Distribución de Probabilidades Discretas y Continuas

UNIVERSIDAD CENTRAL DEL ECUADOR Pgina 1
UNIDAD III
OBJETIVOS:
Saber sobre las clases de distribucin de probabilidades
existentes.
Reconocer los diferentes ejercicios de probabilidades
existentes.
Resolver ejercicios de distribucin de probabilidades, para
un buen entendimiento de la materia.

DISTRIBUCIN DE PROBABILIDADES DISCRETAS Y CONTINUAS
En teora de la probabilidad y estadstica, 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 eventos rango de
valores de la variable aleatoria.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales,
la distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la variable
aleatoria sea menor o igual que x.

DEFINICIN DE FUNCIN DE DISTRIBUCIN DISCRETAS Y CONTINUAS
Dada una variable aleatoria todos son puntos , su funcin de distribucin,
, es

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice
y se escribe, simplemente,
.
PROPIEDADES
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:

Es una funcin continua por la derecha.
Es una funcin montona no decreciente.
Adems, cumple

Y

Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos son
mutuamente excluyentes y su unin es el suceso

Y ,
Por lo que tenemos entonces que:

Y finalmente

Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los
valores de la variable aleatoria x conoceremos completamente la distribucin
de probabilidad de la variable.
Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y
sin embargo para ver una representacin grfica de la probabilidad es ms
prctico el uso de la funcin de densidad.

DISTRIBUCIN DE LA VARIABLE DISCRETA
Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de
X finito o infinito numerable. A dicha funcin se le llama funcin de masa de
probabilidad. En este caso la distribucin de probabilidad es el sumatorio de la
funcin de masa, por lo que tenemos entonces que:


Y, tal como corresponde a la definicin de distribucin de probabilidad, esta
expresin representa la suma de todas las probabilidades desde hasta el
valor x.

DISTRIBUCION DE LA PROBABILIDAD CONTINUA

En teora de la probabilidad una distribucin de probabilidad se
llama continua si su funcin de distribucin es continua. Puesto que la funcin
de distribucin de una variable aleatoria X viene dada
por , la definicin implica que en una distribucin de
probabilidad continua X se cumple P[X = a] = 0 para todo nmero real a, esto
es, la probabilidad de que X tome el valor aes cero para cualquier valor de a. Si
la distribucin de X es continua, se llama a X variable aleatoria continua.
En las distribuciones de probabilidad continuas, la distribucin de probabilidad
es la integral de la funcin de densidad, por lo que tenemos entonces que:

Mientras que en una distribucin de probabilidad
discreta un suceso con probabilidad cero es imposible, no se da el caso en una
variable aleatoria continua. Por ejemplo, si se mide la anchura de una hoja de
roble, el resultado 3,5 cm es posible, pero tiene probabilidad cero porque hay
infinitos valores posibles entre 3 cm y 4 cm. Cada uno de esos valores
individuales tiene probabilidad cero, aunque la probabilidad de ese intervalo no
lo es. Esta aparente paradoja se resuelve por el hecho de que la probabilidad
de que X tome algn valor en un conjunto infinito como un intervalo, no puede
calcularse mediante la adicin simple de probabilidades de valores individuales.
Formalmente, cada valor tiene una
probabilidad infinitesimal que estadsticamente equivale a cero.
Existe una definicin alternativa ms rigurosa en la que el trmino "distribucin
de probabilidad continua" se reserva a distribuciones que tienen funcin de
densidad de probabilidad. Estas funciones se llaman, con ms precisin,
variables aleatorias absolutamente continuas (vase el Teorema de Radon-
Nikodym). Para una variable aleatoria X absolutamente continua es equivalente
decir que la probabilidad P[X = a] = 0 para todo nmero real a, en virtud de que
hay un incontables conjuntos de medida de Lebesgue cero (por ejemplo,
elconjunto de Cantor).

Una variable aleatoria con la distribucin de Cantor es continua de acuerdo con
la primera definicin, pero segn la segunda, no es absolutamente continua.
Tampoco es discreta, ni una media ponderada de variables discretas y
absolutamente continuas.
En aplicaciones prcticas, las variables aleatorias a menudo ofrece una
distribucin discreta o absolutamente continua, aunque tambin aparezcan de
forma natural mezclas de los dos tipos.

DEFINICION
Para una variable continua hay infinitos valores posibles de la variable y entre
cada dos de ellos se pueden definir infinitos valores ms. En estas condiciones
no es posible deducir la probabilidad de un valor puntual de la variable; como
se puede hacer en el caso de va discretas, pero es posible calcular la
probabilidad acumulada hasta un cierto valor (funcin dedistribucin de
probabilidad), y se puede analizar como cambia la probabilidad acumulada en
cada punto (estos cambios no son probabilidades sino otro concepto: la funcin
de densidad.
En el caso de variable continua la distribucin de probabilidad es la integral de
la funcin de densidad, por lo que tenemos entonces que:

Sea X una va continua, una distribucin de probabilidad o funcin de densidad
de probabilidad (FDP) de X es una funcin f(x) tal que, para cualesquiera dos
nmeros a y b siendo .

La grfica de f(x) se conoce a veces como curva de densidad, la probabilidad
de que X tome un valor en el intervalo [a,b] es el rea bajo la curva de la
funcin de densidad; as, la funcin mide concentracin de probabilidad
alrededor de los valores de una variable aleatoria continua.

rea bajo la curva de f(x) entre a y b


Para que f(x) sea una FDP (FDP = f(x)) sea legtima, debe satisfacer las
siguientes dos condiciones:

1. f(x) 0 para toda x.

2.
Ya que la probabilidad es siempre un nmero positivo, la FDP es una funcin
no decreciente que cumple:

1. . Es decir, la probabilidad de todo el espacio muestral
es 1.

2. . Es decir, la probabilidad del suceso nulo es cero.
Algunas FDP estn declaradas en rangos de a , como la de
la distribucin normal.

CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA
DISTRIBUCIN DISCRETA

1. Media o valor esperado de x.- Para determinar la media de la
distribucin discreta se utiliza la siguiente frmula:

Donde:
= media de la distribucin
E(x) = valor esperado de x
x
i
= valores que toma la variable
p(x
i
) = probabilidad asociada a cada uno de los valores de la variable x

2. Desviacin estndar. Para determinar la desviacin estndar de la
distribucin discreta se utiliza la siguiente frmula:

Donde:
= desviacin estndar

= media o valor esperado de x
x
i
= valores que toma la variable x
p(x
i
) = probabilidad asociada a cada uno de los valores que toma x

Ejemplos:
1. Segn estadsticas la probabilidad de que el motor de un auto nuevo, de
cierto modelo, y marca sufra de algn desperfecto en los primeros 12
meses de uso es de 0.02, si se prueban tres automviles de esta
marca y modelo, encuentre el nmero esperado de autos que no sufren
de algn desperfecto en los primeros doce meses de uso y su
desviacin estndar.

Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se
obtiene el espacio muestral como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de
uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso
N

N
S

N
N
S

S

N


1
er
auto N
S
S
N
2
o
auto S

3
o
S
= NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS

x = variable que nos define el nmero de autos que no sufre de algn
desperfecto en el motor durante los primeros 12 meses de uso

x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los
primeros 12 meses de uso

p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS, SNS,
SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98
)(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192

Por tanto la media o valor esperado se determina de la siguiente manera:

=E(x) =
(0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
3 autos que no sufren algn
desperfecto en el motor en los primeros 12 meses de uso

La interpretacin de la media o valor esperado es; se espera que los 3 autos
probados no sufran de algn desperfecto en el motor en los primeros 12 meses
de uso.

=
=

= 0.2497 0.0 autos
que no sufren algn desperfecto en su motor en los primeros 12 meses de uso.

Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn
desperfecto en su motor en los primeros 12 meses de uso y la variabilidad de
este experimento es de cero.

Nota:
La media y la desviacin estndar se redondean a un valor entero ya que son
la media y desviacin de una distribucin de probabilidad discreta.

2. Se ha detectado en una lnea de produccin que 1 de cada 10 artculos
fabricados es defectuoso; se toman de esa lnea tres artculos uno tras
otro, a) obtenga la distribucin de probabilidad del experimento, b)
encuentre el nmero esperado de artculos defectuosos en esa muestra
y su desviacin estndar.

Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio
muestral

a)
D = objeto defectuoso
N = objeto no defectuoso
= DDD, DDN, DND, DNN, NDD, NDN, NND, NNN

Este espacio muestral ha sido obtenido haciendo uso de un diagrama de
rbol,

x = Variable que nos define el nmero de objetos defectuosos encontrados
x = 0, 1, 2 o 3 objetos defectuosos

p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN, NDN,
NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)(0.1)=0.243
p(x=2)=p(DDN, DND,
NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001

Distribucin de probabilidad

x 0 1 2 3
P(x) 0.729 0.243 0.027 0.001

b) (0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos

Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.

1 producto defectuoso

Interpretacin:
En este experimento se espera que ninguno de los productos
inspeccionados sea defectuoso, pero los resultados de este experimento
pueden variar en 1 producto defectuoso, por lo que al inspeccionar los 3
productos el numero de productos defectuosos puede variar desde 1
producto defectuoso, hasta 1 producto defectuoso, pero, es posible
obtener 1 producto defectuoso?, claro que esto no puede ocurrir, luego el
nmero de productos defectuosos en el experimento variar de 0 a 1
producto defectuoso solamente.

3. Segn estadsticas, la probabilidad de que un pozo petrolero que se
perfore en cierta regin pueda ser beneficiado es de 0.30. Se perforan
tres pozos en esa regin, encuentre el nmero esperado de pozos que
pueden ser beneficiados y su desviacin estndar.

Solucin:
Se obtiene el espacio muestral
los ejemplos anteriores;

B = se puede el pozo que se perfora
N = no se puede beneficiar el pozo que se perfora

x = variable que nos define el nmero de pozos que se pueden beneficiar
x = 0, 1, 2 o 3 pozos que se pueden beneficiar

p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343
p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189
p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027


1 pozo beneficiado

Interpretacin:
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser
beneficiado.

Interpretacin:
La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 1
pozo, esto es la cantidad de pozos que se pueden beneficiar puede variar de 0
a 2 pozos.

4. La distribucin de probabilidad de x , el nmero de defectos por cada 10
metros de una tela sinttica en rollos continuos de ancho uniforme , es

x 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01

a) Determine la distribucin de probabilidad acumulada de x; P(x).
b) Determine el nmero esperado de defectos por cada 10 metros de
tela sinttica en rollos continuos de ancho uniforme y la desviacin
estndar del nmero de defectos por cada 10 metros de tela .....
c) Determine la probabilidad de que en 10 metros de tela sinttica se
encuentren como mximo 2 defectos.
d) Determine la probabilidad de que en 10 metros de tela sinttica se
encuentren por lo menos 2 defectos.

Solucin:

a)
X 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
P(x) 0.41 0.78 0.94 0.99 1.0

b)
1 defecto

Interpretacin:0.16, 0.05 ,0.01
Se espera que por cada 10 metros de tela se encuentre un defecto.

Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que
el nmero de defectos esperado por cada 10 metros de tela puede variar de
0 a 2.

c) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94

d) p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

CALCULO DE MEDIA Y DESVIACIN ESTNDAR PARA UNA
DISTRIBUCIN CONTINUA
1.Media o valor esperado de x.- Para calcular la media de una distribucin
de probabilidad continua se utiliza la siguiente frmula:

Donde:
= E(x) = media o valor esperado de la distribucin
x = variable aleatoria continua
f(x) = funcin de densidad de la distribucin de probabilidad

2.Desviacin estndar.- La frmula para determinar la desviacin estndar
de una distribucin continua es;

luego:

Ejemplos:
1. Para la siguiente funcin,


x 3 , f(x) = 0 para cualquier otro valor

a) Diga si esta funcin nos define una distribucin de probabilidad.
b) Si la funcin define una distribucin de probabilidad, entonces,
determine su media y desviacin estndar.
c) x 2.
Solucin:

a) Para verificar que la funcin nos define una distribucin de
probabilidad, es necesario que cumpla con las caractersticas que
se haban mencionado.
1. x s es una variable continua porque puede tomar
cualquier valor entre 0 y 3
2. 0, lo que se comprueba si damos diferentes
valores a x para ver que valores toma f(x), dndonos
cuenta de que efectivamente f(x) solo toma valores
mayores o iguales a cero.

x f(x)
0 0.0
0.5 0.02778
1.0 0.11111
1.4 0.21778
2.1 0.49
2.7 0.81
3.0 1.0

3. Para comprobar que la sumatoria de las probabilidades
que toma cada valor de x es de 1, se integra la funcin
de 0 a 3 como se muestra a continuacin:

A= rea bajo la funcin
Con las operaciones anteriores comprobamos que la
funcin s nos define una distribucin de probabilidad
continua.

b) Clculo de media y desviacin estndar.


Las barras nos indican la evaluacin de la integral entre 0 y 3.

c)

La barra nos indica la evaluacin de la integral de 1 a 2.

Con las operaciones anteriores nos damos cuenta que para evaluar
probabilidades para variables de tipo continuo, es necesario evaluar la funcin
de densidad de probabilidad en el rango de valores que se desea; que vendra
siendo el rea que se encuentra entre f(x) y el eje de las x y entre el rango de
valores definidos por la variable x.

2. Suponga que el error en la temperatura de reaccin, en
o
C, para un
experimento controlado de laboratorio es una variable aleatoria continua
x, que tiene la funcin de densidad de probabilidad:

, para - x 2 y f(x) = 0 en cualquier otro caso

a) Verifique la tercera condicin de la definicin de una
distribucin de probabilidad continua.
b) Determine la media o valor esperado de la distribucin de
probabilidad.
c) x 1.

Solucin:

a) Como la tercera condicin es que la sumatoria de las
probabilidades asociadas a cada uno de los valores que toma x
debe de ser 1, esto se comprueba de la siguiente manera:

b)

c)

VARIABLE ALEATORIA

Una variable es aleatoria si su valor est determinado por el azar. En gran
nmero de experimentos aleatorios es necesario, para su tratamiento
matemtico, cuantificar los resultados de modo que se asigne un nmero real a
cada uno de los resultados posibles del experimento. De este modo se
establece una relacin funcional entre elementos del espacio muestralasociado
al experimento y nmeros reales.
En probabilidad y estadstica, una variable aleatoria o variable estocstica es
una variable cuyos valores se obtienen de mediciones en algn tipo de
experimento aleatorio. Formalmente, una variable aleatoria es una funcin, que

asigna eventos (p.e., los posibles resultados de tirar un dado dos veces: (1, 1),
(1, 2), etc.) a nmeros reales (p.e., su suma).
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento an no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de
medicin incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribucin de probabilidad se usa para describir la probabilidad
de que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden
considerar valores aleatorios como valores lgicos, funciones... El
trmino elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocstico, un
conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).
Una variable aleatoria (v.a.) X es una funcin real definida en el espacio
muestral asociado a un experimento aleatorio, .
1

2

Se llama rango de una v.a. X y lo denotaremos R
X
, al conjunto de los valores
reales que sta puede tomar, segn la aplicacin X. Dicho de otro modo, el
rango de una v.a. es elrecorrido de la funcin por la que sta queda definida:

DEFINICION DE VARIABLE ALEATORIA

Concepto intuitivo
Una variable es aleatoria si su valor est determinado por el azar. En otras
palabras se sabe qu valores puede tomar la variable pero no se tiene certeza
de su ocurrencia, solo se sabe que puede ocurrir con cierta probabilidad. Por
ejemplo, en una epidemia de clera, se sabe que una persona cualquiera
puede enfermar o no (suceso), pero no se sabe cual de los dos sucesos va a
ocurrir. Solamente se puede decir que existe una probabilidad de que la
persona enferme.
Definicin formal

La definicin formal de variable aleatoria requiere ciertos conocimientos
profundos de matemtica (en concreto de teora de la medida). Es la
siguiente:
3

4

Dado un espacio de probabilidad y un espacio medible (S,),
una aplicacin es una variable aleatoria si es una
aplicacin -medible.
En la mayora de los casos se toma como espacio medible de llegada el
formado por los nmeros reales junto con la -lgebra de Borel (el generado
por la topologa usual de ), quedando pues la definicin de esta manera:
Dado un espacio de probabilidad una variable aleatoria real es
cualquier funcin -medible donde es la -lgebra boreliana.

TIPOS DE VARIABLE ALEATORIA

Para comprender de una manera ms amplia y rigurosa los tipos de variables,
es necesario conocer la definicin de conjunto discreto. Un conjunto es
discreto si est formado por un nmero finito de elementos, o si sus elementos
se pueden enumerar en secuencia de modo que haya un primer elemento, un
segundo elemento, un tercer elemento, y as sucesivamente.
5

Variable aleatoria discreta: 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 funcin de cuanta (vanse
las distribuciones de variable discreta).
Variable aleatoria continua: una v.a. es continua si su recorrido no es
un conjunto numerable. Intuitivamente esto significa que el conjunto de
posibles valores de la variable abarca todo un intervalo de nmeros reales.
Por ejemplo, la variable que asigna la estatura a una persona extrada de
una determinada poblacin es una variable continua ya que, tericamente,
todo valor entre, pongamos por caso, 0 y 2,50 m, es posible.
6
(vanse
las distribuciones de variable continua)
Variable aleatoria independiente: Supongamos que "X" e "Y" son
variables aleatorias discretas. Si los eventos X = x / Y = y son variables
aleatorias independientes. En tal caso: P(X = x, Y = y) = P( X = x) P ( Y = y).

De manera equivalente: f(x,y) = f1(x).f2(y).
Inversamente, si para todo "x" e "y" la funcin de probabilidad conjunta
f(x,y) no puede expresarse slo como el producto de una funcin de "x" por
una funcin de "y" (denominadas funciones de probabilidad marginal de "X" e
"Y" ), entonces "X" e "Y" son dependientes.
Si "X" e "Y" son variables aleatorias continuas, decimos que son variables
aleatorias independientes si los eventos "X x", e "Y y" y son eventos
independientes para todo "x" e "y" .
De manera equivalente: F(x,y) = F1(x).F2(y), donde F1(x) y F2(y) son las
funciones de distribucin (marginal) de "X" e "Y" respectivamente.
Inversamente, "X" e "Y" son variables aleatorias dependientes si para todo "x"
e "y" su funcin de distribucin conjunta F(x,y) no puede expresarse como el
producto de las funciones de distribucin marginales de "X" e "Y".
Para variables aleatorias independientes continuas, tambin es cierto que la
funcin de densidad conjunta f(x,y)es el producto de las funciones densidad de
probabilidad marginales de "X", f1(x), y de "Y", f2(y).

DISTRIBUCION DE PROBABILIDAD DE UNA V. A.

La distribucin de probabilidad de una v.a. X, tambin llamada funcin de
distribucin de X es la funcin F
X
(x), que asigna a cada evento definido
sobre X una probabilidad dada por la siguiente expresin:

y de manera que se cumplan las siguientes tres condiciones:
1. y
2. Es continua por la derecha.
3. Es montona no decreciente.
La distribucin de probabilidad de una v.a. describe tericamente la forma en
que varan los resultados de un experimento aleatorio. Intuitivamente se tratara
de una lista de los resultados posibles de un experimento con
las probabilidades que se esperaran ver asociadas con cada resultado.

FUNCION DE DENSIDAD DE UNA V.A. CONTINUA


La funcin de densidad de probabilidad (FDP) o, simplemente, funcin
de densidad, representada comnmente como f(x), se utiliza con el
propsito de conocer cmo se distribuyen las probabilidades de un suceso
o evento, en relacin al resultado del suceso.
La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la
funcin de distribucin de probabilidad F(x), o de manera inversa, la
funcin de distribucin es la integral de la funcin de densidad:

La funcin de densidad de una v.a. determina la concentracin de
probabilidad alrededor de los valores de una variable aleatoria continua.

FUNCIONES DE VARIABLES ALEATORIAS

Sea una variable aleatoria sobre y una funcin medible de
Borel , entonces ser tambin una variable
aleatoria sobre , dado que la composicin de funciones medibles es
tambin es medible a no ser que g sea una funcin medible de Lebesgue.
El mismo procedimiento que permite ir de un espacio de
probabilidad a puede ser utilizado para obtener la
distribucin de . La funcin de probabilidad acumulada de es

Si la funcin g es invertible, es decir g
-1
existe, y es montona creciente,
entonces la anterior relacin puede ser extendida para obttener

y, trabajando de nuevo bajo las mismas hiptesis de invertibilidad de g y
asumiendo adems diferenciabilidad, podemos hallar la relacin entre las
funciones de densidad de probabilidad al diferenciar ambos trminos respecto
de y, obteniendo
.
Si g no es invertible pero cada y tiene un nmero finito de races, entonces la
relacin previa con la funcin de densidad de probabilidad puede generalizarse
como

donde x
i
= g
i
-1
(y). Las frmulas de densidad no requieren que g sea creciente.

PARAMETYROS DE UNA V.A.

La funcin de densidad o la distribucin de probabilidad de una v.a. contiene
exhaustivamente toda la informacin sobre la variable. Sin embargo resulta
conveniente resumir sus caractersticas principales con unos cuantos valores
numricos. Estos son, fundamentalmente la esperanza y la varianza.
Esperanza

La esperanza matemtica (o simplemente esperanza) o valor esperado de
una v.a. es la suma del producto de la probabilidad de cada suceso por el valor
de dicho suceso.
Si todos los sucesos son de igual probabilidad la esperanza es la media
aritmtica.
Para una variable aleatoria discreta con valores posibles y sus
probabilidades representadas por la funcin de probabilidad p(x
i
) la esperanza
se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la
integral de todos los valores y la funcin de densidad :

o
La esperanza tambin se suele simbolizar con
El concepto de esperanza se asocia comnmente en los juegos de azar al de
beneficio medio o beneficio esperado a largo plazo.
Varianza

La varianza es una medida de dispersin de una variable aleatoria respecto
a su esperanza . Se define como la esperanza de la transformacin
:
o bien

ACTIVIDADES
Ejemplo
Sea X una variable aleatoria real continua y sea Y = X
2
.

Si y < 0, entonces P(X
2
= y) = 0, por lo tanto

Si y = 0, entonces

por lo tanto

Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de
resultados elementales posibles asociado al experimento, es
,
donde (c representa "sale cara" y x, "sale cruz").
Podemos asignar entonces a cada suceso elemental del experimento el nmero de caras
obtenidas. De este modo se definira la variable aleatoria X como la funcin

dada por

El recorrido o rango de esta funcin, R
X
, es el conjunto


TEOREMA DE CHEBYSHEV.
Si una variable aleatoria tiene una varianza o desviacin estndar pequea,
esperaramos que la mayora de los valores se agrupan alrededor de la media.
Por lo tanto, la probabilidad de que una variable aleatoria tome un valor dentro
de cierto intervalo alrededor de la media es mayor que para una variable
aleatoria similar con una desviacin estndar mayor si pensamos en la
probabilidad en trminos de una rea, esperaramos una distribucin continua
con un valor grande de que indique una variabilidad mayor y, por lo tanto,
esperaramos que el rea este extendida. Sin embargo, una desviacin
estndar pequea debera tener la mayor parte de su rea cercana a .
Podemos argumentar lo mismo para una distribucin discreta. En el histograma
de probabilidad. El rea se extiende mucho ms que. Lo cual indica una
distribucin mas variable de mediciones o resultados el matemtico ruso P. L.
Chebyschev (18211894) descubri que la fraccin de rea entre cualesquiera
dos valores simtricos alrededor de la media esta relacionada con la desviacin
estndar. Como el rea bajo una curva de distribucin de probabilidad, o de un
histograma de probabilidad, suma 1, el rea entre cualesquiera dos nmeros es
la probabilidad de que la variable aleatoria tome un valor entre estos nmeros.
El siguiente teorema, debido a Chebyshev da una estimacin conservadora de
la probabi8lidad de que una variable aleatoria tome un valor dentro de
desviaciones estndar de su media para cualquier numero real
proporcionaremos la demostracin solo para el caso continuo y se deja el caso
discreto como ejercicio.
Teorema de Chebyshev: La probabilidad de que cualquier variable aleatoria X,
tome un valor dentro de la desviaciones estndar de la media es al menos 1
1 / 2. Es decir
P ( - < X < + ) 1 12.
Prueba: por nuestra definicin anterior de la varianza de X escribimos
2 = E [ (X - )2] = - (x + )2 (x) dx = - - k (x + )2 (x) dx + - k
+ k (x + )2 (x) dx + + k (x + )2 (x) dx - - k (x + )2 (x) dx
+ + k (x + )2 (x) dx
Ya que la segunda de las tres integrales es no negativa as como | x - | k ,
para cualquier x + k o x - k tenemos que (x - )2 k2 2 en ambas
integrales restantes se sigue que
2 - - k k2 2 (x) dx + + k k2 2 (x) dx
Y que

- - k (x) dx + + k (x) dx 1_2.
De aqu
P ( - < X < + ) = - k + k (x) dx 1 1_2.
Por lo cual queda establecido el teorema. Para k = 2 el teorema establece que
la variable aleatoria x tiene una probabilidad de al menos 1 1 /22 = 3/4 de
caer dentro de dos desviaciones estndar de la media, es decir tres cuartos o
mas de las observaciones de cualquier distribucin yacen en el intervalo una
2 . De manera similar, el teorema que al menos ocho novenos de las
observaciones de cualquier distribucin caen en el intervalo 3 .
El teorema de Chebyshev tiene una valides para cualquier distribucin de
observaciones y, por esta razn los resultados son generalmente dbiles el
valor que el teorema proporciona es solo un limite inferior. Es decir, sabemos
que la probabilidad de una variable aleatoria que cae dentro de dos
desviaciones estndar de la media no puede ser menor que 3/4, pero nunca
sabemos cuanto podra ser en realidad nicamente cuando se conoce la
distribucin de probabilidad podemos determinar probabilidades exactas. Por
esta razn llmanos al teorema resultado de distribucin libre cuando se
supongan distribuciones especficas. El uso del teorema de Chebyshev se
restringe a situaciones donde se desconoce la forma de la distribucin.
EJEMPLO:
1.- Una variable aleatoria X tiene una media = 8 una varianza 2 = 9, y
distribucin de probabilidad desconocida. Encuentre
a) P (4 < X < 20).
b) P (| X - 8 | 6).
Solucin
a) P (4 < X < 20) = P[ 8 (4) (3) < X < 8 + (4) (3) ] 15/14
b) P (| X - 8 | 6) = 1 P (| X - 8 | < 6) = 1 P (- 6 < X - 8 < 6)
= 1 P [8 (2) (3) < X < 8 + (2) (3)] 8 < 6) .


VARIANZA COVARIANZA (ANOVA)

En estadstica la covarianza es una medida de dispersin conjunta de
dos variables estadsticas.

DEFINICION
La covarianza S
XY
(a veces tambin denotada Cov(X,Y) ) de dos variables
aleatorias X e Y es:

donde es el operador esperanza. Para distribuciones discretas la frmula
anterior se concreta en
.
Cuando las variables aleatorias X e Y son n-dimensionales, es
decir, e , su matriz de
covarianzas
XY
es:

INTERPRETACION DE LA COVARIANZA
Si S
xy
> 0 hay dependencia directa (positiva), es decir, a
grandes valores de x corresponden grandes valores de y.
Si S
xy
= 0 Una covarianza 0 se interpreta como la no
existencia de una relacin lineal entre las dos variables
estudiadas.
Si S
xy
< 0 hay dependencia inversa o negativa, es decir, a
grandes valores de x corresponden pequeos valores de y.
PROPIEDADES
Si X, Y, W, y V son variables aleatorias y a, b, c, d son constantes
("constante"en este contexto significa no aleatorio), se cumple que:

, la varianza de X


,

frmula que suele emplearse en la prctica para calcular la covarianza.
Estas propiedades se deducen de manera casi directa de la definicin de la
covarianza. En otras palabras la covarianza trata de explicar que tan
relacionadas se encuentran dos variables entre s, que tanto se mueve una
cuando la otra se mueve otro tanto. Ejemplo, si la variable X se mueve 1,
supongamos que la variable Y se mueve 2, entonces podemos decir que la
variable Y se mueve positivamente el doble de lo que se movera la variable X.

NO CORRELACION E INDEPENDENCIA
Si X e Y son independientes, entonces su covarianza es cero. Esto ocurre por
la propiedad de independencia,

Lo opuesto, sin embargo, generalmente no es cierto: algunos pares de
variables aleatorias tienen covarianza cero pese a que no son independientes.
Bajo algunas hiptesis adicionales, la covarianza de valor cero implica
independencia, como por ejemplo en el caso de la distribucin normal
multivariante.
RELACION CON EL PRODUCTO ESCOLAR
La mayora de las propiedades de la covarianza se deducen de las
del producto escalar:
1. Bilinealidad: para las constantes a y b, y las variables
aleatorias X, Y, y U, Cov(aX + bY, U) = a Cov(X, U)
+ b Cov(Y, U)
2. Simetra: Cov(X, Y) = Cov(Y, X)
3. Es un operador positivo definido: Var(X) = Cov(X, X)
0; adems, si Cov(X, X) = 0 entonces X es una
variable aleatoria constante.
De hecho, la covarianza es un producto interior sobre el espacio cociente de
las variables aleatorias de momentos finitos iguales salvo constante.


DISTRIBUCIN UNIFORMR DISCRETA

En teora de la probabilidad, la distribucin uniforme discreta es
una distribucin de probabilidad que asume un nmero finito de valores con la
misma probabilidad.
PROPIEDADES
Si la distribucin asume los valores reales , su funcin de
probabilidad es

Y su funcin de distribucin la funcin escalonada

Su media estadstica es

Y su varianza

EJEMPLOS
Para un dado perfecto, todos los resultados tienen la misma probabilidad
1/6. Luego, la probabilidad de que al lanzarlo caiga 4 es 1/6.
Para una moneda perfecta, todos los resultados tienen la misma
probabilidad 1/2. Luego, la probabilidad de que al lanzarla caiga cara es
1/2.


DISTRIBUCION BINOMIAL Y MULTINOMIAL
La distribucin multinomial es una generalizacin de la distribucin binomial. En
este caso, en un experimento interesa estudiar no la ocurrencia de un nico
suceso o la de su contrario, sino la de varios sucesos (tres o ms). La
distribucin multinomial, M(n,p1,,pn) proporciona probabilidades de obtener,
en m repeticiones independientes de un experimento, x1 veces el suceso A1,
x2 veces el suceso A2,, xn veces el suceso An, donde dichos sucesos
forman una particin del espacio muestral, es decir, tal que para y donde , por
tanto, se cumple .
As, considerando que Xi es el nmero de veces que se presenta el suceso Ai
en las m repeticiones tenemos que la variable n-dimensional (X1, X2, , Xn)
sigue una distribucin multinomial de parmetros n, p1, , pn y su funcin de
probabilidad es
para con .
Hay que tener en cuenta que si (X1, X2, , Xn) es una variable
multidimensional entonces existe una relacin lineal entre sus componentes ya
que X1+ X2+ + Xn = m, por lo que, una de las variables, por ejemplo Xn, se
puede poner como combinacin lineal del resto, Xn=m-X1- X2- - Xn-1. Por
tanto, el fenmeno que describe la variable (X1, X2, , Xn) queda igualmente
descrito por una variable de una dimensin menor, (X1, X2, , Xn-1), sin que
esta prdida de dimensin suponga una prdida de informacin.
Por ejemplo, una variable multinomial de dimensin dos (X1, X2), M(n,p1,p2),
se puede describir considerando una cualquiera de sus componentes que tiene
una distribucin binomial, por lo que en realidad esta variable es
unidimensional y no bidimensional.
Adems, cada una de las n variables, Xi, que forman una multinomial
M(n,p1,,pn) siguen distribuciones binomiales B(m,pi), es decir, las
distribuciones marginales de una multinomial son binomiales, por tanto, la
esperanza y la varianza de cada una de estas variables es, E[Xi]=mpi y
Var(Xi)=mpi(1-pi). Adems la covarianza entre dos cualesquiera de sus
componentes es, .
Estos momentos de las variables componentes de una multinomial se pueden
agrupar en forma de matriz dando lugar a las denominadas matriz de
esperanzas y matriz de varianzas-covarianzas, que recogen las caractersticas
tericas principales de la distribucin multinomial (medias, varianzas y
covarianzas)
Ejemplo: El entrenador de un equipo de baloncesto opina que los jugadores A,
B y C tienen similares aptitudes para ser titulares del equipo en la posicin de

base. As, determina que juegen el mismo nmero de minutos cada partido. Se
sabe que el 40% de las canastas son de C, mientras que A y B consiguen un
30% de encestes. Calcular la probabilidad de que en un partido con 9 encestes
de dos puntos, A consiguiera dos, B tres y C cuatro.
Sea la variable tridimensional que recoge el nmero de encestes de A, de B y
de C, respectivamente. Dicha variable es una multinomial con n=9, p1=0.3,
p2=0.3 y p3=0.4. As.

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 de n elementos de la poblacin original.
Ejemplos
La funcin de probabilidad de una variable aleatoria con distribucin
hipergeomtrica puede deducirse a travs de razonamientos combinatorios y
es igual a 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 hace referencia al coeficiente
binomial, es decir, el nmero de combinaciones posibles al
seleccionar b elementos de un total a.

El valor esperado de una variable aleatoria X que sigue la distribucin
hipergeomtrica es y su varianza En la frmula anterior, definiendo

,


Y 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.

DISTRIBUCIN 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 que ocurra un determinado
nmero de eventos durante cierto periodo de tiempo.
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 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 combinatoria. 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

RELACIONES CON OTRAS DISTRIBUCIONES

Sumas de variables aleatorias de Poisson
La suma de variables aleatorias de Poisson independientes es otra variable
aleatoria de Poisson cuyo parmetro es la suma de los parmetros de las
originales. Dicho de otra manera, si son N variables aleatorias de
Poisson independientes, entonces


.
Distribucin binomial
La distribucin de Poisson es el caso lmite de la distribucin binomial. De
hecho, si los parmetros n y de una distribucin binomial tienden a infinito y a
cero de manera que se mantenga constante, la distribucin lmite
obtenida es de Poisson.
Aproximacin normal
Como consecuencia del teorema central del lmite, para valores grandes de ,
una variable aleatoria de Poisson X puede aproximarse por otra normal dado
que el cociente

Converge a una distribucin normal de media nula y varianza 1.
Distribucin exponencial
Supngase que para cada valor t > 0, que representa el tiempo, el nmero de
sucesos de cierto fenmeno aleatorio sigue una distribucin de Poisson de
parmetro t. Entonces, los tiempos discurridos entre dos sucesos sucesivos
sigue la distribucin exponencial.
Ejemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin
defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados
en este taller tengan encuadernaciones defectuosas usamos la distribucin de
Poisson. En este caso concreto, k es 5 y , , el valor esperado de libros
defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada
es

Este problema tambin podra resolverse recurriendo a una distribucin
binomial de parmetros k = 5, n = 400 y =0,02.


PROCESOS DE POISSON

La distribucin de Poisson se aplica a varios fenmenos discretos de la
naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces
durante un periodo definido de tiempo o en un rea determinada) cuando la
probabilidad de ocurrencia del fenmeno es constante en el tiempo o el
espacio. Ejemplos de estos eventos que pueden ser modelados por la
distribucin de Poisson incluyen:
El nmero de autos que pasan a travs de un cierto punto en una
ruta (suficientemente distantes de los semforos) durante un
periodo definido de tiempo.
El nmero de errores de ortografa que uno comete al escribir una
nica pgina.
El nmero de llamadas telefnicas en una central telefnica por
minuto.
El nmero de servidores web accedidos por minuto.
El nmero de animales muertos encontrados por unidad de
longitud de ruta.
El nmero de mutaciones de determinada cadena
de ADN despus de cierta cantidad de radiacin.
El nmero de ncleos atmicos inestables que decayeron en un
determinado perodo en una porcin de sustancia radiactiva. La
radiactividad de la sustancia se debilitar con el tiempo, por lo
tanto el tiempo total del intervalo usado en el modelo debe ser
significativamente menor que la vida media de la sustancia.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a lo largo de su carrera.


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 en
fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es
simtrica respecto de un determinado parmetro. Esta curva se conoce
como campana de Gauss.
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 es un modelo matemtico que 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 varianzaconocidas, 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 supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias
distribuciones de probabilidad continuas y discretas.

DEFINICION NORMAL
Hay varios modos de definir formalmente una distribucin de probabilidad. La
forma ms visual es mediante su funcin de densidad. De forma equivalente,
tambin pueden darse para su definicin la funcin de distribucin,
los momentos, la funcin caracterstica y la funcin generatriz de momentos,
entre otros.

FUNCION DE DENCIDAD
Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denotaX~N(, ) si su funcin de densidad est dada
por:

donde (miu) es la media y (sigma) es la desviacin tpica (
2
es
la varianza).
5

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros
toman los valores = 0 y = 1. En este caso la funcin de densidad tiene la
siguiente expresin:

Su grfica se muestra a la derecha y con frecuencia se usan ...tablas para el
clculo de los valores de su distribucin.


FUNCION DE DISTRIBUCION
La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin
especial llamada funcin error de la siguiente forma:

Y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar, 1 (x),
se denota con frecuencia Q(x), y es referida, a veces, como
simplemente funcin Q, especialmente en textos de ingeniera.
6

7
Esto
representa la cola de probabilidad de la distribucin gaussiana. Tambin se
usan ocasionalmente otras definiciones de la funcin Q, las cuales son todas
ellas transformaciones simples de .
8

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil)
puede expresarse en trminos de la inversa de la funcin de error:

Y la inversa de la funcin de distribucin puede, por consiguiente, expresarse
como:

Esta funcin cuantil se llama a veces la funcin probit. No hay
una primitiva elemental para la funcin probit. Esto no quiere decir meramente
que no se conoce, sino que se ha probado la inexistencia de tal funcin.
Existen varios mtodos exactos para aproximar la funcin cuantil mediante la
distribucin normal (vase funcin cuantil).

Los valores (x) pueden aproximarse con mucha precisin por distintos
mtodos, tales como integracin numrica, series de Taylor, series
asintticas y fracciones continuas.

DISTRIBUCIN EXPONENCIAL

En estadstica la distribucin exponencial es una distribucin de
probabilidad continua con un parmetro > 0 cuya funcin de densidad es:

Su funcin de
distribucin es:
Donde e representa el nmero e.
El valor esperado y la varianza de una variable aleatoria X con distribucin
exponencial son:

EJEMPLO
Ejemplos para la distribucin exponencial es la distribucin de la longitud de los
intervalos de variable continua que transcuren entre la ocurrencia de dos
sucesos "raros", que se distribuyen segn la distribucin de Poisson.

CALCULAR LA VARIABLE ALEATORIA
Se pueden calcular una variable aleatoria de distribucin exponencial x por
medio de una variable aleatoria de distribucin uniforme u =U(0,1):

O, dado que (1 u) es tambin una variable aleatoria con distribucin U(0,1),
puede utilizarse la versin ms eficiente:

RELACIONES
La suma de k variables aleatorias independientes de distribucin exponencial
con parmetro es una variable aleatoria de distribucin gamma.


ACTIVIDADES
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.

2. Encuentra el espacio muestral del experimento lanzar dos monedas. Si
se define el suceso A =al menos una sea cara, de cuntos sucesos
elementales consta A?

3. Si A y B son dos sucesos del espacio muestral E, ste queda dividido en
cuatro partes. Haz un diagrama de Venn que recoja la situacin.

4. Hacer un diagrama de Venn en el caso de que A = sacar un dos ; B =
sacar par

5. Si consideramos el suceso A = sacar dos cruces, al lanzar dos monedas,
calcula el complementario de A, es decir A
c
.


EVALUACION
1. Dar dos ejemplos de experimentos aleatorios. Indica cules son sus
sucesos elementales.

2. Que son las variables aleatorias

3. Cul es la diferencia de la distribucin de variables continuas
y las discretas

4. Cuales son los diferentes tipos de distribucin de
probabilidades.
5. En que consiste el teorema de Chebischev


CAPUTULO IV

OBJETIVOS
Conocer los tipos de pruebas de hiptesis.
Saber y analizar las pruebas de hiptesis para su respectivo
entendimiento y aplicacin.
Ejemplificar la teora sobre pruebas de hiptesis

PRUEBAS DE HIPOTESIS

PRUEBA DE HIPOTESIS PARA MEDIA POBLACIONAL
El promedio aritmtico poblacional es un indicador muy importante, por lo tanto,
frecuentemente se desea probar si dicho promedio ha permanecido igual, ha
aumentado o ha disminudo. A travs de la prueba de hiptesis se determina si
la media poblacional es significativamente mayor o menor que algn valor
supuesto.
Hiptesis
Se puede plantear uno de los siguientes tres tipos de hiptesis:
- Prueba de hiptesis a dos colas
H
0
: = k
H
1
: k
- Prueba de hiptesis a una cola superior
H
0
: = k H
0
: k
H
1
: >k H
1
: > k
- Prueba de hiptesis a una cola inferior
H
0
: = k H
0
: k
H
1
: < k H
1
: < k
En las distribuciones en el muestreo se vi que para el caso de la media, hay
tres situaciones, por consiguiente la estadstica de trabajo a utilizar depende de
los supuestos de la poblacin y del tamao de la muestra.

PRUEBA DE HIPOTESIS PARA LA VARIANZA
Es frecuente que se desee comprobar si la variacin o dispersin de una
variable ha tenido alguna modificacin, lo cual se hace con la prueba de
hiptesis para la varianza.
Hiptesis
Se puede plantear uno de los siguientes tres tipos de hiptesis:
- Prueba de hiptesis a dos colas
H
0
: = k
H
1
: k
- Prueba de hiptesis a una cola superior
H
0
: = k H
0
: k
H
1
: > k H
1
: > k
- Prueba de hiptesis a una cola inferior
H
0
: = k H
1
: k
H
1
: < k H
1
: < k
En este caso se tienen dos situaciones, dependiendo de si se utiliza la varianza
muestral sin corregir o corregida.
Si se utiliza la varianza sin corregir ( ) la estadstica de trabajo es la
expresin (1.4):
(3.6)
Si se utiliza la varianza corregida, la estadstica de trabajo es la expresin
(1.5):
(3.7)


REGLA DE DECISION
- Si se ha planteado la hiptesis alternativa como:
H
1
: k se tiene una prueba de hiptesis a dos colas, por lo tanto, el nivel
de significancia ( ) se divide en dos partes iguales, quedando estos valores
en los extremos de la distribucin como se aprecia en la figura 3.8

Figura 3.8 Regla de decisin para una prueba de hiptesis a dos colas
y pertenecen a una distribucin X
2
con (n-1) grado de libertad. Si el
valor de la estadstica de trabajo (T) est entre y no se rechaza la
hiptesis nula, en caso contrario se rechaza H
0
lo cual implica aceptar H
1
. Es
decir, si < T < no se rechaza H
0.

H
1
: > k, se tiene una prueba de hiptesis a una cola superior, quedando el
nivel de significancia ( ) en la parte superior de la distribucin, vease figura
3.9

Figura 3.9 Regla de decisin para una prueba de hiptesis a una cola superior
Z
1-
pertenece a una distribucin X
2
con (n-1) grado de libertad. Si el valor de
la estadstica de trabajo (T) es menor que no se rechaza la hiptesis nula,
en caso contrario se rechaza H
0
1
. Es decir, si T
< no se rechaza H
0
.

H
1
: < k, se tiene una prueba de hiptesis a una cola inferior, quedando el
nivel de significancia ( ) en la parte inferior de la distribucin, vease figura
3.10

Figura 3.10 Regla de decisin para una prueba de hiptesis a una cola inferior
Z pertenece a una distribucin X
2
con (n-1) grado de libertad. Si el valor de la
estadstica de trabajo (T) es mayor que Z no se rechaza la hiptesis nula, en
caso contrario se rechaza H
0
1
. Es decir, si T >Z no
se rechaza H
0
.
EJEMPLO
Se supone que los dimetros de cierta marca de vlvulas estn distribudos
normalmente con una varianza poblacional de 0,2 pulgadas 2 , pero se cree
que ltimamente ha aumentado. Se toma una muestra aleatoria de vlvulas a
las que se les mide su dimetro, obtenindose los siguientes resultados en
pulgadas: 5,5 5,4 5,4 5,6 5,8 5,4 5,5 5,4 5,6 5,7
Con sta informacin pruebe si lo que se cree es cierto.
Solucin
Se cree que la varianza poblacional ha aumentado, es decir es superior a 0,2;
por lo tanto:
H
0
: = 0,2
H
1
: > 0,2
Para realizar esta prueba de hiptesis se utiliza la expresin 3.6


Asumiendo un nivel de confianza del 95 por ciento, en la tabla de la distribucin
chi-cuadrado con 9 grados de libertad, se obtiene un valor para Z de 16,919.
Como puede observarse en la figura 3.11, el valor de la estadstica de trabajo
se ubica en la zona de no rechazo de la hiptesis nula, por consiguiente con
una confiabilidad del 95 por ciento se puede afirmar que la varianza poblacional
no ha aumentado.

DISTRIBUCION JI CUADRADA
En estadstica, la distribucin (de Pearson), llamada Chi cuadrado o Ji
cuadrado, es una distribucin de probabilidad continua con un parmetro k que
representa los grados de libertad de la variable aleatoria

donde Z
i
son variables aleatorias normales independientes de media cero
y varianza uno. El que la variable aleatoria Xtenga esta distribucin se
representa habitualmente as: .
Es conveniente tener en cuenta que la letra griega se transcribe
al latn como chi
1
y se pronuncia en castellanocomo ji.
2

3

PROPIEDADES
Funcin de densidad
Su funcin de densidad es:

donde es la funcin gamma.


Funcin de distribucin acumulada
Su funcin de distribucin es

donde es la funcin gamma incompleta.
El valor esperado y la varianza de una variable aleatoria X con distribucin
son, respectivamente, k y 2k.
RELACION CON OTRAS DISTRIBUCIONES
La distribucin es un caso especial de la distribucin gamma. De
hecho, Como consecuencia, cuando k = 2, la distribucin
es una distribucin exponencial de media k = 2.
Cuando k es suficientemente grande, como consecuencia del teorema central
del lmite, puede aproximarse por una distribucin normal:

APLICACIONES
La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms
conocida es la de la denominada prueba utilizada como prueba de
independencia y como prueba de bondad de ajuste y en la estimacin de
varianzas. Pero tambin est involucrada en el problema de estimar la media
de una poblacin normalmente distribuida y en el problema de estimar la
pendiente de una recta de regresin lineal, a travs de su papel en
la distribucin t de Student.
Aparece tambin en todos los problemas de anlisis de varianza por su
relacin con la distribucin F de Snedecor, que es la distribucin del cociente
de dos variables aleatorias independientes con distribucin .


ACTIVIDADES

1. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote
contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de
que , a) los 4 exploten?, b) al menos 2 no exploten?

2. Cul es la probabilidad de que una mesera se rehse a servir bebidas
alcohlicas nicamente a dos menores de edad si verifica aleatoriamente solo 5
identificaciones de entre 9 estudiantes, de los cuales 4 no tienen la edad
suficiente?, b) Cal es la probabilidad de que como mximo 2 de las
identificaciones pertenezcan a menores de edad?

3. Se ha tomado una muestra aleatoria de 100 individuos a los que se ha medido el nivel
de glucosa en sangre, obtenidose una media muestral de 110 mg/cc. Se sabe que la
desviacin tpica de la poblacin es de 20 mg/cc.
a) Obtn un intervalo de confianza, al 90%, para el nivel de glucosa en sangre en la
poblacin
b) Qu error mximo se comete con la estimacin anterior?

4. Se sabe que el contenido de fructosa de cierto alimento sigue una distribucin normal,
cuya varianza es conocida, teniendo un valor de 0,25. Se desea estimar el valor de la
media poblacional mediante el valor de la media de una muestra, admitiendose un
error mximo de 0,2 con una confianza del 95%. Cul ha de ser el tamao de la
muestra?


EVALUACION

1. En qu consiste las pruebas de hiptesis

2. Cuantas pruebas de hiptesis existe:

3. Que es la prueba de hiptesis de varianza

4. Que es la hiptesis de la prueba Ji Cuadrada

Distribución de Probabilidades Discretas y Continuas

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Distribución de Probabilidades Discretas y Continuas

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD CENTRAL DEL ECUADOR Pgina 1

Potrebbero piacerti anche