PROBABILIDAD Y ESTADSTICA

Trabajo final
2015-1
GRUPO 26

PREZ HERNNDEZ EVELYN

RIVERA HERNNDEZ MARIO
ANGEL
VILLAR REYES RENE

Temas
Anlisis estadstico de datos
mustrales
2. Fundamentos de la teora de la
probabilidad
3. Variables aleatorias
4. Modelos probabilsticos comunes
5. Variables aleatorias conjuntas
1.

1. ANLISIS ESTADSTICO
DE DATOS MUSTRALES

1. ANLISIS ESTADSTICO DE DATOS

MUSTRALES.

Definicin de probabilidad: Es el cociente entre la

frecuencia observada del suceso y el total de
observaciones cuando el experimento se realiza un
nmero grande de veces. siempre podemos
predecir exactamente lo que va a ocurrir. la
probabilidad es la disciplina matemtica que
estudia estos experimentos.
Definicin de estadstica: En el lenguaje comn es
conocida como un conjunto de datos. Se refiere a un
conjunto de mtodos para manejar la obtencin,
presentacin y el anlisis de observaciones
numricas. Sus fines son: Describir al conjunto de
datos obtenidos y tomar decisiones, o bien, realizar
generalizaciones acerca de las caractersticas de
todas las posibles observaciones bajo
consideracin.

ESTADSTICA DESCRIPTIVA

En el lenguaje comn es conocida como un conjunto

de datos. Se refiere a un conjunto de mtodos para
manejar la obtencin, presentacin y el anlisis de
observaciones numricas. Sus fines son: Describir al
conjunto de datos obtenidos y tomar decisiones, o
bien, realizar generalizaciones acerca de las
caractersticas de todas las posibles observaciones
bajo consideracin.
De hay el number de estadstica descriptive, ya que el objetivo
ser, a partir de una muestra de datos, la descripcin de las
caractersticas ms importantes, entendiendo como caractersticas,
aquellas cantidades que nos proporcionen informacin sobre el
tema de inters del cual hacemos el estudio.

ESTADSTICA INFERENCIAL

Es una tcnica de la cual se obtienen

generalizaciones o se toman decisiones
con base a informacin parcial o
incompleta obtenida mediante tcnicas
descriptivas.

PROBABILIDAD Y ESTADSTICA
En esencia, la probabilidad es el vehculo que le
permite a la estadstica usar la informacin
contenida en una muestra para hacer inferencias o
para describir la poblacin de la cual se ha obtenido
la muestra.

Los mtodos estadsticos matemticos emergieron

desde la teora de probabilidad, la cual data desde
la correpondencia entre pierre de fermat y blaise
pascal.

Conceptos bsicos

Poblacin: Conjunto de todas las

posibles observaciones. Sinnimo de
Conjunto Universal se le define como la
totalidad de todas las posibles
mediciones observables.

Fenmeno

Es una manifestacin de carcter material o humano

Fenmeno observable

Lo que sucede en la realidad (todo el mundo lo ve). Para

conocer el funcionamiento de un fenmeno observable
se realizan experimentos con modelos matemticos
Probabilsticos.
Modelo

Describen el funcionamiento de un fenmeno

Definicin de probabilidad
Es una disciplina que mide lo que no sabemos que va a pasar, es
decir es el estudio de la incertidumbre. Podemos estudiar stos
experimentos aleatorios cuando stos se comparan con los
fenmenos determinsticos.

xperimentos determinsticos y aleatorio

Experimento
Es toda accin que se realiza con el fin de
observar el resultado.
*Los experimentos deterministas o determinsticos son
fenmenos en los cuales se obtiene un resultado preciso.
Podramos decir que es una prueba de laboratorio planeada o
controlada. Por ejemplo pesar una barra de pan, averiguar el
tiempo para ir de la casa al trabajo en una maana en particular,
obtener los tipos de sangre de un grupo de individuos o medir las
resistencias compresivas de diferentes vigas de acero, etc.

*Los experimentos aleatorios son fenmenos

sujetos a incertidumbre, es decir no se pueden
predecir con exactitud. Por ejemplo lanzar al aire
una moneda una vez o varias veces, seleccionar
una o diversas cartas de una baraja, tirar un par de
dados, etc.

Conceptos bsicos

Muestra. Conjunto de observaciones o

medidas tomadas a partir de una poblacin
dada, es decir, es un subconjunto de la
poblacin. Desde luego, la cardinalidad de
la muestra depende de la cardinalidad de la
poblacin. Las muestras deben ser
representativas para evitar un sesgo u error.
Estadsticos Mustrales. En lo general,
son las caractersticas medibles de una
muestra

Muestreo

El muestreo es la tcnica seguida para

obtener o extraer una muestra. Su ventaja
radica en que nos permite conocer, con un
grado de aproximacin aceptable, a partir
de sus caractersticas, las caractersticas
propias de la poblacin de la cual proviene.
Esto resulta invaluable, tomando en cuenta
que en la mayora de los casos, las
caractersticas de las muestras son
desconocidas.

Ejemplo:

En un pas se van a considerar los habitantes que

ganan entre 100 mil y 200 mil pesos mensuales.
el universo son los habitantes de ese pas, el tamao
de la poblacin es la cantidad de gente que gana entre
10 mil y 20 mil pesos, la muestra son los individuos que
ganan entre 10 mil y 20 mil pesos y que adems viven
en la ciudad del pas en cuestin.
frecuencia: es una muestra hay n elementos. sean x1,
x2,,xk k valores numricos asociados a determinados
del experimento.

Frecuencia Relativa

fi
FI *
n
Donde:
FI es la frecuencia de
ocurrencia del resultado
N el tamao de la muestra

HISTOGRAMA

El Histograma en una grafica de barras o

columnas que se construye en un sistema
coordenado en cuyo eje horizontal o de
abscisas se detallan los intervalos de clase y
en el eje vertical o de ordenadas se ubican
las frecuencias o las frecuencias relativas.

POLGONO DE FRECUENCIAS
El polgono de frecuencias es una lnea quebrada que une los
puntos de interseccin de la abscisa que corresponde a la marca
de clase con la ordenada que puede ser la frecuencia o la
frecuencia relativa. El polgono se cierra con el eje horizontal al
iniciarlo en el lmite inferior del primer intervalo de clase y
concluirlo
en el lmite superior del ltima intervalo de clase.

Espacio muestral
*El

espacio muestral es el conjunto de todos los

resultados posibles de un experimento. Se
representa con el smbolo S.
A cada uno de los resultados posibles que conforman
el espacio muestral se le llama punto muestral.
Ejemplos
Experimento 1: Se lanza una moneda y se observa la cara que
se alcanza a ver boca
arriba.

Experimento 2:

Se lanza un dado una vez y se observa el

nmero que sale en la cara
Superior

Evento

Es un subconjunto del espacio muestral (S). Un

evento al ser un subconjunto de un espacio muestral
cuenta con las mismas caractersticas en sus
resultados.

PARMETROS DE LAS DISTRIBUCIONES

EMPRICAS

MEDIA
RESULTA AL EFECTUAR UN ASERIE DETERMINADA DE OPERACIONES CON
UN CONJUNTO DE NMEROS Y QUE, EN DETERMINADAS CONDICIONES
PUEDE REPRESENTAR POR SI SLO EL CONJUNTO
LA MEDIA SE CONFUNDE A VECES CON LA MEDIANA O MODA. LA MEDIDA
ARITMTICA ES EL PROMEDIO DE UN CONJUNTO DE VALORES, SU
DISTRIBUCIN; SIN EMBARGO, PARA LAS DISTRIBUCIONES CON SESGO, LA
MEDIA NO ES NECESARIAMENTE EL MISMO VALOR QUE LA MEDIANA O QUE
LA MODA. . LA MEDIA, MODA Y MEDIANA SON PARMETROS
CARACTERSTICOS DE UNA DISTRIBUCIN DE PROBABILIDAD. ES A VECES
UNA FORMA EL SESGO DE UNA DISTRIBUCIN TAL Y COMO SE PUEDE
HACER EN LAS DISTRIBUCIONES EXPONENCIALES Y DE POISSON.
LA MEDIA ARITMTICA ES UN PROMEDIO ESTNDAR QUE A MENUDO SE
DENOMINA PROMEDIO

MEDIANA

Es un valor tal que la mitad de las

observaciones son menores que ese valor y la
otra mitad mayores que el mismo. para
determinar la mediana conviene ordenar los
valores observados del menor al mayor.

Ejemplo de Mediana:
Para calcular la mediana, ordena los nmeros que
te han dado segn su valor y encuentra el que
queda en el medio.
Mira estos nmeros:
3, 13, 7, 5, 21, 23, 39, 23, 40, 23, 14, 12, 56, 23, 29
Si los ordenamos queda:
3, 5, 7, 12, 13, 14, 21, 23, 23, 23, 23, 29, 39, 40, 56
Hay quince nmeros. El del medio es el octavo
nmero:
3, 5, 7, 12, 13, 14, 21, 23, 23, 23, 23, 29, 39, 40, 56
La mediana de este conjunto de valores es 23.

MODA:
La moda estadstica es el valor que ms se repite en un
grupo de nmeros.
Para averiguar la moda en un grupo de nmeros:
Ordena los nmeros segn su tamao.
Determina la cantidad de veces de cada valor numrico.
El valor numrico que ms se repite es la moda.
Puede haber ms de una moda cuando dos o ms
nmeros se repiten la misma cantidad de veces y adems
este es el mximo nmero de veces del conjunto.
No hay moda si ningn nmero se repite ms de una vez.
Ejemplo: La moda de 2, 4, 5, 5, 5, 7, 8, 8, 9, 12 es 5.

VARIANZA
La varianza (que es el cuadrado de la desviacin estndar:
2) se define as:
Es la media de las diferencias con la media elevadas al
cuadrado.
En otras palabras, hay que seguir estos pasos:
1. Calcula la media (el promedio de los nmeros)
2. Ahora, por cada nmero resta la media y eleva el
resultado al cuadrado (la diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado.

Formulas de Estadstica Descriptiva

Para datos no agrupados

PARA DATOS AGRUPADOS

TEMA 2. FUNDAMENTOS DE
LA TEORA DE LA PROBABILIDAD

Experimento 3: En el caso del lanzamiento del dado 1 vez.

A
B
C

Tipos de eventos
*Evento simple: Se dice que un evento simple consiste
en exactamente un resultado, y compuesto consta de
ms de uno.

Teora de conjuntos

n de
dos eventos A y B denotada por y que se lee A unin B, es
vento que consiste en los resultados que estn ya sea en A o en B o en ambos e
ambos eventos.
erseccin de como dos eventos A y B que se denota y se lee A interseccin B,
l evento que consiste en los resultados que estn tanto en A como en B.
mplemento de un evento A, denotado por A , es el conjunto de todos los resulta

*Eventos mutuamente excluyentes : Se dice que A y

B son mutuamente excluyentes cuando A y B no
tienen resultados en comn. Puede ocurrir A sin que
ocurra B

S
*Eventos No excluyentes: Se dice que A y B son No
mutuamente excluyentes si dependen uno del otro, es
decir si sucede A tambin B.

Y si se tiene un conjunto de n eventos

Mtodos de conteo

eorema fundamental del conteo

Un

evento, sucede de formas y cada una de stas

formas se realiza de maneras,y as sucesivamente.
En ese orden los eventos en conjunto pueden suceder
Ejemplo 1: Sea el conjunto

Permutaciones
Son

arreglos de r orden tomados de n elementos

disponibles. De tal forma que al menos stos
arreglos tengan un elemento diferente o si tienen
los elementos iguales deben de estar en diferente
orden.

-Del Ejemplo 1: Sea el conjunto

Combinaciones

Son arreglos de r elementos, de n disponibles de tal

forma que 2 combinaciones son diferentes si tienen al
menos un elemento diferente. El orden no importa

-Ejemplo

2: Sea el conjunto

4C4
abc, abd, bcd, acd
ab, ac, ad, bc, bd, cd
a, b, c, d

Escuelas de la probabilidad
Dados un experimento y un espacio muestral S, el
objetivo de la probabilidad es asignar a cada evento
A, un nmero P(A), denominado probabilidad del
evento A, que dar una medida ms precisa de la
probabilidad de que ocurra el evento A.
La asignacin correcta o adecuada depende de la
manera cmo se realiza un
experimento, y tambin de la interpretacin que se
haga de la probabilidad, y sta se da a travs de
diferentes Clsica
escuelas:
Escuela
La probabilidad de un evento A que pertenece a un
espacio muestral S es igual a

Ejemplo : Se lanza un dado una vez. Sea S el evento que

contiene los resultados mltiplos de 3.

n(s)=6
A n(A)=2

Escuela Subjetiva
Son estimaciones, conclusiones sobre asuntos
determinados, con base en la experiencia, el
conocimiento y la intuicin. Consulta a expertos.

Escuela Frecuentista

Consiste en hacer un experimento con base en

pruebas directas. El nmero de veces que se cumple
un resultado dentro del mbito de evento en estudio o
inters

El inconveniente de sta interpretacin es que no

es aplicable cuando el experimento no se puede
repetir un gran nmero de veces.

Escuela Axiomtica

Maneja de 3 Axiomas de la Probabilidad:

AXIOMA 1
La probabilidad siempre es positiva

AXIOMA 2
La probabilidad de S siempre es igual a 1

AXIOMA 3
Cuando los eventos A y B No son excluyentes

La probabilidad se apoya tambin de 3 Teoremas:

TEOREMA 1
El evento nulo no puede ocurrir

TEOREMA 2

TEOREMA 3
A partir del Axioma 1 y 2

Escuela Bayesiana
Para

entender cmo funciona sta escuela tenemos

que tener en claro qu es la probabilidad
condicional. condicional
Probabilidad
Tenemos 2 eventos:
Entonces decimos que la probabilidad de A dado
que ya sucedi B

Probabilidad Total
Se

tiene un conjunto de eventos simples que

forman una particin y en el centro est un evento
al que le llamamos evento de inters o evento
principal B.

Donde

P(B) es la sumatoria de los productos de las

probabilidades marginales de A por las
probabilidades condicionales de B dado A

Teorema de Bayes

El clculo de la probabilidad posteriora partir de

probabilidades anteriores y probabilidades
condicionales ocupa una posicin central en la
probabilidad elemental. La regla general para
stos clculos que en realidad es slo una
aplicacin simple de la regla de la
multiplicacin, se
remonta al reverendo Thomas Bayes.

Diagramas de rbol
En muchos problemas de conteo y probabilidad, se puede usar una
configuracin denominada diagrama de rbol para representar
en forma
grfica todas las posibilidades. Comenzando en un punto en el
lado izquierdo del diagrama, para cada posible primer elemento de
un par sale a la derecha del segmento de recta. Cada una de stas
lneas se conoce como rama de primera
Generacin. Ahora bien, para cualquier rama de primera
generacin, se construye otro segmento de recta que sale de la
punta de la rama para cada eleccin posible de un segundo
elemento del par.

Eventos Independientes
Quiere decir que la probabilidad de cada evento es
independiente entre s o sea que la probabilidad es la
misma para cada evento. Al considerar la probabilidad
condicional de algn evento A, dada la ocurrencia de
otro evento B, siempre se implica que las
probabilidades A y B son de alguna manera
independientes entre s. En otras palabras, la
informacin con respecto a la
ocurrencia de B no tiene ningn efecto sobre la
probabilidad de A.
Sistema
ste
concepto se usa mucho en resolucin de
Sistemas.
Conjunto de partes que interactan y
persiguen un propsito.

Sistema en serie

Sistema en paralelo

3. VARIABLES ALEATORIAS

Variable aleatoria

Una variable aleatoria es una funcin cuyos

valores son nmeros reales, definido en un

espacio muestral. de manera simple puede
denotarse por:
x: s r
Usualmente se denotan a las variables
aleatorias utilizando las ltimas letras
maysculas del alfabeto
Los valores de la imagen de dicha funcin, se
conocen como valores de la variable aleatoria

El propsito de la variable aleatoria es

mapear cada punto del espacio muestral en

un punto de un eje real, puesto que es una
regla de asignacin entonces es una funcin.
Ejemplo 1:

El tirar monedas, sean 3 monedas lanzadas

aleatoriamente:
n(s)={8}
si x: nmero de guilas
rx={x|x=0,1,2,3}

Variables aleatorias discretas

Se denomina variable aleatoria discreta

aquella que slo puede tomar un nmero
finito de valores dentro de un intervalo.
Por ejemplo, el nmero de componentes
de una manada de lobos, pude ser 4 5
6 individuos pero nunca 5,75 5,87.

Densidad
Se denomina densidad discreta a la
probabilidad de que una variable
aleatoria discreta X tome un valor
numrico
determinado
(x).
Se
representa:
f(x) = P[X=x] La suma de todas las
densidades ser igual a 1

Funcin de probabilidad

En teora de probabilidad, una funcin de

probabilidad (tambin denominada funcin de
masa de probabilidad) es una funcin que
asocia a cada punto de su espacio muestral X la
probabilidad de que sta lo asuma.
La grfica de una funcin de probabilidad de
masa, note que todos los valores no son
negativos, y la suma de ellos es igual a 1.
La funcin de masa de probabilidad de un dado.
Todos los nmeros tienen la misma probabilidad
de aparecer cuando este es tirado.

En concreto, si el espacio muestral, E de la

variable aleatoria X consta de los puntos x1, x2, ...,
xk, la funcin de probabilidad P asociada a X es
donde pi es la probabilidad del suceso X = xi.

Por definicin de probabilidad,

Hay que advertir que el concepto de funcin de

probabilidad slo tiene sentido para variables
aleatorias que toman un conjunto discreto de
valores.
Para variables aleatorias continuas el concepto
anlogo es el de funcin de densidad.

Debe observarse con mucho cuidado el hecho de que una

vez definida la v.a. debe poderse obtener el rango de
dicha variable, es decir el conjunto de valores que la
variable aleatoria puede tomar, sin embargo, el dominio
de la funcin de probabilidad puede extenderse a todos
los reales, para facilitar la notacin en anlisis
posteriores
Una funcin de probabilidad generalmente se representa
de manera grfica utilizando lneas verticales que
representan la probabilidad.
1
0.8
0.6
0.4
0.2
0

1
0.8
0.6
0.4
0.2
0

fX(x)

0.5

1.5

fX(x)

0.5

1.5

2.5

Variables aleatorias continuas

Una variable aleatoria X es continua si su

funcin de distribucin es una funcin
continua.
En la prctica, se corresponden con
variables asociadas con experimentos en
los cuales la variable medida puede tomar
cualquier valor en un intervalo: mediciones
biomtricas, intervalos de tiempo, reas,
etc.

Ejemplos

Resultado de un generador de nmeros aleatorios

entre 0 y 1. Es el ejemplo ms sencillo que podemos
considerar, es un caso particular de una familia de
variables aleatorias que tienen una distribucin
uniforme en un intervalo [a, b].
Estatura de una persona elegida al azar en una
poblacin. El valor que se obtenga ser una medicin
en cualquier unidad de longitud (m, cm, etc.) dentro
de unos lmites condicionados por la naturaleza de la
variable. El resultado es impredecible con antelacin,
pero existen intervalos de valores ms probables

Funcin de densidad

Una funcin de densidad, se presenta

grficamente de igual forma que una funcin
continua en el clculo.

Recordando la interpretacin geomtrica de la

integral, se puede decir que la probabilidad
coincide con el rea bajo la curva fx(x).

Funcin de distribucin

Tambin llamada funcin de distribucin

acumulativa, muestra el comportamiento

acumulado de una variable aleatoria.
Tenemos si x es una variable aleatoria,
entonces su funcin de distribucin
fx(x), se define como una funcin que
asocia a cada valor real, la probabilidad
de que la variable aleatoria asuma
valores menores o iguales que l.

Propiedades de la funcin de distribucin

La representacin grfica de la funcin

de distribucin para una v.a discreta es

una
funcin
escalonada
con
discontinuidades de salto, mientras que
para una variable aleatoria continua es
una funcin continua.

variable discreta
Variable discreta

Variable continua

Valor esperado

El valor esperado o esperanza de una variable aleatoria

tiene su origen en los juegos de azar, debido a que los
jugadores deseaban saber cual era su esperanza de ganar
o perder con un juego determinado.
Como a cada resultado particular del juego le
corresponde una probabilidad determinada, esto equivale
a una funcin de probabilidad de una variable aleatoria y
el conjunto de todos los resultados posibles del juego
estar representado por la distribucin de probabilidad
de la variable aleatoria.
El valor esperado o esperanza es muy importante, ya que
es uno de los parmetros que describen una variable
aleatoria.

Propiedades del valor esperado

Caractersticas numricas de
la variable aleatoria

1)
2)
3)

Las

caractersticas numricas
clasifican en tres:
Medidas de tendencia central
Medidas de dispersin
Parmetros de forma

se

Medidas de tendencia central

Media o valor esperado, tambin llamado

esperanza matemtica, fue mencionado
anteriormente.
y
es
el
valor
ms
representativo de una variable aleatoria.
La mediana es aquel valor para el cual la
probabilidad de que la variable aleatoria
tome valores menores o iguales a dicho valor
es 0.5.
La moda es el valor para el cual la funcin de
probabilidad o funcin de densidad, segn
sea el caso, toma su valor mximo.

Medidas de dispersin

1)
2)
3)
4)
5)

Estas indican la lejana de los valores que

puede tomar la variable aleatoria.
Las principales medidas de dispersin son:
Rango
Desviacin media
Variancia
Desviacin estndar
Coeficiente de variacin

Rango
El rango es la medida de dispersin mas
simple.
Se define como la diferencia entre el
mayor valor que puede tomar la variable
y el menor valor que puede tomar.

rango = valor mximo valor mnimo

Desviacin media

El valor esperado de la diferencia en

valor absoluto entre los valores de x y

su media.
En otras palabras, la desviacin media
es el promedio de los valores absolutos
de las dispersiones alrededor de la
media.

Variancia

Es el promedio del cuadrado de la

diferencia de la variable aleatoria y su
media.
Mas conocido la variancia es el segundo
momento con respecto a la media.

Desviacin estndar

La desviacin estndar o desviacin

tpica es la raz cuadrada de la varianza.
Es decir, la raz cuadrada de la media de
los cuadrados de las puntuaciones de
desviacin.
La desviacin estndar se representa por
.

Coeficiente de variacin
coeficiente de variacin es lo que nos permite
evitar
estos
problemas,
pues
elimina
la
dimensionalidad de las variables y tiene en cuenta la
proporcin existente entre medias y desviacin
tpica. Se define del siguiente modo:

El

Basta

dar una rpida mirada a la definicin del

coeficiente de variacin, para ver que las siguientes
consideraciones deben ser tenidas en cuenta:

Slo se debe calcular para variables con

todos los valores positivos. Todo ndice de
variabilidad es esencialmente no negativo. Las
observaciones pueden ser positivas o nulas,
pero su variabilidad debe ser siempre
positiva.
No es invariante ante cambios de origen. Es
decir, si a los resultados de una medida le
sumamos una cantidad positiva, b>0, para
tener Y=X+b, entonces , ya que la desviacin
tpica no es sensible ante cambios de origen,
pero si la media. Lo contario ocurre si
restamos (b<0).

Parmetros de forma
Los parmetros de forma son:
1) Coeficiente de sesgo
2) Coeficiente de curtosis

Coeficiente de sesgo

Mide el grado de simetra de una

distribucin de probabilidad, se define

como el tercer momento con respecto a
la media. Se denota por

Coeficiente de curtosis

El coeficiente de curtosis mide cuan

'puntiaguda' es una distribucin respecto de
un estndar. Este estndar es una forma
acampanada denominada 'normal', y
corresponde a una curva de gran importancia
en estadstica. Las medidas de curtosis
tratan de estudiar la mayor o menor
concentracin de frecuencias alrededor de la
media y en la zona central de la distribucin.

Se denota por

TEMA 4. MODELOS
PROBABILSTICOS COMUNES

Conceptos bsicos

Variables aleatorias
Las variables aleatorias sirven para modelar, muchas
veces los problemas de inters coinciden en la forma en la
que se define la variable aleatoria , y con ellos su funcin
de probabilidad o densidad y estas coincidencias permiten
la formulacin de modelos.

Tipos de distribuciones
Distribuciones Discretas

on las que usan variables aleatorias discretas en sus modelos

Distribucin Uniforme
Es la ms simple de todas las
distribuciones, es aquella en la cual la v.a
asume cada uno de sus valores la misma
probabilidad.
Sea x una variable aleatoria que toma los
valores de , con igual probabilidad

k=numero
del
cul
depende
la
distribucin.

Media

Variancia

Distribucin de Bernoulli
Es el caso ms sencillo para modelar un
experimento. Tiene nicamente 2 resultados
posibles: xito, fracaso, con probabilidades p y q=1p respectivamente.
sea x la v.a que representa el nmero de xitos que
se obtiene al realizar el ensayo tambin a partir del
proceso de Bernoulli se pueden definir otras v.a
como
la binomial, geomtrica y la de pascal.

Media
Variancia

Distribucin Binomial
Si la v.a que representa al numero de xitos que se
observan al realizar el numero de xitos que se
observan al realizar un proceso de Bernoulli,
entonces x recibe el nombre de v.e binomial... nx

Media

Variancia

Distribucin Geomtrica
Sea x la variable aleatoria que representa el nmero
de ensayos de Bernoulli que se requieren para
observar por primera vez un xito, entonces x tiene
una distribucin geomtrica con parmetro p.

Media

Variancia

Distribucin Hipergeomtrica
Cuando se desea calcular la probabilidad de obtener x en n
ensayos, pero la probabilidad de cada ensayo no se
mantiene constante, sino que se ve modificada en funcin
de las extracciones anteriores, la distribucin binomial no
puede utilizarse. En estos casos se utiliza la distribucin
hipergeomtrica. la diferencia es que para la distribucin
binomial se considera que la poblacin es infinita(o finita
con el reemplazo), mientras que para la hipergeomtrica se
considera que la poblacin es finita de tamao n y en ella
existen
r elementos que satisfacen la caracterstica de

xito.

Media

Variancia

Distribucin de Pascal
Es una generalizacin de la distribucin geomtrica,
as mismo la distribucin binomial negativa es una
generalizacin de la de pascal, por lo que utilizan
simplemente el nombre de .binomial negativa.
sea x una v.a que representa el nmero de ensayos
de Bernoulli que se requieren para observar el rsimo xito, si en cada uno de los ensayos se tiene
una probabilidad de xito p, entonces x tiene una
distribucin
de pascal con parmetros r y p.

Media

Variancia

Distribucin de Poisson

Sirve cuando se desea calcular la probabilidad de ocurrencias de un

evento en un intervalo continuo determinado. sta distribucin surge a
partir del proceso de Poisson, el cul cumple con las siguientes
caractersticas:
1) Estacionaridad. probabilidad de que ocurra un evento es un intervalo de
tiempo, recibe el nombre de intensidad de proceso.
2) Unicidad. probabilidad de que ocurra ms de un evento en un intervalo
de tiempo .
3) independencia. el nmero de ocurrencias en cualquier intervalo de
tiempo es independiente del nmero de ocurrencias en cualquier intervalo.

Media
Variancia

Distribuciones Continuas

on las que usan variables aleatorias continuas en sus modelos

Distribucin de Uniforme
Es la ms simple de las distribuciones continuas
de probabilidad. tienen la misma probabilidad .
sea x una v.a que se distribuye:

Media

Variancia

Distribucin Exponencial
Dentro de un proceso de Poisson, considrese la v.a
t, que representa el tiempo que transcurre entre 2
ocurrencias sucesivas de un evento, lo cual llevar a
la distribucin exponencial.

Sea t la v.a que representa el intervalo, que

transcurre entre 2 ocurrencias sucesivas de un
evento,
entonces
t
tiene
una
distribucin
exponencial.

Media

Variancia

Distribucin Normal
Fue descubierta por Demovie en 1733 como una
forma lmite de la distribucin binomial, despus
del estudio de la place, aproximadamente en el
ao 1775 y a veces se le conoce como gaussiana
debido a que Gauss la cit en un artculo en
1809.

Media

Variancia

es un caso particular de la distribucin normal, la

cual tiene parmetros 0 y 1, es decir, tiene una
media de cero y una variancia de 1.

Distribucin Normal Estndar

Media

Variancia

5. VARIABLES ALEATORIAS CONJUNTAS

De que trata?

Con el problema de que en muchas ocasiones es

necesario estudiar dos o mas caractersticas
(variables) de un experimento. en cualquier
sistema fsico, econmico o social, que se
estudie a travs de modelos aleatorios, pueden
existir varias variables, y debido a la
interrelacin entre ellas, deben estudiarse
modelos que describan al comportamiento
probabilstico conjunto de dichas variables.

Definicin

Si son variables aleatorias definidas

sobre un mismo espacio muestral, dichas

variables aleatorias reciben el nombre
de variables aleatorias conjuntas.
Variables
aleatorias
continuas

Discretas

Continuas

Variables aleatorias conjuntas

discretas

Si

son variables aleatorias

conjuntas discretas, se define su
funcin de probabilidad conjunta
como:

Grafica de la funcin de
probabilidad conjunta

Al igual que las variables aleatorias

unidimensionales, lo ms comn es dibujar
rectas verticales, cuya altura representa la
probabilidad, tambin se pueden dibujar los
puntos, pero como se complica la lectura, solo
puede hacerse para el caso de dos variables.

Caractersticas

si x , y son dos variables aleatorias

conjuntas directas. su funcin de
probabilidad
conjunta
tiene
las
siguientes caractersticas :

Funcin de probabilidad:
marginal y condicional

Si x e y son 2 variables aleatorias conjuntas

discretas, entonces se pueden hacer las
siguientes definiciones :
condicionales

marginales

Funcin de
probabilidad marginal
de X( de X al margen
de Y)

Funcin de
probabilidad
marginal de Y( de Y
al margen de X)

Si x, y son 2 variables aleatorias

conjuntas continuas, entonces se define
como :
Marginales

condicionales

Variables aleatorias conjuntas

continuas

Definicin:

Funcin de distribucin
conjunta

Proporciona el comportamiento
acumulado conjunto de una serie de
variables aleatorias.

Propiedades
k

Independencia de variables
aleatorias conjuntas
Se puede observar que el conocimiento sobre
el valor de una de las variables aleatorias
puede
modificar
el
comportamiento
probabilstico de la otra variables, esto solo
sucede si las variables conjuntas son
dependientes.

Caractersticas numricas de las

variables aleatorias conjuntas

Medidas de tendencia central.

Valor esperado: Si x e y son variables
aleatorias conjuntas con funcin de
probabilidad o de densidad conjunta y si es
una funcin de dichas variables aleatorias.
entonces el valor esperado de se define
como:

Propiedades

Valor esperado condicional

Si
x e y son 2 variables aleatorias conjuntas y
se conoce con certeza el valor que tomar X,
el mejor pronstico que se puede realizar del
valor que tomar Y es el valor esperado,
calculado desde luego a partir de la
distribucin condicional correspondiente, por
lo tanto, si se sabe que el valor pronosticado
para que se denota por es:

Definicin

La curva de regresin
La curva de regresin de y dado x, es el lugar geomtrico de
los valores esperados de las distribuciones condicionales de
y, su ecuacin es :

la curva de regresin de x dado y , es el lugar geomtrico

de los valores esperados de las distribuciones condicionales
de x. su ecuacin es :

la principal utilidad de la curva de regresin con los

pronsticos.

Medidas de dispersin

Covariancia: Indica que tanto se alejan

conjuntamente los valores de sus medias
respectivas.

Coeficiente de correlacin

Propiedades
s

REFERENCIAS

http://www.dcb.unam.mx/users/angellbs/
https://educafi.fi-a.unam.mx/EducafiCB/course/view.php?id=176
http://cozumel.fi-a.unam.mx/~pinilla/