UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

VARIABLES ALEATORIA:
Formalmente, una variable aleatoria es una funcin, que asigna eventos a nmeros reales (p.e., su suma). Una
variable aleatoria o variable estocstica es una variable estadstica cuyos valores se obtienen de mediciones en
experimento aleatorio.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios como
valores lgicos
Una variable aleatoria (v.a.) X es una funcin real definida en el espacio muestral, , asociado a un
experimento aleatorio.

VARIABLE ALEATORIA DISCRETA: una v.a. es discreta si su recorrido es un conjunto discreto. Sus
probabilidades se recogen en la funcin de cuanta.
Las variables discretas sern aquellas que pueden tomar solo un nmero limitado de valores separados y no
continuos; son aquellas que solo toman un determinado nmeros de valores, porque entre dos valores
consecutivos no pueden tomar ningn otro;

VARIABLES ALATORIAS DISCRETAS: una v.a. es continua si su recorrido no es un conjunto numerable.

Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un intervalo de
nmeros reales
Las variables continuas se caracterizan por el hecho de que para todo para de valores siempre se puede
encontrar en valor intermedio, (el peso, la estatura, el tiempo empleado para realizar un trabajo, etc.)

MODELOS PROBABILIDAD
En esta seccin, presentaremos los modelos de probabilidad ms interesantes desde el punto de vista de las
aplicaciones.
1.

DISTRIBUCIN BERNOULLI

Definicin.- Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados son agrupados en
dos conjuntos excluyentes que llamaremos xito (E) y fracaso (F), con P(E)= p y P(F) = 1 p.

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

Definicin.- Realizamos una prueba de Bernoulli con P(E) = p. El modelo de Bernoulli de parmetro p, que
representaremos abreviadamente por Bern(p), es el modelo de probabilidad de la variable aleatoria que
obtenemos al codificar el xito con uno y el fracaso con cero:
Modeliza situaciones en las que:

Se realiza una prueba

Que slo puede dar dos resultados posibles: A y A
La probabilidad del resultado A es P(A) = p y la del resultado A es P(A)= q=1-p.
En estas circunstancias la variable aleatoria X significa "n de resultados A que se obtienen.

2.

DISTRIBUCIN BINOMIAL

El campo de variacin de la variable es {0, 1, 2,3,..., n} y la funcin de cuanta es:

Para valores de x= 0,1,2,...n siendo n N , p [0,1] y q=1-p

Si una variable aleatoria, X, sigue una distribucin binomial de parmetros n y p se expresa como: X ~ B(n,p).
Situaciones que modeliza:

Se realiza un nmero n de pruebas (separadas o separables).

Cada prueba puede dar dos nicos resultados A y
La probabilidad de obtener un resultado A es p y la de obtener un resultado es q, con q= 1-p, en
todas las pruebas. Esto implica que las pruebas se realizan exactamente en las mismas condiciones. Si
se trata de extracciones, (muestreo), las extracciones debern ser con devolucin (reemplazamiento)
(M.A.S).

En estas circunstancias se aleatoria de forma que variable aleatoria signifique:

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

X = n de resultados A que se obtienen en las n pruebas

Es fcil comprobar que considerando estas condiciones la funcin de cuanta de la variable es precisamente la
que se ha especificado arriba.
La funcin de distribucin quedar como F(x) = S P(x), sin una expresin analtica concreta.
Los indicadores-momentos (media y varianza) pueden obtenerse a partir de la funcin de cuanta (operador
esperanza) o a partir de
tx

tx

F.G.M.: f (t) = E(e ) = S e P(x) =

Anlogamente se pueden obtener los coeficientes de Asimetra y de Curtosis. Que acaban siendo:

Es interesante hacer ver que si p=q= 0.5 la distribucin es SIMTRICA Y TIENE VARIANZA MXIMA
Puede determinarse la moda de una distribucin binomial como el (los) valor(es) de la variable (nmero entero
del 0 a n) que verifica:
pn - q Mo pn + p

3.

DISTRIBUCIN HIPERGEOMTRICA

Dada la siguiente situacin:

Una poblacin constituida por N individuos en total.

De los cuales Np individuos son del tipo A, y Nq individuos son del tipo .

De forma que la proporcin de individuos A que hay en la poblacin es p, y la proporcin de individuos de

tipo , es q (p+q=1).

Se realizan n (pruebas) extracciones sin reemplazamiento

De forma que la probabilidad de extraer un individuo A () en una de las extracciones depende de los
resultados de las pruebas anteriores.

Si consideramos la variable aleatoria X = n de resultados A obtenidos en las n extracciones, X seguir

una distribucin hipergeomtrica. X~H(N,n,p)

Puede comprobarse que la funcin de cuanta es, entonces:

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

La distribucin hipergeomtrica es semejante a la binomial, excepto en el hecho de que las pruebas no

mantienen constantes las probabilidades de A y

La media de la distribucin hipergeomtrica es m = np

La varianza de la distribucin es s2 = npq (N-1/(N-n))

Al trmino (N-1/(N-n)) se le llama coeficiente de exhaustividad ,o tambin, factor corrector de poblaciones

finitas :
Puede observarse que este factor es siempre inferior a 1 y que cuando la poblacin es muy grande (N )
tiende a 1(por tanto si la poblacin es muy grande la media y la varianza coinciden con las de la D. Binomial).
De hecho, si la poblacin es muy grande (resulta irrelevante la existencia o no de reposicin) la funcin de
cuanta de la Hipergeomtrica tiende a la f. de cuanta de la distribucin Binomial y se puede prescindir del
hecho de que haya o no reemplazamiento.

4.

DISTRIBUCIN DE POISSON

Formalmente: dada una variable aleatoria X con campo de variacin

X {0, 1,2,..., }, es decir X N cuya funcin de cuanta sea:

siendo l un parmetro positivo diremos que X sigue una distribucin de Poisson de parmetro l ,
X ~ P(l ).
Situaciones que modeliza:

Se observa la ocurrencia de hechos de cierto tipo durante un perodo de tiempo o a lo largo de un

espacio, considerados unitarios
El tiempo (o el espacio) pueden considerarse homogneos, respecto al tipo de hechos estudiados, al
menos durante el perodo experimental; es decir, que no hay razones para suponer que en ciertos
momentos los hechos sean ms probables que otros.
En un instante (infinitesimal) slo puede producirse como mucho un hecho (se podr producir o uno o
ninguno).
La probabilidad de que se produzca un hecho en un intervalo infinitesimal es prcticamente
proporcional a la amplitud del intervalo infinitesimal.

Si en estas circunstancias la variable aleatoria X = n de hechos que se producen en un intervalo unitario sigue
una distribucin de Poisson , que cmo veremos tendr por parmetro lel nmero medio de hechos que
pueden producirse en el intervalo unitario.

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

F.G.M. de una distribucin de Poisson:

tx

tx

f (t) = E(e ) = S e P(x) =

Derivando sucesivamente podremos obtener los distintos momentos ordinarios y, a partir de ellos media,
varianza y otros indicadores:
t

l(et - 1)

f ' (t) = l e e
t

f '' (t) = l e e

l(et - 1)

f ' (t =0) = a1= m = l

t 2

+( l e ) e

f ' (t =0) = a2= l + l

l(et - 1)

de forma que la varianza ser: s = a2- m = l + l - l = l

La moda de una distribucin de Poisson puede determinarse como el valor de la variable (el nmero natural)
que verifica que:
l - 1 Mo l
Habitualmente la moda ser la "parte entera de la l (de la media)" , pero habr dos modas (l - 1 y l )
cuando l sea un nmero entero.
5.

DISTRIBUCIN EXPONENCIAL

Dada una variable aleatoria continua, X , definida para valores reales positivos. diremos que X tiene una
-a x
distribucin exponencial de parmetro a cuando su funcin de densidad sea: f(x) = a e para x 0 ( siendo el
parmetro a positivo)

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

La funcin de distribucin ser

=0 para x < 0
F(x) = {

F.G.M.

Si derivamos la F.G.M. en el punto t=0 obtendremos que m = 1/a

Y derivando por segunda vez en t= 0 obtendremos el momento ordinario de segundo orden, y a partir de l la
2
2
varianza: s = 1 /a la moda es 0 y la mediana ln2/a
6.

DISTRIBUCIN NORMAL

La distribucin normal es la ms importante de todas las distribuciones de probabilidad. Es una distribucin de

variable continua con campo de variacin [- , ], que queda especificada a travs de dos parmetros ( que
acaban siendo la media y la desviacin tpica de la distribucin).

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

Una variable aleatoria continua, X, definida en [- , ] seguir una distribucin normal de parmetros m y s , (
X ~ N(m ; s ) ) , si su funcin de densidad es :

Para x [- , ] cuya representacin grfica es:

7.

DISTRIBUCIONES MULTINOMIALES DE PROBABILIDAD

Este modelo se puede ver como una generalizacin del Binomial en el que, en lugar de tener dos posibles
resultados, tenemos r resultados posibles.
Supongamos que el resultado de una determinada experiencia puede ser r valores distintos: A1, A2,..., Ar cada
uno de ellos con probabilidad p1, p2,..., pr, respectivamente.

Si repetimos la experiencia n veces en condiciones independientes, podemos preguntarnos la probabilidad de

que el suceso A1 aparezca k1 veces, el suceso A2, k2 veces y as sucesivamente:

Al modelo estadstico que nos da dicha probabilidad se le denomina Multinomial, y su funcin de densidad
viene dada por:

UNIVERSIDAD TCNICA DEL NORTE

PROBABILIDAD Y ESTADSTICA

Como se ve, el modelo Multinomial queda definido por los parmetros (n, p1, p2, ..., pr). La frmula anterior
puede deducirse de forma anloga al caso Binomial. En realidad, si tomamos r = 2 tenemos exactamente el
modelo Binomial.
8.

ESTIMACIONES DE PARMETROS

El proceso de estimacin en inferencia estadstica puede ser descrito como el proceso de estimar un
parmetro a partir del estadstico correspondiente, tal como usar una media muestral (Estadstico) para
estimar la media poblacional, (parmetro).
La estimacin de parmetros puede ser:

Puntual o Por Punto.

Por Intervalo.

La estimacin puntual de un parmetro de una poblacin es un solo valor numrico de un estadstico

que corresponde a este parmetro.
Un estadstico utilizado para aproximar a un parmetro de una poblacin se denomina Estimador del
Parmetro. El nmero obtenido cuando se evala el estimador para una muestra particular, se denomina
Estimacin del Parmetro.
PROPIEDADES DE LOS ESTIMADORES PUNTUALES:

Inestabilidad

Eficiencia

Consistencia

Suficiencia