UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE

CARRERA DE INGENIERÍA AGROPECUARIA

Santo Domingo
RESUMEN BIBLIOGRAFICO

Asignatura:
Estadística

Estudiante:
Espinoza Vélez Edison Ricardo

Docente:
Ing. Gissela Mantilla

Fecha:
03/07/2017

Periodo:
Abril 2017 - agosto 2017

SANTO DOMINGO ECUADOR

2017
I. TEMA
Variables aleatorias discretas y continuas
II. INTRODUCCIÓN
Una variable es una derivada del término en latín variabilis, variable es una palabra que
representa a aquello que varía o que está sujeto a algún tipo de cambio. Se trata de algo que
se caracteriza por ser inestable, inconstante y mudable. En otras palabras, una variable es un
símbolo que permite identificar a un elemento no especificado dentro de un determinado
grupo. Este conjunto suele ser definido como el conjunto universal de la variable (universo
de la variable, en otras ocasiones), y cada pieza incluida en él constituye un valor de la
variable. (Rienzo, 2012).

TIPOS DE VARIABLES ALEATORIAS

Las variables aleatorias se clasifican en discretas y continuas:

DISCRETA: La variable aleatoria X se dice que es discreta si los números asignados a los
sucesos elementales de E son puntos aislados. Sus posibles valores constituyen un conjunto
finito o infinito numerable. Por ejemplo, supongamos el experimento consistente en lanzar
tres veces una moneda no trucada; si consideramos la variable aleatoria X=”número de caras
obtenidas en los tres lanzamientos”, los valores que puede tomar esta variable aleatoria son
finitos (0,1,2,3).

CONTINUA: La variable aleatoria X será continua si los valores asignados pueden ser
cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor de R. Por
ejemplo, si consideramos el experimento aleatoria consistente en medir el nivel de agua en
un embalse y tomamos la variable aleatoria X=”nivel de agua”, esta puede tomar valores
entre 0 y más infinito.

III. MARCO TEÓRICO

Una variable aleatoria es discreta si toma un numero finito o a lo más numerable de valores:

En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el conjunto de

los valores posibles de que asocia la probabilidad P[X=𝒙𝒌 ] al singleton {𝒙𝒌 }.
En la práctica el conjunto de los valores que puede tomar es o una parte de .

Determinar la ley de una variable aleatoria discreta es:

1. Determinar el conjunto de los valores que puede tomar .

2. Calcular P[X=𝒙𝒌 ] para cada uno de estos valores 𝒙𝒌 ] .

Distribución de probabilidad discreta Sea un espacio probabilístico y sea X una variable

aleatoria discreta que toma como posibles valores x1,x2,.....xn, se define la distribución de
probabilidad de X como el conjunto de pares (xi, pi) que a cada valor de la variable le asocia
una probabilidad, donde pi= P(X=xi), tal que la suma de todas las probabilidades es igual a
la unidad. Del ejemplo realizado anteriormente se desprende que la distribución de
probabilidad viene dada por: (0,1/8); (1,3/8); (2,3/8); (3,1/8). 4.2 (Montero, 2013).
Distribución de probabilidad continua Si la variable aleatoria es continua, hay infinitos
valores posibles de la variable y entra cada dos de ellos se podrían definir infinitos valores.
En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable
como se puede hacer en el caso de las variables discretas. Pero sí es posible calcular la
probabilidad acumulada hasta un cierto valor (función de distribución) y cómo cambia esa
probabilidad acumulada en cada punto (densidad de probabilidad). Por tanto, cuando la
variable aleatoria sea continua hablaremos de función de densidad. Sea X una variable
aleatoria continua, se llama función de densidad y se representa como f(x) a una función no
negativa definida sobre la recta real, tal que para cualquier intervalo que estudiemos se
verifica: 𝛢∀ ( ) ( )𝑑𝑥𝑥𝑓 ∫ = 𝛢 ∈ 𝛸𝛲 (Montero, 2013).
3.1.1. ESPERANZA MATEMATICA VARIABLES ALEATORIAS DISCRETA
La definición matemática de la esperanza en el caso de las variables aleatorias discretas se
corresponde directamente con las interpretaciones proporcionadas en el párrafo anterior.
Efectivamente, supuesta una variable aleatoria discreta X con recorrido {x1, x2, ..., xk, ...} y
con función de densidad f(x), se define la esperanza matemática de X como el valor

𝐸 (𝑋) = 𝜇 = ∑ 𝑥! 𝑓(𝑥! )
𝑥! 𝜖𝐶
Donde 𝐶 = [𝑋1 , 𝑋2 , 𝑋3 , … ] Es el conjunto de valores que puede tomar la variable aleatoria.

Figure 1 Fórmula de la Esperanza de una v.a. discreta.

3.1.2. ESPERANZA MATEMATICA VARIABLES ALEATORIAS

CONTINUAS

Esperanza matemática de una variable aleatoria continua es la idea del centro de gravedad de
los valores de la variable, donde cada valor tiene una masa proporcional a la función de
densidad en ellos (Definiciones.edu, 2015).

Dada una variable aleatoria absolutamente continua X con función de densidad f(x), se define
la esperanza matemática de X como el valor

Suponiendo que la integral exista.

Figure 2Esperanza matemática variable aleatoria continua

 3.2. DISTRIBUCIONES DE PROBABILIDAD

Con frecuencia, al considerar variables aleatorias distintas, asociadas incluso a experimentos

aleatorios diferentes, se observa que las distribuciones de probabilidad son, en esencia,
similares. Se pueden, por tanto, considerar modelos de distribuciones de probabilidad,
aplicables a numerosas situaciones reales. Nuestra intención ahora es exponer las condiciones
teóricas que caracterizan a la situación que se desea modelar, para, a partir de ellas, razonar
la forma de la correspondiente función de probabilidad o de la función de densidad, según se
estén considerando variables que, por sus características, se pueden clasificar como discretas
o continuas. Ahora bien, ante una situación real, es responsabilidad del observador, decidir
qué modelo teórico es el adecuado para describir el problema (Martinez, 2014).
 3.2.1. VARIABLES ALEATORIAS DISCRETAS
Distribución binomial
Una variable aleatoria tiene distribución normal si y solo si su función densidad es

𝑛
( ) 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥 𝑠𝑖 𝑥 = 0,1, … , 𝑛
𝑓(𝑥; 𝑛, 𝜃) = { 𝑥 }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑑𝑒 𝑠𝑒𝑟 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde 0 ≤ 𝜃 ≤ 1

Las variables binomiales con parámetros n y 𝜃 se denotan como: X ̴ Bing (n, 𝜃). (Rienzo,
2012)
La E(X) cuando X tiene distribución binomial se puede obtener a partir del siguiente
desarrollo:
Como posibles valores de x son 0, 1,2,…, n es posible escribir la esperanza como sigue;
𝑛 𝑛 𝑛 𝑛!
𝑛
𝜇 = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥) = ∑ 𝑥 ( ) 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥 = ∑ 𝑥 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥
𝑥=0 𝑥=0 𝑥 𝑥=0 𝑥! (𝑛 − 𝑥)!
𝑚 𝑚
𝑛𝜃 ∑ ( 𝑦 ) 𝜃 𝑦 (1 − 𝜃)𝑚−𝑦 = 𝑛𝜃
𝑦=0

𝑚 𝑦
Ya que ∑𝑚𝑦=0 ( 𝑦 ) 𝜃 (1 − 𝜃)
𝑚−𝑦
= 1 debido a que la suma de todos los valores posibles de
𝑚
una función de probabilidad 𝐵𝑖𝑛(𝑚, 𝜃) = ( 𝑦 ) 𝜃 𝑦 (1 − 𝜃)𝑚−𝑦

Si se calcula la varianza y siguiendo las ideas presentadas para el cálculo de la E(X),

cuando 𝐵𝑖𝑛(𝑚, 𝜃) se verá que

𝜎 2 = 𝑉 (𝑋) = 𝑛𝜃(1 − 𝜃)
Ejercicios
 1.2.2. DISTRIBUCIÓN HIPERGEOMÉTRICA

Esta distribución está ligada a situaciones de muestreo sin reposición, es decir situaciones
que al azar se elige a un elemento de la población y así sucesivamente hasta completar la
muestra, sin restituir los elementos extraídos.
Para inducir la fórmula de esta distribución, análoga a la binomial considérese como
población al conjunto de N elementos a los cuales K posee uno de dos estados posibles
(exito9 y n-k que representa fracaso.
Como se recordara, el concepto frecuencial de probabilidad está asociada al cociente:

𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
En este problema el número de casos totales viene dado por el número de combinaciones
posibles que se puede obtener a partir de n elementos tomados de a grupos de n. esto es.
𝑁
número de casos totales =( )
𝑛

𝑘 𝑁−𝑘
( )( )
𝑓(𝑥; 𝑛, 𝑁, 𝑘) = 𝑥 𝑛−𝑥 𝑠𝑖 𝑥 = 0,1, … , 𝑛; 𝑥 ≤ 𝑘; 𝑛 − 𝑥 ≤ 𝑁 − 𝑘
𝑁
( )
𝑛
{0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜 }

Propiedades:
1) Esperanza: E(X) = n N1 / N 2.
2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )
Propiedades del modelo Hipergeométrica
1) Esperanza: E(X) = n ´ N1/N
2) Varianza: V(X) = (n ´ N1 ´ N2 (N − n))/(N2 ´ (N − 1))
EJERCICIOS
 1.2.3. DISTRIBUCIÓN DE PIOSON
La distribución de Poisson da un modelo para variables de tipo conteo, donde los conteos
refieren al registro del número de un evento de interés en una unidad de tiempo o espacio
dados. Ejemplos donde puedes aplicar la distribución de Poisson
 El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
 El número de errores de ortografía que uno comete al escribir una única página.
 El número de llamadas telefónicas en una central telefónica por minuto.
 El número de servidores web accedidos por minuto.
 El número de animales muertos encontrados por unidad de longitud de ruta.
 El número de mutaciones de determinada cadena de ADN después de cierta cantidad
de radiación.
 El número de núcleos atómicos inestables que se han desintegrado en un determinado
período.
 El número de estrellas en un determinado volumen de espacio.se obtendrá 4000.00
 La distribución de receptores visuales en la retina del ojo humano.
 La inventiva 2 de un inventor a lo largo de su carrera.
 La distribución de la riqueza humana.

Una variable aleatoria de X tiene distribucion de Poisson si y solo si su función de unidad es:

𝜆2 𝑒 −𝜆
𝑓(𝑥, 𝜆) = { 𝑠𝑖 𝑥 = 0.1.2 … . }
𝑥!
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑠𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Si se obtiene la distribución se calcula la varianza y esperanza

𝜇 = 𝐸(𝑋)𝜆
𝜎 2 = 𝑣(𝑥) = 𝜆

Ejercicios
 1.2.4. DITRIBUCION MULTINOMIAL
Esta distribución tiene origen cuando ocurren tres condiciones en forma simultánea

 Se realizan o se repiten n ensayos de Bernoulli

 El parámetro 𝜃 se mantiene constante entre ensayos
 Los ensayos son todos independientes entre si

Estas condiciones experimentales son muy frecuentes y en general el problema de interés

radica en el número de éxitos en n casos estudiados el número de respuestas no en n consultas
o el número de veces que ocurre un fenómeno atmosférico en n de veces observadas.

La falta de independencia en la agronomía es frecuente y deberá tenerse en cuenta al

momento de realizarse un ensayo la clave para modelarse fenómenos en los que la
independencia no puede asegurarse esta en reconocerla e incorporar esta información al
modelado. Si hay independencia entre las observaciones podemos seleccionar la distribución
binomial.

𝑁!
) 𝜃1 𝑥1 , 𝜃2 𝑥2 , … , 𝜃𝑘 𝑥𝑘
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝜃1 , 𝜃2 , … , 𝜃𝑘 = {𝑥1 !, 𝑥2 !, … , 𝑥𝑘 ! }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Ejercicios
 1.3. VARIABLES ALEATORIAS CONTINUAS
3.3.1. DISTRIBUCIÓN UNIFORME
Una de las principales aplicaciones de esta distribución en estudio s de simulación
Montecarlo ya que a partir de de esta función es posible generar número pseudoaleatorios de
otras distribuciones
 1
𝑠𝑖 𝛼 < 𝑥 < 𝛽
𝑓(𝑥) = { 𝛽 − 𝛼 }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

EJERCICIOS
DISTRIBUCION NORMAL
En estadística y probabilidad se llama distribución normal, distribución de
Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable
continua que con más frecuencia aparece aproximada en fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de

un determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el
gráfico de una función gaussiana.
Ejercicios
 3.3.2. DISTRIBUCIÓN EXPONENCIAL

Esta densidad es un caso especial de la función densidad 𝐺(𝛼, 𝛽), tomando 𝛼 = 1 y , 𝛽 = 𝜃

quedando así definida

𝑥
−
𝑒 𝜃
F(x)={ 𝑠𝑖 0 ≤ 𝑥 }
𝜃
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde 𝜃 > 0

Así la media será:

En cuando a la varianza su expresión será :

ya que

La mediana del modelo exponencial será aquel valor de la variable x =Me que verifica que
F(Me) = ½

De manera que por lo que

EJERCICIOS
3.3.3. DISTRIBUCIÓN T- STUDENT
En probabilidad y estadística, la distribución t (de Student) es una distribución de
probabilidad que surge del problema de estimar la media de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño.

Donde

 Z es una variable aleatoria distribuida según una normal típica (de media nula
y varianza 1).
 V es una variable aleatoria que sigue una distribución χ² con grados de libertad.
 Z y V son independientes
Si μ es una constante no nula, el cociente es una variable aleatoria que sigue
la distribución t de Student no central con parámetro de no-centralidad

EJERCICIOS
FUENTE

Definiciones.edu. (2015). www.ub.edu. Obtenido de

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2m1t15.
htm

Julián Pérez Porto, A. G. (2016). http://definicion.de. Obtenido de http://definicion.de/variable-

continua/

Martinez, R. (2014). webpersonal.uma.es. Obtenido de

http://webpersonal.uma.es/~ipcabrera/resumen_aleatorias.pdf

Rienzo, J. A. (2012). ESTADISTICA PARA LAS CIENCIAS AGROPECUARIAS. Argentina: Brujas.