Está en la página 1de 17

UNIVERSIDAD UTE

Variable Aleatoria

Una variable aleatoria es una función que asocia un valor numérico a cada posible resultado de
un experimento aleatorio.

Ejemplo

Lanzar un dado una vez. Sea la v.a. X = resultado del lanzamiento.

¿cuántos sucesos elementales hay? ¿Qué valores puede tomar X?

Se denotan las v.a. con letras mayúsculas, y sus posibles valores con letras minúsculas.

Variable Aleatoria discreta

Una variable aleatoria es discreta si toma un número finito o numerable de valores. Una v.a. es
discreta si su recorrido es un conjunto discreto. La variable del ejemplo anterior es discreta. Sus
probabilidades se recogen en la función de cuantía.

Variable Aleatoria continua

Una variable aleatoria es continua si toma un número infinito no numerable de valores (por
ejemplo, en un intervalo de R). Una v.a. es continua si su recorrido es un conjunto no numerable.
Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un
intervalo de números reales.

Ejemplos

• X = “resultado al tirar un dado” es una variable discreta.

• Y = “altura de un alumno elegido al azar” es una variable continua.


Función de densidad continua

La función que caracteriza las variables continuas es aquella función f positiva e integrable en
los reales, tal que acumulada desde −∞ hasta un punto x, nos proporciona el valor de la función
de distribución en x, F(x). Recibe el nombre de función de densidad de la variable aleatoria
continua.

Función de distribución

La función de distribución acumulada (FDA, designada también a veces simplemente como FD)
o función de probabilidad acumulada asociada a una variable aleatoria real: X (mayúscula) sujeta
a cierta ley de distribución de probabilidad, es una función matemática de la variable real: x
(minúscula); que describe la probabilidad de que X tenga un valor menor o igual que x.

Distribución de Bernoulli

Se utiliza la distribución de Bernoulli cuando un proceso aleatorio tenga exactamente dos


resultados: evento o no evento. Por ejemplo, en el campo de la calidad, un producto se puede
clasificar como bueno o malo.

Las variables de Bernoulli pueden tomar dos valores numéricos, 0 y 1, donde 1 corresponde a
un evento y 0 corresponde a un no evento. Una variable aleatoria X sigue una distribución de
Bernoulli si P (X = 1) = p y P (X = 0) = 1 – p, donde p es la probabilidad de ocurrencia del evento.

La distribución de Bernoulli es una distribución discreta que está relacionada con muchas
distribuciones, tales como la distribución binomial, geométrica y binomial negativa. La
distribución de Bernoulli representa el resultado de 1 ensayo. Las secuencias de ensayos de
Bernoulli independientes generan las demás distribuciones: la distribución binomial modela el
número de éxitos en n ensayos, la distribución geométrica modela el número de fallas antes del
primer éxito y la distribución binomial negativa modela el número de fallas antes del éxito
xésimo.

Ejemplo

"Lanzar una moneda, probabilidad de conseguir que salga cruz".

Se trata de un solo experimento, con dos resultados posibles: el éxito (p) se considerará sacar
cruz. Valdrá 0,5. El fracaso (q) que saliera cara, que vale (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X medirá "número de cruces que salen en un lanzamiento", y sólo existirán
dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1 (una cruz).

Por tanto, la v.a. X se distribuirá como una Bernoulli, ya que cumple todos los requisitos.

𝑥~𝐵𝑒(0.5)

𝑃(𝑋 = 0) = 𝑓(0) = 0,50 0,51 = 0,5

𝑃(𝑋 = 1) = 𝑓(1) = 0,51 0,50 = 0,5

Distribución binomial

Distribución de probabilidad discreta que describe el número de éxitos al realizar n


experimentos independientes entre sí, acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados bajo esta
distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el que definimos el
suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar
cara) que obtenemos, nuestra distribución de probabilidades se ajustaría a una distribución
binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la que
solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable aleatoria.

Ejemplo

Imaginemos que un 80% de personas en el mundo han visto el partido de la final del último
mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad de
que 3 de ellos hayan visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de que
3 de los 4 amigos lo hayan visto.
p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador del factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el denominador


tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado del factorial sería 24/6=4.

Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2 (dado
que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100 tenemos
que hay una probabilidad del 40,96% de que 3 de los 4 amigos hayan visto el partido de la final
del mundial.

Distribución geométrica

En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de las dos


distribuciones de probabilidad discretas siguientes:

 La distribución de probabilidad del número X del ensayo de Bernoulli necesaria para


obtener un éxito, contenido en el conjunto { 1, 2, 3,...} o
 La distribución de probabilidad del número Y = X − 1 de fallos antes del primer éxito,
contenido en el conjunto { 0, 1, 2, 3,... }.

Ejemplo

Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca
águila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la
probabilidad de que en el último lanzamiento aparezca una águila.
Si nosotros trazamos un diagrama de árbol que nos represente los 8 lanzamientos de la moneda,
observaremos que la única rama de ese árbol que nos interesa es aquella en donde aparecen 7
sellos seguidos y por último una águila; como se muestra a continuación:

SSSSSSSA

Sí denotamos;

x = el número de repeticiones del experimento necesarias para que ocurra un éxito por
primera y única vez = 8 lanzamientos

p = probabilidad de que aparezca una águila = p( éxito) = 2/3

q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sería;

P(aparezca una águila en el último lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

=q*q*q*q*q*q*q*p =

Luego, la fórmula a utilizar cuando se desee calcular probabilidades con esta distribución sería;

Donde:

p(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única vez

p = probabilidad de éxito

q = probabilidad de fracaso

Resolviendo el problema de ejemplo;

x = 8 lanzamientos necesarios para que aparezca por primera vez una águila

p = 2/3 probabilidad de que aparezca una águila

q = 1/3 probabilidad de que aparezca un sello

1 8−1 2
p(x=8) =(3) (3)
Distribución hipergeométrica

La distribución hipergeométrica es una distribución discreta que modela el número de eventos


en una muestra de tamaño fijo cuando usted conoce el número total de elementos en la
población de la cual proviene la muestra. Cada elemento de la muestra tiene dos resultados
posibles (es un evento o un no evento). Las muestras no tienen reemplazo, por lo que cada
elemento de la muestra es diferente. Cuando se elige un elemento de la población, no se puede
volver a elegir. Por lo tanto, la probabilidad de que un elemento sea seleccionado aumenta con
cada ensayo, presuponiendo que aún no haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones relativamente


pequeñas, sin reemplazo.

Ejemplo

Supongamos que hay diez automóviles disponibles para que usted los pruebe (N = 10) y cinco
de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n = 3), ¿cuál es la
probabilidad de que dos de los tres que probará tengan motores turbo?

1. Elija Calc > Distribuciones de probabilidad > Hipergeométrica.


2. Elija Probabilidad.
3. En Tamaño de la población (N), ingrese 10. En Conteo de eventos en la población (M),
ingrese 5. En Tamaño de la muestra (n), ingrese 3.
4. Elija Constante de entrada e ingrese 2.
5. Haga clic en Aceptar.

La probabilidad de que seleccione exactamente dos automóviles con motores turbo de forma
aleatoria cuando pruebe tres de los diez vehículos es 41.67%.
Distribución de Poisson

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a
la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la
distribución normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.

Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en un
espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el
número de defectos en el sistema mecánico de un avión o el número de llamadas a un centro
de llamadas en una hora. La distribución de Poisson se utiliza con frecuencia en el control de
calidad, los estudios de fiabilidad/supervivencia y los seguros.

Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:

 Los datos son conteos de eventos (enteros no negativos, sin límite superior).
 Todos los eventos son independientes.
 La tasa promedio no cambia durante el período de interés.

Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de lambda.

Ejemplo

Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para


obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson. En este caso concreto, k es 5
y, λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la
probabilidad buscada es
Distribución Exponencial

En estadística la distribución exponencial es una distribución de probabilidad continua con un


parámetro λ > 0 cuya función de densidad es:

Su función de distribución acumulada es:

Utilice la distribución exponencial para modelar el tiempo entre eventos en un proceso continuo
de Poisson. Se presupone que eventos independientes ocurren a una tasa constante.

Esta distribución tiene una amplia gama de aplicaciones, que incluyen el análisis de fiabilidad de
productos y sistemas, teorías de colas y cadenas de Markov.

Por ejemplo, la distribución exponencial se puede utilizar para modelar:

 Cuánto tiempo tarda en fallar un componente electrónico


 El intervalo de tiempo entre las llegadas de clientes a una terminal
 El tiempo que esperan los clientes en fila hasta recibir servicio

Ejemplos
Ejemplos para la distribución exponencial es la distribución de la longitud de los intervalos de
una variable continua que transcurren entre dos sucesos, que se distribuyen según la
distribución de Poisson.
 El tiempo transcurrido en un centro de llamadas hasta recibir la primera llamada del día
se podría modelar como una exponencial.

 El intervalo de tiempo entre terremotos (de una determinada magnitud) sigue una
distribución exponencial.

 Supongamos una máquina que produce hilo de alambre, la cantidad de metros de


alambre hasta encontrar una falla en el alambre se podría modelar como una
exponencial.

Distribución Normal

La distribución normal es una distribución con forma de campana donde las desviaciones
estándar sucesivas con respecto a la media establecen valores de referencia para estimar el
porcentaje de observaciones de los datos. Estos valores de referencia son la base de muchas
pruebas de hipótesis, como las pruebas Z y t.

Propiedades

La distribución normal posee ciertas propiedades importantes que conviene destacar:

 Tiene una única moda, que coincide con su media y su mediana.

 La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor


entre y es teóricamente posible. El área total bajo la curva es, por tanto,
igual a 1.
 Es simétrica con respecto a su media . Según esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un
50% de observar un dato menor.
 La distancia entre la línea trazada en la media y el punto de inflexión de la curva es
igual a una desviación típica ( ). Cuanto mayor sea , más aplanada será la curva
de la densidad.
 El área bajo la curva comprendido entre los valores situados aproximadamente a dos
desviaciones estándar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el

intervalo .
 La forma de la campana de Gauss depende de los parámetros y (Figura1). La
media indica la posición de la campana, de modo que para diferentes valores

de la gráfica es desplazada a lo largo del eje horizontal. Por otra parte, la


desviación estándar determina el grado de apuntamiento de la curva. Cuanto mayor
sea el valor de , más se dispersarán los datos en torno a la media y la curva será
más plana. Un valor pequeño de este parámetro indica, por tanto, una gran
probabilidad de obtener datos cercanos al valor medio de la distribución.

Figura 1
Ejemplo1:

Es difícil etiquetar la carne empaquetada con su peso correcto debido a los efectos de pérdida
de líquido (definido como porcentaje del peso original de la carne). Supongamos que la pérdida
de líquido en un paquete de pechuga de pollo se distribuye como normal con media 4 % y
desviación típica 1 % .

Sea X la pérdida de líquido de un paquete de pechuga de pollo elegido al azar.

¿Cuál es la probabilidad de que 3 % <X< 5 %?

Ejemplo2:

La estatura de todos los adultos masculinos que residen en el estado de Pennsylvania sigue
aproximadamente una distribución normal. Por lo tanto, la estatura de la mayoría de los
hombres estará cerca de la estatura media de 69 pulgadas. Un número similar de hombres serán
un poco más altos y un poco más bajos que 69 pulgadas. Solo unos pocos serán mucho más altos
o mucho más bajos. La desviación estándar es de 2.5 pulgadas.

Aproximadamente, el 68% de los hombres de Pennsylvania tiene una estatura de entre 66.5
(μ - 1σ) y 71.5 (μ + 1σ) pulgadas.
Distribución Weibull

La distribución de Weibull es una distribución versátil que se puede utilizar para modelar una
amplia gama de aplicaciones en ingeniería, investigación médica, control de calidad, finanzas y
climatología. Por ejemplo, la distribución se utiliza frecuentemente con análisis de fiabilidad
para modelar datos de tiempo antes de falla. La distribución de Weibull también se utiliza para
modelar datos asimétricos del proceso en el análisis de capacidad.

Se trata de un modelo continúo asociado a variables del tipo tiempo de vida, tiempo hasta que
un mecanismo falla, etc. La función de densidad de este modelo viene dada por:

depende de dos parámetros: α > 0 y β > 0, donde α es un parámetro de escala y β es un


parámetro de forma (lo que proporciona una gran flexibilidad a este modelo).

La función de distribución se obtiene por la integración de la función de densidad:

Propiedades de la distribución Weibull

1. Si tomamos β = 1 tenemos una distribución Exponencial.

2. Su esperanza:

3. Su varianza:
Ejemplo
El tiempo T en segundos que tarda en conectarse a un servidor durante un día laborable sigue
una distribución de Weibull de parámetros α = 0.6 y β = 1/4, mientas que un fin de semana es
una Weibull de parámetros α = 0.24 y β = 1, donde la densidad de la Weibull se escribe como:

L = laborable; F= fin de semana;

Se quiere saber:

 El Tiempo medio que tardaremos en conectarnos en ambos tipos de día


µL = 14.4 segundos
µF = 0.24 segundos
 Calcula, para ambos tipos de día, la probabilidad de tardar más de 10 segundos en
realizar la conexión
Pr (TL > 10) = 0.133
Pr (TF > 10) ≈ 0
 Si llevamos ya 5 segundos esperando a que se efectué la conexión, ¿cuál es la
probabilidad de que la conexión se demore aun 10 segundos más?
Pr (TL > 15|TL > 5) = 0.5845
Pr (TF > 15|TF > 5) = Pr (TF > 10)
 ¿Era de esperar el resultado que se obtiene en (c)?

El resultado era previsible al ser βL < 1

Log normal

Una distribución log-normal o Galton es una distribución de probabilidad con un logaritmo


normalmente distribuido donde una variable aleatoria se distribuye de forma log normal si su
logaritmo se distribuye normalmente.

Por lo tanto, una variable X se dice que tiene una distribución log normal si los logaritmos
neperianos de sus valores están normalmente distribuidos, es decir, si la variable
entonces la función de densidad:

La media y varianza son:

Ejemplo:

Se estudia la proporción de rentistas por encima de 18.000e anuales para un sector económico
cuya distribución salarial medida en miles de euros sigue un modelo logaritmo normal con
parámetros µ = 2 y σ = 102.

Se define la variable aleatoria Y = {renta en dicho sector económico}. Puesto que, Y sigue una
distribución log normal, se puede considerar una variable X ∼ N (µ, σ), tal que, Y = e X, por tanto;

T de Student

En probabilidad y estadística, la distribución-t o distribución t de Student es una distribución de


probabilidad que surge del problema de estimar la media de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño.

Sean (n +1) variables aleatorias independientes entre sí, con ley N (0,
1), se denomina t de Student con n grados de libertad a la variable
Dividiendo la expresión, se tiene:

La funcion de densidad:

Ejemplo:

Las calificaciones de los alumnos en dos asignaturas A y B se distribuyen normalmente con


idéntica dispersión σ ^2. Se ha observado una muestra aleatoria simple de 51 alumnos
presentados al examen de la asignatura A y otra, independiente de la anterior, de 19 alumnos
presentados al examen de B. ¿Cuál ser ‘a la probabilidad de que la varianza observada en la
primera muestra sea al menos el doble de la correspondiente a la segunda?

Sean las varianzas muestrales de las calificaciones correspondientes a las

asignaturas A y B. Puesto que son variables aleatorias independientes tales que


BIBLIOGRAFÍA:

 La distribución de Weibull. (2017). Recuperado 3 diciembre, 2019, de


http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1t
9.htm
 Díaz, P. (2014, 6 abril). La distribución normal. Recuperado 3 diciembre, 2019, de
https://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
 Minitab. (2018). Distribución de Weibull - Minitab. Recuperado 3 diciembre, 2019, de
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/weibull-distribution/

También podría gustarte