Discrete random variables · Variables aleatorias discretas
| English | Español |
|---|---|
| discrete random variable/dɪˈskriːt ˈrændəm ˈveərɪəbl/ | variable aleatoria discreta |
| expectation/ekspɪkˈteɪʃn/ | esperanza |
| variance/ˈveərɪəns/ | varianza |
| probability distribution/ˌprɒbəˈbɪlɪti ˌdɪstrɪˈbjuːʃn/ | distribución de probabilidad |
| binomial distribution/baɪˈnəʊmɪəl ˌdɪstrɪˈbjuːʃn/ | distribución binomial |
| trial/ˈtraɪəl/ | ensayo |
| geometric distribution/ˌdʒiːəʊˈmetrɪk ˌdɪstrɪˈbjuːʃn/ | distribución geométrica |
The loaded die
- A fair die gives each face probability $\dfrac{1}{6}$. But what if the die is loaded? Each outcome still has a probability, but they're no longer equal.
- A discrete random variable 离散型随机变量 assigns a probability to each possible outcome — the foundation of statistical modelling.
El dado cargado
- Un dado justo otorga a cada cara una probabilidad de $\dfrac{1}{6}$. Pero, ¿qué sucede si el dado está cargado? Cada resultado todavía tiene una probabilidad, pero ya no son iguales.
- Una variable aleatoria discreta asigna una probabilidad a cada resultado posible — la base del modelado estadístico.
Discrete random variables
- A discrete random variable $X$ takes separate values, each with a probability (they sum to 1).
- Expectation 期望 (mean): $E(X) = \sum x\,P(X = x)$.
- Variance 方差: $\text{Var}(X) = \sum x^2\,P(X = x) - \big(E(X)\big)^2$.
Worked example. $X$ takes values 1, 2, 3 with probabilities 0.2, 0.5, 0.3. $E(X) = 1(0.2) + 2(0.5) + 3(0.3) = 0.2 + 1.0 + 0.9 = 2.1$. $E(X^2) = 1(0.2) + 4(0.5) + 9(0.3) = 0.2 + 2.0 + 2.7 = 4.9$. $\text{Var}(X) = 4.9 - 2.1^2 = 4.9 - 4.41 = 0.49$.
Probabilities must sum to 1. Before calculating expectation or variance, always check that $\sum P(X = x) = 1$. If it doesn't, the probability distribution 概率分布 is invalid.
Variables aleatorias discretas
- Una variable aleatoria discreta $X$ toma valores separados, cada uno con su propia probabilidad (que suman 1).
- Esperanza matemática (media): $E(X) = \sum x\,P(X = x)$.
- Varianza: $\text{Var}(X) = \sum x^2\,P(X = x) - \big(E(X)\big)^2$.
Ejemplo resuelto. $X$ toma los valores 1, 2, 3 con probabilidades 0.2, 0.5, 0.3. $E(X) = 1(0.2) + 2(0.5) + 3(0.3) = 0.2 + 1.0 + 0.9 = 2.1$. $E(X^2) = 1(0.2) + 4(0.5) + 9(0.3) = 0.2 + 2.0 + 2.7 = 4.9$. $\text{Var}(X) = 4.9 - 2.1^2 = 4.9 - 4.41 = 0.49$.
Las probabilidades deben sumar 1. Antes de calcular la esperanza o la varianza, comprueba siempre que $\sum P(X = x) = 1$. Si no es así, la distribución de probabilidad es inválida.
The binomial distribution · La distribución binomial
X ~ B(n, p)
Each bar is the chance of k successes. Change n and · y p and watch the mean · media np shift. · Cada barra representa la probabilidad de k éxitos. Cambia n y p y observa cómo se desplaza la media np.
In a probability distribution table, the probabilities must add up to 1. · En una tabla de distribución de probabilidad, las probabilidades deben sumar 1.
A valid distribution has all probabilities summing to 1. · Una distribución válida tiene todas sus probabilidades que suman 1.
X takes values 1, 2, 3 with P = 0.2, 0.5, 0.3. E(X) = ΣxP(X=x). Find it. · X toma los valores 1, 2, 3 con P = 0.2, 0.5, 0.3. E(X) = ΣxP(X=x). Encuentra el valor.
1(0.2) + 2(0.5) + 3(0.3) = 0.2 + 1.0 + 0.9 = 2.1.
If E(X) = 2.1 and E(X²) = 4.9, Var(X) = E(X²) − (E(X))². Find it. · Si E(X) = 2.1 y E(X²) = 4.9, Var(X) = E(X²) − (E(X))². Encuentra el valor.
Var(X) = 4.9 − 2.1² = 4.9 − 4.41 = 0.49.
Match each binomial idea to its result. · Empareja cada concepto binomial con su resultado.
A binomial has fixed n trials with constant p; its mean is np and variance np(1−p). · Una distribución binomial tiene un número fijo n de ensayos con p constante; su media es np y su varianza es np(1−p).
The binomial distribution 二项分布
- Binomial $X \sim B(n, p)$ — number of successes in $n$ independent trials 试验:
- $P(X = r) = \dbinom{n}{r}p^r(1-p)^{n-r}$
- $E(X) = np$, $\text{Var}(X) = np(1-p)$.
Each bar is P(X = r) for B(10, 0.3); the distribution peaks at the mean np = 3.
La distribución binomial
- Binomial $X \sim B(n, p)$ — número de éxitos en $n$ ensayos independientes:
- $P(X = r) = \dbinom{n}{r}p^r(1-p)^{n-r}$
- $E(X) = np$, $\text{Var}(X) = np(1-p)$.
Cada barra representa P(X = r) para B(10, 0.3); la distribución alcanza su pico en la media np = 3.
For X ~ B(10, 0.3), what is E(X) = np? · Para X ~ B(10, 0.3), ¿cuál es E(X) = np?
E(X) = np = 10 × 0.3 = 3.
For X ~ B(10, 0.3), what is Var(X) = np(1−p)? · Para X ~ B(10, 0.3), ¿cuál es Var(X) = np(1−p)?
Var(X) = np(1−p) = 10 × 0.3 × 0.7 = 2.1.
The geometric distribution 几何分布
- Geometric — the trial number of the first success:
- $P(X = r) = (1-p)^{r-1}p$
- $E(X) = \dfrac{1}{p}$.
La distribución geométrica
- Geométrica — el número del ensayo en el que ocurre el primer éxito:
- $P(X = r) = (1-p)^{r-1}p$
- $E(X) = \dfrac{1}{p}$.
For a geometric distribution with p = 0.2, E(X) = 1/p. Find it. · Para una distribución geométrica con p = 0.2, E(X) = 1/p. Encuentra el valor.
E(X) = 1/p = 1/0.2 = 5. On average, the first success occurs on trial 5. · E(X) = 1/p = 1/0.2 = 5. En promedio, el primer éxito ocurre en el ensayo 5.
Worked example — binomial
- $X \sim B(10, 0.3)$. Find $P(X = 2)$ and $E(X)$.
- $P(X = 2) = \dbinom{10}{2}(0.3)^2(0.7)^8 = 45 \times 0.09 \times 0.0576 = 0.233$.
- $E(X) = np = 10 \times 0.3 = 3$.
Ejemplo resuelto — binomial
- $X \sim B(10, 0.3)$. Encuentra $P(X = 2)$ y $E(X)$.
- $P(X = 2) = \dbinom{10}{2}(0.3)^2(0.7)^8 = 45 \times 0.09 \times 0.0576 = 0.233$.
- $E(X) = np = 10 \times 0.3 = 3$.
You've got it
- $E(X) = \sum x\,P(X=x)$; $\text{Var}(X) = \sum x^2 P(X=x) - (E(X))^2$
- binomial $B(n,p)$: $E = np$, $\text{Var} = np(1-p)$
- geometric: first success on trial $r$, $E = \dfrac1p$
Lo has logrado
- $E(X) = \sum x\,P(X=x)$; $\text{Var}(X) = \sum x^2 P(X=x) - (E(X))^2$
- binomial $B(n,p)$: $E = np$, $\text{Var} = np(1-p)$
- geométrica: primer éxito en el ensayo $r$, $E = \dfrac1p$