MATERIA: ESTADISTICA ADMINISTRATIVA

TEMA: 3 tipos de distribuciones, variables

aleatorias, discretas y continuas

ACTIVIDAD: 1

NOMBRE ALUMNO/A: MARIA GABRIELA DOMINGUEZ BURROLA

NÚM DECONTROL:21610126

GRUPO: 2º “V”
CARRERA: CONTADOR PÚBLICO

DOCENTE: C.P. REYNALDO TRUJILLO

Cd. Cuauhtémoc, Chih., Fecha 09 de marzo del 22

En este texto hablamos de las variables aleatorias discretas. Existen tres variables aleatorias discretas
importantes, la binomial, la de Poisson y la hipergeométrica. Generalmente se usan para describir el número
de sucesos de un evento, especificado en un número fijo de intentos o una unidad fija de tiempo o espacio.

Cuando una variable aleatoria x es discreta, se puede asignar una probabilidad positiva a cada uno de los
valores que x pueda tomar y obtener la distribución de probabilidad para x. La suma de todas las
probabilidades asociada con los diferentes valores de x es 1, pero no todos los experimentos resultan en
variables aleatorias que sean discretas. Las variables aleatorias continuas, por ejemplo estaturas y pesos,
lapso de vida útil de un producto en particular o un error experimental de laboratorio, pueden tomar los
infinitamente numerosos valores correspondientes a puntos en un intervalo de una recta. Si se trata de
asignar una probabilidad positiva a cada uno de estos numerosos valores, las probabilidades ya no sumarán
1, como es el caso con variables aleatorias discretas. Por tanto, se debe usar un método diferente para
generar la distribución de probabilidad para una variable aleatoria continua

Supongamos que usted tiene un conjunto de mediciones en una variable aleatoria continua y que crea un
histograma de frecuencia relativa para describir la distribución de las mismas. Para un pequeño número de
mediciones, se puede usar un pequeño número de clases;
entonces, a medida que se recolecten más y más mediciones, se
pueden usar más clases y reducir el ancho de clase. El perfil del
histograma cambiará ligeramente, casi todo el tiempo haciéndose
cada vez más irregular, como se muestra en la figura 6.1. Cuando
el número de mediciones se hace muy grande y los anchos de
clase se hacen muy angostos, el histograma de frecuencia relativa
aparece cada vez más como la curva suave que aparece en la
figura 6.1d). Esta curva suave describe la distribución de
probabilidad de la variable aleatoria continua.
Varias propiedades importantes de distribuciones continuas de probabilidad son comparables a sus similares
discretas. Así como la suma de probabilidades discretas (o la suma de las frecuencias relativas) es igual a 1
y la probabilidad de que x caiga en cierto intervalo puede hallarse al sumar las probabilidades en ese intervalo,
las distribuciones de probabilidad tienen las características que se detallan a continuación. • El área bajo una
distribución continua de probabilidad es igual a 1. • La probabilidad de que x caiga en un intervalo particular,
por ejemplo de a a b, es igual al área bajo la curva entre los dos puntos a y b. Ésta es el área sombreada de
la figura 6.2. También hay una diferencia importante entre variables aleatorias discretas y continuas.
Considere la probabilidad de que x sea igual a algún valor en particular, por ejemplo a. Como no hay área
arriba de un solo punto, por ejemplo x a, en la distribución de probabilidad para una variable aleatoria
continua, nuestra definición implica que la probabilidad es 0. • P(x a) 0 para variables aleatorias continuas. •
Esto implica que P(x a) P(x a) y P(x a) P(x a). • Esto no es cierto en general para variables aleatorias
discretas. ¿Cómo se escoge el modelo, es decir, la distribución de probabilidad f(x) apropiada para un
experimento dado? Existen muchos tipos de curvas continuas para modelar. Algunas son de forma de
montículo, como la de la figura 6.1d), pero otras no lo son. En general, trate de escoger un modelo que
satisfaga estos criterios: • Se ajusta al cuerpo de datos acumulado. • Permite hacer las mejores inferencias
posibles usando los datos.
LA DISTRIBUCIÓN NORMAL DE PROBABILIDAD
Las distribuciones de probabilidad continua pueden tomar varias formas, pero un gran número de variables
aleatorias observadas en la naturaleza poseen una distribución de frecuencia que tiene más o menos la forma
de montículo, o bien, como diría un estadístico, es aproximadamente una distribución normal de probabilidad.
La fórmula que genera esta distribución se muestra a continuación
DISTRIBUCIÓN NORMAL DE PROBABILIDAD

ÁREAS TABULADAS DE LA DISTRIBUCIÓN NORMAL DE PROBABILIDAD

Para hallar la probabilidad de que una variable aleatoria normal x se encuentre en el intervalo de a a b,
necesitamos hallar el área bajo la curva normal entre los puntos a y b (véase la figura 6.2). No obstante
(véase la figura 6.6), hay un número infinitamente grande de distribuciones normales, uno para cada media
y desviación estándar diferentes. Una tabla separada de áreas para cada una de estas curvas es obviamente
impráctica; en cambio, usamos un procedimiento de estandarización que nos permite usar la misma tabla
para todas las distribuciones normales. La variable aleatoria normal estándar Una variable aleatoria normal
x está estandarizada al expresar su valor como el número de desviaciones estándar (s) que se encuentran a
la izquierda o derecha de su media m. Éste es realmente sólo un cambio en las unidades de medida que
usamos, como si estuviéramos midiendo en pulgadas en lugar de pies. La variable aleatoria normal
estandarizada, z, se define como

Cálculo de probabilidades para una variable aleatoria normal general Casi todo el tiempo, las probabilidades
en las que estamos interesados contienen x, una variable aleatoria normal con media m y desviación estándar
s. Entonces se debe estandarizar el intervalo de interés, escribiéndolo como el intervalo equivalente en
términos de z, la variable aleatoria normal estándar. Una vez hecho esto, la probabilidad de interés es el área
que se encuentra usando la distribución estándar normal de probabilidad.

En primer término, tenemos la variable discreta binomial. Tiene cinco características que ayudan a
identificarlo fácilmente de los otros.

El experimento consiste en n intentos idénticos.

Cada intento resulta en uno de dos resultados. El resultado uno se llama éxito, y el otro se llama fracaso.
La probabilidad de éxito en un solo intento es igual a p y es igual de un intento a otro.
Los intentos son independientes.
Estamos interesados en x, el número de éxitos observado durante los n intentos.

Un experimento binomial consta de n intentos idénticos con probabilidad p de éxito en cada intento.
La variable aleatoria x, el número de éxitos en n intentos, tiene una distribución de
probabilidad con este centro y dispersión.

La fórmula para calcular la distribución normal es la siguiente:

n = número de ensayos
x = número de éxitos
p = probabilidad de éxito
q = probabilidad de fracaso (1-p)

Calcular probabilidades binomiales es un trabajo complicado, incluso para valores relativamente pequeños
de n. Cuando n se hace grande, se hace casi imposible sin ayuda de una calculadora o computadora. Existen
dos herramientas que facilitan su obtención, las tablas de probabilidades binomiales acumulativas generadas
por computadora se dan en la tabla 1 del apéndice I, para valores de n que van de 2 a 25 y para valores
seleccionados de p. Estas probabilidades también pueden ser generadas si se usa el MINITAB o los applets
Java en el sitio web Premium.
Las probabilidades binomiales acumulativas difieren de las probabilidades binomiales individuales que se
calcularon con la fórmula binomial.
Una variable aleatoria es discreta si toma valores en un conjunto finito o infinito numerable, es decir, sólo
toma valores enteros. Una distribución binomial es una distribución de probabilidad discreta que describe el

número de éxitos al realizar experimentos independientes entre sí, acerca de una variable aleatoria.

En segundo término, tenemos las variables aleatorias continuas.

Cuando una variable aleatoria x es discreta, se puede asignar una probabilidad positiva a cada uno de los
valores que x pueda tomar y obtener la distribución de probabilidad para x.
Las variables aleatorias continuas pueden tomar los infinitamente numerosos valores correspondientes a
puntos en un intervalo de una recta. Si se trata de asignar una probabilidad positiva a cada uno de estos
numerosos valores, las probabilidades ya no sumarán 1, como es el caso con variables aleatorias discretas.
Por tanto, se debe usar un método diferente para generar la distribución de probabilidad.

Una variable aleatoria continua puede tomar cualquiera de un número infinito de valores de la recta real, en
forma semejante al número infinito de granos de arena en una playa. La distribución de probabilidad es
creada al distribuir una unidad de probabilidad a lo largo
de la recta, igual que como se puede distribuir un puñado de arena.
Varias propiedades importantes de distribuciones continuas de probabilidad son comparables a sus similares
discretas. Así como la suma de probabilidades discretas (o la
suma de las frecuencias relativas) es igual a 1 y la probabilidad de que x caiga en cierto
intervalo puede hallarse al sumar las probabilidades en ese intervalo, las distribuciones
de probabilidad tienen las características que se detallan a continuación.
También hay una diferencia importante entre variables aleatorias discretas y continuas.

La variable aleatoria uniforme se emplea para modelar el comportamiento de una variable aleatoria continua
cuyos valores estén uniforme o exactamente distribuidos en un intervalo dado.

La variable aleatoria exponencial se utiliza para modelar variables aleatorias continuas tales como tiempos
de espera o vidas útiles asociadas con componentes electrónicos

Su modelo puede no siempre ajustar perfectamente la situación experimental, pero debe

tratar de escoger un modelo que mejor se ajuste al histograma de frecuencia relativa
poblacional. Cuanto mejor se aproxime el modelo a la realidad, mejores serán las inferencias.

Por último, tenemos la distribución normal de probabilidad

Las distribuciones de probabilidad continua pueden tomar varias formas, pero un gran número de variables
aleatorias observadas en la naturaleza poseen una distribución de frecuencia que tiene más o menos la forma
de montículo, o bien, como diría un estadístico, es aproximadamente una distribución normal de probabilidad.

La fórmula que genera esta distribución se muestra a continuación.

Raras veces se encuentra una variable con valores que sean infinitamente pequeños
Aun así, muchas variables aleatorias positivas (por ejemplo, estaturas, pesos y tiempos) tienen distribuciones
que son bien aproximadas por una distribución normal.

Variable aleatoria estándar

Una variable aleatoria normal x está estandarizada al expresar su valor como el número de desviaciones
estándar (s) que se encuentran a la izquierda o derecha de su media.
Se denomina distribución normal estandarizada porque su media es 0 y su desviación estándar es 1. Los
valores de z del lado izquierdo de la curva son negativos, en tanto que los del lado derecho son positivos.

Casi todo el tiempo, las probabilidades en las que estamos interesados contienen x, una variable aleatoria
normal con media m y desviación estándar s. Entonces se debe estandarizar el intervalo de interés,
escribiéndolo como el intervalo equivalente en términos de z, la variable aleatoria normal estándar. Una vez
hecho esto, la probabilidad de interés es el área que se encuentra en la distribución estándar normal de
probabilidad.

LA DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

El experimento de lanzar al aire una moneda es un ejemplo sencillo de una importante variable aleatoria
discreta llamada variable aleatoria binomial. Muchos experimentos prácticos resultan en datos similares a
que salgan cara o cruz al tirar la moneda. Por ejemplo, considere las encuestas políticas que se emplean
para predecir las preferencias de los votantes en elecciones. Cada votante entrevistado se puede comparar
a una moneda porque el votante puede estar a favor de nuestro candidato (una “cara”) o no (una “cruz”). Casi
siempre, la proporción de votantes que están a favor de nuestro candidato no es igual a 1/2, es decir, la
moneda no es imparcial. De hecho, la encuesta está diseñada exactamente para determinar la proporción
de votantes que están a favor de nuestro candidato. Veamos aquí algunas otras situaciones semejantes al
experimento de lanzar al aire una moneda: • Un sociólogo está interesado en la proporción de maestros de
escuelas elementales que sean hombres. • Una comerciante en bebidas gaseosas está interesada en la
proporción de quienes toman refresco de cola y que prefi eren la marca de ella. • Un genetista está interesado
en la proporción de la población que posee un gen vinculado a la enfermedad de Alzheimer. Cada persona
muestreada es análoga a lanzar al aire una moneda, pero la probabilidad de una “cara” no es necesariamente
igual a 1/2. Aun cuando estas situaciones tienen diferentes objetivos prácticos, todas exhiben las
características comunes del experimento binomial.
Definición
Un experimento binomial es el que tiene estas cinco características: 1. El experimento consiste en n intentos
idénticos. 2. Cada intento resulta en uno de dos resultados. Por falta de un mejor nombre, el resultado uno
se llama éxito, S, y el otro se llama fracaso, F. 3. La probabilidad de éxito en un solo intento es igual a p y es
igual de un intento a otro. La probabilidad de fracaso es igual a (1 p) q. 4. Los intentos son independientes.
5. Estamos interesados en x, el número de éxitos observado durante los n intentos, para x 0, 1, 2, …, n.
LA DISTRIBUCIÓN DE PROBABILIDAD DE POISSON

Otra variable aleatoria discreta que tiene numerosas aplicaciones prácticas es la variable aleatoria de
Poisson. Su distribución de probabilidad da un buen modelo para datos que representa el número de
sucesos de un evento especifi cado en una unidad determinada de tiempo o espacio.
A continuación veamos algunos ejemplos de experimentos para los cuales la variable aleatoria x puede ser
modelada por la variable aleatoria de Poisson:
• El número de llamadas recibidas por un conmutador durante un tiempo determinado
• El número de bacterias por volumen pequeño de fl uido • El número de llegadas de clientes al mostrador
de una caja de pago en un minuto determinado
• El número de descomposturas
de una máquina durante un día
determinado
• El número de accidentes de
tránsito en un crucero dado
durante un tiempo determinado En
cada uno de estos ejemplos, x
representa el número de eventos
que ocurren en un periodo o
espacio, durante el cual se puede
esperar que ocurra un promedio
de m de estos eventos. Las únicas
suposiciones necesarias, cuando
uno usa la distribución de Poisson
para modelar experimentos tales
como éstos, son que las cuentas o
eventos ocurren al azar e independientemente unos de otros. La fórmula para la distribución de
probabilidad de Poisson, así como su media y varianza, se dan a continuación.

LA APROXIMACIÓN DE POISSON A LA DISTRIBUCIÓN BINOMIAL

La distribución de probabilidad de Poisson da una aproximación sencilla, fácil de calcular y precisa a
probabilidades binomiales cuando n es grande y m np es pequeña, de preferencia con np 7. Una
aproximación apropiada para valores más grandes de m np se da en el capítulo 6.