1

ndice

1.Qu es exactamente al azar? .................................................................................................................. 4

2. Qu es una variable aleatoria? .......................................................................................................... 4
3. Variables aleatorias discretas .............................................................................................................. 4
4. Dist. de probabilidad para una Variable Aleatoria Discreta (VAD) .............................................. 5
5. Valor esperado de una VAD (esperanza matemtica) .................................................................... 6
6. Valor Monetario Esperado ..................................................................................................................... 6
7. Varianza y desviacin estndar de una V. A. D. .............................................................................. 7
8. La distribucin Binomial ........................................................................................................................ 7
9. Distribucin Hipergeomtrica ................................................................................................................... 9
10. La distribucin de poisson .............................................................................................................. 11
11. Variables aleatorias continuas ........................................................................................................... 13
12. La dist. Normal de probabilidades ................................................................................................ 13
13. La distribucin normal estandarizada .......................................................................................... 14
14. Aproximacin de la normal a la binomial .................................................................................... 16

2
 Introduccin

En este trabajo se realiza la aplicacin de las distribuciones discretas

Una distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento. Una
distribucin de probabilidad es similar al distribucin de frecuencias
relativas .Si embargo, en vez de describir el pasado, describe la
probabilidad que un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que se puede
disear un escenario de acontecimientos futuros considerando las
tendencias actuales de diversos fenmenos naturales.
Las decisiones estadsticas basadas en la estadstica inferencial son
fundamentales en la investigacin que son evaluadas en trminos de
distribucin de probabilidades.
En el presente trabajo, se estudia de manera gil los diverso tipos de
distribucin probabilstica, caracterizaremos cada distribucin, la
fundamentacin matemtica de los diversos resultados no se enfocaran
en el presente trabajo; slo me limitar al estudio descriptivo de la
distribucin de probabilidades discretas.

3
1. Qu es exactamente al azar?

El azar es una cualidad presente en diversos fenmenos que se caracterizan por no

mostrar una causa, orden o finalidad aparente. En matemticas, puede darse una
serie de nmeros con la propiedad de que dicha serie no puede obtenerse por un
algoritmo ms corto que la serie misma. Es lo que se conoce como aleatoriedad.

2. Qu es una variable aleatoria?

Una variable aleatoria es una funcin que asigna un valor, usualmente numrico, al
resultado de un experimento aleatorio. ... Un concepto relacionado es el de proceso
estocstico, un conjunto de variables aleatorias ordenadas (habitualmente por orden
o tiempo).

3. Variables aleatorias discretas

Definicin y ejemplo
A una variable aleatoria que asuma ya sea un nmero finito de valores o una
sucesin infinita de valores tales como 0, 1, 2, . . ., se le llama variable aleatoria

4
 discreta. Considere, por ejemplo, el siguiente experimento: un contador presenta el
examen para certificarse como contador pblico. El examen tiene cuatro partes.
Defina una variable aleatoria x como x nmero de partes del examen aprobadas.
sta es una variable aleatoria discreta porque puede tomar el nmero finito de
valores 0, 1, 2, 3 o 4.

4. Dist. de probabilidad para una Variable Aleatoria Discreta (VAD)

- Definicin, formas de representarla, acumulada

Se denomina distribucin de variable discreta a aquella cuya funcin

de probabilidad slo toma valores positivos en un conjunto de valores de finito o
infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad.
Lista de los resulta dos de un experimento con las probabilidades que se
esperan, se asociarn a esos resultados. Si x es una variable aleatoria discreta,
la funcin dada por f(x) para cada x contenida en el intervalo de x se denomina
funcin de probabilidad, o distribucin de probabilidad, de x. Una funcin puede
fungir como la distribucin de probabilidad de una variable aleatoria discreta x si y
slo si sus valores, f(x), cumple las condiciones siguientes: a ) f( x) 0 para cada
valor contenido en su dominio b) f(x) = 1, donde la sumatoria se extiende sobre
todos los valores contenidos en su dominio.

La distribucin acumulada F(x) de una variable aleatoria discreta X, cuya distribucin de

probabilidad es f(x), es: F(x) = P(X x) = para t x f ( t ) x

5
 5. Valor esperado de una VAD (esperanza matemtica)

El valor esperado, o media, de una variable aleatoria es una medida de la localizacin

central de la variable aleatoria. A continuacin se da la frmula para obtener el valor
esperado de una variable aleatoria x.

Las dos notaciones E(x) y se usan para denotar el valor esperado de una variable
aleatoria x. La ecuacin (5.4) indica que para calcular el valor esperado
de una variable aleatoria discreta se multiplica cada valor de la variable aleatoria por su
probabilidad correspondiente f(x) y despus se suman estos productos. Usando el ejemplo
de la seccin 5.2 sobre las ventas de automviles en DiCarlo Motors, en la tabla 5.5 se
muestra cmo se calcula el valor esperado del nmero de automviles vendidos en un da.
La suma de las entradas en la columna xf(x) indica que el valor esperado es 1.50
automviles por da. Por tanto, aunque se sabe que en un da las ventas pueden ser de 0,
1, 2, 3, 4 o 5 automviles, DiCarlo prev que a la larga se vendern 1.50 automviles por
da. Si en un mes hay 30 das de operacin, el valor esperado, 1.50, se emplea para
pronosticar que las ventas promedio mensuales sern de 30(1.5) 45 automviles.

6. Valor Monetario Esperado

Es el promedio o resultado monetario esperado de una decisin, este es determinado de la
multiplicacin de los resultados esperados por sus probabilidades respectivas, los
resultados entonces son sumados hasta llegar al EMV. Es una tcnica de anlisis que hace
el clculo para determinar el promedio de todos los resultados posibles cuando el futuro
exige una serie de situaciones particulares que pueden o no en ltima instancia suceder.
estos escenarios pueden ser interpretados como posibles de forma individual. Una
utilizacin comn de esta tcnica se lleva a cabo dentro de una tcnica como la realizacin

6
de rboles de decisin. el anlisis del valor monetario esperado lo que tambin puede
hacer referencia a anagrama, puede realizarse en cualquier ciclo de vida del proyecto.

7. Varianza y desviacin estndar de una V. A. D.

Varianza:
Aunque el valor esperado proporciona el valor medio de una variable aleatoria,
tambin suele ser necesaria una medida de la variabilidad o dispersin. As como
en el captulo 3 se us la varianza para resumir la variabilidad de los datos, ahora
se usa la varianza para resumir la variabilidad en los valores de la variable
aleatoria. A continuacin se da la frmula para calcular la

Desviacin estndar
Definicin
1. Es una medida de dispersin de la misma dimensin fsica de la variable y
que representa por medio de la letra .
2. Raz cuadrada positiva de la varianza; una medida de la dispersin, expresada
en las mismas unidades que los datos originales y no en las unidades cuadradas
de la varianza.

8. La distribucin Binomial
La distribucin de probabilidad binomial es una distribucin de probabilidad que tiene
muchas aplicaciones. Est relacionada con un experimento de pasos mltiples al que se
le llama experimento binomial.

7
Uso de las tablas de probabilidades binomiales Existen tablas que dan la
probabilidad de x xitos en n ensayos de un experimento binomial. Estas tablas son
fciles de usar y los resultados se obtienen ms rpidamente que con la ecuacin
(5.8). La tabla 5 del apndice B es una de estas tablas de probabilidades binomiales.
Una parte de esta tabla se presenta en la tabla 5.8. Para usarla es necesario
especificar los valores de n, p y x en el experimento binomial de que se trate. En el
ejemplo que se presenta en la parte superior de la tabla 5.8 se ve que la probabilidad
de x 3 xitos en un experimento binomial con n 10 y p 0.40 es 0.2150. Use la
ecuacin (5.8) para verificar que este mismo resultado se obtiene si usa la funcin
de probabilidad binomial directamente. Ahora se usar la tabla 5.8 para corroborar la
probabilidad de 4 xitos en 10 ensayos en el problema de la tienda de ropa Martin
Clothing Store. Observe que el valor de f(4) 0.2001 se lee directamente de la tabla
de probabilidades binomiales, eligiendo n 10, x 4 y p 0.30. Aun cuando las tablas de
probabilidades binomiales son relativamente fciles de utilizar, es imposible contar
con tablas que tengan todos los valores de n y p de un experimento binomial. Sin
embargo, con las calculadoras de hoy en da, usar la ecuacin (5.8) para calcular la
probabilidad deseada no es difcil, en especial si el nmero de ensayos no es
grande. En los ejercicios tendr la oportunidad de usar la ecuacin (5.8) para
calcular probabilidades binomiales, a menos que el problema pida que use la tabla
de probabilidad binomial

8
Valor esperado y varianza en la distribucin binomial

En la seccin 5.3 se dieron las frmulas para calcular el valor esperado y la varianza de
una variable aleatoria discreta. En el caso especial de que la variable aleatoria tenga una
distribucin binomial para la que se conoce el nmero de ensayos n y la probabilidad de
xito p, las frmulas generales para

valor esperado y la varianza se simplifican. El resultado se muestra a continuacin

9. Distribucin Hipergeomtrica
La distribucin de probabilidad hipergeomtrica est estrechamente relacionada con
la distribucin binomial. Pero difieren en dos puntos: en la distribucin
hipergeomtrica los ensayos no son independientes y la probabilidad de xito vara
de ensayo a ensayo. En la notacin usual en la distribucin hipergeomtrica, r
denota el nmero de elementos considerados como xitos que hay en una poblacin
de tamao N, y N r denota el nmero de elementos considerados como fracasos
que hay en dicha poblacin. La funcin de probabilidad hipergeomtrica se usa para
calcular la probabilidad de que en una muestra aleatoria de n elementos,
seleccionados sin reemplazo, se tengan x xitos y n x fracasos. Para que se
presente este resultado, debe tener x xitos de los r xitos que hay en la poblacin y
n x fracasos de los N r fracasos. La siguiente funcin de probabilidad
hipergeomtrica proporciona f(x), la probabilidad de tener x xitos en una muestra
de tamao n.

9
o

10
 10. La distribucin de poisson

En esta seccin estudiar una variable aleatoria discreta que se suele usar para
estimar el nmero de veces que sucede un hecho determinado (ocurrencias) en
un intervalo de tiempo o de espacio. Por ejemplo, la variable de inters va desde
el nmero de automviles que llegan (llegadas) a un lavado de coches en una
hora o el nmero de reparaciones necesarias en 10 millas de una autopista hasta
el nmero de fugas en 100 millas de tubera. Si se satisfacen las condiciones
siguientes, el nmero de ocurrencias es una variable aleatoria discreta, descrita
por la distribucin de probabilidad de Poisson.

11
12
11. Variables aleatorias continuas
A una variable que puede tomar cualquier valor numrico dentro de un
intervalo o coleccin de intervalos se le llama variable aleatoria continua.
Los resultados experimentales basados en escalas de medicin tales como
tiempo, peso, distancia y temperatura pueden ser descritos por variables
aleatorias continuas. Considere, por ejemplo, el experimento de observar
las llamadas telefnicas que llegan a la oficina de atencin de una
importante empresa de seguros. La variable aleatoria que interesa es x
tiempo en minutos entre dos llamadas consecutivas. Esta variable aleatoria
puede tomar cualquier valor en el intervalo x 0. En efecto, x puede tomar
un nmero infinito de valores, entre los que se encuentran valores como
1.26 minutos, 2.751 minutos, 4.3333 minutos, etc. Otro ejemplo, considere
el tramo de 90 millas de una carretera entre Atlanta y Georgia. Para el
servicio de ambulancia de emergencia en Atlanta, la variable aleatoria x es
x nmero de millas hasta el punto en que se localiza el siguiente accidente
de trfico en este tramo de la carretera. En este caso, x es una variable
aleatoria continua que toma cualquier valor en el intervalo 0
x
90. En la tabla 5.2 aparecen otros ejemplos de variables aleatorias
continuas. Observe que cada ejemplo describe una variable aleatoria que
toma cualquier valor dentro de un intervalo de valores.

12. La dist. Normal de probabilidades

La grfica de la distribucin normal tiene la forma de una campana, por este
motivo tambin es conocida como la campana de Gauss. Sus
caractersticas son las siguientes:
Es una distribucin simtrica.
Es asinttica, es decir sus extremos nunca tocan el eje horizontal, cuyos
valores tienden a infinito.

13
 En el centro de la curva se encuentran la media, la mediana y la moda.
El rea total bajo la curva representa el 100% de los casos.
Los elementos centrales del modelo son la media y la varianza.

Esta distribucin es un modelo matemtico que permite determinar

probabilidades de ocurrencia para distintos valores de la variable. As, para
determinar la probabilidad de encontrar un valor de la variable que sea igual
o inferior a un cierto valor xi, conociendo el promedio y la varianza de un
conjunto de datos, se debe reemplazar estos valores (media, varianza y xi)
en la frmula matemtica del modelo. El clculo resulta bastante complejo
pero, afortunadamente, existen tablas estandarizadas que permiten eludir
este procedimiento.
En el grfico, el rea sombreada corresponde a la probabilidad de
encontrar un valor de la variable que sea igual o inferior a un valor dado.
Esa probabilidad es la que aprenderemos a determinar usando una tabla
estandarizada.

13. La distribucin normal estandarizada

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:

Distribucin Normal Estndar

Su grfica es:

14
 Grfica de la Distribucin Normal Estndar

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

figura. Y para calcularla utilizaremos una tabla.

Tipificacin de la variable

Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribucin N(, ) en otra variable Z que siga una distribucin N(0, 1).

Uso de Tabla de la distribucin normal estandarizada

La tabla de la distribucin normal presenta los valores de probabilidad para
una variable estndar Z, con media igual a 0 y varianza igual a 1. Para usar
la tabla, siempre debemos estandarizar la variable por medio de la
expresin:

Siendo x el valor de inters; la media de nuestra variable y su

desviacin estndar. Recordemos que y corresponden a parmetros, o
sea valores en el universo, que generalmente no conocemos, por lo que
debemos calcular Z usando los datos de nuestra muestra. En general, el
valor de Z se interpreta como el nmero de desviaciones estndar que
estn comprendidas entre el promedio y un cierto valor de variable x. En
otras palabras, se puede decir que es la diferencia entre un valor de la
variable y el promedio, expresada esta diferencia en cantidad de
desviaciones estndar. Suena abstracto, pero con un ejemplo se podr
entender mejor:

15
 Supongamos un conjunto de personas con edad promedio 25 aos y
desviacin estndar 3,86. Nuestro valor de inters (x) es 30 aos. El valor
de Z correspondiente ser:

Este valor de Z nos dice que la edad de 30 aos est a 1,29 desviaciones
estndar sobre el promedio. Ahora bien, la tabla de la distribucin normal,
entrega valores de probabilidad para los distintos valores de Z.

14. Aproximacin de la normal a la binomial

Aproximacin Normal a la Distribucin Binomial

En algunos casos una Distribucin Binomial puede aproximarse por

una Distributin Normal (que tenga la misma media y varianza).

Si X es una variable aleatoria con una Distribucin Normal podemos escribir:

16
Entonces, si Y es una variable aleatoria Normal con la misma media y varianza:

Podemos usar dos aproximaciones de la Normal a la Binomial. En primer lugar,

podemos usar la funcin de densidad normal como una aproximacin de la
binomial. En el applet, esta aproximacin est representada por la lnea naranja.

Una segunda aproximacin es mejor y ms prctica si usamos las tablas de la

Distribucin Normal. En este caso usamos una correccin de continuidad, como
en este ejemplo:

En el applet, esta aproximacin se corresponde con la lnea roja.

17
En el applet queremos representar intuitivamente cmo en algunos casos la
aproximacin no es aceptable y en otros es buena. Cuando el error absoluto de la
aproximacin normal es menor que 0.005 dibujamos un rectngulo azul. Si la
aproximacin est entre 0.005 y 0.05 dibujamos un rectngulo amarillo y si la
aproximacin es menos precisa el rectngulo es rojo.

Aqu podemos ver un caso en el que la aproximacin parece precisa:

18
En este caso la aproximacin no es tan precisa:

Y en el siguiente caso la paroximacin es mala:

En el applet podemos cambiar el parmetro n.

La media est representada por un tringulo azul y puede verse como el punto de
equilibrio. Arrastrndolo con el ratn modificamos el parmetro p.

Cambiando estos dos parmetros podemos ver como cambia la precisin en la

aproximacin de la distribucin Binomial por la Normal.

Los puntos rojos controlan las escalas vertical y horizontal.

19
Si n es "bastante grande" y p est "prximo a" 0.5, la distribucin ser bastante
simtrica y parecida a la Normal. En estos casos, la Distribucin Normal puede
darnos excelentes aproximaciones. Sin embargo, la aproximacin no ser precisa
para valores pequeos de n. Hay varias reglas o criterios que intentan precisar
cuando es adecuado el uso de la aproximacin Normal (aunque esto depende del
problema estudiado y de la conveniencia de una mayor o menor precisin). Por
ejemplo, una regla dice que podemos usar la aproximacin Normal slo si

La aproximacin generalmente mejora si n crece y es mejor cuando p no est

cerca de 0 o de 1.

Aqu podemos ver un ejemplo tpico que representa el uso de las tablas de la
Distribucin Normal para calcular probabilidades en una Distribucin Binomial
(usando la correccin de continuidad).

Cuando n es grande los clculos exactos de probabilidades con la Distribucin

Binomial pueden ser muy largos, pero usando las tablas de la Distribucin Normal
estos clculos son sencillos. Histricamente ste fue el primer uso de la
Distribucin Normal y fue introducido por Abraham de Moivre.

20
 Bibliografa

http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/5
1normal_y_normal_estndar.html

http://paginas.facmed.unam.mx/deptos/sp/wp-
content/uploads/2013/12/Quevedo-F.-Distribucion-normal.-
Medwave-2011-May-1105.pdf

http://www.matematicasvisuales.com/html/probabilidad/vara
leat/binomialnormal.html

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_hipergeom
%C3%A9trica

http://www.economia.unam.mx/profesores/blopez/estadistic
a-discretas.pdf

file:///C:/Users/16470/OneDrive/Documentos/Estadistica%20
para%20admin.%20y%20economia%20-
%20Anderson%2010%20th.pdf

21