DEFINICION DE TEMAS CORRESPONDIENTES A LA UNIDAD 2

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

La realizacin de un experimento genera ms atencin en la funcin del resultado
ms que en el resultado en s mismo. As, por ejemplo, al arrojar un dado dos
veces podramos estar interesados slo en la suma de los puntos obtenidos y no
en el par de valores que dio origen a ese valor de la suma. En gran cantidad de
experimentos aleatorios es necesario cuantificar los resultados, es decir, asignar a
cada resultado del experimento un nmero, con el fin de poder realizar un estudio
matemtico. Esa cantidad de inters, o ms formalmente esa funcin a valores
reales definida sobre el espacio muestral se denomina variable aleatoria. Variable
porque toma distintos valores y aleatoria porque el valor observado no puede ser
predicho antes de la realizacin del experimento, aunque s se sabe cules son
sus posibles valores. Dado que el valor de una variable aleatoria es determinado
por el resultado de un experimento, se pueden asignar probabilidades a los
posibles valores o conjuntos de valores de la variable.
Variables aleatorias discretas
Distribucin uniforme
La distribucin uniforme es la que corresponde a una variable que toma todos sus
valores, x1, x2..., xk, con igual probabilidad; el espacio muestral debe ser finito.
Si la variable tiene k posibles valores, su funcin de probabilidad sera:

Donde k es el parmetro de la distribucin (un parmetro es un valor que sirve

para determinar la funcin de probabilidad o densidad de una variable aleatoria)
La media y la varianza de la variable uniforme se calculan por las expresiones:

El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la

distribucin uniforme se le suele llamar distribucin rectangular.

Variables aleatorias continuas

Distribucin normal o de Gauss
La distribucin normal fue definida por De Moivre en 1733 y es la distribucin de
mayor importancia en el campo de la estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es
decir, cuando sus valores son el resultado de medir reiteradamente una magnitud
sobre la que influyen infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de campana a
la que se llama campana de Gauss.
Su funcin de densidad es la siguiente:

Los parmetros de la distribucin son la media y la desviacin tpica, y ,

respectivamente. Como consecuencia, en una variable normal, media y desviacin
tpica no deben estar correlacionadas en ningn caso (como desgraciadamente
ocurre en la inmensa mayora de las variables aleatorias reales que se asemejan a
la normal.
La curva normal cumple las siguientes propiedades:
1)

El mximo de la curva coincide con la media.

2)

Es perfectamente simtrica respecto a la media (g 1 = 0).

3)

4)

La curva tiene dos puntos de inflexin situados a una desviacin tpica de

la media. Es convexa entre ambos puntos de inflexin y cncava en ambas
colas.

Sus colas son asintticas al eje X

Para calcular probabilidades en intervalos de valores de la variable, habra que

integrar la funcin de densidad entre los extremos del intervalo. Por desgracia (o
por suerte), la funcin de densidad normal no tiene primitiva, es decir, no se puede
integrar. Por ello la nica solucin es referirse a tablas de la funcin de distribucin
de la variable (calculadas por integracin numrica) Estas tablas tendran que ser
de triple entrada (, , valor) y el asunto tendra una complejidad enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede establecer
una correspondencia de sus valores con los de otra variable con distribucin
normal, media 0 y varianza 1, a la que se llama variable normal tipificada o Z. La
equivalencia entre ambas variables se obtiene mediante la ecuacin:

La funcin de distribucin de la variable normal tipificada est tabulada y,

simplemente, consultando en las tablas se pueden calcular probabilidades en
cualquier intervalo que nos interese.

De forma anloga a lo pasaba con las variables Poisson, la suma de variables

normales independientes es otra normal.

Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un experimento
que cumple las siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero
natural fijo.
2)

Cada prueba resulta en un suceso que cumple las propiedades de la

variable binmica o de Bernouilli, es decir, slo existen dos posibles
resultados, mutuamente excluyentes, que se denominan generalmente
como xito y fracaso.

3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas.

P(xito) = p ; P(fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en
las n pruebas se llama variable binomial. Evidentemente, el espacio muestral estar
compuesto por los nmeros enteros del 0 al n. Se suele decir que una variable
binmica cuenta objetos de un tipo determinado en un muestreo de n elementos
con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como b(x,n,p)
siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los
parmetros de la distribucin.

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)=

Cr-1

x-1

qx-r . pr

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

Algunos autores denotan esta distribucin como b *(x,p,r) Observe que en el caso
especial donde r = 1, la variable aleatoria binomial negativa se convierte en una
variable aleatoria geomtrica.
La tabla siguiente expresa la diferencia entre una variable aleatoria binomial y una
variable aleatoria binomial negativa. En este sentido, la variable aleatoria binomial
negativa se considera como el opuesto, o el negativo, de una variable aleatoria
binomial.
Distribucin de poisson
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo
determinado) que ocurren en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del
espacio es independiente de lo que ocurra en cualquier otro tiempo
o espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es
proporcional al tamao de este y no depende de lo que ocurra fuera
de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del
tiempo o del espacio tiende a cero a medida que se reducen las
dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son
variables en las que se cuentan sucesos raros.

La funcin de probabilidad de una variable Poisson es:

El parmetro de la distribucin es que es igual a la media y a la varianza de la

variable.

Esta caracterstica puede servirnos para identificar a una variable Poisson en

casos en que se presenten serias dificultades para verificar los postulados de
definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la
distribucin binomial cuando n tiende a
y p tiende a 0, siendo np constante (y
menor que 7); en esta situacin sera difcil calcular probabilidades en una variable
binomial y, por tanto, se utiliza una aproximacin a travs de una variable Poisson
con media l = n p.
La varianza de la variable aproximada es ligeramente superior a la de la variable
binomial.

Las variables Poisson cumplen la propiedad de que la suma de variables Poisson

independientes es otra Poisson con media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la media.
Como ejemplo, mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5
(arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la distribucin
disminuye al crecer y que, en paralelo, la grfica empieza a tener un aspecto
acampanado.
Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un experimento que
cumple las siguientes condiciones:

1)

Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto

finito de N objetos.

2)

K de los N objetos se pueden clasificar como xitos y N - K como

fracasos.

X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el

conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues
depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son
independientes entre s.
La funcin de probabilidad de la variable hipergeomtrica es:

Los parmetros de la distribucin son n, N y K.

Los valores de la media y la varianza se calculan segn las ecuaciones:

Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy

poco de una prueba a otra, as pues, la variable, en este caso, es esencialmente
binomial; en esta situacin, N suele ser muy grande y los nmeros combinatorios
se vuelven prcticamente inmanejables, as pues, la probabilidades se calculan
ms cmodamente aproximando por las ecuaciones de una binomial con p = K /
N.
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la de la
variable antes de la aproximacin; sin embargo, la varianza de la variable binomial
es ligeramente superior a la de la hipergeomtrica.

El factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto
sea que n << N.
El aspecto de la distribucin es bastante similar al de la binomial. Como ejemplo,
mostramos los casos anlogos a los de las binomiales del apartado anterior (p
inicial = 0,25 y n = 4)
DISTRIBUCIN UNIFORME (DE V.DISCRETA)
Es una distribucin muy sencilla que asigna probabilidades iguales a un conjunto
finito de puntos del espacio.
Modeliza fenmenos en los que tenemos un conjunto de n sucesos posibles, cada
uno de los cuales con la misma probabilidad de ocurrir. Si aleatorizamos de forma
que cada uno de stos sucesos se corresponda con un nmero natural del 1 a la n
obtendremos una distribucin uniforme. Tendremos un nico parmetro; n
Diremos, por tanto que

Puede hacerse derivar en consecuencia de un proceso experimental de seleccin

aleatoria, en el que la caracterstica que consideramos en la seleccin slo puede
tomar un conjunto de n valores discretos y donde cualquiera de estos valores
puede obtenerse con igual probabilidad.
Por su elementalidad no es una distribucin de excesivo inters prctico.
Su funcin de cuanta definida para los valores de x = {1, 2, n} vendr dada por
la
constante:
P(x)
=
l
/n
para
x
=
{1,
2,
n}
Su funcin de distribucin vendr dada por

Puede comprobarse que su media ser

Su varianza ser:

Por ltimo, su Funcin Generatriz de Momentos, quedar expresada como

DISTRIBUCIN UNIFORME (DE V.CONTINUA)

La distribucin o modelo uniforme puede considerarse como proveniente de un
proceso de extraccin aleatoria .El planteamiento radica en el hecho de que la
probabilidad se distribuye uniformemente a lo largo de un intervalo. As: dada una
variable aleatoria continua, x, definida en el intervalo [a, b] de la recta real, diremos
que x tiene una distribucin uniforme en el intervalo [a, b] cuando su funcin de
densidad para

sea:

para x [a, b].

Su representacin grfica ser:

De manera que la funcin de distribucin resultar:

Su representacin grfica ser:

Este modelo tiene la caracterstica siguiente: Si calculamos la probabilidad del

suceso

Tendremos:
Este resultado nos lleva a la conclusin de que la probabilidad de cualquier suceso
depende nicamente de la amplitud del intervalo (D X), y no de su posicin en la
recta real [a, b]. Lo que viene a demostrar el reparto uniforme de la probabilidad a
lo largo de todo el campo de actuacin de la variable, lo que, por otra parte,
caracteriza al modelo.
En cuanto a las ratios de la distribucin tendremos que la media tiene la
expresin:

La varianza tendr la siguiente expresin:

De donde

Por lo que
La

funcin

generatriz

de

momentos vendr

dada

por: