Prefacio

En esta unidad vamos a hablar de las principales Distribuciones de

probabilidad de variables aleatorias discretas y continuas, aqu
hablaremos de conceptos y significados, principales para llegar a
comprender ms esta unidad.
Nos dar las herramientas necesarias para lograr entender mejor esta
unidad, as lograr nuestro trabajo con la mayor precisin y comprensin
necesaria.
Nos ayudare a determinar y aplicar el modelo matemtico apropiado a
las caractersticas de una variable aleatoria y analizar sus resultados.
Al igual de aplicar la distribucin normal para variables continuas y su
aproximacin con la distribucin binomial.

pg. 1

El azar
El azar es una combinacin de circunstancias o de causas imprevisibles,
complejas, no lineales, sin plan previo y sin propsito, que
supuestamente provocan que acontezca un determinado acontecimiento
que no est condicionado por la relacin de causa y efecto ni por la
intervencin humana o divina. Este acontecimiento puede ser bueno y
tambin puede ser una desgracia causada por la casualidad, la fortuna,
el acaso, la suerte. El azar es un caso fortuito, no programado, y si es
negativo es un contratiempo.
Si algo fue "al azar" o "por azar", significa que fue por casualidad, de
manera fortuita o accidental, involuntario, o sin una intencin o un
motivo determinado o prefijado, algo que ocurre sin reflexionar sobre
ello ni planearlo, algo que no tiene gua ni rumbo, y que no tiene orden u
ocurre aleatoriamente.
Un juego de azar es aquel en que el resultado es aleatorio e
independiente de la destreza de los participantes o de los jugadores, es
un juego de suerte. En algunos juegos, existen algunos objetos o
acciones denominadas azar. Por ejemplo, se llama azar al dado o a la
carta con el que se obtiene el punto con que se pierde en los juegos de
dados o de naipes. La puerta, la ventana, la esquina o cualquier estorbo
se denomina azar en el juego de la pelota. Tambin en el billar, cualquier
lado de la tronera por dentro, es decir, que mira a la mesa, se denomina
azar.
El trmino azar se puede utilizar como sinnimo de: casualidad,
eventualidad, suerte, circunstancia, entre otros.
Azar en matemtica
En matemtica, la teora de la probabilidad o de la estadstica estudia la
aleatoriedad o el azar que es un fenmeno que ocurre cuando existe una
serie numrica que no puede obtenerse mediante un algoritmo ms
corto que la serie misma.

Variable aleatoria
Una Variable aleatoria X es una regla que asigna un valor numrico a
cada resultado en el espacio mestrual de un experimento.
Se llama variable aleatoria a toda funcin que asocia a cada elemento
del espacio muestral E un nmero real.

pg. 2

Se utilizan letras maysculas X, Y, ... para designar variables aleatorias,

y las respectivas minsculas (x, y, ...) para designar valores concretos de
las mismas.
Una variable aleatoria continua puede tomar cualquier valor dentro
de un continuo intervalo de tiempo, como la temperatura en el Parque
Central, o la altura de un atleta en centmetros.
Una variable aleatoria (v.a.) es un nmero real asociado al resultado de
un experimento aleatorio, es decir, una funcin real en el espacio
muestral.
X:
Los valores de la variable aleatoria se notarn con letras minsculas x
en este caso.
Ejemplos: Supongamos un experimento aleatorio consistente en lanzar
dos dados al aire. Bajo este experimento lo siguiente sera v.a:
1. Sea X la v.a. suma de los valores de los dados donde X
puede tomar valores x=2,3,4,,12.
2. Sea Y la v.a nmero de pares en los dados donde Y puede
tomar los valores y=0,1,2.
3. Sea Z la v.a nmero de impares en los dados donde Z
puede tomar los valores z=0,1,2.
Una variable
aleatoria o variable
estocstica es
una variable
estadstica cuyos valores se obtienen de mediciones en experimento
aleatorio.
Los valores posibles de una variable aleatoria pueden representar los
posibles resultados de un experimento an no realizado, o los posibles
valores de una cantidad cuyo valor actualmente existente es incierto
(p.e., como resultado de medicin incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad
cuyo valor no es fijo pero puede tomar diferentes valores;
una distribucin de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden
considerar valores aleatorios como valores lgicos, funciones... El
trmino elemento aleatorio se utiliza para englobar todo ese tipo de
conceptos relacionados. Un concepto relacionado es el de proceso
estocstico,
un
conjunto
de
variables
aleatorias
ordenadas
(habitualmente por orden o tiempo).

pg. 3

Variable aleatorias discretas

Una variable aleatoria discreta puede tomar en especfico, aislado
valor numrico, como resultado de lanzar un dado, o el nmero de
dlares en una cuenta bancaria escogido de forma aleatoria.
Variable aleatoria discreta que slo puede asumir finitamente muchos
valores (como el resultado de lanzar un dado) se llama variables
aleatorias finitas.
Una variable aleatoria discreta es aquella que slo puede tomar valores
enteros.
Se dice que una v.a. es discreta si el conjunto de todos los valores que
puede tomar es un conjunto numerable.
Dada una v.a. discreta, X, se define la funcin masa de probabilidad
como: f(x)=P[X=x], para cada x.
Sea X v.a. discreta y f(x) su funcin masa de probabilidad. Entonces:
1) f(x) 0 para todo x
2) x f(x)=1
3) En general, para cualquier conjunto B, P[XB]= x B f(x),
donde x son los posibles valores de B
Ejemplos:

El nmero de hijos de una familia, la puntuacin obtenida al lanzar

un dado.
Nmero de caras al lanzar dos dados.
Nmero de cifras acertadas en un sorteo de la lotera.

Ejemplo:

Experimento aleatorio: Lanzar una moneda al aire dos veces

Espacio muestral: = {CC, CX, XC, XX}
Sucesos elementales: {CC}, {CX}, {XC}, {XX}
Se define la variable X: N de caras obtenidas
Asignacin de nmeros reales: (CC, 2); (CX, 1); (XC, 1); (XX, 0)
Por tanto, la variable X viene definida por los valores: 0, 1, 2
En el ejemplo anterior, X = {0, 1, 2}

La v.a.d., X, queda caracterizada por la funcin de probabilidad, f(x) =

P(X = x), y por la funcin de distribucin, F(x) = P(X x).

Dist. de probabilidad para una variable aleatoria

discreta (VAD)
pg. 4

Normalmente, los resultados posibles (espacio muestral ) de un

experimento aleatorio no son valores numricos. Por ejemplo, si el
experimento consiste en lanzar de modo ordenado 2 monedas al aire
para observar el nmero de caras (C) y cruces (X) que se obtienen, el
espacio muestral asociado a dicho experimento aleatorio sera:
= {CC, CX, XC, XX}
En Estadstica resulta ms fcil utilizar valores numricos en lugar de
trabajar directamente con los elementos de un espacio muestral como el
anterior. As, preferimos identificar los sucesos {CX, XC} con el valor
numrico 1, que representa el nmero de caras obtenidas al realizar el
experimento. De este modo aparece el concepto de variable aleatoria.
Sea (, (), P) un espacio de probabilidad. Una funcin
X:
X()= x
Es una variable aleatoria, es decir, las variables aleatorias
unidimensionales son funciones cuyos valores dependen del resultado
de un experimento aleatorio. Una variable aleatoria es una funcin que
asocia un nmero real y slo uno x, a cada suceso elemental del
espacio muestral ( ) de un experimento aleatorio.
Las variables aleatorias discretas son aquellas que slo pueden tomar un
nmero de valores finito o infinito numerable.
X:
X()= x
Se representan mediante letras maysculas y pueden tomar n posibles
valores:
X = { x1, x2, ... , xi , ... , xn }
Funcin de probabilidad, f(x)
(, (), P) un espacio de probabilidad, X v. a. d., y {xi}i=1.. los
valores que toma. Se llama funcin de probabilidad, f(x), a la funcin
que indica la probabilidad de cada posible valor del v. a. d. X, es decir:
f: N [0, 1]
xi f(xi) = P(X = xi) = pi =P[{ t.q. X()=xi]

i=1, ..,

y que verifica:

pg. 5

(i)
(ii)

0 f(xi) 1
f(xi) = 1

Si xi no es uno de los
valores que puede tomar X,
entonces f(xi)=0.
Grficamente se representa
mediante un diagrama de
barras
anlogo
al
de
distribucin de frecuencias
relativas para variables
discretas.

Sea (, (), P) un espacio de probabilidad, X v. a. d., {xi}i=1.. los

valores que toma y {pi}i=1.. la funcin de probabilidad de X. Se
llama funcin de distribucin (acumulativa) de la v.a.d. X, F(x), a la
probabilidad de que X sea menor o igual que x; es decir:

F: N [0, 1]
xi F(xi) = P(X xi) = P[{ t.q. X() xi]
F(xi) = P(X xi) = j i x x j f (x )

Que cumple las siguientes propiedades:

(i)
(ii)
(iii)
(iv)

F(-)=0
F(xmin) = f(x1)
F(xmax) = 1
F()=1
pg. 6

(v)

F es montona no decreciente, es decir, si xi xj entonces F(xi)

F(xj)
(vi) F es continua a derecha, tiene lmites a izquierda y es constante
en [xi-1, xi), donde toma el valor ki k f (x )
(vii) P(X > x) = 1 - P(X x) = 1 - F(x)
(viii) P(xi X xj) = F(xj) - F(xi-1)
Grficamente resulta en la funcin escalera

Valor esperado de una VAD (Esperanza matemtica)

Se trata de resumir la informacin de una variable aleatoria en un
conjunto de medidas (nmeros).
De forma anloga a lo que se hizo en el tema de Estadstica Descriptiva,
podemos definir para las variables aleatorias medidas de centralizacin,
dispersin, simetra y forma. Por su inters especial, nos vamos a centrar
en dos medidas sobre variables aleatorias que son: la esperanza
matemtica, que desempea un papel equivalente al de la media, y la
varianza.
Esperanza:
Sea X v. a. El valor esperado o esperanza matemtica de X, denotada
por E(X) o por , sedefine como:

pg. 7

E(X) no es una funcin de x, es un valor fijo que depende de la

distribucin de probabilidad de X. E(X) est medida en las mismas
unidades que X. Si X es una v.a. con funcin de probabilidad simtrica
respecto a un punto x=a, entonces E(X)=a.
Propiedades de la esperanza:
(i)
(ii)
(iii)
(iv)
(v)
(vi)

Si C es una constante, entonces E(C)=C.

(ii) Linealidad: E(aX+b)=aE(X)+b, a, b
(iii) Si g(X) es una funcin de X, entonces: E[g(X) ] = g(xi) f(xi)
(iv) Si g(X), h(X) son funciones de X, entonces E[g(X)
+h(X)]=E[g(X)]+ E[h(X)]
(v) |E[g(X)]| E[|g(X)|]
(vi) Si X e Y son v. a. independientes E[X.Y]=E[X].E[Y]

Valor monetario esperado

Es el promedio o resultado monetario esperado de una decisin, este es
determinado de la multiplicacin de los resultados esperados por sus
probabilidades respectivas, los resultados entonces son sumados hasta
llegar al EMV. Es una tcnica de anlisis que hace el clculo para
determinar el promedio de todos los resultados posibles cuando el futuro
exige una serie de situaciones particulares que pueden o no en ltima
instancia suceder. Estos escenarios pueden ser interpretados como
posibles de forma individual. Una utilizacin comn de esta tcnica se
lleva a cabo dentro de una tcnica como la realizacin de rboles de
decisin. El anlisis del valor monetario esperado lo que tambin puede
hacer referencia a anagrama, puede realizarse en cualquier ciclo de vida
del proyecto.
En conclusin el EMV es un mtodo de clculo de los resultados
promedio en el futuro que es incierto es decir las oportunidades se
tienen si los resultados son positivos y los riesgos que tienen los valores
negativos, otra conclusin es que se encuentran multiplicando el valor
monetario de un posible resultado por la probabilidad de que ocurra
igualmente se puede utilizar el rbol de decisin.
Se puede tener un estimado de los beneficios o costos de una actividad,
proyecto o evento riesgoso si se multiplica su probabilidad de ocurrencia
(po) por su impacto (i).
VME = po x i
pg. 8

Otra forma de entenderlo es como la prima que se debe pagar a una

aseguradora contra un evento que tiene una probabilidad po de
ocurrencia.

Varianza y desviacin estndar de una V. A. D.

Valor Esperado
El valor esperado o esperanza de una variable aleatoria tiene su origen
en los juegos de azar, debido a que los jugadores deseaban saber cul
era su esperanza de ganar o perder con un juego determinado.
Como a cada resultado particular del juego le corresponde una
probabilidad determinada, esto equivale a una funcin de probabilidad
de una variable aleatoria y el conjunto de todos los resultados posibles
del juego estar representado por la distribucin de probabilidad de la
variable aleatoria. El valor esperado o esperanza es muy importante, ya
que es uno de los parmetros que describen una variable aleatoria.
Sea X una variable aleatoria discreta con funcin de
probabilidades f(x). Entonces, el valor esperado de la variable
aleatoria X, el cual se representa por E(X), est definido por:
E(X) = xi f(xi)
Lo anterior significa, que para calcular E(X) se multiplica cada valor que
puede tomar la variable aleatoria por la probabilidad que le corresponde
y despus se suman esos productos.
El valor esperado representa el valor promedio que se espera suceda, al
repetir el experimento en forma independiente una gran cantidad de
veces. El valor esperado se interpreta fsicamente como el centro de
masa o centro de gravedad de la distribucin de probabilidad, por lo que
es igual a la media o promedio aritmtico, los cuales se representan con
la letra m.
De acuerdo a lo anterior podemos escribir que:
E(X) = m = xi f(xi)
Variancia.
Existen dos aspectos que caracterizan de forma simple el
comportamiento de la distribucin de probabilidad, porque proporcionan
una descripcin completa de la forma en que se comporta: la medida de
tendencia central y la de dispersin.

pg. 9

La primera est representada por la media o valor esperado, ya vista en

el punto anterior, y la segunda por la variancia o por la desviacin
estndar, que evalan la dispersin de la distribucin de probabilidad o
grado en que se separan del promedio los valores de la variable
aleatoria X.
Por ejemplo, en un espacio muestral equiprobable vemos que los valores
5, 10 y 15 tienen una media de 10 y que los valores 9.9, 10 y 10.1 la
media tambin es 10. Sin embargo, advertimos que los dos conjuntos de
valores difieren notablemente en la dispersin de los valores respecto a
su media y que tal dispersin es de gran importancia. Por lo tanto, para
tener un conocimiento claro y completo del comportamiento de los
valores que puede tomar la variable aleatoria, es indispensable conocer
tanto la media como la variancia o la desviacin estndar de la
distribucin de probabilidad.
Las desviaciones (X - m ) toman valores: (x1 - m), (x2 - m), (x3 - m), ,
(xi -m), con probabilidades respectivas: f(x1), f(x2), f(x3), . . . , f(xi). Sin
embargo, al tomar el valor esperado de estas desviaciones nos
encontramos con que:
E(X - m ) = (xi - m ) f(xi) = xi f(xi) - m f(xi) = xi f(xi) - m = m - m =
0
Esto se debe a que las desviaciones positivas se compensan con las
desviaciones negativas. Para determinar una medida de dispersin,
necesitamos considerar nicamente la magnitud de las desviaciones sin
sus signos.
Una manera de eliminar el signo de las desviaciones, es considerar el
cuadrado de las mismas, es decir, (xi - m)2.
Si obtenemos el valor esperado de las desviaciones elevadas al
cuadrado, obtenemos una medida de la dispersin de la distribucin de
probabilidad, la cual es conocida como Variancia y se simboliza
por s2 Var (X) V(X).
La variancia de una variable aleatoria X se define como
2 = V(X) = Var (X) = E (X - )2 = (xi - )2 f(xi)

A partir de sta ecuacin y mediante un pequeo desarrollo matemtico,

se obtiene la siguiente expresin:
s2 = V(X) = xi2 f(xi) - m2
Si representamos a xi2 f(xi) por E( X2), podemos escribir:
pg. 10

s2 = V(X) = Var (X) = E( X2) - [E(X)]2 = E( X2) - m2

Al usar la variancia como medida de dispersin o variabilidad se
presenta una dificultad. Las unidades con que se miden los valores que
toma la variable aleatoria X son lineales, por ejemplo kilogramos,
metros, litros, etc., por lo que m = E(X) tambin ser lineal, pero la
variancia s2 est en unidades cuadrticas, como kilogramos elevados al
cuadrado, metros elevados al cuadrado, litros elevados al cuadrado, etc.
En vista de lo anterior, si queremos expresar la medida de dispersin en
las mismas unidades en que se miden los valores de la variable aleatoria
X, debemos tomar la raz cuadrada positiva de la variancia. A esta
cantidad se le conoce con el nombre de desviacin estndar y se
representa con s.
La desviacin estndar de una variable aleatoria X se define y simboliza
como:

La distribucin Binomial
La distribucin binomial parte de la distribucin de Bernouilli. Se aplica
cuando se realizan un nmero "n" de veces el experimento de Bernouilli,
siendo cada ensayo independiente del anterior. Realizamos el
experimento anterior n veces de forma independiente, y definimos la
v.a.:
X= Nmero de xitos obtenidos en las n realizaciones

que puede tomar los valores k=0,1,,n 0:

si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos con probabilidades:

La distribucin de probabilidad de este tipo de distribucin expresada de

otra forma:

Donde
" k " es el nmero de aciertos
" n" es el nmero de ensayos.
pg. 11

" p " es la probabilidad de xito

E(X) = n.p Var(X) = n.p.(1-p)=n.p.q

Una distribucin
caractersticas:

binomial

de

Bernoulli tiene

las

siguientes

1) En cada prueba del experimento slo son posibles dos

resultados: xito y fracaso.
2) La probabilidad de xito es constante, es decir, que no vara
de una prueba a otra. Se representa por p.
3) La probabilidad
de
fracaso tambin
es constante,
Se
representa por q,
q = 1 p
4 ) El r esu lt ado o bte ni do e n cada pr ue ba e s indepe ndient e de lo s
re sult ado s o bte ni do s ante r ior me nte .
5) L a var ia ble a lea to r ia bino m ia l , X, e xpre sa el nm ero de x it o s
obt enido s e n la n pr ue bas . Por tanto , lo s valor e s que p ue de
to mar X so n: 0, 1, 2, 3, 4, ..., n .

La distribucin binomial se expresa por B(n, p)

Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

El nmero combinatorio
Parmetros de la

distribucin binomial

Media

Varianza

Desviacin tpica

Distribucin Hipergeomtrica
pg. 12

Hasta ahora hemos analizado distribuciones que modernizaban

situaciones en las que se realizaban pruebas que entraaban una
dicotoma (proceso de Bernouilli) de manera que en cada experiencia la
probabilidad de obtener cada uno de los dos posibles resultados se
mantena constante. Si el proceso consista en una serie de extracciones
o selecciones ello implicaba la reposicin de cada extraccin o seleccin,
o bien la consideracin de una poblacin muy grande. Sin embargo si la
poblacin es pequea y las extracciones no se remplazan las
probabilidades no se mantendrn constantes. En ese caso las
distribuciones anteriores no nos servirn para la modernizar la situacin.
La distribucin Hipergeomtrica viene a cubrir esta necesidad de
modernizar procesos de Bernouilli con probabilidades no constantes (sin
reemplazamiento).
La distribucin Hipergeomtrica es especialmente til en todos
aquellos casos en los que se extraigan muestras o se realizan
experiencias repetidas sin devolucin del elemento extrado o sin
retornar a la situacin experimental inicial.
Moderniza, de hecho, situaciones en las que se repite un nmero
determinado de veces una prueba dicotmica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la
siguiente prueba uno u otro resultado. Es una distribucin .fundamental
en el estudio de muestras pequeas de poblaciones .pequeas y en el
clculo 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 situacin de partida.
La distribucin Hipergeomtrica puede derivarse de un proceso
experimental puro o de Bernouilli con las siguientes caractersticas:

El proceso consta de n pruebas, separadas o separables de entre

un conjunto de N pruebas posibles.
Cada una de las pruebas puede dar nicamente 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 varan en las sucesivas pruebas, dependiendo de los resultados
anteriores.

(Derivacin de la distribucin) . Si estas circunstancias a

leatorizamos de forma que la variable aleatoria X sea el nmero de

pg. 13

resultados A obtenidos en n pruebas la distribucin de X ser una

Hipergeomtrica de parmetros N,n,p

as

Este modelo presenta similitudes con el Binomial, pero sin la suposicin

de independencia de ste ltimo. Vemoslo:

Partimos de un conjunto formado por N individuos divididos en dos

categoras
mutuamente
excluyentes: A y Ac;
de
manera
que N1 individuos
pertenecen
a
la
categora A y N2 individuos, a la categora Ac. Por tanto, se cumple
que

N = N1 + N 2

Si
del
conjunto
anterior
extraemos n individuos sin
reemplazamiento (n N),
la
variable X que
representa
el nmero k de individuos que pertenecen a la categora A (de
los n extrados) tiene por funcin de densidad:

La dependencia se debe al hecho de que N es finito y las extracciones se

efectan sin reemplazamiento. El caso de extracciones con
reemplazamiento sera equivalente al de N infinito y se resolvera
mediante el modelo Binomial.
El programa siguiente nos muestra la forma de la funcin de densidad
de esta variable y el valor de la funcin de densidad y de la funcin de
distribucin en el punto que elijamos:
Propiedades:
Esperanza: E(X) = n N1 / N 2.

Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )

Propiedades del modelo Hipergeomtrica
1) Esperanza: E(X) = n N1/N
2) Varianza: V(X) = (n N1 N2 (N n))/(N2 (N 1))

La distribucin de Poisson

pg. 14

Esta distribucin es una de las ms importantes distribuciones

de variable discreta. Sus principales aplicaciones hacen referencia a la
modelizacin de situaciones en las que nos interesa determinar el
nmero de hechos de cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas. Otro de sus usos frecuentes es la
consideracin lmite de procesos dicotmicos reiterados un gran nmero
de veces si la probabilidad de obtener un xito es muy pequea.
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental
de observacin en el que tengamos las siguientes caractersticas

Se observa la realizacin de hechos de cierto tipo durante un

cierto periodo de tiempo o a lo largo de un espacio de
observacin
Los hechos a observar tienen naturaleza aleatoria; pueden
producirse o no de una manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos
en un intervalo de amplitud t no depende del origen del
intervalo (Aunque, s de su amplitud)
La probabilidad de que ocurra un hecho en un intervalo
infinitsimo es prcticamente proporcional a la amplitud del
intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un
intervalo infinitsimo es un infinitsimo de orden superior a
dos.

En consecuencia, en un intervalo infinitsimo podrn producirse O 1

hecho pero nunca ms de uno
Si en estas circunstancias aleatorizados de forma que la variable
aleatoria X signifique o designe el "nmero de hechos que se producen
en un intervalo de tiempo o de espacio", la variable X se distribuye con
una distribucin de parmetro l . As:
El parmetro de la distribucin es, en principio, el factor de
proporcionalidad para la probabilidad de un hecho en un intervalo
infinitsimo. Se le suele designar como parmetro de intensidad, aunque
ms tarde veremos que se corresponde con el nmero medio de hechos
que cabe esperar que se produzcan en un intervalo unitario (media de la
distribucin); y que tambin coincide con la varianza de la distribucin.

pg. 15

Por otro lado es evidente que se trata de un modelo discreto y que el

campo de variacin de la variable ser el conjunto del nmero natural,
incluido el cero:

Funcin de cuanta
A partir de las hiptesis del proceso, se obtiene una ecuacin
diferencial de definicin del mismo que puede integrarse con facilidad
para obtener la funcin de cuanta de la variable "nmero de hechos que
ocurren en un intervalo unitario de tiempo o espacio

Que sera:
ir a programa de clculo

Cuya representacin grfica

para un modelo de media
11 sera la adjunta.
Obsrvense
los
valores
prximos en la media y su
forma
parecida
a
la
campana
de Gauss ,
en
definitiva , a la distribucin
normal

La funcin de distribucin vendr dada por:

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
pg. 16

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 representada 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

Una variable aleatoria con distribucin absolutamente continua, por

extensin, se clasifica como variable aleatoria absolutamente continua.
En el presente manual, todas las variables aleatorias continuas con las
que trabajemos pertenecen al grupo de las variables absolutamente
continuas, en particular, los ejemplos y casos expuestos.

La dist. Normal de probabilidades

Una distribucin normal de media y desviacin tpica
designa por N(, ). Su grfica es la campana de Gauss:

se

pg. 17

El rea del recinto determinado por la funcin y el eje de abscisas es

igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual
a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
Distribucin normal estndar
N(0, 1)
La distribucin normal estndar, o tipificada o reducida, es
aquella que tiene por media el valor cero, =0, y por desviacin
tpica la unidad, =1.

La probabilidad de la variable X depender del rea del recinto

sombreado en la figura. Y para calcularla utilizaremos una tabla.
Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que
sigue una distribucin N(, ) en otra variable Z que siga una
distribucin N(0, 1).

Clculo de probabilidades en distribuciones normales

La tabla nos da las probabilidades de P(z k), siendo z la variable
tipificada.
pg. 18

Estas probabilidades nos dan la funcin de distribucin (k).

(k) = P(z k)
Bsqueda en la tabla de valor de k
Unidades y dcimas en la columna de la izquierda.
Centsimas en la fila de arriba.
P(Z a)

P(Z > a) = 1 - P(Z a)

P(Z a) = 1 P(Z a)

P(Z > a) = P(Z a)

P(a < Z b ) = P(Z b) P(Z a)

pg. 19

P(b < Z a ) = P(a < Z b )

Nos encontramos con el caso inverso a los anteriores, conocemos el
valor de la probabilidad y se trata de hallar el valor de la abscisa. Ahora
tenemos que buscar en la tabla el valor que ms se aproxime a K.

P(a < Z b ) = P(Z b) [ 1 P(Z a)]

p=K
Para calcular la variable X nos vamos a la frmula de la tipificacin.

La distribucin normal estandarizada

N(0, 1)
La distribucin normal estndar, o tipificada o reducida, es
aquella que tiene por media el valor cero, = 0, y por desviacin
tpica la unidad, =1.
Su funcin de densidad es:

Su grfica es:
pg. 20

La probabilidad de la variable X depender del rea del recinto

sombreado en la figura. Y para calcularla utilizaremos una tabla.
Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que
sigue una distribucin N(, ) en otra variableZ que siga
una distribucin N(0, 1).

Aproximacin de la normal a la binomial

Una distribucin binomial variable discreta la podemos aproximar a una
normal, variable continua cuando n es grande.

pg. 21

Problemas aproximar distribucin binomial a normal

pg. 22

pg. 23

Bibliografa
Biblioteca
pg. 24

Libro:
Introduccin a la Estadstica
Autor: Wilfrido caballero
Libro:
Estadifica Bsica en Administracin
Autor: Mark L. Berson y David M. Leving
Libro:
Esttica Aplicada a los negocios y la economa.
Autor: Allen L. Wedster
Libro:
Esttica para administracin y economa
Autor: Anderson, Sweeney y Williams

Internet

http://www.significados.com/azar/
http://es.wikipedia.org/wiki/Variable_aleatoria
http://www.vitutor.com/pro/3/a_1.html
http://www.zweigmedia.com/MundoReal/Summary7.html
http://www4.ujaen.es/~svilchez/metodos/Tema4_VariableAleatoria.
pdf
http://serdis.dis.ulpgc.es/~ii-pest/Variable%20aleatoria
%20Discreta_Distribuciones.pdf
http://ceresegp.blogspot.mx/2011/04/valor-monetarioesperado.html
http://www.ditutor.com/distribucion_binomial/distribucion_binomial.
html
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Ca
pitulo3/B0C3m1t9.htm
http://www.uv.es/ceaces/base/modelos%20de
%20probabilidad/poisson.htm
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Ca
pitulo2/B0C2m1t9.htm
http://www.vitutor.net/1/55.html

pg. 25