3.

1 distribucion de probabilidad basica

3.1.1 Variables aleatorias
En cualquier experimento aleatorio tenemos resultados cualitativos o
cuantitativos. Con el objeto de facilitar el estudio matemtico, a cada uno de
estos resultados le hacemos corresponder un nmero real.
Por ejemplo, el resultado de tomar un espaol al azar y medir su estatura es
un nmero; el resultado de tomar una familia al azar y anotar el nmero de
hijos es un nmero; el resultado de aplicar un tratamiento a un enfermo y
observar si se cura o no, es un dato cualitativo, que puede convertirse en
cuantitativo asignando un "1" al enfermo que se cura y un "0" al enfermo que
no se cura.
En realidad lo que estamos haciendo es asignar a cada suceso del espacio
muestral un nmero, pero esta asignacin no tiene por qu ser nica.
Pongamos un ejemplo: lanzamos dos dados al aire y a cada suceso elemental
le podemos asignar la suma, el producto, etc., de los nmeros que aparecen
en las caras superiores.
Al igual que los resultados de un fenmeno aleatorio no son predecibles, los
resultados de una variable aleatoria tampoco lo son, pero podemos calcular
la probabilidad de que ocurra un determinado suceso.
A veces puede ocurrir que los valores que toma la variable aleatoria son los
mismos, pero no ocurre lo mismo con las probabilidades.
Ejemplo.
Se dispone de dos frmacos A y B distintos para curar una misma
enfermedad; los resultados de la variable aleatoria solamente pueden ser 1
0 y uno de ellos puedecurar el 20% de los casos y el otro el 70%.
Para tener identificada una variable aleatoria no basta con indicar los valores
que pueda tomar, hay que indicar tambin sus probabilidades.
Una variable aleatoria X es toda funcin que toma diversos valores numricos
(dependientes del resultado de un fenmeno aleatorio) con distintas
probabilidades.
Cuando la variable aleatoria toma un nmero finito o infinito numerable* de
valores, diremos que es una "variable aleatoria discreta".
Ejemplos
En el caso del lanzamiento de un dado perfecto, la variable aleatoria X=

"nmeroque sale en la cara superior" puede tomar los valores X={1, 2, 3, 4,

5, 6} conprobabilidades P(X)={1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Si consideramos la variable aleatoria X= "nmero de varones en una familia
dedos hijos", X={0, 1, 2} y P(X)={1/4, 1/2, 1/4}. (Observar el espacio
muestral del experimento aleatorio).
En general diremos, que una variable aleatoria discreta estar identificada si
conocemos sus posibles valores X = {x1,x2 ,...,xn} y sus respectivas
probabilidades P(X = xi ) = Pi
A toda regla que permita asociar a cada valor xi de la variable aleatoria su
probabilidad Pi, la llamaremos "funcin de probabilidad".
Tal funcin de probabilidad puede venir dada por una tabla:
X
P(X)

12

1/4

1/2

1/4

o bien por una frmula matemtica.

Tambin podemos definir la variable aleatoria a travs de la "funcin de
distribucin".
F(X) = P(X ! x)
* Un conjunto infinito A se dice que es numerable si se puede establecer una
aplicacin
biyectiva f entre el conjunto de los naturales y A.
F(X) no es ms que la probabilidad de que la variable X tome valores
menores o
iguales que x.
En el ejemplo anterior:
F(0) = P(X ! 0) = P(X = 0)
F(1) = P(X !1) = P(X = 0) + P(X = 1)
F(2) = P(X ! 2) = P(X = 0) + P(X = 1) + P(X = 2)
De un modo general, a toda tabla, grfica o expresin matemtica que
indique los valores que puede tomar una variable aleatoria y las
probabilidades con que los toma, se llamar "distribucin de probabilidad de
dicha variable aleatoria".

El concepto de variable aleatoria proporciona un medio para relacionar

cualquier resultado con una medida cuantitativa.
VARIABLES DISCRETAS
Una variable discreta es una variable que slo puede tomar valores dentro de
un conjunto numerable, es decir, no acepta cualquier valor sino slo aquellos
que pertenecen al conjunto. En estas variables se dan de modo inherente
separaciones entre valores observables sucesivos. Dicho con ms rigor, se
define una variable discreta como la variable que hay entre dos valores
observables (potencialmente), hay por lo menos un valor no observable
(potencialmente). Como ejemplo, el nmero de animales en una granja (0, 1,
2, 3...).
En lgica matemtica, una variable proposicional (tambin llamada variable
sentencial o letra sentencial) es una variable discreta que puede ser
verdadera o falsa. Las variables proposicionales son los bloques de
construccin bsicos de las frmulas proposicionales, usadas en lgica
proposicional y en lgicas superiores.
Ejemplo
El nmero de hermanos de 5 amigos: 2, 1, 0, 1, 3
VARIABLES CONTINUAS
Una variable continua puede tomar un valor cualquiera dentro de un intervalo
predeterminado. Y siempre entre dos valores observables va a existir un
tercer valor intermedio que tambin podra tomar la variable continua. Una
variable continua toma valores a lo largo de un continuo, esto es, en todo un
intervalo de valores. Un atributo esencial de una variable continua es que, a
diferencia de una variable discreta, nunca puede ser medida con exactitud; el
valor observado depende en gran medida de la precisin de los instrumentos
de medicin. Con una variable continua hay inevitablemente un error de
medida. Como ejemplo, la estatura de una persona (1.71m, 1.715m,
1.7154m....)
Ejemplo 1
La altura de los 5 amigos: 1.73, 1.82, 1.77, 1.69, 1.75.
Ejemplo 2
A un conjunto de 5 nmeros cuya media es 7.31 se le aaden los nmeros
4.47 y 10.15. Cul es la media del nuevo conjunto de nmeros?

VARIABLE BINOMIALES
La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en
cada prueba del experimento.
La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Ejemplo
La variable definida sigue un modelo binomial de parametros n=10 y p=0.3

VARIABLE ALEATORIA DE POISSON

Variable X discreta definida como el recuento de exitos por unidad de
espacio continuo:
X P()
El numero medio de accidentes ocurridos en un planta petrolera es de 2
accidentes en 2 meses

1. Que modelo sigue la variable numero de accidentes ocurridos en la

planta por 2 meses?.
2. Probabilidad de que haya mas de 2 accidentes en 2 meses.
3. Probabilidad de que haya entre 2 y 8 inclusive, en 2 meses.
4. Probabilidad de que haya mas de 2 accidentes en 1 mes.
Solucion 1.
1. La variable definida sigue un modelo Poisson de parametro = 2 .
P(2)
2. Probabilidad de que haya mAas de 2 accidentes en 2 meses.
P(X > 2) = 1 P(X 2) = 1 0,6767 = 0,3233
3. Probabilidad de que haya entre 2 y 8 inclusive, en 2 meses.
P (2 X 8) = P(X 8) P(X 1) = 0,9998 0,4060 = 0,5938
4. Probabilidad de que haya mas de 2 accidentes en 1 mes. La variable Y
definida sigue un modelo Poisson de parametro = 1

3.2 COMPORTAMIENTOS DE ESCENARIOS INCIERTOS

3.2.1 DISTRIBUCION BINOMIAL
Sea un experimento aleatorio en el que slo puedan darsedos posibilidades:
que ocurra un determinado suceso A, que llamaremos xito, o que no ocurra
dicho suceso, o sea que ocurra su complementario, que llamaremos fracaso, .
A Se conoce la probabilidad de ocurrencia del suceso A, y por lo tanto la de
su complementario:
P(A)= p; P(A)=1- p =q
Se repite el experimento n veces en las mismas condiciones (independencia).
Se define la variable aleatoria Binomial :
X: n de veces que ocurre el suceso A (n xitos) en n realizaciones
independientes del experimento
Por lo tanto, X: 0, 1, 2 , 3, n
EJEMPLOS

N de caras al lanzar 20 veces una moneda

N de aprobados si se presentan 80 alumnos a unexamen

N de familias con un solo hijo en una poblacin de 120 familias

N de reacciones negativas ante un frmaco administrado a 40

pacientes

N de accidentes de trfico si han circulado 1200 automviles

N de semillas que germinan de las 20 semillas que se han plantado en

suelos de idntica composicin.

3.2.2 DISTRIBUCION DE POISSON

Se define la variable aleatoria X como el nmero de sucesos que ocurren en
un intervalo continuo de tiempo, longitud o espacio, de un tamao
determinado.
Sea el nmero medio de sucesos que ocurren en estos intervalos.
La variable aleatoria as definida sigue una distribucin de Poisson de
parmetro
X P ( )
EJEMPLOS

N de leucocitos en una gota de sangre.

N de veces que una planta de energa nuclear emite gases radiactivos

en un periodo de tres meses.

3.3.3 DISTRIBUCION NORMAL Y NORMAL ESTANDAR

NORMAL
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad
de variable continua que con ms frecuencia aparece aproximada en
fenmenos reales.[cita requerida]
La grfica de su funcin de densidad tiene una forma acampanada y es
simtrica respecto de un determinado parmetro estadstico. Esta curva se
conoce como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar
numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que
cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo

experimental, de ah que al uso de la estadstica en psicologa y sociologa

sea conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la
estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms
simples y antiguos.
Una variable aleatoria continua, X, sigue una distribucin normal de media
y desviacin tpica , y se designa por N(, ), si se cumplen las siguientes
condiciones:
1-La variable puede tomar cualquier valor: (-, +)
2-La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:

su grafica es:

La lnea verde corresponde a la distribucin normal estndar

EJEMPLO:
Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X
+3)

Es decir, que aproximadamente el 99.74% de los valores de X estn a menos

de tres desviaciones tpicas de la media.
NORMAL ESTANDAR
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene
por media el valor cero, = 0, y por desviacin tpica la unidad, =1.
Su funcin de densidad es:

Su grafica es:

La probabilidad de la variable X depender del rea del recinto sombreado en

la figura. Y para calcularla utilizaremos una tabla.
EJEMPLO

TABLAS DE VALOR ESPECIFICO

Para una combinacin de n y p, la entrada indica una probabilidad de obtener

un valor especfico de r (ocurrencia del evento).
Para localizar la entrada, cuando p0.50, localizar el valor de p a lo largo del
encabezado de la tabla, y en la columna correspondiente localizar n y r en el
margen izquierdo.
Para localizar la entrada, cuando p0.50, localizar el valor de p en la parte
inferior de la tabla, y n y r arriba, en el margen derecho.

Resolviendo el mismo ejemplo pero utilizando las tablas binomiales se tiene

que:
p = 0.50, n = 6 y r = 2
Obteniendo resultado directo de tablas
NOTA: Para este caso en particular donde p = 0.50 se puede obtener el
resultado de las tablas trabajando como si p0.50 (encerrado en azul) o
como si p0.50 (encerrado en rojo)

TABLAS DE POISSON

TABLAS DE NORMAL ESTANDAR

Esta curva "de campana" es la distribucin normal estndar.

Puedes usar la tabla de abajo para saber el rea bajo la curva desde la lnea
central hasta cualquier lnea vertical "a valor Z" hasta 3, en incrementos de
0.1

Esto te dice qu parte de la poblacin est dentro de "Z" desviaciones

estndar de la media.
En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia
abajo, y los de 0.01 de lado.
Por ejemplo, para saber el rea debajo de la curva entre 0 y 0.45, ve a la fila
de 0.4, y sigue de lado hasta 0.45, all pone 0.1736
Como la curva es simtrica, la tabla vale para ir en las dos direcciones, as
que 0.45 negativo tambin tiene un rea de 0.1736

BIBLIOGRAFIA

Variables aleatorias: discretras y continuas.

http://biplot.usal.es/problemas/libro/3%20Distribuciones.pdf (FRANCISCO
JAVIER MARTIN PLIEGO)
http://es.wikipedia.org/wiki/Variable_discreta_y_variable_continua
http://www.ditutor.com/estadistica/variables_tipos.html

Variables binomiales y poisson

http://www.ugr.es/~mdhuete/rlaborales/PTema3.pdf

distribucion binomial

http://www.ugr.es/~mdhuete/rlaborales/PTema3.pdf

distribucion normal y normal estandar

http://www.vitutor.com/pro/5/distribuci%C3%B3n_normal.html (JOSE MARIA

MONTERO LORENZO)
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

tablas para valor especifico

http://www.monografias.com/trabajos57/distribuciones-

probabilidad/distribuciones-probabilidad2.shtml

tablas de distribucion de poisson

http://www.uv.es/montes/NHD/PoissonAcumulada.pdf (Daniel Pea)

Tablas de normal estandar

http://www.disfrutalasmatematicas.com/datos/distribucion-normalestandar.html