Introduccin

En este trabajo estudiaremos la naturaleza de los fenmenos aleatoreos que son aquellos
que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados
diferentes, es decir, no se puede predecir el resultado exacto de cada experiencia particular.
(Ej: Lanzamiento de un dado). Este tipo de fenmeno es opuesto al fenmeno determinista,
en el que conocer todos los factores de un experimento nos hace predecir exactamente el
resultado del mismo. Con ello y su avance se lograra el anlisis de todos los elementos que
permiten un desarrollo adecuado da los temas tales como las distintas formas de
distribucin en forma general.


















Qu exactamente el azar?
El azar es una cualidad presente en diversos fenmenos que se caracterizan por no mostrar
una causa, orden o finalidad aparente.
En matemticas, puede darse una serie de nmeros con la propiedad de que dicha serie no
puede obtenerse por un algoritmo ms corto que la serie misma. Es lo que se conoce como
aleatoriedad. La rama de las matemticas que estudia este tipo objetos es la teora de la
probabilidad. Cuando esta teora se aplica a fenmenos reales se prefiere hablar de
estadstica.

Qu es una variable aleatoria?
La definicin formal de variable aleatoria requiere ciertos conocimientos profundos de
matemtica (en concreto de teora de la medida). Es la siguiente:
3

4

Dado un espacio de probabilidad y un espacio medible (tambin denominado a
veces espacio de Borel) (S,), una aplicacin es una variable aleatoria si
es una aplicacin -medible.
En la mayora de los casos se toma como espacio medible de llegada el formado por los
nmeros reales junto con la -lgebra de Borel (el generado por la topologa usual de ),
quedando pues la definicin de esta manera:
Dado un espacio de probabilidad una variable aleatoria real es cualquier
funcin -medible donde es la -algebra boreliana.
Ejemplo
Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de
resultados elementales posibles asociado al experimento, es
= {cc, cx, xc, xx},
donde (c representa "sale cara" y x, "sale cruz").
Podemos asignar entonces a cada suceso elemental del experimento el nmero de caras
obtenidas. De este modo se definira la variable aleatoria X como la funcin

dada por



El recorrido o rango de esta funcin, R
X
, es el conjunto
R
X
= {0, 1, 2}

Variables aleatorias discretas y continuas
Variable aleatoria continua.

Sea X una v.a. diremos que es continua cuando toma un nmero infinito no numerable de
valores, es el caso de los intervalos de R o todo R.
Ejemplos:
Un estudio estadstico quiere conocer la duracin de un conjunto de bombillas, para ello se
define la v.a. X="duracin de una bombilla" . La v.a. as definida es una variable co
continua pues puede tomar cualquier valor mayor que 0.
Una empresa dedicada a la confeccin de pantalones de caballero ha determinado que la
cintura de los varones en una determinada localidad oscila entre 70 cm y 130 cm La v.a. X=
"medida de la cintura de un varn" puede tomar cualquier valor comprendidio entre 70 y
130 cm. Toma por tanto un nmero infinito no numerable ce valores, X es una v.a.
continua.

Variable aleatoria discontinua o discreta.
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.
Ejemplo.- Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los
sucesos elementales del experimento, <<que salga cara>>, <<que salga cruz>>, no vienen
representados por los nmeros, por lo que casa suceso elemental se le hace corresponder un
nmero real. As al suceso elemental <<que salga cara>> se le hace corresponder el nmero
1 y al suceso elemental <<que salga cruz>> se le hace corresponder el nmero 2.
La variable aleatoria ser: X = (1,2).

Se trata de una variable aleatoria discontinua o discreta, ya que nicamente puede adoptar
los valores 1 y 2.

Dist. De probabilidad para una variable aleatoria discreta(VAD)
Distribuciones de variable discreta


Distribucin binomial.
Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad slo
toma valores positivos en un conjunto de valores de X finito o infinito numerable. A dicha
funcin se le llama funcin de masa de probabilidad. En este caso la distribucin de
probabilidad es el sumatorio de la funcin de masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin
representa la suma de todas las probabilidades desde hasta el valor x.
Distribuciones de variable discreta ms importantes
Las distribuciones de variable discreta ms importantes son las siguientes:
y Distribucin binomial
y Distribucin binomial negativa
y Distribucin Poisson
y Distribucin geomtrica
y Distribucin hipergeomtrica
y Distribucin de Bernoulli
y Distribucin Rademacher, que toma el valor 1 con probabilidad 1 / 2 y el valor -1
con probabilidad 1 / 2.
y Distribucin uniforme discreta, donde todos los elementos de un conjunto finito son
equiprobables.
Valor esperado de una VAD(Esperanza matematica)
la esperanza matemtica (tambin llamada esperanza, valor esperado, media
poblacional o media) de una variable aleatoria X, es el nmero que formaliza la
idea de valor medio de un fenmeno aleatorio.
Para una variable aleatoria discreta con valores posibles y sus
probabilidades representadas por la funcin de probabilidad p(x
i
) la esperanza se calcula
como:

Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos
los valores y la funcin de densidad :

La definicin general de esperanza se basa, como toda la teora de la probabilidad, en el
marco de la teora de la medida y se define como la siguiente integral:

La esperanza tambin se suele simbolizar con
Las esperanzas para se llaman momentos de orden . Ms
importantes son los momentos centrados .
No todas las variables aleatorias tienen un valor esperado. Por ejemplo, la distribucin de
Cauchy no lo tiene.
Propiedades
La esperanza es un operador lineal, ya que:



Combinando estas propiedades, podemos ver que -


donde e son variables aleatorias y y dos constantes cualesquiera.
Varianza y desviacin estndar (o tpica)

Al igual que para las variables estadsticas la esperanza mide, en cierto sentido, el valor
promediode X. El concepto siguiente, el de la varianza, va a medir la dispersin o
distanciamiento de X, respecto de la media.
Definicin 5. Sea X una variable discreta que toma los valores, x
1
, x
2, .....
.x
n
con funcin de
probabilidad f. Se llama varianza de X y se designa por var(X) a:
=E(X
2
)-E(X)
2

Es decir, la media de la variable al cuadrado menos el cuadrado de la media.
La desviacin estndar o tpica se define como la raz cuadrada de la varianza.
Ejemplo 9. Consideremos la variable X que asigna la suma de dos nmeros que se muestran
en un par de dados. La distribucin de X es:

x
i
2 3 4 5 6 7 8 9 10 11 12
f(x
i
) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

x
i
f(x
i
) x
i
f(x
i
) x
i
2
x
i
2
f(x
i
)
2 1/36 2/36 4 4/36
3 2/36 6/36 9 18/36
4 3/36 12/36 16 48/36
5 4/36 20/36 25 100/36
6 5/36 30/36 36 180/36
7 6/36 42/36 49 294/36
8 5/36 40/36 64 320/36
9 4/36 36/36 81 324/36
10 3/36 30/36 100 300/36
11 2/36 22/36 121 242/36
12 1/36 12/36 144 144/36
1 7 1974/36

La varianza, Var (X)= E(X
2
)-E(X)
2
= = =54,83-49=5,83
La desviacin tpica

Valor monetario Esperado
El valor monetario esperado es justamente la suma de los resultados
finales de la alternativa, es decir, cada ponderado por la probabilidad de
que ocurra un resultado final.
EMV (ALTERNATIVA
i )
=
Resultado final
del primer
estado de
Naturaleza.
*
( Probabilidad
del primer
estado de
naturaleza ).
+
( Resultado final
del segundo
estado de
naturaleza ).
*
( Probabilidad
del segundo
estado de
naturaleza ).
+
. . . + (
Resultado final
del ltimo
estado de
naturaleza ).
*
( Probabilidad
del ltimo
estado de
naturaleza).

Ejemplo. Suponga que la Cafetera ahora cree que la probabilidad de un
mercado favorable es exactamente la misma, como la probabilidad de un
mercado no favorable, que es cada estado de naturaleza con una
oportunidad de 0.50.
ESTADO DE NATURALEZA
0
MERCADO
FAVORABLE
MERCADO
NO
FAVORABLE
EMV
CALCULADO
ALTERNATIVAS ($) ($) ($)
------------------------- --------------- ------------ --------------
AMPLIA
FACILIDAD
200.000 -180.000 10.000
PEQUEA
FACILIDAD
100.000 -20.000 40.000
SIN FACILIDAD 0 0 0
------------------------- ---------------- ------------ --------------
PROBABILIDADES .50 .50 0
------------------------- ---------------- ------------- --------------
Los calculos son:
EMV (Amplia
facilidad)
=(.50) ($200.000) + (.50) (-$180.000)
= $10.000
EMV (Pequea
facilidad)
= (.50) ($100.000) + (.50) (-$20.000)
= $40.000
EMV (sin
facilidades)
= (.50) ($0) + (.50) ($0)
= $ 0

La ms larga supone el valor de los resultados de la segunda alternativa,
edificando una pequea factora. De esta manera, la Cafetera podr
avanzar con el proyecto y poner sobre la pequea planta de manufacturas
el almacenamiento de los despojos.
El valor monetario esperado para la planta grande y para no hacerlo son
de $10.000 y $0 respectivamente.




La distribucin binomial

Sea n un nmero entero positivo, y sea p un nmero real comprendido entre 0 y 1. Sea S
j
la variable
aleatoria que cuenta el nmero, j , de xitos en un proceso de Bernouilli de n pruebas y probabilidad
de xito p. Entonces la distribucin b(n,p,j) de S
j
se dice que es una distribucin binomial.
Si representamos en un sistema de referencia, en el eje XX los valores de S
j
y en el eje YY
los valores b(n,p,j) , para distintos n y p=0,5, tenemos:

Observar como la probabilidad ms alta, corresponde al valor de S
j
ms esperado, es decir, la media
.




Distribucin geomtrica o de pascal
La distribucin geomtrica es un modelo adecuado para aquellos procesos en los que se
repiten pruebas hasta la consecucin del xito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de esta manera . Tambin implica la existencia de
una dicotoma de posibles resultados y la independencia de las pruebas entre s.
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental puro o de Bernouilli en
el que tengamos las siguientes caractersticas
El proceso consta de un nmero no definido de pruebas o experimentos separados o
separables. El proceso concluir cuando se obtenga por primera vez el resultado
deseado (xito).
Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A
La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q
siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las pruebas ,son
independientes (si se trata de un proceso de "extraccin" ste se llevar a , cabo con
devolucin del individuo extrado) .
(Derivacin de la distribucin). Si en estas circunstancias aleatorizamos de forma
que tomemos como variable aleatoria X = el nmero de pruebas necesarias para
obtener por primera vez un xito o resultado A , esta variable se distribuir con una
distribucin geomtrica de parmetro p.

Obtencin de la funcin de cuanta
De lo dicho anteriormente , tendremos que la variable X es el nmero de pruebas
necesarias para la consecucin del primer xito. De esta forma la variables aleatoria toma
valores enteros a partir del uno ; 1,2,
La funcin de cuanta P(x) har corresponder a cada valor de X la probabilidad de
obtener el primer xito precisamente en la X-sima prueba. Esto es , P(X) ser la
probabilidad del suceso obtener X-1 resultados "no A" y un xito o resultado A en la
prueba nmero X teniendo en cuenta que todas las pruebas son independientes y que
conocemos sus probabilidades tendremos:

dado que se trata de sucesos independientes y conocemos las probabilidades

luego la funcin de cuanta quedara

Algunos autores consideran la aleatorizacin como "nmero de pruebas anteriores
al primer xito". De esta manera el conseguir el xito a la primera sera X=0 . En la
siguiente representacin grfica de la funcin de cuanta de la geomtrica puede apreciarse
este tipo de aleatorizacin , sin embargo nosotros preferimos , por razones prcticas, utilizar
la aleatorizacin antes
comentada









Funcin de distribucin
En base a la funcin de cuanta se puede expresar la funcin de distribucin de la
siguiente manera.
desarrollando la expresin tendramos
de donde
La Funcin Generatriz de Momentos (F.G.M.) quedara:



por lo que queda establecida que la F.G.M. tiene la expresin
En base a la FGM podemos obtener la media y varianza:
As
Haciendo t =0 tendramos que
La varianza sera

Haciendo t =0 tendramos que
De esta manera
Luego
Distribucin hipergeomtrica
Funcin de distribucin de probabilidad
Parmetros

Dominio

Funcin de
probabilidad
(fp)

Funcin de
distribucin
(cdf)

Media

Mediana

Moda

Varianza

Coeficiente
de simetra

Curtosis











La moda es el valor de la variable que tiene asociada mayor probabilidad el valor de su
funcin de cuanta es el mayor. Es fcil comprobar (vase simplemente la representacin
grfica anterior) que .Por lo tanto la media de la distribucin
geomtrica es siempre 1.
En cuanto a la mediana M
e
ser aquel valor de la variable en el cual la funcin de
distribucin toma el valor 0,5. As

por lo que







Entropa

Funcin
generadora
de momentos
(mgf)

Funcin
caracterstica

-Distribucin hiprgeometrica

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 de n elementos de la poblacin original.
La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica
puede deducirse a travs de razonamientos combinatorios y es igual a

donde N es el tamao de poblacin, n es el tamao de la muestra extrada, d es el nmero
de elementos en la poblacin original que pertenecen a la categora deseada y x es el
nmero de elementos en la muestra que pertenecen a dicha categora. La notacin
hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al
seleccionar b elementos de un total a
El valor esperado de una variable aleatoria X que sigue la distribucin hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

y

se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la binomial a
muestreos con reemplazo. En situaciones en las que el nmero esperado de repeticiones en
el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es
as cuando N es grande y el tamao relativo de la muestra extrada, n/N, es pequeo.

Distribucion de poison
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta. Expresa la probabilidad de un nmero k de eventos ocurriendo en un
tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son
independientes del tiempo discurrido desde el ltimo evento.
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo
Recherches sur la probabilit des jugements en matires criminelles et matire civile
(Investigacin sobre la probabilidad de los juicios en materias criminales y civiles).
La funcin de densidad de la distribucin de Poisson es

donde es un parmetro positivo que representa la frecuencia esperada del fenmeno
modelado por la distribucin.
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de
Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en
cuyos coeficientes tienen una interpretacin combinatorio. De hecho, cuando el valor
esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-
simo momento iguala al nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a
, el mayor de los enteros menores que (los smbolos representan la funcin parte
entera). Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro
0
a
otra de parmetro es


Parmetros

Dominio

Funcin de
probabilidad
(fp)

Funcin de
distribucin
(cdf)
(dnde (x,y) es la Funcin
gamma incompleta)
Media

Mediana

Moda

Varianza

Coeficiente
de simetra

Curtosis

Entropa

Funcin
generadora
de momentos
(mgf)

Funcin
caracterstica