Anda di halaman 1dari 12

VARIABLES ALEATORIAS DISCRETAS Y

CONTINUAS
VARIABLES ALEATORIAS DISCRETAS
1.-DISTRIBUCIN UNIFORME
La distribucin uniforme es la que corresponde a una variable que toma
todos sus valores, x1, x2... , xk, con igual probabilidad; el espacio muestral
debe ser finito.
Si la variable tiene k posibles valores, su funcin de probabilidad sera:

La media y la varianza de la variable uniforme se calculan por las


expresiones:

El histograma de la funcin toma el aspecto de un rectngulo, por


ello, a la distribucin uniforme se le suele llamar distribucin rectangular.

2.-DISTRIBUCIN BINOMIAL
La distribucin binomial es tpica de las variables que proceden de
un experimento que cumple las siguientes condiciones:
1)
El experimento est compuesto de n pruebas iguales, siendo n un
nmero natural fijo.
2)
Cada prueba resulta en un suceso que cumple las propiedades de la
variable binmica o de Bernouilli, es decir, slo existen dos posibles
resultados, mutuamente excluyentes, que se denominan generalmente
como xito y fracaso.

3)
La probabilidad del xito (o del fracaso) es constante en todas las
pruebas. P(xito) = p ; P(fracaso) = 1 - p = q
4)

Las pruebas son estadsticamente independientes,

La funcin de probabilidad de la variable binomial se representa como


b(x,n,p) siendo n el nmero de pruebas y p la probabilidad del xito. n y p
son los parmetros de la distribucin.

La manera ms fcil de calcular de valor de nmeros


combinatorios, como los incluidos en la expresin anterior, es utilizando
el tringulo de Tartaglia

La media y la varianza de la variable binomial se calculan como:


Media = = n p
Varianza = 2 = n p q
Grficamente el aspecto de la distribucin depende de que sea o no
simtrica Por ejemplo, el caso en que n = 4:

3.-DISTRIBUCIN MULTINOMIAL

La distribucin multinomial es esencialmente igual a la binomial con la nica


diferencia de que cada prueba tiene ms de dos posibles resultados
mutuamente excluyentes.
Si tenemos K resultados posibles (Ei , i = 1, ... , K) con probabilidades fijas
(pi , i = 1, ... , K), la variable que expresa el nmero de resultados de cada
tipo obtenidos en n pruebas independientes tiene distribucin multinomial.

La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc. se


representa como:

Los parmetros de la distribucin son p1,..., pK y n.

4.-DISTRIBUCIN HIPERGEOMTRICA
Una variable tiene distribucin hipergeomtrica si procede de un
experimento que cumple las siguientes condiciones:
1)
Se toma una muestra de tamao n, sin reemplazamiento, de un
conjunto finito de N objetos.
2)
K de los N objetos se pueden clasificar como xitos y N - K como
fracasos.
X cuenta el nmero de xitos obtenidos en la muestra. El espacio
muestral es el conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es
constante pues depende del resultado de las pruebas anteriores. Por tanto,
las pruebas no son independientes entre s.
La funcin de probabilidad de la variable hipergeomtrica es:

Los parmetros de la distribucin son n, N y K.


Los valores de la media y la varianza se calculan segn las ecuaciones:

Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito


variar muy poco de una prueba a otra, as pues, la variable, en este caso, es
esencialmente binomial; en esta situacin, N suele ser muy grande y los
nmeros combinatorios se vuelven prcticamente inmanejables, as pues, la
probabilidades se calculan ms cmodamente aproximando por las
ecuaciones de una binomial con p = K / N.
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la
de la variable antes de la aproximacin; sin embargo, la varianza de la
variable binomial es ligeramente superior a la de la hipergeomtrica.

el factor por el que difieren ser siempre menor que 1 y tan prximo a 1
como cierto sea que n << N.
El aspecto de la distribucin es bastante similar al de la binomial. Como
ejemplo, mostramos los casos anlogos a los de las binomiales del apartado
anterior (p inicial = 0,25 y n = 4)

5.-DISTRIBUCIN MULTIHIPERGEOMTRICA
Este variable se define igual que la hipergeomtrica con la nica
diferencia de que se supone que el conjunto de objetos sobre el que se
muestrea se divide en R grupos de A1, A2,..., AR objetos y la variable describe
el nmero de objetos de cada tipo que se han obtenido (x 1, x2,..., xR)

Esta situacin es anloga a la planteada en el caso de la distribucin


multinomial. La funcin de probabilidad es:

6.-DISTRIBUCIN DE POISSON
Una variable de tipo poisson cuenta xitos (es decir, objetos de un
tipo determinado) que ocurren en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
El nmero de xitos que ocurren en cada regin del tiempo o del espacio es
independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto
del anterior.
La probabilidad de un xito en un tiempo o espacio pequeo es
proporcional al tamao de este y no depende de lo que ocurra fuera de l.
La probabilidad de encontrar uno o ms xitos en una regin del tiempo o
del espacio tiende a cero a medida que se reducen las dimensiones de la
regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas
son variables en las que se cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:

El parmetro de la distribucin es que es igual a la media y a la varianza


de la variable.

Esta caracterstica puede servirnos para identificar a una variable Poisson


en casos en que se presenten serias dificultades para verificar los
postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende
la distribucin binomial cuando n tiende a
y p tiende a 0, siendo np

constante (y menor que 7); en esta situacin sera difcil calcular


probabilidades en una variable binomial y, por tanto, se utiliza una
aproximacin a travs de una variable Poisson con media l = n p.
La varianza de la variable aproximada es ligeramente superior a la de la
variable binomial.

Las variables Poisson cumplen la propiedad de que la suma de variables


Poisson independientes es otra Poisson con media igual a la suma las
medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la
media. Como ejemplo, mostramos tres casos con = 0,5 (arriba a la
izquierda), = 1,5 (arriba a la derecha) y = 5 (abajo) Obsrvese que la
asimetra de la distribucin disminuye al crecer y que, en paralelo, la
grfica empieza a tener un aspecto acampanado.

VARIABLES ALEATORIAS CONTINUAS


1.-DISTRIBUCIN NORMAL O DE GAUSS

La distribucin normal fue definida por De Moivre en 1733 y es la


distribucin de mayor importancia en el campo de la estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es
decir, cuando sus valores son el resultado de medir reiteradamente una
magnitud sobre la que influyen infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de
campana a la que se llama campana de Gauss.
Su funcin de densidad es la siguiente:

Los parmetros de la distribucin son la media y la desviacin tpica, y ,


respectivamente. Como consecuencia, en una variable normal, media y
desviacin tpica no deben estar correlacionadas en ningn caso (como
desgraciadamente ocurre en la inmensa mayora de las variables aleatorias
reales que se asemejan a la normal.
La curva normal cumple las siguientes propiedades:
1)

El mximo de la curva coincide con la media.

2)

Es perfectamente simtrica respecto a la media (g 1 = 0).

3)
La curva tiene dos puntos de inflexin situados a una desviacin tpica
de la media. Es convexa entre ambos puntos de inflexin y cncava en
ambas colas.

4)

Sus colas son asintticas al eje X.

Para calcular probabilidades en intervalos de valores de la variable,


habra que integrar la funcin de densidad entre los extremos del intervalo.
por desgracia (o por suerte), la funcin de densidad normal no tiene
primitiva, es decir, no se puede integrar. Por ello la nica solucin es
referirse a tablas de la funcin de distribucin de la variable (calculadas por
integracin numrica) Estas tablas tendran que ser de triple entrada (, ,
valor) y el asunto tendra una complejidad enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede
establecer una correspondencia de sus valores con los de otra variable con
distribucin normal, media 0 y varianza 1, a la que se llama variable normal
tipificada o Z. La equivalencia entre ambas variables se obtiene mediante la
ecuacin:

La funcin de distribucin de la variable normal tipificada est tabulada y,


simplemente, consultando en las tablas se pueden calcular probabilidades
en cualquier intervalo que nos interese.
De forma anloga a lo pasaba con las variables Poisson, la suma de
variables normales independientes es otra normal.

Histograma de una normal


idealizada

Histograma de una muestra de una


variable normal

2.-DISTRIBUCIN GAMMA ()
La distribucin gamma se define a partir de la funcin gamma, cuya
ecuacin es:

La funcin de densidad de la distribucin gamma es:

y son los parmetros de la distribucin.


La media y la varianza de la variable gamma son:

3.-DISTRIBUCIN EXPONENCIAL
Es un caso particular de la distribucin gamma cuando = 1. Su
funcin de densidad es:

Su parmetro es .
La media y la varianza de la distribucin exponencial son:

4.-DISTRIBUCIN CHI-CUADRADO (C2)


Es otro caso particular de la distribucin gamma para el caso = 2 y = n
/ 2, siendo n un nmero natural.
Su funcin de densidad es:

El parmetro de la distribucin c2 es n y su media y su varianza son,


respectivamente:

Otra forma de definir la distribucin c2 es la siguiente: Supongamos que


tenemos n variables aleatorias normales independientes, X 1,..., Xn, con
media i y varianza

(i = 1 ... n), la variable definida como

tiene distribucin c2 con n grados de libertad y se le denomina c2n.

Variables chi-cuadrado con valores de

progresivamente

mayores son cada vez menos asimtricas.

5.-DISTRIBUCIN T DE STUDENT
Supongamos dos variables aleatorias independientes, una normal
tipificada, Z , y otra con distribucin c2 con n grados de libertad, la variable
definida segn la ecuacin:

Tiene distribucin t con n grados de libertad.


La funcin de densidad de la distribucin t es:

El parmetro de la distribucin t es n, su nmero de grados de libertad.


Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan
asintticamente al eje X. Es similar a la distribucin Z salvo que es
platicrtica y, por tanto, ms aplanada.
Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden
considerar prcticamente iguales para valores de n mayores o iguales que
30..

6.-DISTRIBUCIN F DE SNEDECOR
Sean U y V dos variables aleatorias independientes con
distribucin c2 con n1 y n2 grados de libertad, respectivamente. La variable
definida segn la ecuacin:

tiene distribucin F con n1, n2 grados de libertad.


La funcin de densidad de la distribucin F es:

Los parmetros de la variable F son sus grados de libertad n1 y n2.


Las distribuciones F tienen una propiedad que se utiliza en la construccin
de tablas que es la siguiente:
Llamemos fa,n1,n2 al valor de una distribucin F con n1 y n2 grados de
libertad que cumple la condicin, P(F > fa,n1,n2) = ; llamemos f1-a,n1,n2 al valor
de una distribucin F con n1 y n2 grados de libertad que cumple la condicin,
P(F > f1-a,n1,n2) = 1- . Ambos valores estn relacionados de modo que uno es
el inverso del otro.