Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Educacin Superior

Instituto Universitario Politcnico Santiago Mario
Sede, Barcelona-Anzotegui.
Escuela, Electrnica.

Distrib
ucin
Discre
ta y
Contin
ua
Materia: Estadsticas
Seccin: EN

Integrantes:
Julio Marn 22.854.797
Jos Rivas 23.946.687
Ginesca Torres 25.810.005
Mara Rondn 19.248.744
Mariel Mendoza 25.508.410

Barcelona, Marzo de 2014

Introduccin
Una variable aleatoria es un valor numrico que corresponde al resultado
de un experimento aleatorio, como el nmero de caras que se obtienen al lanzar
4 veces una moneda, el nmero de lanzamientos de un dado hasta que aparece
el seis, el nmero de llamadas que se reciben en un telfono en una hora, el
tiempo de espera a que llegue un autobs.
Las variables aleatorias, como las estadsticas, pueden ser discretas o
continuas.
Las variables aleatorias permiten definir la probabilidad como una funcin
numrica (de variable real) en lugar de como una funcin de un conjunto dado.
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Dentro del campo de aplicacin se encuentra inspeccin
de calidad, ventas, mercadotecnia, medicina, investigacin, etc. En las empresas
se dan situaciones donde se espera que ocurra o no un evento especfico. ste
puede ser de xito o fracaso. Por ejemplo, en la produccin de un artculo, ste
puede salir bueno o malo. Casi bueno no es un resultado de inters. Para
situaciones como stas se utiliza la distribucin binomial.

Distribucin discreta.
Son definidas como aquellas variables que asumen un nmero limitado de
valores, por ejemplo el nmero de aos de estudio.
Las distribuciones discretas pueden ser: Binomial, hipergeomtrica, multinomial,
poisson.
La variable discreta se caracteriza por los siguientes aspectos.

Es generada por una variable discreta (x)

La variable X solo toma valores enteros.
X (0,1,2,3,4,5,6,7,8,9,..)
Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero ((xi)0).
La sumatoria de las probabilidades asociadas a cada uno de los valores
que toma x debe ser igual a 1 (p(xi) = 1 ).

Uso y aplicaciones de la variable discreta.

Se lanza un par de dados. Se define la variable aleatoria X como la suma de las
puntuaciones obtenidas. Hallar la funcin de probabilidad, la esperanza
matemtica y la varianza.
Tipos de variable discreta.

Binomial: Son aquellas variable aleatoria X que represente el nmero

de xitos en equis pruebas idnticas e independientes, con probabilidad
de xito constante de una prueba a otra.

Puesto que la variable aleatoria binomial es de gran aplicacin, existen tablas y

programas con los que se puede calcular su funcin de probabilidad.
Ejemplos.
1. Se desarrolla una nueva variedad de maz en una estacin agrcola
experimental. Se plantan 20 semillas en un suelo de idntica composicin
y se le dedican los mismos cuidados. se espera que germine el 90% de
las semillas. Cuntas semillas se espera que germinen?.
2. Diez individuos propensos a desarrollar tuberculosis, entran en contacto
con un portador de la enfermedad. Si la probabilidad de que la
enfermedad se contagie del portador a un sujeto cualquiera es de 0.10.
Cuntos contraern la enfermedad?.

Binomial negativa: Es un modelo adecuado para tratar aquellos

procesos en los que se repite un determinado ensayo o prueba hasta
conseguir un nmero determinado de resultados favorables (por vez
primera) .Es por tanto de gran utilidad para aquellos muestreos que

procedan de esta manera. Si el nmero de resultados favorables

buscados fuera 1 estaramos en el caso de la distribucin geomtrica.
Est implicada tambin la existencia de una dicotoma de resultados
posibles en cada prueba y la independencia de cada prueba o ensayo, o
la reposicin de los individuos muestreados. Esta distribucin tambin
puede considerarse como una extensin o ampliacin de la distribucin
geomtrica.
Se calcula mediante la siguiente formula.
P (X = r) = n-1 C-1 r p r (1-p) n
Ejemplos.
Encontrar la probabilidad de que un hombre lanzando una moneda se la
cuarta en la tapa de sesiones.
Solucin.
Nmero de ensayos n = 9 (ya que lanza la moneda nueve veces).
Nmero de xitos r = 4 (ya que define los jefes como un xito).
Probabilidad de xito para cualquier moneda para p = 0,5
n-1 = 09/01 = 8
r-1 = 4-1 = 3
(N-1) - (r-1) = 03/08 = 5
((N-1) - (r-1))! = 5! = 120
= 8 = 40320
=3=6
= 40320/120 = 336
= 336 / 6 = 56
= 0.5 4 = 0.0625
1-p = 1-0.5 = 0.5
nr = 9.4 = 5
= 0.5 5 = 0.03125
= 56 x 0.0625 x 0.03125 = 0.109375

La probabilidad de que la moneda caiga sobre las cabezas por cuarta vez en
el noveno lanzamiento de moneda es 0,1094.

Multinomial: Es una distribucin de probabilidad conjunta para mltiples

variables

aleatorias (
discretas donde cada
, dndose cuando en cada prueba o ensayo independiente
(con reposicin) del E.A. interesa contar el nmero de xitos en cada una
de la k maneras como se puede dar un atributo.
La distribucin multinomial sigue el siguiente modelo:

Ejemplo.
1. En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses,
el 40% italiano y el 10% portugueses. En un pequeo grupo se han
reunido 4 invitados: cul es la probabilidad de que 2 sean espaoles y 2
italianos?

P = 0,0384
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos
pases es tan slo del 3,84%.

Hipergeomtrica: Es el muestreo sin reemplazamiento y sin

independencia entre pruebas o ensayos. Sus aplicaciones estn en reas
con uso considerable de muestreo de aceptacin, pruebas electrnicas y
de aseguramiento de la calidad, fabricacin de piezas, etc.
En la distribucin hipergeomtrica X= cantidad de resultados xitos en
una muestra aleatoria (sin reposicin) de tamao, tomada de una
poblacin de tamao N y de la cual N1 satisface una caracterstica o
propiedad (xito) antes del muestreo y N2 no la satisface (fracaso).

Poisson: Las variables aleatorias de Poisson surgen al observar un

conjunto discreto de sucesos en un intervalo continuo de tiempo, longitud
o espacio.

Ejemplo.
1. En el campo microbiolgico, las variables con distribucin Poisson
estn relacionadas en su mayora a procesos de conteo como el
recuento de microorganismos viables por conteo en plato o
determinacin del nmero ms probable (NMP), as como a procesos
relacionados con la determinacin de la probabilidad de mutacin
celular.
2. Cuando se busca realizar del recuento de microorganismos viables
por conteo en plato o determinar el nmero ms probable (NMP), el
suceso a observar ser el nmero de colonias bacterianas (UFC)
desarrolladas sobre el plato de agar o el nmero de tubos con
crecimiento bacteriano (positivos) y el intervalo corresponder a la
unidad de muestra analizada, llmese gramo de suelo, o mililitro de
un lquido analizado (agua, sangre, etc).

Distribucin contina.
Caractersticas:

Es generada por una variable continua (x).

Es una variable que puede tomar tanto valores enteros como

fraccionarios. 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5,.....,

Las probabilidades asociadas a cada uno de los valores que toma x

deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de
densidad de probabilidad deber tomar solo valores mayores o iguales a
cero. La funcin de densidad de probabilidad slo puede estar definida en
los cuadrantes I y II.

La sumatoria de las probabilidades asociadas a cada uno de los valores

que toma x debe ser igual a 1. El rea definida bajo la funcin de
densidad de probabilidad deber ser de 1.

Tipos:

Normal: La distribucin normal o distribucin de Gauss es sin duda la

ms importante y la de ms aplicacin de todas las distribuciones
continuas. Esta distribucin es bastante adecuada para describir la
distribucin de muchos conjuntos de datos que ocurren en la naturaleza,
la industria y la navegacin. As pues para los siguientes conjuntos de
datos, se puede considerar adecuada la distribucin normal:
- Datos meteorolgicos correspondientes a temperaturas, lluvias, etc.
- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas fsicas de productos manufacturados.
- La vida media de un tipo de lmparas con un voltaje dado, etc.

Uniforme: Es una distribucin en el intervalo [a,b] en la cual las

probabilidades son las mismas para todos los posibles resultados, desde
el mnimo de a hasta el mximo de b. El experimento de lanzar un
dado es un ejemplo que cumple la distribucin uniforme, ya que todos los
6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.

Exponencial: La distribucin de Poisson calcula el nmero de eventos

sobre alguna rea de oportunidad (intervalo de tiempo o espacio), la
distribucin exponencial mide el paso del tiempo entre tales eventos. Si el
nmero de eventos tiene una distribucin de Poisson, el lapso entre los
eventos estar distribuido exponencialmente.

Weibull: Devuelve la probabilidad de una variable aleatoria siguiendo

una distribucin de Weibull. Esta distribucin se aplica en los anlisis de
fiabilidad, para establecer, por ejemplo, el periodo de vida de un
componente hasta que presenta una falla.

Distribucin:

Ejemplo: Suponga que la vida til de una batera para audfonos es una variable
aleatoria aleatoria que tiene una distribucin Weibull con a=1/2 y b=2
Cul es la probabilidad de que la batera siga funcionando despus de 2 aos.

Gamma: Diremos que una variable aleatoria X, de tipo continuo, sigue

una distribucin gamma de parmetros p y a, siendo p,a y p>0 y a>0,

X(p,a), si su funcin de densidad es :

f ( x)

a p p 1 ax
x e
( p )
0

,x0
,x0

Esta distribucin se aplica para representar las siguientes distribuciones:

- Intervalos de tiempo entre dos fallos de un motor.
- Intervalos de tiempo entre dos llegadas de automviles a una gasolinera.
- Tiempos de vida de sistemas electrnicos, etc.

Beta: es una distribucin de probabilidad continua con dos parmetros

y

Aqu

cuya funcin para valores

es

es la funcin gamma.

Log normal: es una distribucin de probabilidad de una variable

aleatoria cuyo logaritmo est normalmente distribuido. Es decir, siX es
una variable aleatoria con una distribucin normal, entonces exp(X) tiene
una distribucin log-normal.

La base de una funcin logartmica no es importante, ya que log a X est

distribuida normalmente si y slo si log b X est distribuida normalmente, slo se
diferencian en un factor constante.
Log-normal tambin se escribe log normal o lognormal.
Una variable puede ser modelada como log-normal si puede ser considerada
como un producto multiplicativo de muchos pequeos factores independientes.
Un ejemplo tpico es un retorno a largo plazo de una inversin: puede
considerarse como un producto de muchos retornos diarios.

La distribucin log-normal tiende a la funcin densidad de probabilidad

Conclusin
Una variable puede tomar una variable cualquiera durante un proceso
dado. Las variables aleatorias son funciones que asocian a cada elemento del
espacio muestral, se clasifican en: Variable discreta, proporciona datos
cuantitativos discretos, es el resultado de un proceso de conteo y Variable
contina, se encuentra dentro de un intervalo comprendido entre 2 nmeros x.
La distribucin de probabilidad, describe el comportamiento de fenmenos
estadsticos es decir, es un listado de las probabilidades de todos los resultados
posibles que podran presentarse si se efecta un experimento. En la distribucin
discreta, las variables asumen un nmero limitado de valores, por ejemplo el
nmero de aos de estudio y en la distribucin continua, las variables en estudio
pueden asumir cualquier valor dentro de determinados lmites, por ejemplo la
estatura de un estudiante. Son las probabilidades que se asocian a cada uno de
los valores que toma la variable aleatoria x. La distribucin de probabilidad para
una variable aleatoria discreta, son las relaciones de los resultados y sus
probabilidades de las frecuencias observadas.