Vous êtes sur la page 1sur 15

Instituto Tecnolgico de Campeche

Ingeniera en Administracin
Temas de Investigacin Conceptual
3er trabajo

Sanmiguel Huicab Alexis E.


Estadstica I
VD3

15 de octubre de 2015

Unidad 3.- Tipos de distribuciones, variables


aleatorias discretas y continuas
Competencia especfica a desarrollar: Consulta y
utiliza ejemplos de aplicacin de variables aleatorias
discretas y continuas, para graficar su distribucin de
probabilidades.

ndice
Qu es exactamente el azar?............................................................................... 4
Qu es una variable aleatoria?............................................................................ 4
Variables aleatorias discretas (definicin y ejemplos).............................................4
Ejemplo:........................................................................................................... 4

Distribucin de probabilidad para una variable aleatoria discreta (VAD)..................4


Definicin......................................................................................................... 4
Distribucin acumulada:.................................................................................... 5
Valor esperado de una VAD (Esperanza matematica) (concepto y modelo)............5
Valor Monetario Esperado..................................................................................... 5
Varianza y desviacin estndar de una VAD (concepto y modelo)...........................6
La distribucin Binomial....................................................................................... 6
Modelo:............................................................................................................ 7
Caractersticas.................................................................................................. 7
Distribucin Hipergeomtrica................................................................................ 7
Propiedades...................................................................................................... 7
La distribucin de Poisson................................................................................... 8
Propiedades...................................................................................................... 8
Modelo matemtico........................................................................................... 9
Caracteristicas.................................................................................................. 9
Variables aleatorias continuas.............................................................................. 9
La distribucin normal de probabilidades............................................................10

Las 3 razones de su importancia................................................................10

Antecedentes............................................................................................ 10

Caractersticas.......................................................................................... 10

Curva normal............................................................................................ 10

El modelo matemtico............................................................................... 11

reas bajo la curva normal........................................................................11

La distribucin normal estandarizada..................................................................12


Modelo de estandarizacin.............................................................................. 12
Uso de la tabla de la distribucin normal estndar............................................13
Aproximacin de la normal a la binomial.............................................................13

Temas de Investigacin Conceptual

Qu es exactamente el azar?
El azar es una cualidad presente en diversos fenmenos que se caracterizan por no
mostrar una causa, orden o finalidad aparente.

Qu es una variable aleatoria?


Variable aleatorio es una funcin que asigna un nmero real a cada resultado del espacio
muestral de un experimento aleatorio. Se representa por las ltimas letras del alfabeto: X,
Y o Z.
Ejemplos de variables aleatorias:
X: La suma que aparece al lanzar un par de dados.
Y: El nmero de caras que aparecen al lanzar una moneda tres veces.
Z: El nmero de errores que se encuentran en la pgina de un libro.
Variables aleatorias discretas (definicin y ejemplos)

Variable aleatoria discreta.- Es una variable aleatoria que toma un nmero finito de
valores numerables.

Ejemplo:
- Lance una moneda e iguale X a 1 si sale cara, y 0 si sale cruz. Entonces, X es
discreta con valores 0,1.
-

Tire un dado al aire y tome para X el nmero orientado hacia arriba. Entonces X es
una variable aleatoria discreta con valores posibles 1, 2, 3, 4, 5 y 6.
Nmero de ralladuras en una superficie.

Distribucin de probabilidad para una variable aleatoria discreta (VAD)


La distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada
suceso definido sobre la variable aleatoria, la probabilidad de que dicho suceso ocurra. La
distribucin de probabilidad est definida sobre el conjunto de todos los sucesos, cada
uno de los sucesos es el rango de valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por la funcin de
distribucin, cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea
menor o igual que x.
Definicin
Funcin de distribucin
Dada una variable aleatoria X, su funcin de distribucin, FX(x), es
FX(x)=Prob (Xx)=P {|X () x}
Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice X y se
escribe, simplemente, F(x). Donde en la frmula anterior:
Prob, es la probabilidad definida sobre un espacio de probabilidad y una medida unitaria
sobre el espacio muestral.
P es la medida sobre la -lgebra de conjuntos asociada al espacio de probabilidad.
es el espacio muestral, o conjunto de todos los posibles sucesos aleatorios, sobre el
que se define el espacio de probabilidad en cuestin.

X: R es la variable aleatoria en cuestin, es decir, una funcin definida sobre el


espacio muestral a los nmeros reales.
Distribucin acumulada:
F(x) = p(X x) =

xi x

f ( xi )

Para una variable aleatoria discreta X, F(x) satisface las siguientes propiedades:
1) F(x) = p(X x ) =

xi x

f( x i )

2) 0 F(x) 1
3) Si xy, entonces F(x) f (y).
Valor esperado de una VAD (Esperanza matematica) (concepto y modelo)
La esperanza matemtica o valor esperado de una variable aleatoria discreta es la suma
del producto de la probabilidad de cada suceso por el valor de dicho suceso.
Para una variable aleatoria discreta con valores posibles
y sus
posibilidades representadas por la funcin de masa p (xi) la esperanza se calcula con
= E(X) =

xf (x )
x

(x)=
X=variable aleatoria discreta de inters
X = simo resultado de x
P(x )=probabilidad de ocurrencia del simo resultado de x
=1,2,, N
Valor Monetario Esperado
El valor monetario esperado es justamente la suma de los resultados finales de la
alternativa, es decir, cada ponderado por la probabilidad de que ocurra un resultado final.
El valor monetario esperado indica la ganancia promedio que se obtendra si se
seleccionara una estrategia particular en muchas situaciones de toma de decisiones
(como jugar muchas veces).
Asignacin de probabilidades; Para calcular el valor monetario esperado de las diversas
estrategias, debe asignarse un conjunto de probabilidades al listado mutuamente
excluyente y colectivamente exhaustivo de resultados y eventos. En muchos casos, no se

dispone de ninguna informacin sobre la probabilidad de ocurrencia de los diversos


eventos y, por tanto, se asignan probabilidades iguales.
Si el experimento (la decisin) se repitiera n veces y no decidiera contratar el seguro,
cuando n el resultado sera:
pn veces T-C
(1-p)n veces T
El valor monetario esperado es T-pC
El valor monetario esperado es la Esperanza Matemtica del resultado: PjCij
Si el equivalente monetario cierto es igual al valor monetario esperado, su actitud es
neutral ante el riesgo: x=pC
Si el equivalente monetario cierto es menor que el valor monetario esperado, su actitud es
de aversin el riesgo: x>pC
Si el equivalente monetario cierto es mayor al valor monetario esperado, su actitud es de
propensin al riesgo: x<pc.
Varianza y desviacin estndar de una VAD (concepto y modelo)
La varianza de una variable aleatoria X es una medida de dispersin o esparcimiento de
los valores posibles de X. La varianza de X, denotada como

x ( x
2

= V(X) =

o V(X), es

f(x)

La desviacin estndar de una variable aleatoria X

= [V ( 1/ 2

Existen dos aspectos que caracterizan de forma simple el comportamiento de la


distribucin de probabilidad, porque proporcionan una descripcin completa de la forma
en que se comporta: la medida de tendencia central y la de dispersin.
La distribucin Binomial
Es una distribucin de probabilidad discreta que es extremadamente til para describir
muchos fenmenos.
La distribucin binomial posee cuatro propiedades esenciales:
1) Las observaciones posibles pueden obtenerse mediante dos mtodos de muestre
o distintos. Cada observacin puede considerarse como seleccionada de una
poblacin infinita sin reemplazo o de una poblacin finita con reemplazo.
2) Cada observacin puede clasificarse en una de dos categoras mutuamente
excluyentes y colectivamente exhaustivas, usualmente denominadas xito y
fracaso.
3) La probabilidad de que una observacin se clasifique como xito, p, es constante
de observacin a observacin. Por tanto, la probabilidad de que una observacin
se clasifique como fracaso, 1 - p, es constante sobre todas las observaciones.

4) El resultado (es decir, el xito o fracaso) de cualquier observacin es


independiente del resultado de cualquier observacin.
Modelo: Se representa la distribucin de probabilidad binomial para obtener el nmero de
xitos (x), dado un conocimiento de los parmetros n y p:

Caractersticas
Forma: Observamos que una distribucin binomial puede ser simtrica o sesgada.
Siempre que p = .5, la distribucin binomial ser simtrica sin importar qu tan grande o
pequeo sea el valor de n. Sin embargo, cuando P: f; .5, la distribucin estar sesgada.
Mientras ms cercana est p de .5 y mayor sea el nmero de observaciones, n, menos
sesgada ser la distribucin.
Media: Puede obtenerse fcilmente como el producto de sus dos parmetros, n y p.
Desviacin estndar. Se calcula usando la frmula de la distribucin binomial.

Distribucin Hipergeomtrica
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 (0xd) 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 P(X=x)= (dx)
(Ndnx) (Nn), donde N es el tamao de poblacin, n es el tamao de la muestra
extrada, d es el nmero de elementos en la poblacin original que pertenecen a la
categora deseada y x es el nmero de elementos en la muestra que pertenecen a dicha
categora. La notacin (ax) hace referencia al coeficiente binomial, es decir, el nmero de
combinaciones posibles al seleccionar x elementos de un total a.
El valor esperado de una variable aleatoria X que sigue la distribucin hipergeomtrica es
E[X]=ndN
y su varianza,
Var [X]= (NnN1) (ndN) (1dN).

En la frmula anterior, definiendo


p=dN
y
q=1p,
Se obtiene
Var [X]=npqNnN1. 11
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 de Poisson
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:
f (k, )=ekk! 13
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 combinatoria. De hecho, cuando el valor
esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el nsimo 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.
Los siguientes son algunos ejemplos de fenmenos con distribucin de Poisson:

Nmero de llamadas por hora que llegan al conmutador de una estacin de


polica.
Nmero de llegadas de carros al da en un puente de peaje
Nmero de huelgas industriales importantes al ao en el Reino Unido.
Nmero de manchas en una yarda cuadrada de tela.
Nmero de defectos por lote en un proceso de produccin.
Nmero de carreras por entrada de un juego de bisbol.
Modelo matemtico
Es interesante observar que la distribucin de Poisson ha introducido un parmetro, que
denominaremos (la letra minscula griega lambda). Mientras que la variable aleatoria de
Poisson X se refiere al nmero de xitos por unidad, el parmetro se refiere al promedio
o nmero esperado de xitos por unidad. Adems, observamos que en teora la variable
aleatoria de Poisson vara en
rangos de 0 a .
La expresin
Poisson para
xitos, es

matemtica
obtener X

para la distribucin de
xitos, dado que se esperan

P(X=x/ )= la probabilidad de que X=x dado que se conoce


= numero esperado de exitos
e= constante matematica aproximada por 2.71828
x= numero de exitos por unidad
Caracteristicas
Forma.- Cada vez que se especifica el parmetro , puede generarse una
distribucin de probabilidad de Poisson especfica. Una distribucin de Poisson
estar sesgada a la derecha cuando es pequea, y se aproximara a la simetra
(con un pico en el centro) al crecer .
La media y la desviacin estndar.- Una propiedad interesante de la distribucin
de Poisson es que la media = E(X) = y =

Variables aleatorias continuas


Es una variable aleatoria que tiene como rango un intervalo (sea finito o infinito) de
nmeros reales.
Ejemplo:
Tome para X la temperatura de una persona enferma, tomada con un termmetro de
mercurio con una escala de 70 hasta 120. Entonces X es continua con valores del
intervalo [70,120].

Corriente elctrica, longitud, presin, tiempo, peso, voltaje.

La distribucin normal de probabilidades


Las 3 razones de su importancia
La distribucin normal es de vital importancia en estadstica por tres razones principales:
1. Numerosos fenmenos continuos parecen seguirla o pueden a aproximarse
mediante esta.
2. Podemos usarla para aproximar diversas distribuciones de probabilidad discreta y
evitar as pesados clculos.
3. Proporciona la base de inferencia estadstica clsica debido a su relacin con el
teorema del lmite central.

Antecedentes
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas.
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que los ciertos fenmenos tienden a parecerse en su comportamiento a
esta distribucin. Muchas variables aleatorias continuas presentan una funcin de
densidad cuya grfica tiene forma de campana. En otras ocasiones, al considerar
distribuciones binomiales, tipo B(n, p), para un mismo valor de p y de valores de n cada
vez mayores, se ve que sus polgonos de frecuencias se aproximan a una forma en forma
de campana.
Caractersticas
Tiene forma de campana y es simtrica en apariencia.
Sus mediciones de tendencia central (media, mediana, moda, alcance medio y
eje medio) son todas idnticas.
Su dispersin media es igual a 1.33 desviaciones estn dar.
Su variable aleatoria asociada tiene un alcance infinito (- 00 < X < + 00).
Su polgono slo puede ser aproximadamente de forma de campana y simtrico
en apariencia.
Sus mediciones de tendencia central pueden diferir ligeramente entre s.
El valor de su alcance intercuartil puede diferir ligeramente de 1.33
desviaciones estndar.
Curva normal
La forma de la distribucin de probabilidad normal es la curva acampanada.
El modelo matemtico.
Para la distribucin normal, el modelo usado para obtener las probabilidades deseadas
es:

El modelo

matemtico

El modelo o expresin
matemtica
que
representa una funcin de densidad de probabilidad se denota mediante el smbolo f(X).
Para la distribucin normal, el modelo usado para obtener las probabilidades deseadas es

Donde
e es la constante matemtica aproximada por 2.71828
es la constante matemtica aproximada por 3.14159

es la media de poblacin
es la desviacin estndar de poblacin
X es cualquier valor de la variable aleatoria continua, donde - < X < +

reas bajo la curva normal


Estas graficas muestran tres formas diferentes
de medir el rea bajo la curva normal, sin
embargo, muy pocas de las aplicaciones que se
hacen de la distribucin normal de probabilidad
implican intervalos de exactamente (ms o
menos) 1,2 o 3 desviaciones estndar a partir
de la media. Para estos casos existen tablas
estadsticos que indican porciones del rea bajo
la curva normal que estn contenidas dentro de
cualquier nmero de desviaciones estndar
(ms o menos) a partir de la media.
Afortunadamente tambin podemos utilizar una
distribucin de probabilidad normal estndar
para encontrar reas bajo cualquier curva
normal. Con esta tabla podemos determinar el
rea o la probabilidad de que la variable
aleatoria distribuida normalmente este dentro de
ciertas distancias a partir de la media. Estas
distancias estn definidas en trminos de
desviaciones estndar.

Relacin entre el rea bajo la curva


de
distribucin
normal
de
probabilidad y la distancia a la
media medida en desviaciones
estndar.

La distribucin normal estandarizada


La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el
valor cero, = 0, y por desviacin tpica la unidad, =1.
Su funcin de densidad es:

Su grfica es:

La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y


para calcularla utilizaremos una tabla.
Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribucin N (, ) en otra variable Z que siga una distribucin N (0, 1).

Modelo de estandarizacin
Es una distribucin cuya variable aleatoria Z siempre tiene una media z = 0 Y una
desviacin estndar 0z =l.
Sustituyendo en la ecuacin (8.1), vemos que la funcin de densidad de probabilidad de
una variable normal estndar Z es

Al usar la frmula de transformacin cualquier variable aleatoria normal X se convierte en


una variable aleatoria normal estandarizada Z. Mientras los datos originales para la
variable aleatoria X tenan una media y una desviacin estndar, la variable aleatoria
estandarizada Z siempre tendr una media = 0 y una desviacin = 1
Uso de la tabla de la distribucin normal estndar
La tabla representa las probabilidades o reas bajo la curva normal calculadas desde la

x hasta los valores particulares de inters X. Usando la ecuacin de Z, esto

corresponde a las probabilidades o reas bajo la curva normal estandarizada desde la

media ( z = 0) hasta los valores transformados de inters Z.


Slo se enumeran entradas positivas de Z en la tabla, puesto que para una distribucin
simtrica de este tipo con una media de cero, el rea que va desde la media asta +Z (es
decir, Z desviaciones estndar por encima de la media) debe ser idntica al rea que va
desde la media asta Z (es decir, Z desviaciones estndar por debajo de la media).
Tambin podemos encontrar la tabla que indica el rea bajo la curva normal estndar que
corresponde a P (Z < z) para valores de z que van de 3.49 a 3.49.
Al usar la tabla observamos que todos los valores Z deben registrarse con hasta dos
lugares decimales. Por tanto, nuestro valor de inters particular Z se registra como +.2.
para leer el rea de probabilidad bajo la curva desde la media asta Z = +.20, podemos
recorrer hacia abajo la columna Z de la tabla hasta que ubiquemos el valor de inters Z.
As pues, nos detenemos en la fila Z = .2.
A continuacin, leemos esta fila hasta que intersecamos la columna que contiene el lugar
de centsimas del valor Z. Por lo tanto, en la tabla, la probabilidad tabulada para Z = 0.20
corresponde a la interseccin de la fila Z = .2 con la columna Z = .00 como se muestra.
Z .00
0.0 0.0000
0
0.1 0.0398
3
0.2 0.0792
6

.01
.02
.03
.04
0.00399 0.00798 0.01197 0.0159
5
0.04380 0.04776 0.05172 0.0556
7
0.08317 0.08706 0.09095 0.0948
3

.05
.06
.07
0.01994 0.02392 0.0279
0
0.05962 0.06356 0.0674
9
0.09871 0.10257 0.1064
2

.08
.09
0.03188 0.03586
0.07142 0.07535
0.11026 0.11409

Aproximacin de la normal a la binomial


En este caso se estarn calculando probabilidades de experimentos Binomiales de una
forma muy aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p =
p (xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy
cercano a ; esto es,

Donde:

x = variable de tipo discreto; solo toma valores enteros


m = np = media de la distribucin Binomial
s=

= desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy


parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la
Normal en lugar de con la Binomial y de una forma ms rpida.
En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales
siempre que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande
y bastante buena para valores pequeos de n si p est razonablemente cercana a . Una
posible gua para determinar cundo puede utilizarse la aproximacin Normal es tener en
cuenta el clculo de np y nq. S ambos, np y nq son mayores o iguales a 5, la
aproximacin ser buena.
Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar
que se estn evaluando probabilidades asociadas a una variable discreta x, con una
distribucin que evala variables de tipo continuo como es la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Por qu vamos a sumar o a restar a x?


Este es un factor de correccin debido a que se est evaluando una variable discreta con
una distribucin continua, por lo que hay que delimitar claramente desde que punto se va
a evaluar la variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos
debemos posicionar para determinar la probabilidad requerida, cada barra de probabilidad
a evaluar tiene como base la unidad, ese es el porqu del .