Vous êtes sur la page 1sur 52

VARIABLE ALEATORIA

Una variable es un smbolo que acta en las funciones, las frmulas,


los algoritmos y las proposiciones de las matemticas y la estadstica.
Segn sus caractersticas, las variables se clasifican de distinto modo.
Se denomina variable aleatoria a la funcin que adjudica eventos
posibles a nmeros reales (cifras), cuyos valores se miden en
experimentos de tipo aleatorio. Estos valores posibles representan los
resultados de experimentos que todava no se llevaron a cabo o
cantidades inciertas.
Cabe destacar que los experimentos aleatorios son aquellos que,
desarrollados bajo las mismas condiciones, pueden ofrecer resultados
diferentes. Arrojar una moneda al aire para ver si sale cara o ceca es
un experimento de este tipo.
La variable aleatoria, en definitiva, permite ofrecer una descripcin
de la probabilidad de que se adoptan ciertos valores. No se sabe de
manera precisa qu valor adoptar la variable cuando sea
determinada o medida, pero s se puede conocer cmo se distribuyen
las probabilidades vinculadas a los valores posibles. En dicha
distribucin incide el azar.
Las variables aleatorias discretas son aquellas cuyo rango est
formado por una cantidad finita de elementos o que sus elementos
pueden enumerarse de manera secuencial. Supongamos que una
persona arroja un dado tres veces: los resultados son variables
aleatorias discretas, ya que pueden obtenerse valores del 1 al 6.
En cambio, la variable aleatoria continua se vincula a un recorrido o
rango que abarca, en teora, la totalidad de los nmeros reales,
aunque solo sea accesible una cierta cantidad de valores (como la
altura de un grupo de personas).

VARIABLE ALEATORIA DISCRETA.


Una variable aleatoria discreta es aquella que slo puede tomar
valores enteros.
Ejemplos: l nmero de hijos de una familia, la puntuacin obtenida
al lanzar un dado.
ENSAYO DE BERNOULLI
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o
distribucin dicotmica), nombrada as por el matemtico y cientfico
suizo Jakob Bernoulli, es una distribucin de probabilidad discreta,
que toma valor 1 para la probabilidad de xito ( ) y valor 0 para la
probabilidad de fracaso (
).
Si es una variable aleatoria que mide el "nmero de xitos", y se
realiza un nico experimento con dos posibles resultados (xito o
fracaso), se dice que la variable aleatoria se distribuye como una
Bernoulli de parmetro .
Su funcin de probabilidad viene definida por:

La frmula ser:

Un experimento al cual se aplica la distribucin de Bernoulli se


conoce como Ensayo de Bernoulli o simplemente ensayo, y la serie
de esos.

PROPIEDADES CARACTERSTICAS
Esperanza matemtica:
Varianza:

Funcin generatriz de momentos:

Funcin caracterstica:
Moda:
0 si q > p (hay ms fracasos que xitos)
1 si q < p (hay ms xitos que fracasos)
0 y 1 si q = p (los dos valores, pues hay igual nmero de fracasos que
de xitos)
Asimetra (Sesgo):
Curtosis:

La Curtosis tiende a infinito para valores de cercanos a 0 a 1, pero


para
la distribucin de Bernoulli tiene un valor de Curtosis
menor que el de cualquier otra distribucin, igual a -2.
Ejemplo: Se sabe que una maquina produce un 3% de piezas
defectuosas. Elegimos una pieza al azar para comprobar si no
presenta defectos. Cmo se distribuye la variable X que vale 1 si la
pieza no es defectuosa y 0 ses defectuosa?.

Cules son su media y su varianza?


X sigue una distribucin Bernoulli con parmetro 0,97.
La media y varianza son
E[X] =0 ,97
V [X] =0 ,97 ,03 = ,0291
DISTRIBUCIN BINOMIAL
En estadstica, la distribucin binomial es una distribucin de
probabilidad discreta que cuenta el nmero de xitos en una
secuencia de n ensayos de Bernoulli independientes entre s, con una
probabilidad fija p de ocurrencia del xito entre los ensayos. Un
experimento de Bernoulli se caracteriza por ser dicotmico, esto es,
slo son posibles dos resultados. A uno de estos se denomina xito y
tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribucin binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de
calcular la probabilidad de un determinado nmero de xitos. Para n
= 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin
binomial de parmetros n y p, se escribe:

Una distribucin binomial o de Bernoulli tiene las siguientes


caractersticas:

1. En cada prueba del experimento slo son posibles dos resultados:


xito y fracaso.

2. La probabilidad de xito es constante, es decir, que no vara de una


prueba a otra. Se representa por p.

3. La probabilidad de fracaso tambin es constante, Se representa por


q,
q=1p

4. El resultado obtenido en cada prueba es independiente de los


resultados obtenidos anteriormente.

5. La variable aleatoria binomial, X, expresa el nmero de xitos


obtenidos en las n pruebas. Por tanto, los valores que puede tomar X
son: 0, 1, 2, 3, 4, ..., n.

La distribucin binomial se expresa por B(n, p)

Clculo de probabilidades
En una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.

q es la probabilidad de fracaso.

El nmero combinatorio
1- Ejemplo: La ltima novela de un autor ha tenido un gran xito,
hasta el punto de que el 80% de los lectores ya la han ledo. Un grupo
de 4 amigos son aficionados a la lectura:
Cul es la probabilidad de que el grupo hayan ledo la novela 2
personas?
n=4
p = 0.8
q = 0.2
B(4, 0.8)

Y cmo mximo 2 personas?

PARMETROS DE LA DISTRIBUCIN BINOMIAL


Media

Varianza

Desviacin tpica

Ejemplo
La probabilidad de que un artculo producido por una fabrica sea
defectuoso es 0.02. Se envi un cargamento de 10.000 artculos a
unos almacenes. Hallar el nmero esperado de artculos defectuosos,
la varianza y la desviacin tpica.

DISTRIBUCIN HIPERGEOMETRICA.
En teora de la probabilidad la distribucin hipergeomtrica es
una distribucin discreta relacionada con muestreos aleatorios y sin
reemplazo. Supngase que se tiene una poblacin de N elementos de
los cuales, d pertenecen a la categora A y N-d a la B. La distribucin
hipergeomtrica mide la probabilidad de obtener x (
)
elementos de la categora A en una muestra sin reemplazo de n
elementos de la poblacin original.

PROPIEDADES
La funcin de probabilidad de una variable aleatoria con distribucin
hipergeomtrica puede deducirse a travs de razonamientos
combinatorios y es igual a

Donde
es el tamao de poblacin, es el tamao de la muestra
extrada, es el nmero de elementos en la poblacin original que
pertenecen a la categora deseada y es el nmero de elementos en
la muestra que pertenecen a dicha categora. La notacin
hace
referencia al coeficiente binomial, es decir, el nmero de
combinaciones posibles al seleccionar elementos de un total .
El valor esperado de una variable aleatoria X que sigue la distribucin
hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin


reemplazo y la binomial a muestreos con reemplazo. En situaciones
en las que el nmero esperado de repeticiones en el muestreo es
presumiblemente bajo, puede aproximarse la primera por la segunda.
Esto es as cuando N es grande y el tamao relativo de la muestra
extrada, n/N, es pequeo.
La distribucin hipergeomtrica es el modelo que se aplica en
experimentos del siguiente tipo:
En una urna hay bolas de dos colores (blancas y negras), cul es la
probabilidad de que al sacar 2 bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en
cada ensayo hay tan slo dos posibles resultados: o sale blanca o no
sale. Pero se diferencia de la distribucin binomial en que los distintos
ensayos son dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo
saco una bola blanca, en el segundo ensayo hay una bola blanca
menos por lo que las probabilidades son diferentes (hay dependencia
entre los distintos ensayos).
La distribucin hipergeomtrica sigue el siguiente modelo:

Dnde:

Vamos a tratar de explicarlo:


N: es el nmero total de bolas en la urna
N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
k: es el nmero de bolas blancas cuya probabilidad se est
calculando
n: es el nmero de ensayos que se realiza
Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se
sacan 4 bolas Cul es la probabilidad de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3


bolas blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino
que tambin se aplica con experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se
eligen 3 personas al azar Cul es la probabilidad de que las 3 sean
solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3


personas sean solteras es tan slo del 1,75%.
LA DISTRIBUCIN DE POISSON
En teora de probabilidad y estadstica, la distribucin de Poisson es
una distribucin de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad de que ocurra un
determinado nmero de eventos durante cierto perodo de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de
sucesos con probabilidades muy pequeas, o sucesos "raros".
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en
1838 en su trabajo Recherches sur la probabilit des jugements en
matires criminelles et matire civile (Investigacin sobre la
probabilidad de los juicios en materias criminales y civiles).
Propiedades
La funcin de masa o probabilidad de la distribucin de Poisson es

Donde

k es el nmero de ocurrencias del evento o fenmeno (la


funcin nos da la probabilidad de que el evento suceda precisamente
k veces).

es un parmetro positivo que representa el nmero de veces


que se espera que ocurra el fenmeno durante un intervalo dado. Por
ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por
minuto y estamos interesados en la probabilidad de que ocurra k
veces dentro de un intervalo de 10 minutos, usaremos un modelo de
distribucin de Poisson con = 104 = 40.

e es la base de los logaritmos naturales (e = 2,71828...)


Tanto el valor esperado como la varianza de una variable aleatoria
con distribucin de Poisson son iguales a . Los momentos de orden
superior son polinomios de Touchard en cuyos coeficientes tienen
una interpretacin combinatorio. De hecho, cuando el valor esperado
de la distribucin de Poisson es 1, entonces segn la frmula de
Dobinski, el n-simo momento iguala al nmero de particiones de
tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un
no entero es igual a , el mayor de los enteros menores que (los
smbolos representan la funcin parte entera). Cuando es un
entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con
valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser


infinitamente divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de


Poisson de parmetro 0 a otra de parmetro es

La distribucin de Poisson parte de la distribucin binomial:


Cuando en una distribucin binomial se realiza el experimento un
nmero "n" muy elevado de veces y la probabilidad de xito "p" en
cada ensayo es reducida, entonces se aplica el modelo de
distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10

La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:
El nmero "e" es 2,71828
" l " = n * p (es decir, el nmero de veces " n " que se realiza el
experimento multiplicado por la probabilidad " p " de xito en cada
ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:

La probabilidad de tener un accidente de trfico es de 0,02 cada vez


que se viaja, si se realizan 300 viajes, cual es la probabilidad de
tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es
menor que 10, entonces aplicamos el modelo de distribucin de
Poisson.

Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300
viajes es del 8,9%
Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es
la probabilidad de que entre 800 recien nacidos haya 5 pelirrojos?

Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin
nacidos es del 4,6%
APROXIMACIN HIPERGEOMTRICA
POR LA BINOMIAL
Es un mtodo que se utiliza cuando el espacio muestral, que
manejamos en el problema, es mucho mayor que la muestra.

Cuando N es grande y n es relativamente pequea entonces la


distribucin correcta a utilizar es la binomial. Se puede probar que la
funcin de probabilidad hipergeomtrica converge a la funcin de
probabilidad binomial cuando N es grande.

Desventaja de la distribucin hipergeomtrica Generalmente el


muestreo se hace a partir de una poblacin grande, por lo que la
distribucin hipergeomtrica es mucho menos usada en la vida real
que la binomial. Sin embargo, si la poblacin es pequea, entonces la
distribucin correcta a utilizar ser la hipergeomtrica.
Recuerde que se recomienda usar la distribucin hipergeomtrica
cuando:
N / n < 10

APROXIMACIN DE LA BINOMIAL POR LA DE POISSON.


En este caso se determinarn probabilidades de experimentos
Binomiales, pero que dadas sus caractersticas, es posible
aproximarlas con la distribucin de Poisson, estas caractersticas son,
n ( n es muy grande) y p0 (p es muy pequea), por lo que:

La expresin anterior solo se cumple cuando n y p0, solo en


este caso, si esto no se cumple, la aproximacin no se puede llevar a
efecto, por lo que la frmula a utilizar en este caso sera:

Dnde:
==np = nmero esperado de xitos = tasa promedio de xitos.
n = nmero de repeticiones del experimento.
p = probabilidad de xito = p(xito).
Una regla general aceptable es emplear esta aproximacin si n20 y
p0.05: s n100, la aproximacin es generalmente excelente
siempre y cuando np10.
Ejemplos:
Se sabe que el 5% de los libros encuadernados en cierto taller tienen
encuadernaciones defectuosas. Determine la probabilidad de que 2
de 100 libros encuadernados en ese taller, tengan encuadernaciones
defectuosas, usando,
a) la frmula de la distribucin Binomial,
b) la aproximacin de Poisson a la distribucin Binomial.
Solucin:
a) n = 100
p = 0.05 = p(encuadernacin defectuosa) = p(xito)
q = 0.95 = p(encuadernacin no defectuosa) = p(fracaso)
x = variable que nos define el nmero de encuadernaciones
defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones
defectuosas

b)n = 100 encuadernaciones


p = 0.05
= np = (100)(0.05)= 5

x = variable que nos define el nmero de encuadernaciones


defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones
defectuosas.

Al comparar los resultados de las probabilidades con una y otra


distribucin, nos damos cuenta de que la diferencia entre un clculo y
otro es de tan solo 0.0031, Por lo que la aproximacin de Poisson es
una buena opcin para calcular probabilidades Binomiales.

VARIABLE ALEATORIA CONTINUA


Una variable aleatoria continua es aquella que puede tomar todos los
valores posibles dentro de un cierto intervalo de la recta real.
Ejemplos:
La altura de los alumnos de una clase, las horas de duracin de una
pila.

LA DISTRIBUCIN UNIFORME

La distribucin Uniforme es el modelo (absolutamente) continuo


ms simple. Corresponde al caso de una variable aleatoria que
slo puede tomar valores comprendidos entre dos extremos a y
b, de manera que todos los intervalos de una misma longitud
(dentro de (a, b)) tienen la misma probabilidad. Tambin puede
expresarse como el modelo probabilstico correspondiente a
tomar un nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de

densidad debe tomar el mismo valor para todos los puntos


dentro del intervalo (a, b) (y cero fuera del intervalo). Es decir,

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de


densidad y viene dada por:

Grficamente:

Propiedades del modelo Uniforme


1. Su esperanza vale (b + a)/2
2. Su varianza es (b a)2/12
La distribucin uniforme es aquella que puede tomar cualquier
valor dentro de un intervalo, todos ellos con la misma
probabilidad.

Es una distribucin continua porque puede tomar cualquier valor y no


nicamente un nmero determinado (como ocurre en las
distribuciones discretas).
Ejemplo: el precio medio del litro de gasolina durante el prximo ao
se estima que puede oscilar entre 140 y 160 ptas. Podra ser, por
tanto, de 143 ptas., o de 143,4 ptas., o de 143,45 ptas., o de 143,455
ptas, etc. Hay infinitas posibilidades, todas ellas con la misma
probabilidad.
Su funcin de densidad, aquella que nos permite conocer la
probabilidad que tiene cada punto del intervalo, viene definida por:

Donde:
b: es el extremo superior (en el ejemplo, 160 ptas.)
a: es el extremo inferior (en el ejemplo, 140 ptas.)
Por lo tanto, la funcin de distribucin del ejemplo sera:

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un
5% de probabilidad, que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el prximo


ao es de 150 ptas.
Veamos otro ejemplo:

El volumen de precipitaciones estimado para el prximo ao en la


ciudad de Sevilla va a oscilar entre 400 y 500 litros por metro
cuadrado. Calcular la funcin de distribucin y la precipitacin media
esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401


litros tiene un 1% de probabilidades; que est entre 401 y 402 litros,
otro 1%, etc.
El valor medio esperado es:

Es decir, la precipitacin media estimada en Sevilla para el prximo


ao es de 450 litros.
DISTRIBUCIN NORMAL
En estadstica y probabilidad se llama distribucin normal,
distribucin de Gauss o distribucin gaussiana, a una de las
distribuciones de probabilidad de variable continua que con ms
frecuencia aparece aproximada en fenmenos reales. [cita requerida]
La grfica de su funcin de densidad tiene una forma acampanada y
es simtrica respecto de un determinado parmetro estadstico. Esta
curva se conoce como campana de Gauss y es el grfico de una
funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar
numerosos fenmenos naturales, sociales y psicolgicos. Mientras
que los mecanismos que subyacen a gran parte de este tipo de
fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal
puede justificarse asumiendo que cada observacin se obtiene como
la suma de unas pocas causas independientes.

De hecho, la estadstica descriptiva slo permite describir un


fenmeno, sin explicacin alguna. Para la explicacin causal es
preciso el diseo experimental, de ah que al uso de la estadstica en
psicologa y sociologa sea conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la
estimacin por mnimos cuadrados, uno de los mtodos de estimacin
ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que
siguen el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;

caracteres sociolgicos como el consumo de cierto producto


por un mismo grupo de individuos;

caracteres psicolgicos como el cociente intelectual;

nivel de ruido en telecomunicaciones;

errores cometidos al medir ciertas magnitudes;

etc.
La distribucin normal tambin aparece en muchas reas de la propia
estadstica. Por ejemplo, la distribucin muestral de las medias
muestrales es aproximadamente normal, cuando la distribucin de la
poblacin de la cual se extrae la muestra no es normal. 1 Adems, la
distribucin normal maximiza la entropa entre todas las
distribuciones con media y varianza conocidas, lo cual la convierte en
la eleccin natural de la distribucin subyacente a una lista de datos
resumidos en trminos de media muestral y varianza. La distribucin
normal es la ms extendida en estadstica y muchos tests
estadsticos estn basados en una "normalidad" ms o menos
justificada de la variable aleatoria bajo estudio.

En probabilidad, la distribucin normal aparece como el lmite de


varias distribuciones de probabilidad continuas y discretas.

ALGUNAS PROPIEDADES DE LA DISTRIBUCIN NORMAL SON:

1.

Es simtrica respecto de su media, ;

2.

La moda y la mediana son ambas iguales a la media, ;

3.

Los puntos de inflexin de la curva se dan para x = y x =


+ .

4.

Distribucin de probabilidad en un entorno de la media:

1.

en el intervalo [ - , + ] se encuentra comprendida,


aproximadamente, el 68,26% de la distribucin;

2.

en el intervalo [ - 2, + 2]
aproximadamente, el 95,44% de la distribucin;

3.

por su parte, en el intervalo [ -3, + 3] se encuentra


comprendida, aproximadamente, el 99,74% de la distribucin. Estas
propiedades son de gran utilidad para el establecimiento de
intervalos de confianza. Por otra parte, el hecho de que
prcticamente la totalidad de la distribucin se encuentre a tres
desviaciones tpicas de la media justifica los lmites de las tablas
empleadas habitualmente en la normal estndar.

se

encuentra,

Entre otras propiedades mas amplias..


Es el modelo de distribucin ms utilizado en la prctica, ya que
multitud de fenmenos se comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen
formando una campana de Gauss, en torno a un valor central que
coincide con el valor medio de la distribucin:

Un 50% de los valores estn a la derecha de este valor central y otro


50% a la izquierda
Esta distribucin viene definida por dos parmetros:
X: N (m, s 2)
m : es el valor medio de la distribucin y es precisamente donde se
sita el centro de la curva (de la campana de Gauss).
s 2 : es la varianza. Indica si los valores estn ms o menos alejados
del valor central: si la varianza es baja los valores estn prximos a la
media; si es alta, entonces los valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se
denomina "normal tipificada", y su ventaja reside en que hay tablas
donde se recoge la probabilidad acumulada para cada punto de la
curva de esta distribucin.
Adems, toda distribucin normal se puede transformar en una
normal tipificada:
Ejemplo: una variable aleatoria sigue el modelo de una distribucin
normal con media 10 y varianza 4. Transformarla en una normal
tipificada.
X: N (10, 4)

Para transformarla en una normal tipificada se crea una nueva


variable (Y) que ser igual a la anterior (X) menos su media y dividida
por su desviacin tpica (que es la raz cuadrada de la varianza)

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal tipificada,


permitindonos, por tanto, conocer la probabilidad acumulada en
cada valor.
Y: N (0, 1)
La distribucin normal tipificada tiene la ventaja, como ya hemos
indicado, de que las probabilidades para cada valor de la curva se
encuentran recogidas en una tabla.
Cmo se lee esta tabla?
La columna de la izquierda indica el valor cuya probabilidad
acumulada queremos conocer. La primera fila nos indica el segundo
decimal del valor que estamos consultando.

X
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7

0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580

0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611

0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642

0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673

0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704

0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734

0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764

0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794

0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7090
0,7517
0,7813

0,09
0,5359
0,5723
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852

0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9

0,7881
0,8159
0,8416
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
5
0,9821
4
0,9861
0
0,9892
8
0,9918
0
0,9937
9
0,9953
4
0,9965
3
0,9974
4
0,9981
3

0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9777
8
0,9825
7
0,9864
5
0,9895
6
0,9920
2
0,9939
6
0,9954
7
0,9966
4
0,9975
2
0,9981
9

0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
1
0,9830
0
0,9867
9
0,9898
3
0,9922
4
0,9941
3
0,9956
0
0,9967
4
0,9976
0
0,9982
5

0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
2
0,9834
1
0,9871
3
0,9901
0
0,9924
5
0,9943
0
0,9957
3
0,9968
3
0,9976
7
0,9983
1

0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
2
0,9838
2
0,9874
5
0,9903
6
0,9926
6
0,9944
6
0,9958
5
0,9969
3
0,9977
4
0,9983
6

0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
2
0,9842
2
0,9877
8
0,9906
1
0,9928
6
0,9946
1
0,9959
8
0,9970
2
0,9978
1
0,9984
1

0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0
0,9846
1
0,9880
9
0,9908
6
0,9930
5
0,9947
7
0,9960
9
0,9971
1
0,9978
8
0,9984
6

0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9807
7
0,9850
0
0,9884
0
0,9911
1
0,9932
4
0,9949
2
0,9962
1
0,9972
0
0,9979
5
0,9985
1

0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856

0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9816
9
0,9857
4
0,9889
9
0,9915
8
0,9936
1
0,9952
0
0,9964
3
0,9973
6
0,9980
7
0,9986
1

Ejemplo: queremos conocer la probabilidad acumulada en el valor


2,75.Entonces buscamos en la columna de la izquierda el valor 2,7 y
en la primera fila el valor 0,05. La casilla en la que se interseccionan
es su probabilidad acumulada (0,99702, es decir 99.7%).
Atencin: la tabla nos da la probabilidad acumulada, es decir, la que
va desde el inicio de la curva por la izquierda hasta dicho valor. No
nos da la probabilidad concreta en ese punto. En una distribucin
continua en el que la variable puede tomar infinitos valores, la
probabilidad en un punto concreto es prcticamente despreciable.
Ejemplo: Imaginemos que una variable continua puede tomar valores
entre 0 y 5. La probabilidad de que tome exactamente el valor 2 es

despreciable, ya que podra tomar infinitos valores: por ejemplo:


1,99, 1,994, 1,9967, 1,9998, 1,999791, etc.
Veamos otros ejemplos:
Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486
Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115
Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574
Veamos ahora, como podemos utilizar esta tabla con una distribucin
normal:
Ejemplo: el salario medio de los empleados de una empresa se
distribuye segn una distribucin normal, con media 5 millones de
ptas. y desviacin tpica 1 milln de ptas. Calcular el porcentaje de
empleados con un sueldo inferior a 7 millones de ptas.
Lo primero que haremos es transformar esa distribucin en una
normal tipificada, para ello se crea una nueva variable (Y) que ser
igual a la anterior (X) menos su media y dividida por la desviacin
tpica

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal tipificada. La


variable Y que corresponde a una variable X de valor 7 es:

Ya podemos consultar en la tabla la probabilidad acumulada para el


valor 2 (equivalente a la probabilidad de sueldos inferiores a 7
millones de ptas.). Esta probabilidad es 0,97725
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7
millones de ptas. es del 97,725%.

Una variable aleatoria continua, X, sigue una distribucin


normal de media y desviacin tpica , y se designa por N(,
), si se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:

Curva de la distribucin normal

El campo de existencia es cualquier valor real, es decir, (-, +).


Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es
igual a la unidad.

Al ser simtrica respecto al eje que pasa por x = , deja un rea


igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %
Aproximacin binomial por la normal
Anteriormente se ha indicado que:

Es importante entender que, para un n finito, las distribuciones


Binomial y Normal no coinciden.
Ahora bien, el estudio numrico del error cometido al aproximar la
primera por la segunda, permite establecer algunas reglas generales
para una Binomial con n finito:
n 0,1 p aproximar a la Normal de media
30
0,9
varianza np(1 p)

n 30 0 < p < 0,1

n
30

0.9 < p <


1

np,

aproximar a la Poisson con = np

aproximar la variable recproca(*) a la


Poisson con = n(1 p)

n < 30

cualquier p

no aproximar,
variable original

calcular

con

la

* Si la Binomial est asociada al nmero de veces que aparece el


suceso A de un total de n repeticiones del experimento, la variable
recproca corresponde a contar el nmero de veces que aparece el
suceso contrario a A, y es por tanto una Binomial (n, 1 p).
( )

Por ejemplo:

una Binomial (36, 0,5) es aproximadamente una Normal (18, 3).

una Binomial (100, 0,9) es aproximadamente una Normal (90,


3).

una Binomial (100, 0,01) es aproximadamente una Poisson (1).

una Binomial (100, 0,95) se aproxima mediante su recproca,


una Binomial (100, 0,05), que es asintticamente una Poisson(5).

n p 5 y n q 5.
La distribucin binomial B(n, p) se puede aproximar
mediante una distribucin normal:

Ejemplo:

En una ciudad una de cada tres familias posee telfono. Si se


eligen al azar 90 familias, calcular la probabilidad de que entre ellas
haya por lo menos 30 tengan telfono.

Problemas aproximar distribucin binomial a normal


Es posible aproximar una Binomial B(n,p) a travs de la normal
cuando n es grande.

Por lo tanto quedar de la siguiente manera

Hemos de tener en cuenta que la distribucin binomial es discreta y


la normal es continua, porque lo tendremos que coger el intervalo
entero.

Aproximacin de una Poisson a travs de la normal

Se puede aproximar tambin la poisson a travs de la normal cuando


es grande

Cuanto mayor sea mejor ser la aproximacin , Anteriormente se


ha indicado que:
Aunque para n finito las distribuciones de Poisson y Normal no
coinciden, es posible aproximar la primera por la segunda, de
acuerdo a la regla siguiente:
10

aproximar a la Normal de
media , varianza

< 10

no aproximar, calcular con la


variable original

LA DISTRIBUCIN T (DE STUDENT)


En probabilidad y estadstica, la distribucin t (de Student) es una
distribucin de probabilidad que surge del problema de estimar la
media de una poblacin normalmente distribuida cuando el tamao
de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias muestrales y para
la construccin del intervalo de confianza para la diferencia entre las
medias de dos poblaciones cuando se desconoce la desviacin tpica
de una poblacin y sta debe ser estimada a partir de los datos de
una muestra.
Caracterstica
La distribucin t de Student es la distribucin de probabilidad del
cociente

Donde

Z es una variable aleatoria distribuida segn una normal tpica


(de media nula y varianza 1).

V es una variable aleatoria que sigue una distribucin con


grados de libertad.

Z y V son independientes

Si es una constante no nula, el cociente


es una variable
aleatoria que sigue la distribucin t de Student no central con
parmetro de no-centralidad .
JI CUADRADO
Los modelos de las distribuciones t, Ji Cuadrado y F son ms
complejos que los modelos Binomial y Normal, por lo que es ms
prctico definir estas distribuciones de la siguiente manera.
Si una variable es obtenida segn la expresin

donde
a) Las puntuaciones z han sido obtenidas de datos que se distribuyen
segn el modelo Normal, y
b) Cada puntuacin z es independiente de las otras.
la variable T se distribuir segn el modelo Ji Cuadrado con "k"
grados de libertad.
Principales caractersticas
a) La forma de la distribucin es asimtrica positiva, y se acerca a la
distribucin Normal como mayor sea el nmero de grados de libertad
(g.l.). Ejemplo con 5 g.l.:

b) Las puntuaciones Ji Cuadrado no pueden tomar valores negativos.


c) La funcin de distribucin de la distribucin Ji Cuadrado est
tabulada para algunos valores que son de inters en Estadstica
Inferencial.
En estadstica, la distribucin de Pearson, llamada tambin ji
cuadrada o chi cuadrado () es una distribucin de probabilidad
continua con un parmetro que representa los grados de libertad de
la variable aleatoria

Donde son variables aleatorias normales independientes de media


cero y varianza uno. El que la variable aleatoria
tenga sta
distribucin se representa habitualmente as:

DISTRIBUCION JI-CUADRADA (X2)


En realidad la distribucin ji-cuadrada es la distribucin muestral de
s2. O sea que si se extraen todas las muestras posibles de una
poblacin normal y a cada muestra se le calcula su varianza, se
obtendr la distribucin muestral de varianzas.

Para estimar la varianza poblacional o la desviacin estndar, se


necesita conocer el estadstico X 2. Si se elige una muestra de tamao
n de una poblacin normal con varianza

, el estadstico:

tiene una distribucin muestral que es una distribucin jicuadrada con gl=n-1 grados de libertad y se denota X2 (X es la
minscula de la letra griega ji). El estadstico ji-cuadrada esta dado
por:

donde n es el tamao de la muestra, s 2 la varianza muestral y


la
varianza de la poblacin de donde se extrajo la muestra. El
estadstico ji-cuadrada tambin se puede dar con la siguiente
expresin:

Propiedades de las distribuciones ji-cuadrada


1.

Los valores de X2 son mayores o iguales que 0.

2.

La forma de una distribucin X 2 depende del gl=n-1. En


consecuencia, hay un nmero infinito de distribuciones X 2.

3.

El rea bajo una curva ji-cuadrada y sobre el eje horizontal es


1.

4.

Las distribuciones X2 no son simtricas. Tienen colas estrechas


que se extienden a la derecha; esto es, estn sesgadas a la derecha.

5.

Cuando n>2, la media de una distribucin X 2 es n-1 y la


varianza es 2(n-1).

6.

El valor modal de una distribucin X2 se da en el valor (n-3).


La siguiente figura ilustra tres distribuciones X2. Note que el valor
modal aparece en el valor (n-3) = (gl-2).

La funcin de densidad de la distribucin X 2 esta dada por:

para x>0
La tabla que se utilizar para estos apuntes es la del libro de
probabilidad y estadstica de Walpole, la cual da valores crticos
(gl) para veinte valores especiales de
. Para denotar el valor crtico
de una distribucin X2 con gl grados de libertad se usa el smbolo
(gl); este valor crtico determina a su derecha un rea de
bajo la
2
curva X y sobre el eje horizontal. Por ejemplo para encontrar X 20.05(6)
en la tabla se localiza 6 gl en el lado izquierdo y
a o largo
del lado superior de la misma tabla.

Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas
nos sirve para saber como se va a comportar la varianza o desviacin
estndar en una muestra que proviene de una distribucin normal.
Ejemplos:
1.

Suponga que los tiempos requeridos por un cierto autobs para


alcanzar un de sus destinos en una ciudad grande forman una
distribucin normal con una desviacin estndar
=1 minuto. Si se
elige al azar una muestra de 17 tiempos, encuentre la probabilidad
de que la varianza muestral sea mayor que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s 2=2
como sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados


de libertad y se encuentra que a este valor le corresponde un rea a
la derecha de 0.01. En consecuencia, el valor de la probabilidad es
P(s2>2)

2.

Encuentre la probabilidad de que una muestra aleatoria de 25


observaciones, de una poblacin normal con varianza
, tenga una varianza muestral:

a.

Mayor que 9.1

b.

Entre 3.462 y 10.745

Solucin.
a.

Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da


un rea a la derecha de 0.05. Por lo que la P(s 2 >9.1) = 0.05
1.

Se calcularn dos valores de ji-cuadrada:


y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados
de libertad. Al buscar el valor de 13.846 se encuentra un rea a la
derecha de 0.95. El valor de 42.98 da un rea a la derecha de 0.01.
Como se est pidiendo la probabilidad entre dos valores se resta el
rea de 0.95 menos 0.01 quedando 0.94.
Por lo tanto la P(3.462

s2

10.745) = 0.94

Estimacin de la Varianza
Para poder estimar la varianza de una poblacin normal se utilizar la
distribucin ji-cuadrada.

Al despejar esta frmula la varianza poblacional nos queda:

Los valores de X2 dependern de nivel de confianza que se quiera al


cual le llamamos
. Si nos ubicamos en la grfica se tiene:

Ejemplos:
1.

Los siguientes son los pesos, en decagramos, de 10 paquetes


de semillas de pasto distribuidas por cierta compaa: 46.4, 46.1,
45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo
de confianza de 95% para la varianza de todos los paquetes de
semillas de pasto que distribuye esta compaa, suponga una
poblacin normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la


muestra s2= 0.286.

Para obtener un intervalo de confianza de 95% se elige un


= 0.05.
Despus con el uso de la tabla con 9 grados de libertad se obtienen
los valores de X2.

Se puede observar en la grfica anterior que el valor de X 2 corre en


forma normal, esto es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Graficamente:

Se observa que la varianza corre en sentido contrario, pero esto es


slo en la grfica. La interpretacin quedara similar a nuestros temas
anteriores referentes a estimacin. Con un nivel de confianza del 95%
se sabe que la varianza de la poblacin de los pesos de los paquetes

de semillas de pasto esta entre 0.135 y 0.935 decagramos al


cuadrado.

2.

En trabajo de laboratorio se desea llevar a cabo


comprobaciones cuidadosas de la variabilidad de los resultados que
producen muestras estndar. En un estudio de la cantidad de calcio
en el agua potable, el cual se efecta como parte del control de
calidad, se analiz seis veces la misma muestra en el laboratorio en
intervalos aleatorios. Los seis resultados en partes por milln fueron
9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la varianza de los
resultados de la poblacin para este estndar, usando un nivel de
confianza del 90%.
Solucin:
Al calcular la varianza de la muestra se obtiene un valor de s 2=
0.0285.
Se busca en la tabla los valores correspondientes con 5 grados de
libertad, obtenindose dos resultados. Para X 2(0.95,5)= 1.145 y para
X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:
y

Ensayo de Hiptesis para la Varianza de una Poblacin


Normal

En la mayora de los casos se tiene el problema de desconocer la


varianza o desviacin estndar de la poblacin, en donde las
distribuciones son normales. Si se desea probar una hiptesis acerca
de la varianza se puede hacer utilizando las medidas estadsticas con
las que se construy el intervalo de confianza
distribucin Ji- cuadrada.

, esto es con la

Ejemplos:
1.

Una compaa que produce una parte maquinada para un


motor, afirma que tiene una varianza de dimetro no mayor a 0.0002
pulgadas. Una muestra aleatoria de 10 de dichas partes dio una
varianza de muestra s2 = 0.0003. Si se supone que las medidas del
dimetro se distribuyen en forma normal, hay evidencia para refutar
lo que afirma el proveedor? Use
= 0.05.
Solucin:
Como en todos los ensayos de hiptesis que se han realizado
anteriormente el procedimiento es el mismo. Despus de que se
identifican los datos, se plantea la hiptesis para determinar el tipo
de ensayo.
Datos:
= 0.0002
n = 10
s2 = 0.0003
= 0.05
Ensayo de hiptesis:
Ho;

= 0.0002

H1;

> 0.0002

Regla de decisin:
Si X2R

16.919 no se rechaza Ho.

Si X2R>16.919 se rechaza Ho.


Clculos:

Justificacin y decisin:
Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza H o y se
concluye con un nivel de significancia de 0.05 que no se puede
refutar la afirmacin del proveedor.
Este ejercicio se puede aprovechar para calcular el valor de P. En la
tabla se busca el valor de 13.5 en el rengln de 9 grados de libertad.
Interpolando entre 0.10 y 0.20 se obtiene un valor de P de 0.1484.

2.

El contenido de azcar del almbar de los duraznos enlatados


tiene una distribucin normal, donde se cree que la varianza es
=
2
18 mg . Se toma una muestra de 10 latas dieron una desviacin
estndar de 4.8 mg. Muestran estos datos suficiente evidencia para

decir que la varianza ha cambiado?. Use un


valor de P.
Solucin:
Datos:
= 18
n = 10
s = 4.8
= 0.05
Ensayo de hiptesis:
Ho;

= 18

H1;

18

Regla de decisin:
Si 2.7

X2R

19.023 no se rechaza Ho.

Si X2R<2.7 si X2R>19.023 se rechaza Ho.


Clculos:

= 0.05 y calcule el

Justificacin y decisin:
Como 11.52 est entre 2.7 y 19.023, no se rechaza H o, y se concluye
con un nivel de significancia de 0.05 que la varianza del contenido de
azcar del almbar no ha cambiado, esto es es de 18 mg 2.
Si recordamos al principio de este tema se dijo que la media de la
distribucin ji-cuadrada es (n-1), por lo tanto la media de este
ejercicio es de 9. Como el valor real de X 2R = 11.52 este nmero se
encuentra a la derecha de la media, lo cual quiere decir que el valor
de P/2 ser el rea a la derecha del valor de X 2R. Al buscar el valor de
11.52 en la tabla se obtiene un rea de 0.2423, por lo tanto P/2 =
0.2423 y P= (2)(0.2423) = 0.4846

3.

Experiencia anterior indica que el tiempo que se requiere para


que los estudiantes de ltimo ao de preparatoria completen una
prueba estandarizada es una variable aletoria normal con una
desviacin estndar de seis minutos. Se toma una muestra aleatoria
de 20 estudiantes de ltimo ao de preparatoria y se obtiene una
desviacin estndar de 4.51. Muestran estos datos suficiente
evidencia para decir que la desviacin estndar disminuy?. Utilice el
valor de P para su decisin.
Solucin:
Datos:
=6
n = 20
s = 4.51

Ensayo de hiptesis:
Ho;

=6

H1;

<6

Clculos:

Para obtener el valor de P, se busca en la tabla el 10.735 con 19


grados de libertad, y el rea que se encuentra es la que est a la
derecha de este valor. Como la media de esta distribucin ji-cuadrada
es de 19, por lo tanto el valor de 10.735 queda a la izquierda de la
media. El valor de P es de 0.07, y con esto se puede concluir que si
hubiramos utilizado un nivel de significancia de 0.10, se rechaza H o
y se concluye que la desviacin estndar disminuyo, pero si se utiliza
un valor de
= 0.05, entonces no se rechaza Ho y se concluira que
la desviacin estndar no disminuy. La decisin depende del error
tipo I que est dispuesto a tolerar el investigador.

DISTRIBUCIN Z.
Distribucin normal con media igual a 0 y desviacin estndar
igual a Tambin se llama distribucin normal estndar.

BIBLIOGRAFA

http://definicion.de/variable-aleatoria/
http://www.vitutor.com/pro/3/a_1.html
http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node13.html
https://es.wikipedia.org/wiki/Variable_aleatoria#Funci.C3.B3n_de_den
sidad_de_una_v.a._continua
https://es.wikipedia.org/wiki/Variable_aleatoria
http://www.hrc.es/bioest/estadis_21.html
https://es.wikipedia.org/wiki/Ensayo_de_Bernoulli
http://www.colegiosansaturio.com/deptomatesweb/SANSAMATES/Col
aboraciones/universidad/politicas_baz/bernoulli.html
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://www.vadenumeros.es/sociales/aproximacion-binomialnormal.htm
http://es.slideshare.net/sonyelockheart/distribucin-bernoulli-ydistribucin-binomial

http://www.aulafacil.com/cursos/l11242/ciencia/estadisticas/estadisti
cas/distribuciones-discretas-hipergeometrica
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capit
ulo4/B0C4m1t1.htm
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_uniforme_continua
http://www.vitutor.com/pro/5/a_2.html
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
http://es.slideshare.net/torimatcordova/distribucion-t-de-student28545004
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
http://www.medwave.cl/link.cgi/Medwave/Series/MBE04/5266