CAPÍÍTULO 5: VARÍABLES ALEATORÍAS

I. Definición
Llamamos variable aleatoria a una funcioó n que asigna a cada elemento del espacio muestral un Vector perteneciente a un
Espacio Vectorial

II. Variables aleatorias unidimensionales

Es unidimensional cuando a cada elemento del espacio muestral se asigna un escalar perteneciente al conjunto de
nuó meros reales
Llamamos recorrido de una variable aleatoria unidimensional al conjunto formado por los nuó meros reales que se le
puede asignar a la variable
Ejemplo: proceso de control de llenado de paq. De caramelos, peso expresado en kg. Se realiza el pesaje de un paq
tomado al azar con un instrumento que provee datos en gramos. El resultado fue 1900 gramos.
a. Defina el experimento aleatorio: mediante el uso de alguó n meó todo que garantice el aza, se toma y pesa un paq.
b. Espacio muestral: conjunto de posibles lecturas del instrumento de medicioó n que se usa, al ser una medicioó n
cuantitativa el resultado es un nuó mero real positivo. U={u/u>0 ^ u∈R}
c. Valor individual del espacio muestral correspondiente a la rta: u: elemento individual de la medicioó n 1900
d. Variable aleatoria: X:Peso neto en kg
e. Recorrido de la variable aleatoria: R(X) → todos los posibles nuó meros reales positivos x(u) R(X):{x/x>0^x∈R}
f. Valor individual de la variable aleatoria asignado al valor individual del espacio muestral: x(u)=1.9
Para simbolizar una variable aleatoria usamos mayuó sculas X, Y, Z etc. Pero para referirnos a un valor particular de cada
variable usamos minuó sculas
1)Variable aleatoria discreta unidimensional: variable aleatoria cuyo recorrido es finito o infinito
numerable
Ejemplo: control de calidad, se inspeccionan rollos con 500m de tela y registro la cant de fallas de fabricacioó n de c/u
a) Ídentificar variable → X: Var aleatoria que representa la cant de fallas de fabricacioó n en 500m de tela. Posibles
valores son todos los reales maó s el cero. 0, 1, 2, 3…
b) Recorrido de variable → R(X)={X/X≥0 ^X∈N0}
c) Clasificar variable → recorrido infinito numerable (no puedo establecer tope a la cant de fallas).
1.1. Distribución de probabilidad univariada
A. FUNCION DE PROBABILIDAD PUNTUAL o modelo matemaó tico a una funcioó n que asigna a cada valor del recorrido
de la variable, un nuó mero real no negativo, llamado probabilidad puntual, tal que la suma de todos los valores, a
traveó s del recorrido de la variable, debe ser igual a la unidad.
Debe cumplir dos condiciones:
 NO NEGATÍVÍDAD: el num asignado por la funcioó n al i-esimo valor de variable discreta debe ser no negativo.
p(xi)≥0 ∀i ∈ R(X)
 CÍERRE: la suma de todos los nuó meros reales asignados por la funcioó n a cada valor de variable debe ser 1
A c/ num p(xi) se lo denomina probabilidad puntual porque es la probabilidad de que la variable X asuma exactamente el
valor xi p(xi)= P(X=xi)
El conjunto de pares ordenados [xi;p(xi)] forma una distribucioó n de probabilidad puntual
Proposicioó n: una variable discreta, X, queda estrictamente definida cuando se establece su funcioó n de probabilidad
puntual. La funcioó n de probabilidad puntual puede ser graficada utilizando las coordenadas ortogonales, donde los
valores de la variable se ubican en el eje de abscisas y los correspondientes valores puntual, en el eje de ordenadas.
(Grafico de Bastones)
B. FUNCION DE DISTRUBUCIÓN funcioó n que asigna a cada valor del recorrido un nuó mero real que representa la suma
de todas las probabilidades puntuales, desde el primero hasta el valor en cuestioó n.
A cada F(xk) se denomina probabilidad acumulada hasta el valor xk, representa la probabilidad de que la variable tome
un valor menor o igual a xk. F(xk)=P(X≤xk)
El conjunto de pares ordenados {Xi; F(Xi)}, para todo i, se llama funcioó n de distribucioó n de probabilidad. Es la
distribucioó n acumulada hasta un valor de la variable, o simplemente distribucioó n acumulada
C. FUNCION DE DISTRIBUCION COMPLEMENTARIA funcioó n que asigna a cada valor del recorrido un nuó mero real que
representa la suma de todas las probabilidades puntuales, desde el valor en cuestioó n hasta el uó ltimo.
Cada G(xk) se denomina probabilidad acumulada desde el valor xk y representa la probabilidad de que la variable tome
un valor mayor o igual al nuó mero xk. G(xk)=P(X≥xk)
El conjunto de pares ordenados {Xi; G(Xi)}, para todo i, se llama funcioó n de distribucioó n complementaria de
probabilidad. Es la distribucioó n acumulada desde un valor de la variable, o simplemente Distribucioó n desacumulada
D. RELACIÓN ENTRE LAS FUNCIONES DE DISTRIBUCIÓN
La suma entre el valor de la funcioó n de distribucioó n correspondiente a un valor de la variable y el valor de la funcioó n de
distribucioó n complementaria correspondiente al siguiente valor de la variable es siempre igual a uno.
E. PERCENTILES DE VARIABLES ALEATORIAS DISCRETAS
Percentil de orden K (O≤k≤100 / k€R) de una variable aleatoria discreta a un valor xk, tal que, hasta el valor de variable
inmediato anterior, se acumule, a lo sumo, una probabilidad igual a k/100 y, desde el valor de variable inmediato
posterior se acumule, a lo sumo, una probabilidad igual a [1-(K/100)]
2)Variables aleatorias continuas unidimensionales: variable con recorrido infinito no numerable, tiene
que existir una funcioó n real que en un intervalo de nuó meros reales cumpla con la no negatividad y cubra una
superficie de 1
Sea X: variable continua con recorrido R(X) ⊆ R; f(x): funcioó n real de la variable X ; [a,b]⊆R
b
Si existe f(x) de modo tal que f(x)≥0 en a≤X≤b ^ ∫ f ( x ) dx=1 entonces X es variable aleatoria continua en [a,b]
a

ÍÍ.1. Distribucioó n de probabilidad univariada

A. FUNCION DE DENSIDAD DE PROBABILIDAD → explica el comporta// probabilíóstico de la variable
Funcioó n real que cumpla con la condicioó n de no negatividad y de cierre. Definimos una variable aleatoria continua
cuando conocemos su funcioó n de densidad de probabilidad. Esta estaó definida uó nicamente en el recorrido de una
variable aleatoria [a,b], fuera de este es NULA
Sea g(x):una funcioó n real de la variable aleatoria X; [a,b] un intervalo de nuó meros reales incluidos en el dominio de g(x)
b
si se cumple que g(x)≥0 en a≤X≤b ^ ∫ g ( x ) dx =1 entonces la funcioó n de densidad de probabilidad f(x) se define:
a

f(x)=g(x)
f(x)=0

simboó licamente: x~f(x) en a≤X≤b y se lee “la variable aleatoria continua en X tiene distribucioó n f(x) en el intervalo [a,b]”
podemos calcular la probabilidad de ocurrencia de los valores de una variable aleatoria continua teniendo en cuenta:
 Dados dos valores de la variable continua X, x1<x2 pertenecientes a [a,b] la probabilidad de encontrar un valor
de variable entre ellos se da por la superficie que encierra entre dichos puntos.
x2

P(x1<X<x2)= ∫ f ( x ) dx
x1

 La probabilidad de que la variable X tome un valor individual x3 es nula. En un pto no hay superficie
 x3

P(X=x3)= ∫ f ( x ) dx=0
x3

B. FUNCION DE DISTRIBUCION
Modelo matemaó tico o funcioó n no decreciente que asigna a cada valor de la variable aleatoria un valor de probabilidad
acumulada desde el líómite inferior del recorrido hasta ese valor.
Sea X: variable continua en [a,b]⊆R y f(x): funcioó n de densidad de probabilidad de la variable X
x
Entonces la funcioó n de distribucioó n es: P(X≤x)=F(X=x)= ∫ f ( x ) dx
a

Conociendo la ecuacioó n de la funcioó n de distribucioó n no se necesita realizar la integracioó n cada vez que se quiera calcular
la probabilidad de encontrar un valor de variable dentro de un intervalo. Este valor se puede encontrar haciendo la
diferencia entre el valor de la funcioó n de distribucioó n (lim superior) y el valor de la funcioó n de distribucioó n (lim inferior)
Sea: X:variable continua definida en [a,b]⊆R, F(X=x) funcioó n de distribucioó n de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de variable menor o igual a x1 es: P(X≤x1)=F(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=F(X=x2)-F(X=x1)
La probabilidad de encontrar un valor de variable mayor o igual a x2: P(X≥x2)=F(X=b)-F(X=x2) → 1-F(X=x2)
C. FUNCION DE DISTRIBUCION COMPLEMENTARIA
G(x) modelo matemaó tico o funcioó n no creciente que asigna a c/ valor de la variable aleatoria un valor de probabilidad
acumulada desde un valor de la variable hasta el líómite superior del recorrido
Sea X: variable continua definida en [a,b]⊆R y f(x): funcioó n de densidad de probabilidad de la variable X. entonces, la
b
funcioó n de distribucioó n complementaria es: P(X≥x)=G(X=x)= ∫ f ( x ) dx
x

Sea: X:variable continua definida en [a,b]⊆R, G(X=x) funcioó n de distribucioó n de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de la variable mayor o igual a x1 es: P(X≥x1)=G(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=G(X=x1)-G(X=x2)
La probabilidad de encontrar un valor de variable menor o igual a x2: P(X≤x2)=G(X=a)-G(X=x2) → 1-G(X=x2)
D. RELACION ENTRE LAS FUNCIONES DE DISTRIBUCION
La suma entre el valor de la funcioó n de distribucioó n correspondiente a un valor de la variable y el valor de la funcioó n de
distribucioó n complementaria correspondiente a dicho valor de la variable es igual a uno.
E. PERCENTILES DE VARIABLES ALEATORIAS CONTINUAS
Percentil de orden k (O<k<100 / k€R) de una variable aleatoria continua al valor de la variable xk, donde se acumule,
una probabilidad igual a k/100.
Es posible obtener una funcioó n de proporciones lo percentiles (o fractiles) buscando la inversa de la funcioó n de
distribucioó n. Esta funcioó n recibe el nombre de Funcioó n percentilar.
3) Momentos teóricos. Valor esperado o esperanza matemaó tica de una funcioó n de la variable
Una funcioó n de probabilidad o una funcioó n de densidad de probabilidad, por ser Modelos Matemaó ticos, son Modelos
Teoó ricos. Con estas funciones se puede predecir el comportamiento probabilíóstico de las variables aleatorias. Permiten
calcular valores teoó ricos relacionados con dichas variables. Valores que se esperan, en promedio, si el experimento
aleatorio se desarrolla bajo las mismas condiciones.
MTX=E[g(X)]
  Momento o esperanza matemática de una función generada con una variable aleatoria discreta: suma del
producto de cada valor numeó rico de la funcioó n por el correspondiente valor de probabilidad puntual, a traveó s del
recorrido de la variable
X:Variable aleatoria discreta
p(X): funcioó n de probabilidad
g(X): funcioó n real generada por la variable aleatoria discreta
E[g(X)]: esperanza matemaó tica de la funcioó n g(X)
∞
Entonces: E [ g ( X ) ] =∑ g ( x i ) · p(x i )
i=1

 Esperanza matemaó tica de una funcioó n generada con una variable aleatoria continua, integral a traveó s del
recorrido de la variable, del producto de la funcioó n dada por la funcioó n de densidad de probabilidad de la
variable
X:Variable aleatoria continua en [a,b]
f(X): funcioó n de densidad de probabilidad de X
g(X): funcioó n real generada por la variable aleatoria continua
E[g(X)]: esperanza matemaó tica de la funcioó n
b
Entonces: E [ g ( x ) ] =∫ g ( x ) · f ( x ) dX
a

4) Momentos particulares.
4.1. Momentos absolutos (μk) → esperanza matemaó tica de la potencia K-esima de la variable aleatoria. La variable
aleatoria estaó medida desde el origen natural (0)
El momento absoluto de orden 1 es el promedio o media aritmeó tica esperada de la variable aleatoria. La interpretacioó n
del promedio esperado o media aritmeó tica esperada es el valor que se espera obtener, en promedio, si el experimento es
repetido bajo las mismas condiciones, una cantidad muy grande de veces
a) Caó lculo de los momentos absolutos de las variables discretas
X: variable aleatoria discreta; p(x): probabilidad; k: orden del momento
∞ ∞
La esperanza es: E [ g ( x ) ] =∑ g ( xi ) · p ( x i) si g(x)=Xk → μk=E(x)= ∑ g ( x i ) · p(x i )
i=1 i=1

b) Caó lculo de los momentos absolutos de las variables continuas

X: variable aleatoria continua en el intervalo [a,b]⊆R ; f(x): Funcioó n de densidad de probabilidad de X k:orden del mom.
b
Por definicioó n: E [ g ( x ) ] =∫ g ( x ) · f (x) dx si g(x)=Xk
a

4.2. Momentos centrados

El origen de una variable puede ser trasladado desde el origen natural (0) hasta cualquier otro nuó mero real c. Si c es la
media aritmeó tica esperada (μ), se dice que la variable aleatoria estaó centrada en la media aritmeó tica esperada.
Entonces, es la esperanza matemaó tica de la potencia k-esima de la desviacioó n de la variable aleatoria con respecto a la
media aritmeó tica esperada.
Sea X: variable aleatoria; k: orden del momento; μx: media aritmeó tica esperada de X; μCk: momento centrado de orden K
Entonces, μCk= E(X- μx)k → la variable aleatoria estaó centrada en el valor esperado de la variable. El origen, μx
El momento centrado de orden 2 → varianza esperada: V(x)=σ2x= E(X- μx)2
a) Caó lculo de los momentos centrados de las variables discretas
X: variable aleatoria discreta; p(x): funcioó n probabilidad; μx:media esperada de la variable aleatoria; k:orden del mom.
∞
La esperanza matemaó tica: E [ g ( x ) ] =∑ g ( xi ) · p ( x i) si g(x)=(X- μx)k
i=1

∞
Entonces, el momento centrado de orden K es: μCk= E(X- μx) = k
∑ ( x i−μx )k · p (xi )
i=1

x−μx
¿
La varianza esperada de una variable aleatoria es: ¿
σ 2x =E ¿
b) Caó lculo de los momentos centrados de las variables continuas
X: variable aleatoria continua; f(x): funcioó n de densidad de probabilidad; μx:media esperada de la variable aleatoria
b
La esperanza matemaó tica: E [ g ( x ) ] =∫ g ( x ) · f ( x)dx si g(x)= (X- μx)k
a

b
El momento centrado de la variable aleatoria es: μCk=E(X- μx)k = ∫ ( x−μx )2 · f ( x)dx
a

x−μx
¿
La varianza esperada de una continua es: ¿
2
σ x =E ¿
4.4. Función generatriz de momentos
Sea X una variable aleatoria y t una variable real, no aleatoria, se llama funcioó n generatriz de momentos de la variable X,
a la esperanza matemaó tica de la potencia X.t del nuó mero e.
X: variable aleatoria; t: variable real; Mx(t)= funcioó n generatriz de momentos de la variable x. Mx(t)=E(e xt)
 Es uó nica y determina la distribucioó n de probabilidad de una variable aleatoria. Si dos variables tienen la misma
funcioó n generatriz de momentos, tienen la misma distribucioó n de probabilidad
 El momento absoluto de orden k se obtiene derivando la k-eó sima de la funcioó n generatriz de momentos, respecto
a t y valorizando en el origen (t=0)
k
d M x (t)
μk =
dt
a) Funcioó n generatriz de momentos para variables discretas
∞ ∞
Esperanza→ E [ g ( x ) ] = ∑ g ( xi ) · p (x i) si g(x)=ext → Mx ( t )=E ( e ) =
xt
∑ e xt · p( xi)
i=1 i=1

b) Funcioó n generatriz de momentos para variables continuas

b b
xt xt
Esperanza→ E [ g ( x ) ] =∫ g ( x ) · f (x)dx si g(x)= ext → Mx ( t )=E ( e )=∫ e · f ( x )dx
a a

4.5. Fórmulas de trabajo para el cálculo de la varianza

a. Fórmula para variable discreta
x: variable aleatoria discreta; p(x): funcioó n probabilidad; μx: valor esperado de la variable aleatoria
∞ ∞
dada la definicioó n de varianza:
2
σx = ∑ ( x i−μx )2 · p(x i ) se tiene
2
σx = ∑ xi2 · p ( x i )−μ x 2
i=1 i=1
b. fórmula para variable continua
x: variable aleatoria continua definida en [a,b]; f(x):funcioó n de densidad de probabilidad de x; μx: esperanza matemaó tica
b b
2
dada la definicioó n de varianza: σ 2
x = ∫ ( x−μx ) · f ( x)dx se tiene σ 2
x = ∫ x 2 · f ( x ) dx−μx 2
a a

5) Otras medidas que resumen información

1. Desvío estándar o desvío típico →raíóz cuadrada positiva de la varianza esperada. σx=√ V ( X )

√∑
∞
2
Para variable aleatoria discreta: σ= ( x i−μx ) · p ( x i)
i=1

√∫
b
Para variable aleatoria continua: σ= ( x −μx )2 · f ( x ) dx
a

2. Coeficiente de variación → cociente entre el desvíóo estaó ndar y el promedio o media aritmeó tica esperada
CV(x)=σ/μ
3. Mediana → como cap 3
a- De una variable aleatoria discreta: valor tal que, hasta el valor de variable inmediato anterior, se acumule, a lo
sumo, una probabilidad de 0,50 y desde el valor de variable inmediato posterior se acumule, a lo sumo, una
probabilidad de 0,50.
b- De una variable aleatoria continua: valor de la variable hasta donde se acumula una probabilidad exactamente
igual a 0,50
4. Modo
a- De una variable aleatoria discreta: valor de la variable maó s probable, o de maó xima probabilidad, dentro de un
entorno de dicho valor. Si todos los valores de una variable aleatoria discreta tienen igual valor de probabilidad
puntual entonces no existe modo.
b- De una variable aleatoria continua: valor de la variable con el que la funcioó n de densidad de probabilidad alcanza
un maó ximo relativo.
5. Coeficiente de asimetría
 Funcioó n de probabilidad: Una distribucioó n de probabilidad de una variable discreta es simeó trica, si las
probabilidades puntuales correspondientes a valores de la variable que equidistan de la media aritmeó tica
esperada son iguales
 Funcioó n de densidad de probabilidad: Una distribucioó n de probabilidad de una variable continua es simeó trica, si
las imaó genes de la funcioó n de densidad de probabilidad correspondientes a valores de la variable que equidisten
de la media aritmeó tica esperada son iguales.
mc 3
Si no es simetrica→asimeó trica. Para medir el grado y direccioó n usamos el coeficiente de asimetríóa. As ( x )=
σ3
As=0 ← simeó trica As >0 ← asimeó trica a la derecha As<0 ← asimeó trica a la izquierda
6. Coeficiente de curtosis →relacioó n entre amplitud total y maó xima ordenada. K=(μc4/σ 4)-3
b
∞ ∫ f ( x ) dx
Por condicioó n de cierre, la probabilidad total debe ser 1 [ ∑ p ( xi )=1 a
=1 ]
i=1

La medicioó n se refiere al comparar curtosis de una distribucioó n con otro de otra como referencia.
Mesocuó rtico: apuntamiento medio Leptocuó rticas: maó s “puntudas” que la referencia Platocuó rticas: menos “puntudas”
En toda distribucioó n simeó trica unimodal, coincide media aritmeó tica, moda y mediana. No es recíóproco
6) Propiedades del promedio y la varianza
Í. El promedio esperado de una constante es la constante misma y la varianza esperada de una constante es nula.
Sea C=constante no nula, E(C)=C ^ Var(c)=0
ÍÍ. El promedio esperado de la suma de una constante maó s una variable, es igual a la constante maó s el promedio
esperado de la variable. E(c+v)=E(c)+E(v) → c+E(v)
varianza de la suma de una constante + una variable es igual a la varianza de la variable. V(c+v)=V(c)+V(v)=V(v)
ÍÍÍ. La esperanza matemaó tica o promedio del producto de una constante por una variable, es igual al producto entre
la constante y la esperanza matemaó tica o promedio de la variable. E(c·v)=E(c)·E(v) → C·E(v)
la varianza del producto de una constante por una variable es igual al producto entre el cuadrado de la
constante y la varianza de la variable. V(c·v)=c2V(v)
ÍV. Recta afíón
y=mx+b
por aplicacioó n de las propiedades vistas, tenemos: E(Y)=m.E(x)+b y V(Y)=m2.V(x)

8) Variable estandarizada → Se llama variable estandarizada de una variable aleatoria, discreta o continua, a la
variable que se genera haciendo el cociente entre, la diferencia entre la variable original y su esperanza matemaó tica, y la
X−μ
raíóz cuadrada positiva de la varianza Z=
σ
Toda variable aleatoria estandarizada, tiene esperanza igual a cero y varianza igual a uno, cualquiera sea la naturaleza de
la variable original que se estaó estandarizando.
Aplicaciones de la variable estandarizada: transformar los valores de la variable expresados en unidades de la magnitud
original, a valores en unidades de desvio estaó ndar. Índica a cuaó ntos desvíóos estaó ndares y queó posicioó n se encuentra el
valor observado de variable respecto a su media
CAPÍÍTULO 6: Leyes de probabilidad especíóficas
Í. Variables aleatorias discretas.
 Experimento aleatorio dicotoó mico: Aquel experimento aleatorio cuyo espacio muestral tiene solo dos resultados
posibles mutuamente excluyentes.
 Permutaciones: Dado un conjunto formado por n elementos, se llama permutacioó n de n a cualquier arreglo ordenado
de los n elementos. La cantidad de permutaciones que se pueden formar ordenando los n elementos de distinta
manera se calcula con un nuó mero llamado factorial de n. (n!) →Pn=n!
 Espacio continuo: Es un recinto de infinitos puntos donde en cualquiera de ellos es posible encontrar un elemento.
Son las magnitudes (longitud; superficie; tiempo)
1. Distribucioó n de Bernoulli
proporciona valores de probabilidad a una variable aleatoria discreta que denota la presencia o ausencia de un
determinado atributo. Si el atributo no se presenta, se asigna a la variable el valor cero; si el atributo se presenta se
asigna a la variable el valor uno.
La cantidad de elementos con un determinado atributo que se presenta en una observacioó n de un experimento aleatorio
dicotoó mico es una variable aleatoria discreta, r, cuya funcioó n de probabilidad es llamada distribucioó n de Bernoulli.
l
Cumple condicioó n de cierre ∑ p( r)=1
r =0

1−p
¿
¿
¿(1−r )
La esperanza matemaó tica de “r” es E(r)=
r· p r ¿
l

∑¿
r =0

r
1− p ¿ = p(1− p)
r− p ¿2 · pr · ¿
La varianza: V(r)= ¿
l

∑¿
r=0

2. Repeticioó n de un experimento aleatorio dicotoó mico: Cada vez que el experimento aleatorio dicotoó mico se repite,
los elementos que tengan el atributo que se estaó considerando pueden presentarse o no, es aleatorio, entonces,
en las n repeticiones del experimento, habraó algunos elementos que tengan el atributo, o puede ser que ninguno
tenga el atributo, o todos tengan el atributo.
3. Distribucioó n hipergeomeó trica
[Conozco el universo y tamanñ o, conozco el total del atributo.]
 Dicotoó micas
 Universo finito
 Sin reposicioó n
 Observaciones dependientes
Paraó metros matemaó ticos: n (muestra), N(universo) R(elem con el atributo)
Paraó metros estadíósticos:
 E(x)=n·(R/N)
 N −n R N-R N-n
 Var(x)=n·p·q ( ) = n
n−1 N N N-1
4. Distribucioó n binomial → busco r
 Universo infinito
 Observaciones independientes
 Con reposicioó n
 Dicotoó micas
Paraó metros matemaó ticos: n(muestra), p(probabilidad de ocurrencia del atributo), q [(1-p)→complemento]
Paraó metros estadíósticos:
 E(x)=n·p
 Var(x)=n·p·q
 Desvíóo estaó ndar: S ( x ) =√Var ( x )
S (X )
 Coeficiente de variacioó n: CV(x)=
E (X )

5. Distribucioó n pascal
[tener que] →busco n
 Dicotoó mica
 Universo infinito
 Con reposicioó n
 Observaciones independientes
Paraó metros matemaó ticos: r(atributo), p(prob de que se presente un elemento con determinado atributo)
Paraó metros estadíósticos:
 E(x)=r/p
r·q
 V(x)=
p2
Aproximaciones de Pascal a binomial

6. Distribucioó n de Poisson →discreta/continua

 No dicotoó mica
  Universo infinito
Paraó metros matemaó ticos: λ=b·t
b=promedio de presentacioó n del elemento discreto sobre el continuo
t=extensioó n del continuo

Paraó metros estadíósticos:

 E(x)=λ
 Var(x)=λ
 S(x)= √λ
S (x)
 CV(x)=
E (x)

Distribucioó n Cuando Aproximo a Paraó metros

HÍPERGEOMEÍ TRÍCA N→ ∞ (N>50) Binomial n p=R/N
BÍNOMÍAL N→ ∞ (n>20) Poisson p≤0.05 ⌄ p≥0.95 λ=n·p
Normal p>0.05 ⌄ p<0.95 σ =√ npq μ=np
POÍSSON λ → ∞ (λ>20) Normal μ=λ σ= √ λ