Variable Aleatoria.

Se llama variable aleatoria a toda función que asocia a cada elemento del espacio
muestral “E” un número real.
Se utilizan letras mayúsculas X, Y, ... para designar variables aleatorias, y las
respectivas minúsculas (x, y, ...) para designar valores concretos de las mismas.
Una distribución binomial o de Bernoulli tiene las siguientes características:
1. En cada prueba del experimento sólo son posibles dos
resultados: éxito y fracaso.
2. La probabilidad de éxito es constante, es decir, que no varía de una prueba
a otra. Se representa por p.
3. La probabilidad de fracaso también es constante, Se representa por q,
q=1−p
4. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
5. La variable aleatoria binomial, X, expresa el número de éxitos obtenidos en
las n pruebas. Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4,
..., n. La distribución bimomial se expresa por B(n, p)

Cálculo de probabilidades en una Distribución Binomial.

n es el número de pruebas.
k es el número de éxitos.
p es la probabilidad de éxito.
q es la probabilidad de fracaso.
El número combinatorio

Distribución Hipergeométrica.

Este modelo presenta similitudes con el Binomial, pero sin la suposición de

independencia de éste último.

 Partimos de un conjunto formado por N individuos divididos en dos

categorías mutuamente excluyentes: A y Ac; de manera que N1individuos
 pertenecen a la categoría A y N2 individuos, a la categoría Ac. Por tanto, se
cumple que

N = N1 + N2

 Si del conjunto anterior extraemos n individuos sin

reemplazamiento (n ≤ N), la variable X que representa el número k de
individuos que pertenecen a la categoría A (de los n extraídos) tiene por
función de densidad:

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

sin reemplazamiento. El caso de extracciones con reemplazamiento sería
equivalente al de N infinito y se resolvería mediante el modelo Binomial.

El programa siguiente nos muestra la forma de la función de densidad de esta

variable y el valor de la función de densidad y de la función de distribución en el
punto que elijamos:

Propiedades: 1) Esperanza: E(X) = n N1 / N 2.

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

Propiedades:

1) Esperanza: E(X) = n N1 / N 2.

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

Propiedades del modelo Hipergeométrico

1) Esperanza: E(X) = n ´ N1/N

2) Varianza: V(X) = (n ´ N1 ´ N2 (N − n))/(N2 ´ (N − 1))

La distribución Geométrica o de Pascal.

Definición.

una experiencia aleatoria cuyo resultado sólo puede ser el suceso A o su

complementario Ac, y que se repite secuencialmente hasta que aparece el
suceso A por primera vez.

Definamos la variable aleatoria X como el número de veces que repetimos la

experiencia en condiciones independientes hasta que se dé A por primera vez.
Bajo estas condiciones, decimos que la variable X sigue una distribución
geométrica o de Pascal de parámetro p = P(A).

La función de densidad puede deducirse fácilmente de la definición:

f(k) = P[X = k] = (1 − p)k p k = 0, 1, 2, ...

En el programa siguiente podéis ver su forma y obtener los valores de la función

de densidad y de la de distribución:

Algunas puntualizaciones de la definición de X:

 Notése que, en esta definición, condiciones independientes significa que p,

la probabilidad de A, y 1 − p, la de su complementario Ac, no varían a lo
largo de las sucesivas repeticiones de la experiencia.

 Tal y como la hemos definido, X se refiere al número de lanzamientos hasta

que se produce A, pero sin contabilizar el último caso en que se da A. Por
dicha razón X puede tomar los valores k = 0, 1, 2, ... con probabilidad no
nula.

Un ejemplo de este modelo podría ser la experiencia consistente en lanzar

sucesivamente un dado regular hasta que aparezca el número 6. Si definimos la
variable aleatoria X como el número de lanzamientos de un dado regular hasta
que aparezca un 6, queda claro que X sigue una distribución geométrica de
parámetro p = 1/6.

Preguntas:

 ¿A que suceso nos referimos cuando decimos X = 0? Respuesta.

  ¿Cuál es la probabilidad de que el primer 6 aparezca en el cuarto
lanzamiento? Respuesta.

Propiedades del modelo Geométrico o de Pascal

1) Esperanza: E(X) = (1 − p)/p

2) Varianza: V(X) = (1 − p)/p2

La distribución de Poisson.

Definición.

Se trata de un modelo discreto, pero en el que el conjunto de valores con

probabilidad no nula no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribución de Poisson si su función de densidad viene dada
por:

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo.

Esta ditribución suele utilizarse para contajes del tipo número de individuos por
unidad de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

3) La suma de dos variables aleatorias independientes con distribución de Poisson

resulta en una nueva variable aleatoria, también con distribución de Poisson, de
parámetro igual a la suma de parámetros:
 X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias

independientes con distribución de Poisson. En este caso, la variable suma de
todas ellas sigue una distribución de Poisson de parámetro igual a la suma de los
parámetros.

Variable Aleatoria Continua

Definición

Se dice que una variable aleatoria X es continua si su conjunto de posibles valores

es todo un intervalo (finito o infinito) de números reales.

Distribución de Probabilidad Normal

Definición

Una variable aleatoria continua X tiene una distribución normal con parámetros μ y
σ2 , siendo μ un número real cualquiera y σ > 0 siendo su función de densidad de
0, siendo su función de densidad de probabilidad de la forma siguiente:

Para ser una función de densidad de probabilidad debe de satisfacer las

siguientes condiciones.

1. Que f(x) ≥ 0 para toda x que pertenece a los números reales.

 Que por ser una función exponencial lo cumple.

Propiedades.

1.-Es unimodal.
2.-La moda, mediana y moda poseen el mismo valor.
3.-El dominio de f(x) son todos los números reales y su imagen está
contenida en los reales positivos.
4.- Es simétrica respecto de la recta x − μ. Esto se debe a que: f( μ + x) = f(
μ − x)
5.-Tiene una asíntota horizontal en y = 0 En efecto y = 0 es una asíntota
horizontal, ya que:

6.-Alcanza un máximo absoluto en el punto:

7.-Es creciente en el intervalo ( ─ ∞, μ) y decreciente en ( μ, ∞):
Si x < μ, es f´(x) > 0, entonces la función es creciente
Si x > μ, es f´(x) < 0, entonces la función es decreciente.
8.-Posee dos puntos de inflexión en:
x=μ–σ
x=μ+σ
Considerando la segunda derivada la obtenida en el punto seis e igualando
a Considerando la segunda derivada, la obtenida en el punto seis, e
igualando a

9.-Los parámetros μ y σ 2 son la media y la varianza respectivamente.

Aproximación de la distribución normal a la binomial.

Definición.

La distribución normal se puede utilizar como una aproximación de distribuciones

discretas, en particular cuando el tamaño de la muestra "n" tiende a infinito, p y q
cercanos a 0.5 se puede aproximar a la distribución binomial, con resultados
altamente satisfactorios.

Sea X una variable aleatoria con distribución binomial, si n es grande, 0 < p < 1, la
distribución binomial se puede aproximar a la distribución normal con media µ=
np y varianza σ²= npq
.

La distribución normal tiene como fdp,

Por lo tanto la distribución aproximada estará dada por:

lo que nos permite el cálculo de la siguiente probabilidad:

El teorema de Moivre (1.756) permite realizar esta aproximación

considerando p=q=1/2 que las variables aleatorias sigan una distribución binomial
con: . Este teorema fue generalizado posteriormente por Laplace en 1.810 para
distribuciones no simétricas p≠q .
Vimos que la variable aleatoria binomial era el número de éxitos que tienen lugar
cuando se realizan n repeticiones independientes de un experimento o prueba de
Bernoulli. La variable aleatoria x puede escribirse como la suma de n variables
aleatorias de Bernoulli:

Si x es una variable aleatoria binomial, B(n,p) con:

media desviación típica entonces, cuando n → ∞ la variable

aleatoria:

es decir: x→N(np,npq)

En la práctica, decir que n es lo suficientemente grande, se traduce en:

Lo que se hace es aproximar una distribución discreta, como es la binomial, a una

distribución normal que es continua, y ya que en el caso continuo la probabilidad o
masa asociada a un valor concreto de la variable aleatoria es nulo, tendremos que
utilizar la corrección de continuidad de Fisher para calcular la probabilidad
deseada:

Probabilidad en B (n,p) Corrección de continuidad

P(X=x) P(x-1/2<X<x+1/2)

P(X<X<b) P(a-1/2<x<b+1/2)

P(X<x) P(X<x+1/2)

PX>x) P(X>x-1/2)

Aproximación de una distribución de Poisson por una Normal

Sea X una variable aleatoria discreta que se distribuye como una Binomial con
parámetros (n,p), entonces De Moivre demostró que cuando y, p es
aproximadamente 0´5, esa variable aleatoria se puede aproximar como una
distribución normal. El criterio que se toma es que n >50 y p n ∞→ ≅ 0´5. Cuando
esto ocurre se verifica que

Distribución Exponencial

Definición.
La distribución exponencial es el equivalente continuo de la distribución
geométrica discreta. Esta ley de distribución describe procesos en los que:
 Nos interesa saber el tiempo hasta que ocurre determinado evento,
sabiendo que,
 el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello
ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el
que no ha pasado nada.
Ejemplos de este tipo de distribuciones son:
 El tiempo que tarda una partícula radiactiva en desintegrarse. El
conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por
ejemplo, la datación de fósiles o cualquier materia orgánica mediante la técnica del
carbono 14, C14;
 El tiempo que puede transcurrir en un servicio de urgencias, para la llegada
de un paciente;
 En un proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos
sucesos consecutivos sigue un modelo probabilístico exponencial. Por ejemplo, el
tiempo que transcurre entre que sufrimos dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de +R, es tal que su

función de densidad es

se dice que sigue una distribución exponencial de parámetro ,

Figura: Función de densidad, f, de una
Exp.

Un cálculo inmediato nos dice que si x>0,

luego la función de distribución es:

Figura: Función de distribución, F, de

Exp , calculada como el área que deja por
debajo de sí la función de densidad.
Para calcular el valor esperado y la varianza de la distribución exponencial,
obtenemos en primer lugar la función característica

para después, derivando por primera vez

y derivando por segunda vez,

Entonces la varianza vale

Teorema Del Limite Central
Definicion:

El teorema central del límite es uno de los resultados fundamentales de la

estadística. Este teorema nos dice que si una muestra es lo bastante grande
(generalmente cuando el tamaño muestral (n) supera los 30), sea cual sea la
distribución de la media muestral, seguirá aproximadamente una distribución
normal. Es decir, dada cualquier variable aleatoria, si extraemos muestras de
tamaño n (n>30) y calculamos los promedios muestrales, dichos promedios
seguirán
una distribución normal. Además, la media será la misma que la de la
variable de interés, y la desviación estándar de la media muestral será
aproximadamente
el error estándar.

La importancia del teorema central del límite radica en que mediante un

conjunto de teoremas, se desvela las razones por las cuales, en muchos campos
de aplicación, se encuentran en todo momento distribuciones normales o casi.

Contextualizando lo anterior tenemos: La distribución de la media muestral de una

población normal es una distribución normal con la misma media poblacional y con
desviación típica el error estándar. Este hecho nos permite calcular probabilidades
cuando tenemos una muestra de una variable con distribución normal y desviación
típica
conocida. Cuando no conocemos la desviación típica de la variable, también
podemos hacer cálculos con la distribución t de Student.

Cuando la muestra es lo bastante grande, la solución nos viene dada por uno
de los resultados fundamentales de la estadística: el teorema del límite central.

La formula formal que se utiliza para resolver problemas de este tema es:
Es muy comun encontrar esta formaula con una variable estandarizada Zn en

funcion a la media muestral como se muestra en la imagen...

Ahora tenemos la formula de la siguiente manera:

Tambien podemos encontrar esta formula en versiones no normalizadas:

Esas son las formulas que manejan varios autores, pero nosotros usaremos 3
formulas diferentes para resolver el problema haciendolo lo mas facilmente
posible. Estas son las formulas que usaremos: