Variable Aleatoria y Distribuciones

UNIVERSIDAD CATÓLICA DE CUYO .
Facultad de Ciencias Químicas y Tecnología .

Cátedra de Bioestadística .
Curso: Cuarto Año – Carreras: Licenciatura en Bioquímica y Farmacia .
..
Variable Aleatoria y Modelos

Probabilísticos
Lic.: Mariana L. Gomez 1

EXPERIMENTOS ALEATORIOS
Considerar las siguientes situaciones:
1. Se observa el cambio mensual del número de clientes de una

laboratorio.
2. Se toman los tiempos entre llegadas de clientes a la fila de una

caja de banco.
3. Un investigador cuenta el número de partículas atómicas

captadas por un instrumento.
4. Se mide la cantidad de jeringas falladas por caja de 30 u.
5. Un meteorólogo registra las temperaturas máximas diarias.

Lic. Mariana Gomez 2
Un experimento aleatorio es aquél que puede tener al
menos dos resultados posibles, con incertidumbre en
cuanto a cuál de ellos tendrá lugar cuando se realice el
experimento.

Una variable aleatoria es lo que deseo estudiar sobre mi
experimento aleatorio, y toma valores numéricos.
Es discreta si sólo puede tomar una cantidad finita o

infinita de números enteros.
Es continua si asume valores en un intervalo de números

reales (números con decimales).

En los casos planteados las variables aleatorias son:
1. X: “Número mensual de clientes de una laboratorio”. Variable

discreta.
2. X: “Tiempos entre llegadas de clientes a la fila de una caja de

banco”. Variable continua
3. X: “Número de partículas atómicas captadas por un

instrumento”. Variable discreta
4. X: “Cantidad de jeringas falladas por caja de 30 u”. Variable

discreta
5. X: “Temperaturas máximas diarias”. Variable continua

Dado que la variable aleatoria puede asumir distintos
valores y es el azar el que determina cuál de ellos se
obtiene al realizar el experimento, a cada valor de la
variable aleatoria se le debe asignar una probabilidad, la
cual nos indicará cuán probable es obtener un cierto valor
de la variable.
Este conjunto de medidas de probabilidad para cada uno

de los posibles valores de la variable es lo que se denomina
función o distribución de probabilidades y su manejo
difiere si se trata de una variable discreta o continua.

Variable discreta:
Ejemplo= X: “Cantidad de caras en el lanzamiento de una
moneda”. P(X=0)=P(“Seca”)=0.5, P(X=1)=P(“Cara”)=0.5
El recorrido de la variable (posibles valores) y su
correspondiente distribución de probabilidades es:
X 0 1
f(X)=P(X=x) 0.5 0.5
Dicha distribución se puede representar mediante un

gráfico de barras, como se muestra en la figura siguiente.
Probabilidad

X
Variables Continuas
Dado que una variable continua puede asumir cualquier valor
real en un cierto intervalo de valores podríamos construir un
histograma con los datos agrupados en intervalos. Si se
aumenta progresivamente la cantidad de intervalos a construir
se llegaría eventualmente a una curva continua
Por lo tanto la distribución de probabilidades de una variable

continua es una curva continua. Lic. Mariana Gomez 8
Además, como el número de valores que puede
tomar una variable continua es infinito, la
probabilidad puntual de que suceda uno de
ellos es nula.
Por lo tanto, solo es posible determinar la
probabilidad de que la variable asuma cierto
intervalo de valores con este tipo de variables.
Y dado que la función de probabilidades es una
curva continua, la probabilidad queda
representada por el área bajo la curva para el
intervalo de valores de interés, área que se
podrá obtener por medio de una integral
definida.

Esperanza y varianza
El Valor esperado de una variable aleatoria,

discreta o continua, es el promedio de todos sus
valores, ponderados por sus respectivas
probabilidades.
La varianza de una variable aleatoria es una

medida de la dispersión o variabilidad de los
valores de la variable.
Tanto en el caso discreto como continuo,
existen modelos probabilísticos conocidos,
que pueden aplicarse a determinados
fenómenos, para representar sus
probabilidades.
Las funciones de probabilidad asociadas a

estos modelos pueden escribirse como una
ecuación matemática.
Es así como existen los modelos:
-Para variables discretas:
•Binomial,
•Geométrico,
•Hipergeométrico,
•Poisson.
-Para variables continuas:
•Exponencial,
•Normal,
•Entre otros. Lic. Mariana Gomez 12

DISTRIBUCIÓN BINOMIAL
Supongamos que un experimento aleatorio tiene sólo

dos resultados posibles mutuamente excluyentes
(resultados dicotómicos), "éxito" y "fracaso", y que p es
la probabilidad de obtener un éxito en cada repetición y
tiene un valor conocido, el cual se considera constante
de ensayo en ensayo (independencia).
Si se realizan n repeticiones independientes del

experimento y se registra el número de éxitos
obtenidos, X, la distribución de probabilidades de dicha
variable aleatoria sigue el modelo de una distribución
Binomial. Lic. Mariana Gomez 13
La función de probabilidad (ecuación de cálculo de
probabilidades puntuales (P(X=x)) para una variable
con distribución de probabilidades Binomial es
n x
f ( x)    p (1  p )( n  x )
 x
f ( x)  probabilidad de x exitos en n intentos

n n!
 x 
  x !(n - x)!
p  probabilidad de un exito en cualquier intento
(1- p)=probabilidad de un fracaso en cualquier intento
Valor esperado o esperanza de una variable aleatoria con
distribución de probabilidades Binomial :
E ( x)    np
Varianza una variable aleatoria con distribución de

probabilidades Binomial:
Var ( x)   2  np(1  p)

EJEMPLO:
Supongamos que un agente de seguros tiene cinco

clientes, y piensa que para cada uno la probabilidad de
conseguir una venta es 0.4. La distribución del número
de ventas, X, tiene entonces una distribución de
probabilidades Binomial, con n = 5 y p = 0.4, es decir,
5!
P( X  x exitos )  (0.4) x (0.6)5 x
x!(5  x)!
para x = 0, 1,..., 5

•Si se desea conocer la probabilidad de que se logren hacer
dos ventas, el cálculo a realizar es el siguiente:
P(X=2) = 5! (0,4)2(0,6)3 = 0.346 = F(2)-F(1)

2! 3!
•Si se desea obtener la probabilidad de que se realicen menos

de tres ventas:
P(X<3)= P(X≤2)=P(X=0)+P(X=1)+P(X=2)=F(2) (que se puede

obtener de una tabla)
•Valor esperado de ventas (o cantidad de
ventas promedio) es:
E(X)= np = 5*0.4 = 2
•Varianza de las ventas:
V(X) = npq = 5*0.4*0.6 = 1.2

DISTRIBUCIÓN GEOMÉTRICA
En el caso de una distribución geométrica las

características del experimento que llevan a emplear
dicha distribución son:
-La variable de interés es X: “Cantidad de intentos

realizados hasta obtener el primer éxito” (donde éxito
representa lo que deseamos obtener, sea algo bueno o
malo)
-La probabilidad de éxito es conocida y constante para

todos los intentos. Lic. Mariana Gomez 19
Bajo estas condiciones la fórmula de cálculo de una
variable con distribución Geométrica (función de
cuantía) es:
f(X) = P(X=x) = qx-1 * p
Siendo p la probabilidad de éxito y q = (1-p) = la

probabilidad de fracaso.
El recorrido de una variable aleatoria con distribución

de probabilidades Geométrica es x: 1, 2, ……

La esperanza y la varianza para esta distribución son:
E(X) = 1/p V(X) = q/ p2
Ejemplos de variables aleatorias con distribución

Geométrica son:
-Número de tiradas de moneda hasta obtener la

primera cara.
-Número de veces que rinde un alumno hasta aprobar la

materia.
-Intentos de encendido de un motor

Ejemplo1= En un laboratorio de análisis clínicos
especializado en HIV la probabilidad de que un paciente de
positivo es del 20%. Calcular la probabilidad de que entren 8
pacientes antes de encontrar al primer positivo.
Ejemplo 2= En una farmacia la probabilidad de que un

cliente compre un remedio es del 60%. Calcular la
probabilidad de tener que hacer 5 intentos hasta vender el
primer remedio.

DISTRIBUCIÓN POISSON
Supongamos que se puede asumirse lo siguiente:

Para cada intervalo de tiempo, área, volumen o longitud,
muy pequeño, la probabilidad de que ocurra un suceso en
ese intervalo es aproximadamente proporcional a la
amplitud del intervalo y no puede ocurrir dos o más sucesos
en un intervalo determinado. Además se conoce el número
medio de ocurrencia del evento en un intervalo
determinado.
Si lo anterior es cierto, puede probarse que la
probabilidad de X ocurrencias en el intervalo de
tiempo, área, volumen o longitud, de 0 a T es:
e   x
P( X  x éxitos ) 
x!
donde λ es el número medio de ocurrencias entre 0 y T.
Este modelo probabilístico se denomina Distribución

de Poisson.
EJEMPLO 1:
Un estudio indica que el número de huelgas anuales

en una fábrica con 2.000 empleados, se puede
representar por una distribución de Poisson con un
promedio de λ = 0.4 huelgas anuales.
La función de probabilidad del número de huelgas

anuales, X, es:
e 0.4 (0.4) x
P( X  x huelgas ) 
x!
para x = 0, 1, 2,…..
Podemos calcular ahora probabilidades para números
concretos de huelgas anuales.
La probabilidad de que no haya huelgas en un año es:
P(X=0) = e-0.4(0.4)0 = (0.6703)(1) = 0.670
0! 1
La probabilidad de que haya más de una huelga es:
P(X> 1) = 1 – P(X≤1) = 1- F(1) = 0.0616

EJEMPLO 2.
La distribución de Poisson ha resultado ser muy útil en
problemas de líneas de espera o colas.
Los clientes llegan a una maquina fotocopiadora a una tasa
media de dos cada cinco minutos En la práctica, se pueden
representar los procesos de llegada de esta clase mediante
una distribución de Poisson.

Asumiendo que éste es el caso, representaremos por X el
número de llegadas de clientes en un periodo de cinco
minutos con lo cual X tiene una distribución de Poisson
con media λ = 2.
La función de probabilidad es
P(X=x) = e-22x
x!
para x = 0, 1, 2,...

Las probabilidades para el número de llegadas en un período
de cinco minutos son
P(X=0 llegadas) = e-2(2)0 = (0.135335)(1) = 0.1353

0! 1
P(X=1 llegadas) = e-2(2)1 = (0.135335)(2) = 0.2707

1! 1

P(X=2 llegadas) = e-2(2)2 = (0.135335)(4) = 0.2707
2! 2
y así sucesivamente. Así, por ejemplo, la probabilidad de que
se produzcan al menos dos llegadas en un periodo de cinco
minutos es:
P(X≥2) = 1 – P(X<2) = 1 – P(X=0) - P(X=1) = 1 – 0.1353 –

0.2707= 1- F(1)

El valor esperado para una variable aleatoria con
distribución de probabilidades de tipo Poisson es:
E(X) = λ
Y su varianza es:
V(X) = λ

DISTRIBUCIÓN HIPERGEOMÉTRICA
Se usa para calcular la probabilidad de que en una muestra

aleatoria de n artículos seleccionados sin reemplazo,
obtengamos x elementos identificados como éxitos, y n-x
fracasos. Donde dichos n elementos son extraídos de una
población de tamaño N, conocido, y en la cual se sabe
cuantos éxitos hay (r) y por ende cuantos fracasos (N-r).
Para calcular la probabilidad de obtener una cierta
cantidad x de éxitos se emplea la siguiente ecuación:

 r  N  r 
 x  n  x 
f ( x)    
N
n
 
Donde nuestra variable X puede asumir cualquier valor

entero desde 0 al mínimo valor entre n y r.
La esperanza y varianza para una variable con distribución
Hipergeométrica son:
E(X) = n*p V(X) = n*p*q*(N-n/N-1)
Siendo p = r / N y q = 1-p
EJEMPLO:
Se deben seleccionar 2 miembros de un comité, entre 5
personas (de las cuales 3 son mujeres y 2 son hombres),
para que asistan a una convención en Buenos Aires. Se
desea determinar la cantidad de mujeres elegidas para
formar el comité. Por lo tanto la variable X:”Número de
mujeres elegidas” tiene un modelo de probabilidades
hipergeométrica. Si se quiere conocer la probabilidad de
seleccionar a dos mujeres se debe realizar el siguiente
cálculo, sabiendo que N=5, n=2 y r=3.
 3  2 
 2  0 
f (2)     
3
 0.3
5 10
 2
 
MODELO DE PROBABILIDAD EXPONENCIAL
Si la variable aleatoria X no puede tomar valores

negativos y tiene función de densidad
 x
f X ( x)  e para x  0
y cero si x<0, donde λ tiene un valor conocido y

positivo, entonces se dice que X sigue una
distribución exponencial. Lic. Mariana Gomez 35
La función de densidad se representa en el gráfico
siguiente:
La esperanza y varianza para una variable

aleatoria con distribución exponencial es:
E(X)=1/λ
V(X))=1/λ2 Lic. Mariana Gomez 36

EJEMPLO.
El tiempo de atención al cliente en un servicio de

información de una biblioteca sigue una distribución
exponencial, con un tiempo de servicio medio de cinco
minutos.
¿Cuál es la probabilidad de que una consulta de un cliente

dure más de diez minutos?

Sea X el tiempo de atención, en minutos. La función
de densidad es
f X ( x) 
 5
exp  x
para x  0
5
Dado que la distribución de probabilidades es una curva
continua la probabilidad es el área bajo dicha curva para
el intervalo de valores de interés y para calcularla se
deberá usar integrales definidas.
La probabilidad que se pide es:
10  5
exp  x
P(X > 10) = 1 - P(X < 10) = 1-  5 = 0,135335
0
La distribución exponencial está relacionada con la
distribución de Poisson.
Concretamente, si el número de ocurrencias de un suceso

en un intervalo sigue una distribución de Poisson con
media λ, puede probarse que el tiempo que pasa entre dos
ocurrencias consecutivas del suceso sigue una distribución
exponencial de media 1/λ.

DISTRIBUCIÓN NORMAL
Muchas variables que se encuentran en la naturaleza

siguen un modelo de probabilidades normal. Su
característica es tal que los valores de la variable tienden
a agruparse respecto a un valor central, por lo que lo
más probable es que la variable asuma valores próximos
a su valor medio o centro y es poco probable que asuma
valores extremos (más pequeños o mucho mayores a la
media).

Su función de probabilidad está definida
matemáticamente por la ecuación
1  1 ( x   )2 
f ( x)  exp  
2   2 
2

Los parámetros son µ y σ, donde µ es el valor medio o

esperado y σ es la desviación estándar poblacional.

Un caso especial es el modelo probabilístico normal
estándar, que tiene valor esperado cero y desviación
estándar 1. La ecuación de la función de probabilidad
es
1  1 2
f ( x)  exp  x 
2  2 

Es un modelo de probabilidad continuo, como se muestra en
la figura siguiente:

Se sabe que si X es una variable que sigue un modelo normal,
con parámetros m y s, la variable transformada:
X 
z

sigue un modelo normal estándar. Es muy conveniente, por

cuanto permite usar una tabla normal estándar para obtener
probabilidades de cualquier otra normal.

EJEMPLO.
Se sabe que el coeficiente intelectual de las personas sigue un

modelo de probabilidades Normal con media 100 y desvío 10.
Se desea calcular la probabilidad de que al seleccionar a una

persona esta tenga un CI de entre 80 y 110:
P(80<X<110) = P((80-100)/10 < Z < (110-100)/10) =P(-2<Z<1) =

F(1) – F(-2) = o.8413 – 0.0228 = 0.8185
Donde F(x) representa la probabilidad acumulada, en este

caso el área bajo la curva de probabilidades a la izquierda del
número y se encuentra tabulado.
APROXIMACIONES
Bajo ciertas condiciones, partiendo de una distribución de

probabilidades determinada, se puede trabajar con otra
distribución. Este tipo de pasaje se llama aproximación, ya
que la distribución original en ciertas condiciones se
comporta o aproxima a otra distribución conocida. Las
aproximaciones a utilizar son:
1) De Binomial a Normal: Si nuestra variable tiene una

distribución Binomial, con un n → y p→0.5 entonces se
puede emplear para el cálculo de probabilidades una
distribución Normal con media = n*p y varianza = n*p*q
2) De Poisson a Normal: Si nuestra variable tiene una
distribución Poisson, con λ → entonces se puede
emplear para el cálculo de probabilidades una distribución
Normal con media = λ y varianza = λ
Lo curioso es que una variable de tipo discreta se puede

aproximar con una de tipo continua. Por ello, se debe
efectuar una corrección por continuidad que consiste
en sumarle o restarle 0,5 a los valores enteros en los
intervalos buscados.
3) De Binomial a Poisson: Si nuestra variable tiene una
distribución Binomial, con n → y p→0 entonces se
distribución Poisson con λ = n*p.
4) De Hipergeométrica a Binomial: Si nuestra variable tiene

una distribución Hipergeométrica, con N >> n entonces se
distribución Binomial con p = r/N.

Variable Aleatoria y Distribuciones

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Variable Aleatoria y Distribuciones

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD CATÓLICA DE CUYO .

Facultad de Ciencias Químicas y Tecnología .

Variable Aleatoria y Modelos

Lic.: Mariana L. Gomez 1

Considerar las siguientes situaciones:

1. Se observa el cambio mensual del número de clientes de una

2. Se toman los tiempos entre llegadas de clientes a la fila de una

3. Un investigador cuenta el número de partículas atómicas

4. Se mide la cantidad de jeringas falladas por caja de 30 u.

5. Un meteorólogo registra las temperaturas máximas diarias.

Lic. Mariana Gomez 3

Es discreta si sólo puede tomar una cantidad finita o

Es continua si asume valores en un intervalo de números

Lic. Mariana Gomez 4

1. X: “Número mensual de clientes de una laboratorio”. Variable

2. X: “Tiempos entre llegadas de clientes a la fila de una caja de

3. X: “Número de partículas atómicas captadas por un

4. X: “Cantidad de jeringas falladas por caja de 30 u”. Variable

5. X: “Temperaturas máximas diarias”. Variable continua

Lic. Mariana Gomez 5

Este conjunto de medidas de probabilidad para cada uno

Lic. Mariana Gomez 6

Dicha distribución se puede representar mediante un

Lic. Mariana Gomez 7

Por lo tanto la distribución de probabilidades de una variable

Lic. Mariana Gomez 9

El Valor esperado de una variable aleatoria,

La varianza de una variable aleatoria es una

Las funciones de probabilidad asociadas a

-Para variables discretas:

-Para variables continuas:

•Entre otros. Lic. Mariana Gomez 12

Supongamos que un experimento aleatorio tiene sólo

Si se realizan n repeticiones independientes del

f ( x)  probabilidad de x exitos en n intentos

Varianza una variable aleatoria con distribución de

Lic. Mariana Gomez 15

Supongamos que un agente de seguros tiene cinco

Lic. Mariana Gomez 16

P(X=2) = 5! (0,4)2(0,6)3 = 0.346 = F(2)-F(1)

•Si se desea obtener la probabilidad de que se realicen menos

P(X<3)= P(X≤2)=P(X=0)+P(X=1)+P(X=2)=F(2) (que se puede

•Varianza de las ventas:

V(X) = npq = 5*0.4*0.6 = 1.2

Lic. Mariana Gomez 18

En el caso de una distribución geométrica las

-La variable de interés es X: “Cantidad de intentos

-La probabilidad de éxito es conocida y constante para

Siendo p la probabilidad de éxito y q = (1-p) = la

El recorrido de una variable aleatoria con distribución

Lic. Mariana Gomez 20

E(X) = 1/p V(X) = q/ p2

Ejemplos de variables aleatorias con distribución

-Número de tiradas de moneda hasta obtener la

-Número de veces que rinde un alumno hasta aprobar la

-Intentos de encendido de un motor

Ejemplo 2= En una farmacia la probabilidad de que un

Lic. Mariana Gomez 22

Supongamos que se puede asumirse lo siguiente:

donde λ es el número medio de ocurrencias entre 0 y T.

Este modelo probabilístico se denomina Distribución

Un estudio indica que el número de huelgas anuales

La función de probabilidad del número de huelgas

V(X) = npq = 50.40.6 = 1.2