estos resúmenes son muy interesantes, pero el objetivo de la Estadística
habitualmente va más allá: pretende obtener conclusiones sobre la población a partir de los datos
obtenidos en la muestra. La obtención de conclusiones será el objetivo de la Inferencia
Estadística y para su desarrollo necesitaremos los modelos de probabilidad. En particular, será
necesario modelizar las variables de interés, X, como variables aleatorias. En este capítulo,
presentaremos el concepto de variable aleatoria (discreta y continua), y los modelos de
probabilidad más utilizados en la práctica. Finalmente, introduciremos las características que
debe poseer una muestra aleatoria, para que podamos obtener conclusiones razonadas sobre toda
la población.

Variable Aleatoria Discreta


Si x es una variable aleatoria continua, sólo puede tomar ciertos valores en un intervalo.

V. A. Discreta: Función de Probabilidad


Si x1, x2, x3,..............xn son los valores de x y p1, p2, p3,...........pn las probabilidades de los sucesos
correspondientes a los valores de x se llama función de probabilidad o distribución de probabilidades de
la variable x al conjunto de los pares (xi, pi)

(x1, p1), (x2, p2), (x3, p3), .......... (xn, nn)

formados por los valores de x y sus probabilidades correspondientes.

Si el conjunto de valores de x tiene n elementos: p = 1


i

Y si es infinito numerable:

La función de probabilidad P(x) de la variable aleatoria x es la función que asigna a cada valor xi de la
variable su correspondiente probabilidad pi

Ejemplo. Lanzamos al aire una moneda repetidamente, veamos la probabilidad de obtener cara la
primera vez, la segunda, etc. y su distribución de probabilidades
Variable Aleatoria Continua
Si x es una variable aleatoria continua, puede tomar cualquier valor en un intervalo.

V. A. Continua: Función de Probabilidad


Si la variable aleatoria es continua hay infinitos valores posibles de la variable y entre cada dos de ellos
se podrían definir infinitos valores más. En estas condiciones no es posible deducir la probabilidad de un
valor puntual de la variable, como se puede hacer en el caso de variables aleatorias discretas. Pero sí es
posible calcular la probabilidad acumulada hasta un cierto valor (función de distribución), y podremos
analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades
sino otro concepto denominado densidad de probabilidad).

Ejemplo. Sea x la v.a. que describe la duración de las lámparas de una determinada marca y modelo.
Los valores de una variable estadística continua siempre se consideran agrupados en intervalos de
clase, luego no tiene sentido plantearse la probabilidad de resultados "aislados" (como, por ejemplo, la
probabilidad de que una lámpara dure, exactamente, 265 h). En todo caso, esas probabilidades deben
valer cero. Pero sí podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad de que una lámpara
dure menos de 265 horas? o ¿cuál es la probabilidad de que una lámpara dure entre 300 y 340 horas?

También podría gustarte