Repblica bolivariana de

Venezuela
Ministerio del Poder Popular Para la
defensa
Universidad nacional experimental
politcnica
de la fuerza armada.
03-ICV-D01

PROBABILIDAD

Profesora:
Bachilleres:
Ing. Roelymar Carrero
C.I 24.627.673

Angi Correa

Mara
Espinoza

C.I 24.518.084
Harold

Paredes

C.I 24.632.517

San Fernando -Edo Apure

Distribucin de variables aleatorias y

discretas

Una distribucin de probabilidades para una variable aleatoria

discreta es un listado mutuamente excluyente de todos los resultados
numricos posibles para esa variable aleatoria tal que una probabilidad
especfica de ocurrencia se asocia con cada resultado. El valor esperado
de una variable aleatoria discreta es un promedio ponderado de todos
los posibles resultados, donde las ponderaciones son las probabilidades
asociadas con cada uno de los resultados.

Dnde: Xi = i-simo resultado de X, la variable discreta de inters.

P(Xi) = probabilidad de ocurrencia del i-simo resultado de X
La varianza de una variable aleatoria discreta (s2) se define como
el promedio ponderado de los cuadros de las diferencias entre cada
resultado posible y su media (los pesos son las probabilidades de los
resultados posibles).

Dnde: Xi = i-simo resultado de X, la variable discreta de inters.

P(Xi) = probabilidad de ocurrencia del i-simo resultado de X

Variable aleatoria discreta, que produce como resultado un

nmero finito de valores predeterminados, por lo que su recorrido
es finito.

Se dice que una Variable aleatoria Discreta o Discontinua X, tiene un

conjunto definido de valores posibles x1,x2,x3,..xn con probabilidades
respectivas p1,p2,p3,..pn., Es decir que slo puede tomar ciertos
valores dentro de un campo de variacin dado. Como X ha de tomar uno
de los valores de este conjunto, entonces p1 + p2 ++ pn=1.
En general, una variable aleatoria discreta X representa los resultados
de un espacio muestral en forma tal que por P(X = x) se entender la
probabilidad de que X tome el valor de x. De esta forma, al considerar
los valores de una variable aleatoria es posible desarrollar una funcin
matemtica que asigne una probabilidad a cada realizacin x de la
variable aleatoria X. Esta funcin recibe el nombre de funcin de la
probabilidad.
En la distribucin de variables discretas podemos encontrar estos tipos
de distribuciones:

Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de
un experimento que cumple las siguientes condiciones:
Una

distribucin se denomina

condiciones siguientes:

binomial

cuando

se cumplen las

El experimento aleatorio de base se repite n veces, y todos los

resultados obtenidos son mutuamente independientes.

En cada prueba se tiene una misma probabilidad de xito (suceso

A), expresada por p. Asimismo, existe en cada prueba una misma
probabilidad de fracaso (suceso

), que es igual a q = 1 - p.

El objetivo de la distribucin binomial es conocer la probabilidad

de que se produzca un cierto nmero de xitos. La variable
aleatoria X, que indica el nmero de veces que aparece el suceso
A (xito), es discreta, y su recorrido es el conjunto {0, 1, 2, 3, ...,
n}.

La distribucin binomial se expresa como B (n, p), siendo n el nmero

de veces que se repite el experimento y p la probabilidad de que se
produzca un xito.
Ejemplo de experimento aleatorio descrito por una distribucin
binomial: al tirar un dado cuatro veces, cuntas veces saldr el nmero
6? Este suceso es el xito del experimento

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.

La manera ms fcil de calcular de valor de nmeros

combinatorios, como los incluidos en la expresin anterior, es utilizando
el tringulo de Tartaglia

La media y la varianza de la variable binomial se calculan como:

Media = = n p
Varianza = 2 = n p q
Grficamente el aspecto de la distribucin depende de que sea o no
simtrica Por ejemplo, el caso en que n = 4:

Esperanza matemtica y varianza de la

distribucin binomial
la esperanza matemtica de la variable aleatoria X viene dada por la
expresin siguiente:

Anlogamente, la varianza de la variable aleatoria X, al ser sta de tipo

discreto, se calcula como:

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.

Esperanza matemtica y varianza de

Poisson
Propiedades del modelo de Poisson
1) Esperanza: E(X) = .
2) Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.

Distribucin Geomtrica
La distribucin Geomtrica tambin est relacionada con una
secuencia de ensayos de Bernoulli, excepto que el nmero de ensayos
no es fijo. En consecuencia, la distribucin geomtrica hereda las
caractersticas de la distribucin binomial, a excepcin del concepto del
cual se quiere calcular la probabilidad. En este caso la variable aleatoria
de inters, denotada mediante X, se define como el nmero de ensayos
requeridos para lograr el primer xito. Es obvio que para obtener el
primer xito se debe realizar el experimento cuando menos una vez, por
lo que los valores que puede tomar la variable aleatoria X son 1, 2,
3, ... , n, esto es, no puede tomar el valor cero. En este caso se cumple
que (X = x) si y slo si los primeros (x 1) ensayos son fracasos (q) y el
x-simo ensayo es xito (p), por lo que:

P(X = x) =
La distribucin geomtrica es cualquiera de las dos distribuciones
de probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de

Bernoulli necesaria para obtener un xito, contenido en el conjunto
{ 1, 2, 3,...} o

la distribucin de probabilidad del nmero Y = X 1 de fallos

antes del primer xito, contenido en el conjunto { 0, 1, 2, 3,... }.

Cul de stas es la que uno llama "la" distribucin geomtrica, es una

cuestin de convencin y conveniencia.
Si la probabilidad de xito en cada ensayo es p, entonces la
probabilidad de que x ensayos sean necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x

fallos antes del primer xito es

para x = 0, 1, 2, 3,....
En ambos casos, la secuencia de probabilidades es una progresin
geomtrica.

La

esperanza

matemtica

la

varianza

de

la

distribucin geomtrica:
La esperanza matemtica
geomtricamente es:

y dado que Y = X-1,

de una variable aleatoria X distribuida

En ambos casos, la varianza es

Como

su

anloga

continua,

la

distribucin

exponencial,

la

distribucin geomtrica carece de memoria. Esto significa que si

intentamos repetir el experimento hasta el primer xito, entonces, dado
que el primer xito todava no ha ocurrido, la distribucin de
probabilidad condicional del nmero de ensayos adicionales no depende
de cuantos fallos se hayan observado. El dado o la moneda que uno
lanza no tienen "memoria" de estos fallos. La distribucin geomtrica es
de hecho la nica distribucin discreta sin memoria.

Distribucin hipergeomtrica
La distribucin hipergeomtrica es una distribucin discreta
relacionada con muestreos aleatorios y sin reemplazo. Supngase que
se tiene una poblacin de N elementos de los cuales, d pertenecen a la
categora A y N-d a la B. La distribucin hipergeomtrica mide la
probabilidad de obtener x (

) elementos de la categora A en

una muestra sin reemplazo de n elementos de la poblacin original.

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

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)

La esperanza matemtica y varianza de la

distribucin hipergeomtrica:
La esperanza de una variable aleatoria X que sigue la distribucin
hipergeomtrica es:

y su varianza,

DISTRIBUCIN DE 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]. Se corresponde con la eleccin al azar de
cualquier valor entre a y 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 que otros debido a la distribucin de
alturas en la poblacin. Ms adelante veremos que, generalmente,
variables biomtricas como la altura se adaptan un modelo de
distribucin denominado distribucin Normal y representado por una
campana de Gauss.
Dentro de las variables aleatorias continuas tenemos las variables

aleatorias absolutamente continuas.

Diremos que una variable aleatoria X continua tiene una distribucin

absolutamente continua si existe una funcin real f, positiva e integrable en el
conjunto de nmeros reales, tal que la funcin de distribucin F de X se puede
expresar como:

Nota: La funcin f se llama funcin de densidad de la v.a. X

Una variable aleatoria con distribucin absolutamente continua, por
extensin, se clasifica como variable aleatoria absolutamente continua.

DISTRIBUCIN UNIFORME
La distribucin Uniforme es el modelo (absolutamente) continuo ms
simple. Corresponde al caso de una variable aleatoria que slo puede tomar
valores comprendidos entre dos extremos a y b, de manera que todos los
intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad. Tambin puede expresarse como el modelo probabilstico
correspondiente a tomar un nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe
tomar el mismo valor para todos los puntos dentro del intervalo (a, b) (y cero
fuera del intervalo). Es decir;

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de densidad y

viene dada por:

Grficamente:

Esperanza Matemtica y Varianza de la Distribucin

Uniforme

Su esperanza vale (b + a)/2

Su varianza es (b a)2/12

DISTRIBUCIN EXPONENCIAL
La distribucin exponencial es el equivalente continuo de la
distribucin geomtrica discreta. Esta ley de distribucin describe
procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado

evento, sabiendo que,

El tiempo que pueda ocurrir desde cualquier instante dado t, hasta

que ello ocurra en un instante tf, no depende del tiempo
transcurrido anteriormente en el que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

- El tiempo que tarda una partcula radiactiva en desintegrarse. El
conocimiento de la ley que sigue este evento se utiliza en Ciencia
para, por ejemplo, la datacin de fsiles o cualquier materia
orgnica mediante la tcnica del carbono 14, C14;
- El tiempo que puede transcurrir en un servicio de urgencias, para
la llegada de un paciente;

- En un proceso de Poisson donde se repite sucesivamente un

experimento a intervalos de tiempo iguales, el tiempo que
transcurre entre la ocurrencia de dos sucesos consecutivos sigue
un modelo probabilstico exponencial. Por ejemplo, el tiempo que
transcurre entre que sufrimos dos veces una herida importante.
En estadstica la distribucin exponencial es una distribucin de
probabilidad continua con un parmetro

cuya funcin de densidad

es:

Su funcin de distribucin acumulada es:

Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos
sigue una distribucin exponencial con media de 16 aos. Cul es la
probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes de 20 aos? Si el marcapasos
lleva funcionando correctamente 5 aos en un paciente, cul es la
probabilidad de que haya que cambiarlo antes de 25 aos?
Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos en
una persona. Tenemos que:

Entonces;

En segundo lugar

Luego como era de esperar, por ser propio a un mecanismo exponencial,

O sea, en la duracin que se espera que tenga el objeto, no influye en

nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice
que ``la distribucin exponencial no tiene memoria".

Esperanza Matemtica y Varianza de la

Distribucin Exponencial
El valor esperado y la varianza de una variable aleatoria X con
distribucin exponencial son:

DISTRIBUCIN GAMMA
La distribucin gamma es una distribucin de probabilidad continua con
dos parmetros

Aqu

cuya funcin de densidad para valores

es el nmero e y

es:

es la funcin gamma. Para valores

funcin gamma es

(el factorial de

la

). En este caso - por

ejemplo para describir un proceso de Poisson - se llaman la distribucin

distribucin Erlang con un parmetro

Esperanza Matemtica y Varianza de la Distribucin

Gamma
El valor esperado y la varianza de una variable aleatoria X de
distribucin gamma son:

DISTRIBUCIN NORMAL
Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica su extendida utilizacin, justificada por la

frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en

su comportamiento a esta distribucin. Muchas variables aleatorias continuas
presentan una funcin de densidad cuya grfica tiene forma de campana. En
otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de
frecuencias se aproximan a una curva en "forma de campana".

En

resumen, la importancia de la distribucin

normal

se debe

principalmente a que hay muchas variables asociadas a fenmenos naturales

que siguen el modelo de la normal.
-

Caracteres morfolgicos de individuos (personas, animales, plantas,)

de una especie, p. ejm. Tallas, pesos, envergaduras, dimetros,
permetros

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un

frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de

adaptacin a un medio

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras

distribuciones

como

la

binomial

la

de

Poisson

son

aproximaciones normales
Y en general cualquier caracterstica que se obtenga como suma de muchos
factores.
Ejemplo:
Supongamos que cierto fenmeno pueda ser representado mediante una
v.a.

, y queremos calcular la probabilidad de que X tome un valor

entre 39 y 48, es decir;

Comenzamos haciendo el cambio de variable

De modo que

Esperanza Matemtica y Varianza de la Distribucin

Normal

Esperanza matemtica:

Varianza:

DISTRIBUCIN X2 DE PEARSON
La distribucin de Pearson, llamada tambin ji cuadrada o chi cuadrado
() es una distribucin de probabilidad continua con un parmetro k que
representa los grados de libertad de la variable aleatoria.

Donde

son variables aleatorias normales independientes de media

cero y varianza uno. El que la variable aleatoria X tenga esta distribucin se

representa habitualmente as:

La distribucin tiene muchas aplicaciones en inferencia estadstica. La

ms conocida es la de la denominada prueba utilizada como prueba de
independencia y como prueba de bondad de ajuste y en la estimacin de
varianzas. Pero tambin est involucrada en el problema de estimar la media
de una poblacin normalmente distribuida y en el problema de estimar la
pendiente de una recta de regresin lineal, a travs de su papel en la
distribucin t de Student.

Aparece tambin en todos los problemas de anlisis de varianza por su

relacin con la distribucin F de Snedecor, que es la distribucin del cociente
de dos variables aleatorias independientes con distribucin .

Esperanza Matemtica y Varianza de la Distribucin X 2

de Pearson:
El valor esperado y la varianza de una variable aleatoria X con distribucin
son, respectivamente, k y 2k.

BIBLIOGRAFIA CONSULTADA
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadistica_basic
a%201.htm
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2
m1t9.htm
http://www.dm.uba.ar/materias/estadistica_Q/2008/1/EstadQuimVsAsContinuas.
pdf
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4
m1t1.htm
http://www.buenastareas.com/ensayos/Probabilidad-yEstadisticas/2537851.html
http://isis.faces.ula.ve/COMPUTACION/Bioestadistica/node78.htm
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_gamma
http://www.monografias.com/trabajos10/dino/dino.shtml
http://isis.faces.ula.ve/COMPUTACION/Bioestadistica/node79.htm
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2