Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Enero 2016
Estadística descriptiva
Histogramas de frecuencia relativa
Definición
Se utiliza fundamentalmente para dar una “idea general” de la distribución de los datos
respecto a alguna de las características de estos datos que se pretende obtener.
Método
3. Aunque no hay ninguna razón para ello, es muy común que los subintervalos se
escojan de igual longitud.
2
Ejemplo
3 10 7 11 5 4 9 8 6 1
4 12 21 3 7 11 1 6 10 3
7 2 29 9 21 6 11 14 19 5
9 6 4 8 10 25 2 7 15 8
17 6 13 10 20 13 4 20 24 12
28 9 11 19 12 16 8 4 3 10
15 5 9 2 5 8 15 14 8 15
25 30 24 4 23 10 18 22 5 21
10 22 17 14 27 3 21 11 19 7
1 16 15 21 12 16 23 5 2 17
1. En este ejemplo, el dato más pequeño es 1 y el más grande es 30. Divide el intervalo
[1, 30] en grupos o sub-intervalos; en este caso, considera seis:
[1 − 5], [6 − 10], [11 − 15], [16 − 20], [21 − 25] y [26 − 30].
3
relativas de cada subintervalo (recuerda que el número total de datos es 100):
[6 − 10] 28 0.28
0.3
Frecuencia relativa
0.2
0.1
0
0 5 10 15 20 25 30
Duración del matrimonio en años
0.3
Frecuencia relativa
0.2
0.28
0.1 0.24
0.19
0.12 0.13
0.04
0
0 5 10 15 20 25 30
Duración del matrimonio en años
4
Si la encuesta ha sido realizada bajo las condiciones exigidas por las técnicas de la
inferencia estadística, estos resultados podrían utilizarse para estimar la probabilidad
de que un matrimonio elegido al azar en este año 2014 se divorcie.
Por ejemplo, si eliges al azar un matrimonio que ha durado ya 8 años, que está en el
sub-intervalo [6 − 10], la probabilidad de que se divorcie en este año es igual a 0.28; es
decir, si se tomaran 100 matrimonios, 28 de ellos podrían terminar en divorcio.
Más aún, a través de este recurso gráfico, podría estimarse la probabilidad de que un
matrimonio que ha durado por lo menos 16 años (es decir, ha durado 16 o más años) es
Medidas numéricas
Definiciones
Las medidas numéricas para describir un conjunto de datos son adecuadas para
realizar inferencias. En este curso vas a estudiar dos: a) la media aritmética, o
simplemente media(otro nombre para esta medida es promedio, que pertenece a la
categoría de las medidas de tendencia central ; y b) la varianza que pertenece a las
medidas de dispersión o variación.
Observación
5
cerca de la media. En otras palabras, la varianza permitirá decidir si la media es una
buena medida para representar a todo el conjunto de los datos.
Definición
Media
Método
1. Inicia Excel, nombra una nueva hoja de trabajo con “Media y varianza” y guarda el
libro con el nombre “Divorcios 2013”.
6
Luego de dar “Enter”, obtendrás la media del conjunto de mediciones de la
muestra:
0.3
Frecuencia relativa
0.2 x
0.1
0
11.75
0 5 10 15 20 25 30
Duración del matrimonio en años
7
Observación
Considera a M1 = {2, 10} y M2 = {5, 6, 7} como dos muestras. Ambas tienen la misma
media:
2 + 10 5+6+7
x1 = = 6 y x2 = = 6;
2 3
sin embargo, los dos datos de la primera muestra {2, 10} están “lejos” de la media 6,
mientras que en la segunda muestra {5, 6, 7} están “cerca” de ella. Esto quiere decir
que la media por sí sola no informa si la mayoría de las medidas son “parecidas” entre
sí y cercanas a la media.
Definición
Ejemplo
El siguiente conjunto de datos es una muestra de la nota (sobre 10 puntos) que tienen 8
estudiantes en Probabilidades y Estadística :
1
x= (8 + 7.5 + 8 + 7.2 + 9.3 + 5.3 + 10 + 6.9) ≈ 7.78.
8
¿Qué tan “cerca” o tan “lejos” están los datos de este número?
8
La manera de medir la “distancia” de cada uno de los datos a la media es calcular la
diferencia (resta) entre la media y cada dato:
Por otro lado, recuerda que el cuadrado de un número que se va acercando a 0 es más
pequeño que el número mismo. Luego, si las diferencias entre la media y los datos son
pequeñas, los cuadrados de estas diferencias serán aún más pequeñas. Si son
grandes, esos cuadrados serán grandes. De esta propiedad se colige la importancia de
la desviación estándar como una medida que mide la dispersión de los datos respecto
de la media.
Para determinar la cercanía o no de los datos, primero sumas estas ocho diferencias
elevadas al cuadrado:
Observación
Observación
9
Observación
La varianza es un tipo de media del cuadrado de las diferencias de cada medida respecto
de la media. Se dice que es un “tipo” de media porque la suma se divide para n − 1 y no
para n. La razón, que no podrás explicar en esta sección, es que al dividir por n − 1 se
obtiene una mejor medida de la variabilidad que cuando se divide por n.
Observación
Definición
Ejemplo
En el ejemplo de las notas, la varianza que calculaste es 2.0964; por tanto, la desviación
estándar de esta muestra es
√
2.0964 ≈ 1.4479.
¿Qué indica este número sobre la variabilidad de los datos? La respuesta está en la
regla empírica que vas a estudiar en seguida, pero antes mira la definición precisa de
desviación estándar y su notación.
Ejemplo
10
Por la cantidad de datos, los cálculos para determinar la varianza y la desviación
estándar no los realizarás manualmente, sino mediante calculadoras electrónicas
como Excel.
11
Presiona “Enter” y obtendrás la desviación estándar:
En resumen:
¿Puedes utilizar la media de estos datos como un valor representativo de los mismos?
La desviación estándar te lo dirá.
12
Propiedad
La regla empírica
68 %
Þ−ã Þ Þ+ã
95 %
Þ − 2ã Þ Þ + 2ã
• El intervalo [Þ − 3ã, Þ + 3ã] contiene casi todas las mediciones:
≈ 100 %
Þ − 3ã Þ Þ + 3ã
Ejemplo
13
Utiliza Excel para elaborar un histograma de esta muestra. Si tomas 10 subintervalos,
podrás obtener la representación de los datos dada en la figura:
Como puedes ver, la distribución de las frecuencias de estos datos tiene la forma de
“montículo” o “campana”. Cuando esto ocurre, la variabilidad del conjunto de datos se
puede expresar a través de la desviación estándar, como se explica a continuación.
Ahora aplica la regla empírica a la muestra de los matrimonios y luego compara sus
conclusiones con los datos.
Þ ≈ 271.66 y ã ≈ 89.31.
120 × 0.68 ≈ 82
14
• [Þ − 2ã, Þ + 2ã] = [271.66 − 2 × 89.31, 271.66 + 2 × 89.31] = [93.03, 450.28].
La regla asegura que aproximadamente el 95 % del número de matrimonios
mensuales deben estar entre 93 y 450. Como hay 120 mediciones, entonces se
espera que aproximadamente
Observación
Como se ha ilustrado con el ejemplo anterior, el conocer las medidas numéricas media
y desviación estándar juntas proveen mayor información sobre los datos que cuando se
lo hace con el histograma. Sin embargo, este último te permite saber si se puede aplicar
o no la regla empírica.
Ejercicio
A) [5.8, 8.8]
B) [6.3, 8.3]
C) [5.8, 7.8]
Solución. La opción correcta es A). En efecto, dado que el histograma tiene forma de montículo,
es aplicable la regla empírica. Esta afirma, entre otras cosas, que la mayoría de los datos está
en el intervalo
[Þ − 3ã, Þ + 3ã],
donde Þ es la media y ã es la desviación estándar. Por tanto, para este caso, tienes que
√
Þ = 7.3 y ã = 0.25 = 0.5,
15
de donde, por la regla empírica, la mayoría de los datos estará en el intervalo
[7.3 − 3 × 0.5, 7.3 + 3 × 0.5] = [7.3 − 1.5, 7.3 + 1.5] = [5.8, 8.8].
Ejercicio
Del total de las y los 216 estudiantes que rindieron el examen final de
Probabilidades y Estadística, se tomó una muestra cuya media y varianza fueron
8.1 y 0.36, respectivamente. El histograma de frecuencias mostró que los datos
tienen una distribución en forma de montículo. ¿Cuántos estudiantes
aproximadamente obtuvieron una nota entre 7.5 y 8.7?
A) 205
B) 180
C) 146
Solución. La opción correcta es C). En efecto, como el histograma muestra una distribución de
frecuencias en forma de montículo, puedes aplicar la regla empírica. En este caso, tienes que
√
Þ = 8.1 y ã = 0.36 = 0.6.
Por tanto, la regla empírica te dice que el 68 % de los datos está en el intervalo
[Þ − ã, Þ + ã];
es decir, en el intervalo
[8.1 − 0.6, 8.1 + 0.6] = [7.5, 8.7].
Así, el número aproximado de estudiantes que obtuvieron su nota entre 7.5 y 8.7 es:
Ejercicio
es:
15
A)
11
16
B) 0
30
C)
11
Solución. La opción correcta es B). En efecto, recuerda que la media de un conjunto de datos
{ x1 , x2 , x3 , . . . , x n }
es
1
x=( x + x + · · · + xn ) .
n 1 2
En este caso, tienes que n = 11, de donde,
Ejercicio
A) NO
B) SÍ
Solución. La opción correcta es A). En efecto, recuerda que la media de un conjunto de datos
{ x1 , x2 , x3 , . . . , x n }
es
1
x=( x + x + · · · + xn ) .
n 1 2
En este caso, tienes que n = 11, de donde,
Como puedes ver, todos los datos son valores cuya diferencia con la media es bastante grande.
Luego, la media no representa el conjunto de datos.
17
Ejercicio
es:
A) 316.24
B) 110 001
C) 100 010
D) 331.68
Solución. La opción correcta es D). En efecto, utiliza Excel para obtener la varianza de este
conjunto de datos:
1. Inicia Excel.
18
19
Variables aleatorias discretas
Variables aleatorias
Definición
{é ∈ Ò : X (é) < x },
Ejemplo
A través de este ejemplo simple podrás comprender de una manera adecuada el rol
que tienen las variables aleatorias. Considera el lanzamiento de una moneda
(perfectamente balanceada) dos veces. El espacio muestral Ò se puede expresar de la
siguiente manera:
Ò = {{cc}, {cs}, {sc}, {ss}} .
Ahora considera una función del espacio Ò en el conjunto de los números reales R: a
cada elemento de Ò le haces corresponder el número de caras que salen. Si nombras
con X esta función, entonces puedes escribir:
Con la ayuda de esta función X , puedes expresar todos los posibles eventos de este
experimento. Por ejemplo, el evento
A = {{cs}, {sc}},
es decir, el evento
21
En este caso, en lugar plantear el problema de calcular la probabilidad del evento A
directamente, se plantea el problema de calcular la probabilidad de que la variable
aleatoria X tome el valor 1, lo que se escribe de la manera siguiente:
P (X = 1) ;
2 1
P (X = 1) = P (A) = = .
4 2
1 1 3
P (X ≥ 1) = P (X = 1) + P (X = 2) = + = .
2 4 4
1 1 1
P (X = 0) + P (X = 1) + P (X = 2) = + + = 1.
2 2 4
P (X = x )
En resumen, este proceso ha introducido una nueva función, que se le representa con la
letra minúscula p:
p : {0, 1, 2} −→ R,
donde
p( x ) = P ( X = x ) ,
22
permite calcular la probabilidad de un evento fácilmente.
Ejemplo
En este caso la variable aleatoria X podrá tomar cualquiera de los valores entre 0 y
1 200. Que tome, por ejemplo, el valor 439 quiere decir que de las 1 200 personas, 439
están a favor de A. Que tome el valor 0 significaría que ninguna de las encuestadas y
ninguno de los encuestados está a favor del candidato A.
X : Ò −→ {0, 1, 2, . . . , 1 200}
x 7−→ X (x ) = número de personas encuestadas que votarán por A.
p(X = 534)
Observación
Claro que sí; de hecho, hay uno solo y es {ss }, pues X ({ss }) = 0. Entonces, el conjunto
de los elementos del espacio muestral en los que la variable aleatoria X toma el valor 0
23
tiene un solo elemento. Este conjunto se representa de la manera siguiente:
que se lee:
Como puedes ver, este conjunto es el evento “no sale ninguna cara”:
El siguiente:
{{cs}, {sc}, {ss}}
En cada uno de los dos primeros elementos X toma el valor 1, que es menor que 1.8; en
el tercero, toma el valor 0, que también es menor que 1.8. Es decir, en los tres casos, X
toma un valor menor que 1.8. A este conjunto se lo representa de la siguiente manera:
que se lee:
La tercera pregunta:
El siguiente:
{{cc}, {cs}, {sc}, {ss}} ,
24
y que en este caso es igual al espacio muestral, es decir, es el evento cierto.
De manera similar a lo desarrollado para contestar las tres preguntas, verifica por ti
misma o por ti mismo los siguientes hechos:
{é ∈ Ò : X (é) < 0} = ∅.
{é ∈ Ò : X (é) < 4} = Ò .
• El conjunto de los elementos en Ò en los cuales X toma un valor menor que 1.8 es
el evento “a lo mucho sale una cara”:
Observación
{é ∈ Ò : X (é) < x },
Definición
{é ∈ Ò : X (é) < x }.
25
Su probabilidad se representa por P (X < x ); es decir:
{é ∈ Ò : X (é) = x }.
{é ∈ Ò : X (é) 6 x }.
{é ∈ Ò : X (é) > x }.
{é ∈ Ò : X (é) > x }.
Ejemplo
• Nombra con A el evento “sale exactamente una cara”. Entonces A se representa por
26
• Observa que el evento B puede expresarse también de la manera siguiente:
1 1 3
P (X 6 1) = P (X = 0) + P (X = 1) = + = .
4 2 4
{é ∈ Ò : X (é) 6 1}.
Ejemplo
Una prueba psicológica para niñas y niños consiste en relacionar cada una de 3
imágenes de objetos con la palabra que identifica a ese objeto. Una niña asigna al azar
cada una de la palabras a una de las tres imágenes. Considera la variable aleatoria
y descríbela.
En primer lugar, el experimento consiste en asignar al azar cada una de las tres palabras
a una de las tres imágenes de objetos. Los resultados de este experimento se pueden
representar de la manera siguiente.
Numera las palabras y las imágenes con los dígitos del 1 al 3, de tal manera que si una
palabra y una imagen se corresponden, se identifican con el mismo dígito. Por ejemplo,
la palabra asignada con el dígito 2 describe el objeto de la imagen 2:
1 2 3
♣ ♦ ♠
Trébol Diamante Corazón
A continuación, representa cada posible asignación de las tres palabras a las imágenes
en forma de un arreglo lineal de los tres dígitos, de forma que cuando una palabra
27
describe correctamente el objeto de la imagen, el número que representa la palabra
ocupa la posición en el arreglo indicada por dicho número.
es decir:
3 1 2
♣ ♦ ♠
Corazón Trébol Diamante
312.
En este caso, no se habría conseguido ningún par correcto. En cambio, el arreglo 321
indica que hay un par correcto: la segunda imagen fue identificada con la palabra
correcta:
3 2 1
♣ ♦ ♠
Corazón Diamante Trébol
Con esta representación, el experimento puede ser visto como la selección del total de
3 objetos sin devolución y con orden; es decir, el espacio muestral está conformado por
todas las permutaciones de tamaño 3, y, por lo tanto, tiene 3! = 6 elementos:
• Toma el valor 0 en {231} y {312}, porque en ninguna de estas pruebas hay un par
correcto.
• Toma el valor 1 en {132}, {213} y {321}, porque hay un par correcto en cada prueba.
• No toma el valor 2, pues no hay dos pares correctos en ningún elemento del
espacio muestral Ò . Y,
28
• Toma el valor 3 únicamente en {123}.
Como la asignación es al azar, cada evento simple tiene la misma probabilidad de salir;
luego, obtienes que:
2 1
• P (X = 0) = P ({{231}, {312}}}) = = .
6 3
3 1
• P (X = 1) = P ({{132}, {213}, {321}) = = .
6 2
• P (X = 2) = 0, pues, como lo viste ya, X no toma el valor 2. Y,
1
• P (X = 3) = P ({{123}}) = .
6
Ejemplo
Nombra con la letra Ò el espacio muestral correspondiente. Supón, por ejemplo, que
é ∈ Ò ; es decir, é es una de las posibles selecciones de 18 mujeres, de las cuales, 7
sufren o han sufrido algún tipo de violencia, entonces
X (é) = 7.
Como hay 18 mujeres en cada selección, tienes que X (é) puede ser cualquiera de los
números entre 0 y 18.
{0, 1, 2, . . . , 18}.
29
Definiciones
Definición
FX : R −→ R
x 7−→ P (X < x )
Observación
Por ejemplo, en el caso del lanzamiento de una moneda dos veces, el conjunto de valores
que toma la variable aleatoria X , “el número de caras que salen”, es:
{0, 1, 2}.
• A = {é ∈ Ò : X (é) < 0} = ∅, pues el número de caras que salen no puede ser menor
que 0.
30
de donde:
C = {{ss}} ∪ {{cs}, {sc}} = {{ss}, {cs}, {sc}} .
D = {é ∈ Ò : X (é) < x } = ∅,
• Si x > 2, entonces
E = {é ∈ Ò : X (é) < x } = Ò ,
• P (B ) = P (X < 1) = 14 .
• P (C ) = P (X < 2) = 34 .
• Si x < 0, entonces
P (X < x ) = P (∅) = 0.
FX : R −→ R,
FX (x ) = P (X < x ) ;
es decir:
Por ejemplo:
1 3
FX (1) = P (X < 1) = ; FX (2) = P (X < 2) = .
4 4
Esto quiere decir, respectivamente, que:
31
1
la probabilidad de que el número de caras sea menor que 1 es , y la
4
3
probabilidad de que el número de caras sea menor que 2 es .
4
Ejemplo
32
probabilidades de los eventos del tipo (5):
{é ∈ Ò : X (é) < x }.
Sin embargo, como los únicos valores que X puede tomar son 0, 1 y 3, es suficiente que
consideres los siguientes casos:
1
FX (1) = P (X < 1) = P (X = 0) = .
2
P (X < 2) = P (X = 0) + P (X = 1) .
de donde
1
P (X = 1) = .
3
Luego:
1 1 5
FX (2) = P (X < 2) = P (X = 0) + P (X = 1) = + = .
2 3 6
• Tienes que:
FX (3) = P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) .
Ya sabes que
1 1
P (X = 0) = y P (X = 1) = .
2 3
Por lo tanto:
1 1
FX (3) = + + P (X = 2) .
2 3
Pero
P (X = 2) = 0,
1 1 5
FX (3) = + +0= .
2 3 6
33
• Finalmente, si x > 3, tienes que
FX (x ) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) .
1
P (X = 3) = ,
6
entonces:
1 1 1
FX (x ) = + + 0 + = 1.
2 3 6
Como quizás ya te hayas dado cuenta, la función de distribución en este ejemplo queda
descrita completamente en los valores que toma la variable aleatoria. Esto sucede
siempre con las variables aleatorias discretas. Por ello, en lugar de FX , se considera la
siguiente función, representada por pX , y que se define únicamente en los valores que
toma X
pX ( x ) = P (X = x ) .
1 1 1
pX (0) = P (X = 0) = , pX (1) = P (X = 1) = y pX (3) = P (X = 3) = .
2 3 6
FX (1) = pX (0),
FX (2) = pX (0) + pX (1),
FX (3) = pX (0) + pX (1),
FX (x ) = pX (0) + pX (1) + pX (3),
cuando x > 3. No te olvides que no has tomado en cuenta el caso en que x = 2, porque
la variable aleatoria no toma ese valor, y por lo tanto P (X = 2) = 0.
34
Observación
Para el caso de las variables aleatorias discretas, vas a trabajar siempre con la función
pX en lugar de FX .
Definición
{x1 , x2 , x3 , . . .},
pX ( x ) = P (X = x ) ,
donde x toma cualquiera de los valores {x1 , x2 , x3 , . . .}, se denomina ley de distribución
de probabilidad de la variable aleatoria X .
Ejemplo
1 1 1
pX (0) = , pX (1) = y pX (2) = .
4 2 4
Ejemplo
1 1 1
pX (0) = , pX (1) = y pX (3) = .
2 3 6
Como puedes ver, si sumas todos los valores que toma pX , el resultado siempre es 1. En
efecto, para el caso del lanzamiento de la moneda dos veces:
1 1 1
pX (0) + pX (1) + pX (2) = + + = 1.
4 2 4
1 1 1
pX (0) + pX (1) + pX (3) = + + = 1.
2 3 6
35
Esta propiedad tiene sentido, porque la suma de todos los posibles valores que toma pX
representa la probabilidad del espacio muestral Ò , que es 1.
Propiedad
V = {x1 , x2 , x3 , . . .}
• Para todo x ∈ V :
0 6 pX (x ) 6 1.
Definición
Ejemplo
Si este modelo se utilizara para estimar la media del número de palabras asignadas
correctamente a las imágenes por un grupo de niñas y niños que hubieran hecho la
prueba psicológica descrita, entonces las probabilidades dadas por pX serían
aproximaciones de las frecuencias relativas en la población.
En efecto, supón que 10 000 niñas o niños realizan la prueba. Entonces, esperaríamos
que:
36
de las palabras a las imágenes correctamente sería, aproximadamente
1
pX (0) × 10 000 = × 10 000 = 5 000.
2
• El número de niñas y niños que solo asignaron una de las tres palabras a la imagen
correcta sería, aproximadamente
1
pX (1) × 10 000 = × 10 000 ≈ 3 333.
3
• 5 000 números 0;
• 3 333 números 1; y
• 1 667 números 3.
Ahora bien, calcula la media y la desviación estándar de esta población teórica; estos
dos números describen de manera adecuada la población.
Empieza con la media; nómbrala con la letra griega Þ. Recuerda que se obtiene al sumar
todos los datos y dividir por el número total de ellos: como hay 5 000 números 0, 3 333
números 1 y 1 667 números 3, entonces
37
1 1 5
= + = ≈ 0.8333 ≈ 1;
3 2 6
es decir, se espera que en promedio las niñas y niños identifiquen una imagen con la
palabra correcta.
1 1 1
Þ= × 0 + × 1 + × 3 = pX (0) × 0 + pX (1) × 1 + pX (3) × 3.
2 3 6
Ejemplo
En el caso del lanzamiento de la moneda dos veces y la variable aleatoria “el número de
caras que salen”, la esperanza de esta variable aleatoria es:
al lanzar una moneda dos veces, se espera que salga una cara.
Observación
[X − E (X )]2 .
Esta mide el cuadrado de la diferencia entre los valores que toma X y su esperanza; es
decir, mide el cuadrado de la diferencia de los valores que toma X respecto de su centro.
38
Sin embargo, siguiendo con el paralelismo entre la varianza de una variable aleatoria
y el de una muestra, una mejor medida de esa variabilidad, es la raíz cuadrada de la
varianza, denominada desviación estándar.
Definición
V (X ) = E ([X − E (X )]2 ).
Propiedad
Dada una variable aleatoria X , donde {x1 , x2 , x3 , . . .} es el conjunto de los valores que
toma X , ÞX es la esperanza de X y pX es la correspondiente ley de distribución, la
varianza de X se calcula mediante la siguiente fórmula:
Ejemplo
5
ÞX = E ( X ) = .
6
Entonces:
V (x ) = E ([X − ÞX ]2 )
5 2 5 2 5 2
= 0− pX (0) + 1 − pX (1) + 3 − pX (3)
6 6 6
2 2 2
5 1 1 1 13 1
= × + × + ×
6 2 6 3 6 6
≈ 1.1389.
39
Por lo tanto, la desviación estándar de X es aproximadamente:
√
ã ≈ 1.1389 ≈ 1.0672.
¿Y qué nos dice este número? Igual que en el caso de una muestra: nos da una medida de
cuán dispersos están los valores que toma la variable aleatoria. Y la forma de saberlo es
a través de la regla empírica que también es aplicable a las variables aleatorias, cuando
su ley de distribución tiene también forma de montículo o campana.
5 5
[ÞX − ã, ÞX + ã] = − 1.0672, + 1.0672 ≈ [−0, 2339, 1.9005].
6 6
8 333
× 100 ≈ 83.33 %.
10 000
sería pequeño y contendrían la mayoría de los datos, todos ellos muy cerca de la media,
de manera que ésta sería una medida representativa de los datos.
También debe estar claro que si la desviación estándar es grande, dicho intervalo es
grande y, aunque contenga la mayoría de los datos, estos no estarán cerca de ÞX
necesariamente.
40
Ejemplo
1 1 1
ÞX = 1, pX (0) = , pX (1) = y pX (2) = .
4 2 4
Por lo tanto:
Por lo tanto r
1
ãX = ≈ 0.7071.
2
Observación
En la práctica, no vas a utilizar estas fórmulas, pues muchas muestras y las variables
aleatorias correspondientes siguen leyes de distribución conocidas de antemano, de las
cuales se conocen fórmulas para calcular la esperanza y la desviación estándar. Incluso,
estas fórmulas vienen ya incorporadas en las calculadoras electrónicas así como en el
Excel.
Ejercicio
A) 0.2
B) 0.7
C) 0.9
Solución. La opción correcta es B). En efecto, recuerda que, por definición de pX , tienes que la
probabilidad de que X tome un valor menor que 3 es igual a
P (X < 3) = pX (X = 1) + pX (X = 2).
41
Y, como
pX (X = 1) = 0.4 y pX (X = 2) = 0.3,
obtienes que
P (X < 3) = 0.4 + 0.3 = 0.7.
Ejercicio
A) 2
B) 1
C) 0.5
Ejercicio
A) 1
B) 2
√
C) 2.
42
Solución. La opción correcta es A). En efecto, en el ejercicio anterior obtuviste que
ÞX = E (X ) = 2.
Ahora bien, por definición de varianza de una variable aleatoria, tienes que
V (X ) = E ([X − E (X )]2 ).
Por tanto,
Ejercicio
A) 3
B) 3.5
C) 4
Luego, X toma 6 valores posibles: los números de 1 al 6. Y. bajo el supuesto de que el lado está
balanceado, la probabilidad de cada evento simple es
1 1
= .
|Ò | 6
43
Ejercicio
A) 1.71
B) 2.92
√
C) 3.5
Solución. La opción correcta es A). En efecto, en el ejercicio anterior obtuviste que la esperanza
de X es 3.5:
ÞX = E (X ) = 3.5.
44