Variable Aleatoria

Es una variable cuyo valor es el resultado de un evento aleatorio.

Variable aleatoria discreta

Resulta principalmente del conteo. Solo puede asumir ciertos valores, con frecuencia números
enteros.

Variable aleatoria continua

Resulta principalmente de la medición. Puede tomar cualquier valor dentro de un rango dado.

Distribución de probabilidad

Es un despliegue de todos los posibles resultados de un experimento junto con las

probabilidades de cada resultado.

Es una lista de todos los resultados posibles de algún experimento y de la probabilidad

relacionada con cada resultado.

P( X =x i) Probabilidad de que la variable aleatoria X

tome algún valor específico x i.
μ= E ( X )=∑ [ ( xi ) P ( xi ) ] Media o valor esperado.
σ 2=∑ [ ( x i−μ ) 2 P ( x i) ] Varianza.

Propiedades:

0 ≤ P ( X=x i ) ≤1

∑ P ( X =xi ) =1

Distribución Binomial

Es una distribución discreta de probabilidad y presenta cuatro propiedades.

1) Solo tiene dos posibles resultados, uno identificado como éxito y el otro como fracaso.
2) La probabilidad de un éxito ( π ) Sigue siendo constante de un ensayo al siguiente, al
igual que lo hace la probabilidad de fracaso ( 1−π ) .
3) La probabilidad de un éxito en un ensayo es totalmente independiente de cualquier
otro ensayo.
4) El experimento puede repetirse muchas veces.

n! Formula
P ( x) = ( π ) x ( 1−π )n− x
x ! ( n−x ) !
μ= E ( X )=nπ Media o valor esperado.
2
σ =nπ (1−π ) Varianza.

La distribución binomial es apropiada solo si la probabilidad de un éxito permanece constante

para cada intento, esto ocurre si el muestreo se realiza con reemplazo o de una población muy
grande.
Distribución hipergeométrica

Es una distribución de utilidad cuando la probabilidad de un éxito no es constante debido a un

muestreo sin reemplazo y la población es pequeña.
❑
❑❑
P ( x) = ❑
x ! ( n−x ) !
Distribución de Poisson
La distribución de Poisson mide la probabilidad de un evento aleatorio sobre algún
intervalo de tiempo o espacio.
Son necesarios dos supuestos para su aplicación:
1) La probabilidad de ocurrencia del evento es constante para dos intervalos
cualesquiera de tiempo o espacio.
2) La ocurrencia del evento en un intervalo es independiente de la ocurrencia de
otro intervalo cualquiera.
Función de probabilidad:
x −u
μ e
P ( x) =
x!
Donde:
x=Número de veces que ocurre el evento
μ=Promedio de ocurrencias por unidad de tiempo o espacio
e=2.71828 …

Distribución exponencial
Es una distribución continua que mide el paso del tiempo entre ocurrencias. Si el número de
ocurrencias tiene distribución de Poisson, el lapso entre ocurrencias estará distribuido
exponencialmente.

P ( X ≤ x )=1−e−ut
Donde:
t=Lapso de tiempo
μ=Promedio de ocurrencias por unidad de tiempo o espacio
e=2.71828 …

Distribución Normal

La regla empírica especifica que sin considerar el valor de la media o la desviación estándar:
  El 68.3% de todas las observaciones está a una desviación estándar de la media.
 El 95.5% de todas las observaciones está a una desviación estándar de la media.
 El 99.7% de todas las observaciones está a una desviación estándar de la media.

DESVIACIÓN NORMAL

Puede existir un número infinito de distribuciones normales posibles cada una con su propia
media y su desviación estándar. Ya que obviamente no se puede analizar un numero tan
grande de posibilidades, es necesario convertir todas estas distribuciones a una forma
estándar:

X−μ
Z=
σ
En donde Z es la desviación normal y X es Algún valor especifico de la variable aleatoria.
Después de este proceso de conversión, la media de la distribución es 0 y la desviación
estándar es 1.

El valor de Z es el número de desviaciones estándar a las que una observación está por encima
o por debajo de la media.

CALCULO DE PROBABILIDADES

Entre mayor sea el valor de Z, menor será el área en la cola de distribución.

P ( X < x )=P ( X ≤ x ) ; Existe un número infinito de posibles valores que pueda tomar X. Por
tanto, incluir el valor de x no incrementa la probabilidad de que el evento ocurra.

Para despejar X el signo de Z obedece a la regla general de que si se trabaja con el área a la
izquierda de la media (Distribución normal estándar) el signo siempre es negativo.

Distribuciones muestrales

Una distribución muestral es una lista de todos los valores posibles para un estadístico y la
probabilidad relacionada con cada valor.

El error de muestreo es la diferencia entre el parámetro poblacional y el estadístico de la

muestra utilizado para estimar el parámetro.

Por supuesto que nunca se puede calcular realmente el tamaño del error de muestreo debido
a la media poblacional sigue siendo desconocida. Sin embrago, se debe ser consciente de que
es probable que ocurra algún error de muestreo.

n
xi
x=∑
i=0 n
2
n
( x i−x )
S=∑
i=0 n

X−μ
Z=
σX
 X =Media de n observaciones .
σ X =Error estandar de ladistribucion muestral

Factor de corrección para poblaciones finitas

Si el muestreo se realiza sin reemplazo y si el tamaño de la muestra es más del 5% de la

población ( n> 0.05 N ) , debe aplicarse el factor:

√ N −n
N −1
Teorema del límite central

Si la población original está distribuida normalmente, la distribución de las medias muestrales

también estará distribuida normalmente. Es decir que todas las medias muestrales se
graficarán como una distribución normal.

El teorema dice que, para una población cualquiera, a medida que n aumenta la distribución
de las medias muestrales se aproxima a una distribución normal con una media de X =μ y un
σ
error estándar de σ X = .
√n
Por tanto, incluso si la población no esta distribuida normalmente, la distribución de muestreo
de las medias muestrales será normal si n es lo suficientemente grande. La regla general es
que, si n es por lo menos 30, el teorema del limite central asegurará una distribución normal
en las medias muestrales incluso si la población no es normal.

Distribución de proporciones muestrales

De cualquier población es posible obtener muchas muestras diferentes de un tamaño dado.

Cada muestra tendrá su propia proporción de “éxitos” p. sin embargo al igual que con las
medias el valor esperado de la distribución muestral de las proporciones muestrales será igual
a la proporción de “éxitos” en la población.

Valor esperado de la distribución muestral

K
pi
E ( p )=∑
i=0 K
Error estándar

σ p=
√ π ( 1−π )
n
Si n> 0.05 N , se aplica el factor de corrección para poblaciones finitas:

σ p=
√ (
π ( 1−π ) N −n
n N−1 )
Desviación normal de la distribución de proporciones muestrales

p−π
Z=
σp
Prueba de hipótesis para la diferencia de medias con varianzas desconocidas e
iguales
Debido al error de muestreo, si se toma una muestra de cada población, las dos varianzas de la
muestra probablemente diferirán una de la otra así como de la varianza común σ 2. Pero
debido a las poblaciones tiene una varianza común, los datos de ambas muestras pueden
mancomunarse para obtener un solo estimado de σ 2. Esto se hace calculando el promedio
ponderado de las dos varianzas de la muestra.