Está en la página 1de 11

c 

      
  
  
 
    
  
  
    
   
!
 " #
$  
%%&c''(


V
V
V
V
V
V
V
V

c' )%
%&'%&'#%

V
V
V
V

*        *
VVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVV 
 V V VV
V VV V V V V V V VVVVVVVVVVVVVVVVVVVVVVVVVVV
 V V VV
V
VVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVVV
V
V
V
V
V
V
V
V
#
$  +
 ,-.-(
V

V V
 V

Un conjunto es discreto si está formado por un número finito de elementos, o si sus


elementos se pueden enumerar en secuencia de modo que haya un primer elemento, un
segundo elemento, un tercer elemento, y así sucesivamente.V

Se dice que una variable aleatoria es discreta si puede tomar un número finito o
infinito, pero numerable, de posibles valores. Tiene un conjunto definido de valores
posibles x1,x2,x3,«..xn con probabilidades respectivas p1,p2,p3,«..pn., Es decir que sólo
puede tomar ciertos valores dentro de un campo de variación 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 entenderá 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 función matemática que asigne una probabilidad a cada realización x de la variable
aleatoria X. Esta función recibe el nombre de función 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 números, por lo que casa suceso elemental se le hace corresponder un número real.
Así al suceso elemental «
que salga cara» se le hace corresponder el número ³1´ y al suceso
elemental «
que salga cruz» se le hace corresponder el número ³2´.

La variable aleatoria será: X = (1,2).

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

Sea m una v.a. diremos que es continua cuando toma un número infinito no
numerable de valores, es el caso de los intervalos de  o todo V

Si X es una Variable aleatoria continua, puede tomar cualquier valor de un intervalo


continuo o dentro de un campo de variación dado. Las probabilidades de que ocurra un
valor dado x están dadas por una función de densidad de probabilidad de que X quede entre
a y b. El área total bajo la curva es 1.

EJEMPLO.

Sea el experimento aleatorio consistente en medir la altura que es capaz de saltar cada
miembro de un conjunto de personas. En este experimento, cada miembro del conjunto
observado da lugar a un número, por lo que se toma como variable aleatoria el conjunto de
las medidas de las alturas que son capaces de saltar las distintas personas.

En el supuesto que una persona hubiera saltado 105 cm y otra 106 cm, no existiría ninguna
razón para que otra no hubiera saltado un valor intermedio cualquiera entre las dos
anteriores, como 105.5 cm. Se trata de una variable aleatoria continua.

  V V

Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman


los valores Ë = 0 y = 1. En este caso la función de densidad tiene la siguiente expresión:
Su gráfica se muestra a la derecha y con frecuencia se usan tablas para el cálculo de
los valores de su distribución.

V
V

Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su


propio nombre indica su extendida utilización, justificada por la frecuencia o normalidad
con la que ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.

Muchas variables aleatorias continuas presentan una función de densidad cuya


gráfica tiene forma de campana.

En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un


mismo valor de  y valores de cada vez mayores, se ve que sus polígonos de
frecuencias se aproximan a una curva en "forma de campana".

En resumen, la importancia de la distribución normal se debe principalmente a que


hay muchas variables asociadas a fenómenos naturales que siguen el modelo de la normal

ÒV Caracteres morfológicos de individuos (personas, animales, plantas,...) de


una especie, p.ejm. tallas, pesos, envergaduras, diámetros, perímetros,...
ÒV Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un
fármaco, o de una misma cantidad de abono.
ÒV Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen.
ÒV Caracteres psicológicos, por ejemplo: cociente intelectual, grado de
adaptación a un medio,...
ÒV Errores cometidos al medir ciertas magnitudes.
ÒV Valores estadísticos muestrales, por ejemplo : la media.
ÒV Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales, ...

Y en general cualquier característica que se obtenga como suma de muchos factores.

 V

— VVVV 

V 
V 
V

V V
VV  V 
 VV 
V 
V
V   V V 
V   V 
VV
VVV
VV 
V
VV
V

V
 V 
VV 
 V V 

V
V

VV VV  V
VV


VV Š VV!VV"V #$VV!

—V
V

V
V 
 
V
 

V

V V
 V!V" 
V
V VV  V
VV

#V— 
V 
 
V V%&!V' V V
V V 
VV 
 V V 

V
V

V
V VV  V
VV
V V V&(

  V
V  V

Es una distribución de probabilidad discreta. Expresa la probabilidad de un número


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 último evento.

Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su


trabajo Recherches sur la probabilité des jugements en matières criminelles et matière civile
(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
La función de densidad de la distribución de Poisson es

donde Ȝ es un parámetro positivo que representa la frecuencia esperada del fenómeno


modelado por la distribución.

Tanto el valor esperado como la varianza de una variable aleatoria con distribución
de Poisson son iguales a Ȝ. Los momentos de orden superior son polinomios de Touchard
en Ȝ cuyos coeficientes tienen una interpretación combinatorio. De hecho, cuando el valor
esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el -
ésimo momento iguala al número de particiones de tamaño .

La moda de una variable aleatoria de distribución de Poisson con un Ȝ no entero es


igual a , el mayor de los enteros menores que Ȝ (los símbolos representan la función
parte entera). Cuando Ȝ es un entero positivo, las modas son Ȝ y Ȝ í 1.

La función generadora de momentos de la distribución de Poisson con valor


esperado Ȝ es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente


divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de


parámetro Ȝ0 a otra de parámetro Ȝ es
VVV !VV!" VV V

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que


pueden ser descritos con una variable aleatoria discreta. La letra X suele representar esa
variable y puede además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X
mayúscula para representar la variable aleatoria y la x minúscula para designar un valor
específico que puede asumir la X mayúscula. La probabilidad de exactamente x ocurrencias
en una distribución de Poisson se calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda

(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Ejemplo :

Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los


archivos de la policía indican una media de cinco accidentes por mes en él. El número de
accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad
en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un
mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042


P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo


que será igual a :

P(0) = 0.00674

P(1) = 0.03370

P(2) = 0.08425

P(3) = 0.14042

P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces


la probabilidad de que ocurran más de tres debe ser = 1 ±0.26511 = 0.73489.

La distribución de Poisson como una aproximación a la distribución binomial.

Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones


binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas
condiciones como:

n=>20
p=<0.05

En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la


distribución binomial en lugar de la media de la distribución de Poisson de modo que la
fórmula quedaría así:

P(x) = (np) X * e-np /x!

V

  V V

Es una distribución de probabilidad discreta que mide el número de éxitos en una


secuencia de n ensayos independientes de Bernoulli con una probabilidad fija  de
ocurrencia del éxito entre los ensayos.

La distribución binomial parte de la distribución de Bernouilli:

La distribución de Bernouilli se aplica cuando se realiza una sola vez un experimento que
tiene únicamente dos posibles resultados (éxito o fracaso), por lo que la variable sólo puede
tomar dos valores: el 1 y el 0

La distribución binomial se aplica cuando se realizan un número´n´ de veces el


experimento de Bernouilli, siendo cada ensayo independiente del anterior. La variable
puede tomar valores entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido éxitos

Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han
sido cara la variable toma el valor 10 La distribución de probabilidad de este tipo de
distribución sigue el siguiente modelo:

Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

³ k ³ es el número de aciertos. En este ejemplo ³ k ³ igual a 6 (en cada acierto decíamos que
la variable toma el valor 1: como son 6 aciertos, entonces k = 6)

³ n´ es el número de ensayos. En nuestro ejemplo son 10

³ p ³ es la probabilidad de éxito, es decir, que salga ³cara´ al lanzar la moneda. Por lo tanto
p = 0,5 La fórmula quedaría:
Luego,

P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una
moneda.

Es una de las distribuciones discretas mas importantes junto con las Distribuciones
Geométrica, Hipergeometrica, y de Poisson..

Se utiliza para determinar la probabilidad de obtener un número o cantidad determinada de


éxitos, en experimentos completamente aleatorios o de Bemoulli.

En este caso ³X´ se define como el éxito en un experimento.

Se requieren 3 valores, la cantidad designada de éxitos o X; el numero de ensayos,


observaciones o experimentos (n) y la probabilidad de éxito de cada ensayo.

Una variable aleatoria discreta X definida en un espacio de probabilidad: representa el


número de éxitos en n repeticiones de un experimento de Bernoulli, entonces:

n = cantidad de ensayos o experimentos


x = cantidad de éxitos
p = probabilidad de éxito
q = probabilidad de fracasos (1-p)

Ejemplo: 1

En una jaula con 20 pericos 15 de ellos hablan ruso, si extraemos 6 pericos al azar, calcular
la probabilidad de que 2 pericos hablen ruso.

ÒV Definir éxito: pericos que hablen ruso.

n=6
x=2
p=15/20=0.75
q=1±0.75= 0.25
# V $# V

http://74.125.113.132/search?q=cache:eEA5BeMBG3wJ:ares.unimet.edu.ve/postgrado/mpi
002/Variables%2520Aleatorias/VARIABLE%2520ALEATORIA%2520DISCRETA.doc+
variables+aleatoria+discreta&cd=2&hl=es&ct=clnk&gl=ve

http://www.eumed.net/libros/2006a/rmss/a7.htm

http://estadistica.ematematicas.net/aleatoria/index.php?tipo=def_con

http://personal5.iddeo.es/ztt/Tem/t21_distribucion_normal.htm

http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distripoisson.htm