Una variable aleatoria es una variable que toma valores numéricos determinados por el
resultado de un experimento aleatorio
a. Variables aleatorias discretas y
continuas.
b. Definición de distribución de Probabilidad
c. Distribución Binomial.
d. Distribución de Bernoulli
e. Distribución Poisson.
f. Distribución hipergeométrica
g. Distribución Normal.
Variables aleatorias discretas
Diremos que una variable aleatoria es discreta si su recorrido es finito o infinito numerable.
Generalmente, este tipo de variables van asociadas a experimentos en los cuales se cuenta
el número de veces que se ha presentado un suceso o donde el resultado es una
puntuación concreta.
Variables aleatorias continuas
Son aquellas en las que la función de distribución es una función continua. Generalmente, se
corresponden con variables asociadas a experimentos en los cuales la variable medida
puede tomar cualquier valor en un intervalo; mediciones biométricas, por ejemplo.
Un caso particular dentro de las variables aleatorias continuas y al cual pertenecen todos los FORMULA
ejemplos usualmente utilizados, son las denominadas variables aleatorias absolutamente
Unidad 2 ? Probabilidad Condicional y distribuciones de Probabilidad
continuas.
Variables aleatorias absolutamente continuas:
Diremos que una variable aleatoria X continua tiene una distribución absolutamente continua
si existe una función real f, positiva e integrable en el conjunto de números reales, tal que la
función de distribución F de X se puede expresar como
Una variable aleatoria con distribución absolutamente continua, por extensión, se la clasifica
como variable aleatoria absolutamente continua.
A la función f se la denomina función de densidad de probabilidad de la variable X.
Hay que hacer notar que no toda variable continua es absolutamente continua, pero los
ejemplos son complicados,
DEFINICIÓN:Una distribución de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si éste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenómenos naturales
Toda distribución de probabilidad es generada por una variable (porque puede tomar diferentes valores) aleatoria
x (porque el valor tomado es totalmente al azar), y puede ser de dos tipos:
VARIABLE ALEATORIA DISCRETA (x).:Porque solo puede tomar valores enteros y un número finito de ellos.
Por ejemplo: X Variable que nos define el número de alumnos aprobados en la materia de probabilidad en un
grupo de 40 alumnos (1, 2 ,3? ó los 40).
PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(xi)<1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero
y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a
1.
La distribución Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por sus
aplicaciones, es posiblemente la más importante.
Esta distribución corresponde a la realización de un experimento aleatorio que cumple con las siguientes
condiciones: Donde:
P(X)= es la probabilidad de ocurrencia del
* Al realizar el experimento sólo son posible dos resultados: el suceso A, llamado éxito, y el suceso B , llamado evento
fracaso. p = es la probabilidad de éxito del evento (en un intento)
* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos anteriormente. q = es la probabilidad de fracaso del evento (en un intento) (se define como
q=1?p)
* La probabilidad del suceso A es constante, es decir, no varía de una prueba del experimento a otra. FORMULA X = ocurrencia del evento o éxitos deseados
* En cada experimento se realizan n pruebas idénticas. n = número de intentos
Todo experimento que tenga estas características se dice que sigue el modelo de la distribución Binomial o
distribución de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de éxito p y de fracaso q, entonces la distribución
de probabilidad que la modela es la distribución de probabilidad binomial y su regla de correspondencia es:
Utilice la distribución de Bernoulli cuando un proceso aleatorio tenga exactamente dos resultados:
evento o no evento. Por ejemplo, en el campo de la calidad, un producto se puede clasificar como bueno
o malo.
Las variables de Bernoulli pueden tomar dos valores numéricos, 0 y 1, donde 1 corresponde a un evento
y 0 corresponde a un no evento. Una variable aleatoria X sigue una distribución de Bernoulli si P(X = 1)
= p y P(X = 0) = 1 ? p, donde p es la probabilidad de ocurrencia del evento.
La distribución de Bernoulli es una distribución discreta que está relacionada con muchas distribuciones,
tales como la distribución binomial, geométrica y binomial negativa. La distribución de Bernoulli
representa el resultado de 1 ensayo. Las secuencias de ensayos de Bernoulli independientes generan
las demás distribuciones: la distribución binomial modela el número de éxitos en n ensayos, la
distribución geométrica modela el número de fallas antes del primer éxito y la distribución binomial
negativa modela el número de fallas antes del éxito xésimo.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto,
La distribución de POISSON es también un caso particular de probabilidad de variable aleatoria discreta, el cual debe su nombre a la fórmula a utilizar sería:
Siméon Denis Poisson (1781-1840), un francés que la desarrolló a partir de los estudios que realizó durante la última etapa de su vida.
donde:
Es útil cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un intervalo de tiempo o espacio especificado.
p(X) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos
Esta distribución se utiliza para describir ciertos procesos. es /
FORMULA
/= media o promedio de éxitos por unidad de tiempo, área o producto
Características: e = 2.718 (base de logaritmo neperiano o natural)
En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc: X = variable que nos denota el número de éxitos que se desea que ocurra
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc. Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de
- # de bacterias por cm2 de cultivo tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc. de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc. es independiente de otro producto dado.
La distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se extraigan muestras o se
realizan experiencias repetidas sin devolución del elemento extraído o sin retornar a la situación experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un número determinado de veces una prueba dicotómica de manera
que con cada sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado. Es
una distribución .fundamental en el estudio de muestras pequeñas de poblaciones .pequeñas y en el cálculo de
probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de calidad en otros procesos experimentales
en los que no es posible retornar a la situación de partida.
La distribución hipergeométrica puede derivarse de un proceso experimental puro o de Bernouilli con las siguientes
características:
FORMULA
· El proceso consta de n pruebas , separadas o separables de entre un conjunto de N pruebas posibles.
· Cada una de las pruebas puede dar únicamente dos resultados mutuamente excluyentes: A y no A.
· En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l.
Las probabilidades de obtener un resultado A y de obtener un resultado no A varían en las sucesivas pruebas,
dependiendo de los resultados anteriores.
· (Derivación de la distribución) . Si estas circunstancias a leatorizamos de forma que la variable aleatoria X sea el
número de resultados A obtenidos en n pruebas la distribución de X será una Hipergeométrica de parámetros
N,n,p así
La distribucion normal o gaussiana es la distribucion continua mas importante. Definicion. Se dice que una variable X se
La media de la distribucion normal es µ y la desviacion t?pica es ?.
distribuye como normal con parametros µ y ? si f(x) = 1 ? ?2? exp ? 1 2?2(x ? µ)2
En este caso, se escribe X ? N (µ, ?).
La expresión de la función de densidad para la distribución normal viene dada por:
La distribución normal es un ejemplo importante referido a una variable aleatoria continua (la variable puede tomar
cualquier valor real) FORMULA
Podemos usar la distribución normal como una herramienta para calcular probabilidades. Por ejemplo, puede usarse
para aproximar la distribución binomial (calcular probabilidades de la distribución binomial con números 'grandes' no ha
sido tarea sencilla). Esta propiedad está en el origen de la curva normal.
Puede decirse que en este universo, la mayoría de los fenómenos naturales se comporta
básicamente de forma normal o?gaussiana?