Resumen de la Unidad 2: Variables Aleatorias y Distribuciones de

Probabilidad

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Variables Aleatorias
Una variable aleatoria es una funcin que asigna un nmero real a cada
resultado en el espacio muestral de un experimento aleatorio. Ellas se denotan
con una letra mayscula, tal como X.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados
del espacio muestral, y se define X como una funcin porque transforma todos
los posibles resultados del espacio muestral en cantidades numricas reales.
Ejemplo
Considere el lanzamiento de una moneda. El espacio muestral de este
experimento aleatorio est constituido por dos resultados: cara y sello.
Si se define X (cara)=0 y X(sello)=1, se transforman los dos posibles resultados
del espacio muestral en cantidades numricas reales.

Variable Aleatoria Discreta y Distribucin de Probabilidad

Se dice que una variable aleatoria X es discreta si el nmero de valores que
puede tomar es finito (o infinito contable). .
Frecuentemente el inters recae en la probabilidad de que una variable
aleatoria tome un valor particular, para ello se requiere primero definir
claramente la variable aleatoria. Ser importante pues, acordar la siguiente
simbologa: {X=x} denotar el evento formado por todos los resultados para los
que X=x y P(X=x) ser la probabilidad de dicho evento.
La distribucin de probabilidad de una variable aleatoria X es una descripcin
del conjunto de posibles valores de X, junto con la probabilidad asociada con
cada uno de estos valores. Esta distribucin bien puede ser una grfica, una
tabla o una

ecuacin que da la probabilidad de cada valor de la variable aleatoria y se

considera como el resumen ms til de un experimento aleatorio.

Toda distribucin de probabilidad debe satisfacer cada uno de los dos

requisitos siguientes:

Variable Continua y su Distribucin de Probabilidad

Se dice que una variable aleatoria X es continua si el nmero de valores que
puede tomar estn contenidos en un intervalo (finito o infinito) de nmeros
reales. Dichos valores pueden asociarse a mediciones en una escala continua,
de manera que no haya huecos o interrupciones.
En algunos casos, la variable aleatoria considerada continua en realidad es
discreta, pero como el rango de todos los valores posibles es muy grande,
resulta ms conveniente utilizar un modelo basado en una variable aleatoria
continua.
La distribucin de probabilidad de una variable aleatoria continua X est
caracterizada por una funcin f(x) que recibe el nombre de funcin de densidad
de probabilidad. Esta funcin f(x) no es la misma funcin de probabilidad de
una variable aleatoria discreta. La grfica de la funcin f(x) es una curva que se
obtiene para un nmero muy grande de observaciones y para una amplitud de
intervalo muy pequea. Recuerde que la grfica de una funcin de probabilidad
de una variable aleatoria discreta es escalonada, dando la sensacin de
peldaos en ascendencia.
Formalmente, la funcin de densidad de probabilidad f(x) de una variable
aleatoria continua, se define como tal si para cualquier intervalo de nmeros
reales [a,b] se cumple que:

Esperanza Matemtica y Varianza de una Variable Aleatoria

El valor esperado (tambin llamado media o esperanza matemtica) de una

variable aleatoria discreta X es una medida de posicin para la distribucin
de X. Se simboliza con y se calcula al sumar el producto de cada valor
de X con su probabilidad correspondiente.
La varianza de una variable aleatoria es una medida de la dispersin de la
distribucin de probabilidad de sta. Se calcula ponderando el cuadrado de
cada desviacin con respecto a la media, con la probabilidad asociada con la
desviacin.

Teorema de Chbyshev
El matemtico Ruso Pafnuty Lvovich Chbyshev desarroll un teorema en el
que ofrece una garanta mnima acerca de la probabilidad de que una variable
aleatoria asuma un valor dentro de k desviaciones estndar alrededor de la
media.
Para cualquier variable aleatoria X con media y desviacin estndar , la
probabilidad de que X tome un valor contenido en k desviaciones estndar de
la media, siendo k una constante positiva cualquiera, es cuando menos. 1(1/k2)
Simblicamente, el teorema se expresa de cualquiera de las siguientes
maneras:

La desigualdad de Chbyshev es muy importante, ya que permite determinar

los lmites de las probabilidades de variables aleatorias discretas o continuas
sin tener que especificar sus funciones de probabilidad. Este teorema asegura
que la probabilidad de que una variable aleatoria se aleje de la media no ms
de k desviaciones estndar, es menor o igual a 1/k2 para algn valor de k >1.

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

En las distribuciones discretas de Probabilidad se tiene cinco probabilidades y
su respectiva aplicacin estas son:
Distribucin Uniforme Discreta
La variable aleatoria discreta ms sencilla es aquella que toma slo un nmero
finito de valores posibles n, cada uno con la misma probabilidad. Ella se
denomina entonces variable aleatoria discreta uniforme y su distribucin
uniforme discreta est dada por:
f(x)= 1/n
Para una variable aleatoria discreta uniforme X, que puede tomar los valores 1,
2.., n, la media es:

Y su desviacin estndar es:

S2x =(n2 -1)/12
Distribucin Binominal
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad,
ventas, mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas
distribuciones permiten enfrentar circunstancias en las que los resultados
pertenecen a dos categoras relevantes: que ocurra un evento determinado o
que no lo haga. Este tipo de experimento aleatorio particular es
denominado ensayo de Bernoulli. Sus dos resultados posibles son denotados
por "xito" y "fracaso" y se define por p la probabilidad de un xito y 1-p la
probabilidad de un fracaso.
Recibe el nombre de experimento binomial.
La variable aleatoria X, de un experimento binomial, que corresponde al
nmero de ensayos donde el resultado es un xito, tiene una distribucin
binomial con parmetros p y n = 1, 2,... y su funcin de probabilidad es:
f(x,p,n)= nCx .Px .(1-P)n-x
para x=0,1,.....,n.

La funcin de distribucin binomial acumulada se expresa como:

La media y la varianza de una variable aleatoria binomial dependen slo de los

parmetros p y n. Y ellas se definen:
Mx =E(x)=n.p

S2x =n.p(1-p)=n.p.q

Distribucin Binomial Negativa y Geomtrica

En la distribucin geomtrica, la variable aleatoria estaba definida como el
nmero de ensayos Bernoulli necesarios para obtener el primer xito. Suponga
ahora que se desea conocer el nmero de ensayos hasta obtener r xitos; en
este caso la variable aleatoria es denominada binomial negativa.
La distribucin binomial negativa o distribucin de Pascal es una generalizacin
de la distribucin geomtrica donde la variable aleatoria X es el nmero de
ensayos Bernoulli efectuados hasta que se tienen r xitos, con una probabilidad
constante de xito p. Se dice entonces que X tiene una distribucin binomial
negativa con parmetros p y r = 1, 2, 3,...
f(x,p,r)=

x-1Cr-1

qx-r . pr

x=r,r+1,r+r+2+....

La media y la varianza de una variable aleatoria binomial negativa X con

parmetros p y r son:
Mx =E(x)= r/p

V(x)= r.p/p2

La funcin de distribucin geomtrica acumulada se expresa como:

La media y la varianza de una variable aleatoria geomtrica son:

Distribucin Hipergeomtrica

Sea N el nmero de elementos de un conjunto de los cuales k son

determinados como xitos y N-k como fallas, se trata ahora de determinar la
probabilidad de x xitos en n ensayos de los N elementos del conjunto donde
y

. Sea tambin la variable aleatoria X el nmero de xitos en la

muestra. Entonces, X tiene una distribucin hipergeomtrica y su funcin de

distribucin de probabilidad est dada por:
f(x,N,k,n)= ( kCx . N-kCn-x )/ NCn x=0,1,2,... min(k,n)
La expresin mn (k,n) corresponde al valor menor entre el tamao de la
muestra k y el nmero mximo de xitos que puede presentarse en la
muestra n. La distribucin hipergeomtrica suele expresarse como h(x;N,k,n) .
La media y la varianza de una variable aleatoria hipergeomtrica X con
parmetros N, k y n son:
M =E(x)=n.p
V(x)= n.p.q ((N-n)/(N-1))

Distribucin Poisson
La distribucin de Poisson, llamada as en honor a Simen Denis Poisson
probabilista francs que fue el primero en describirla, es el principal modelo de
probabilidad empleado para analizar problemas de lneas de espera,
confiabilidad y control de calidad; como el nmero de personas que llegan a un
lugar determinado en un tiempo definido, los defectos en piezas similares para
el material, el nmero de bacterias en un cultivo, el nmero de goles anotados
en un partido de ftbol, el nmero de fallas de una mquina en una hora o en
un da, la cantidad de vehculos que transitan por una autopista, el nmero de
llamadas telefnicas por minuto, etc. Como se puede observar se trata de
hallar la probabilidad de ocurrencia de cualquier nmero por unidad de
medicin (temporal o espacial).
Dado un proceso Poisson donde es el nmero promedio de ocurrencias en el
intervalo de nmeros reales donde este se define, la variable
aleatoria X correspondiente al nmero de ocurrencias en el intervalo es
llamada variable aleatoria Poisson y su funcin de probabilidad est dada por:

f(x,n.p)= ( e-n.p (n.p)x )/ x! x= 0,1,2,......n.p>0

El nmero promedio de ocurrencias de un evento por unidad de tiempo (o de
espacio) es la media de la variable aleatoria Poisson y se define como:

Y la desviacin estndar resulta ser:

DISTRIBUCIONES CONTINAS DE PROBABILIDAD

Son aquellas que provienen de variables cuantitativas, es decir aquellas que
poseen un valor por la cual puedan ser objetos de medicin.
Distribucin Uniforme
Se da cuando todas las posibilidades en un experimento son posibles, se
dividen en dos parmetros; a y b, las cuales representan el valor mnimo y
mximo.Ej: si tomamos de experimento el lanzamiento de un dado, en este se
cumple la distribucin uniforme, debido a que los seis resultados posibles
tienen un 1/6 de probabilidad que ocurra.
Distribucin Normal Estndar o Tipificada
Es la que consta de tres propiedades, 1) presenta forma de campana, 2) Posee
una media igual a 0, 3) tiene una desviacin estndar igual a 1.
Se utiliza la curva para una distribucin uniforme en una lnea horizontal, para
que de esta manera exista una correspondencia entre rea y probabilidad.
Distribucin Exponencial
Es la que se usa para lo que nos interesa saber acerca del tiempo en el que
ocurre determinado evento, que pueda ocurrir desde cualquier instante dado
hasta que ello ocurra en un instante, como por ejemplo. El tiempo que pueda
transcurrir en un servicio de urgencias, para la llegada de un paciente.
Distribucin Chi Cuadrado
Es la funcin matemtica creada por el matemtico Karl Pearson, lo cual
consiste en un test que sirve para calcular si los resultados estadsticos de un
experimento se alejan significativamente o no de los resultados esperados del
modelo terico.

Tambin puede encontrarse en ejemplos como Ji Cuadrado, usualmente utiliza

variables aleatorias continuas.
Este es un modelo ideal para lmites probables, su frmula es:

2k (X) =

Xk / 2 1 e X / 2

2k /2 (k / 2)