INSTITUTO TECNOLOGICO DE

CAMPECHE
INGENIERIA EN SISTEMAS COMPUTACIONALES
INVESTIGACION DOCUMENTAL
TRABAJO #1
UNIDAD: 3
TI.
PROBABILIDAD Y ESTADISTICA
GRUPO: MS2

15 DE MARZO DEL 2014

INDICE
UNIDAD 3.- MODELOS ANALITICOS DE FENOMENOS ALEATORIOS.....................4
Competencias Especficas a desarrollar..................................................................................4
INVESTIGACION DOCUMENTAL.....................................................................................4

QUE ES EXACTAMENTE EL AZAR?.......................................................................4

QUE ES UNA VARIABLE ALEATORIA?..................................................................5

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS.......................................5

Variables aleatorias discretas:.............................................................................................5
Variables aleatorias continas:............................................................................................6

DISTRIBUCIN DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA

DISCRETA (VAD)..................................................................................................................7
Definicin y formas de representarla:.................................................................................7
Acumulada o funcin de densidad:.....................................................................................8
DEFINICIN, FORMAS DE REPRESENTARLA, ACUMULADA:..............................8

VALOR ESPERADO DE UNA VAD (ESPERANZA MATEMATICA).......................9

CONCEPTO Y MODELO:.................................................................................................9

VARIANZA Y DESVIACIN ESTANDAR DE UNA V.A.D.....................................10

CONCEPTO Y MODELO:...............................................................................................10

VALOR MONETARIO ESPERADO:..........................................................................10

LA DISTRIBUCIN BINOMIAL...............................................................................12
INTRODUCIN, PROPIEDADES, FUNCIN DE PROBABILIDAD (MODELO
MATEMATICO)...............................................................................................................12
CARACTERISTICAS (FORMAS, MEDIA, DESVIACIN, ESTANDAR), USO DE
LAS TABLAS...................................................................................................................14

Distribucin hipergeometrica................................................................................................14
LA DISTRIBUCIN DE POISSON....................................................................................15
INTRODUCIN:..............................................................................................................15
CARACTERICAS (FORMA, MEDIA, DESVIACIN, ESTANDAR), USO DE LAS
TABLAS...........................................................................................................................15
FUNCIN DE PROBABILIDAD (MODELO MATEMATICO)....................................15
VARIABLES ALEATORIAS CONTINUAS:......................................................................17
LA DISTRIBUCIN NORMAL DE PROBABILIDADES:...............................................17
ANTECEDENTES............................................................................................................17
CARACTERISTICAS DE LA DISTRIBUCIN NORMAL DE PROBABILIDAD.....18
2

AREAS BAJO LA CURVA NORMAL............................................................................19

EL MODELO MATEMATICO.........................................................................................20

LA DISTRIBUCIN NORMAL ESTANDARIZADA MODELO DE

ESTANDARIZACIN.........................................................................................................22
USO DE LAS TABLAS DE LA DISTRIBUCIN NORMAL ESTANDAR.................22
APROXIMACIN A LA DISTRIBUCIN NORMAL A LA BINOMIAL........................23
Aproximacin de la distribucin binomial por la normal.............................................25
BIBLIOGRAFIA..................................................................................................................26

UNIDAD 3.- MODELOS ANALITICOS DE FENOMENOS ALEATORIOS

Competencias Especficas a desarrollar
Determinar aplicar el modelo matemtico apropiado a las caractersticas de una
variable aleatoria discreta (Binomial, Hipergeometrica, Poisson) y analizar sus
resultados.
Aplicar la distribucin normal para variables continuas y su aproximacin con la
distribucin binomial.

INVESTIGACION DOCUMENTAL
QUE ES EXACTAMENTE EL AZAR?
La definicin adecuada del azar es un problema difcil, as como tambin lo es un
tratamiento adecuado de la aleatoriedad. Podemos encontrar varios conceptos relacionados,
pero no todos son intercambiables ni todos implican aleatoriedad:

Azar como encuentro accidental. Esta situacin se considera azar porque los
procesos que coinciden son independientes, no hay relacin causal entre ellos,
aunque cada uno pueda ser por su parte estrictamente determinista. Un ejemplo
sera un eclipse que coincide con la entrada de un cometa en el sistema solar. Este
tipo de azar es compatible con el determinismo de un mundo mecanicista.

Azar como desorden o como complejidad. Si una serie de nmeros no puede

obtenerse por un algoritmo ms corto que la serie misma se considera que sta es
aleatoria. Si las matemticas son creacin humana este sera un caso de azar
epistemolgico, pero si son independientes de la mente humana entonces se tratara
de un azar ontolgico.

Azar como proceso espontneo, como puede ser la desintegracin de un ncleo

radiactivo concreto. Este tipo de procesos, con otros encontrados en la mecnica
cuntica, no parecen deberse a ninguna causa externa.

El clculo de probabilidades nos da las leyes de un sistema que se puede clasificar como
aleatorio, por lo que de alguna manera es un clculo determinista, se opone al azar aunque
de forma diferente a las teoras mecanicistas clsicas. Mientras que stas se refieren al
determinismo de objetos individuales, las probabilidades se refieren al determinismo de
conjuntos. La explicacin probabilista no presupone el azar en la base de la ciencia, ya que
puede ser simplemente una muestra de nuestra ignorancia.
Las matemticas se ocupan del azar por medio de las diversas teoras de probabilidad. El
ordenamiento estadstico es una forma de tratar matemticamente la naturaleza y el
hombre, como si fuesen datos aleatorios pero sin que lo sean necesariamente. As se intenta
prever y controlar en lo posible los fenmenos complejos.

 QUE ES UNA VARIABLE ALEATORIA?

Una variable aleatoria X de un espacio muestral S es una funcin de S en el conjunto R de
los nmeros reales tal que la imagen inversa de cada intervalo de R es un evento (o suceso)
de S.
Si toma diferentes valores como resultado de un experimento aleatorio. Puede ser discreta o
continua. Si puede tomar slo un nmero limitado de valores, entonces es una variable
aleatoria discreta. En el otro extremo, si puede tomar cualquier valor dentro de un intervalo
dado, entonces se trata de una variable aleatoria continua.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de
una presentacin a otra, sin seguir una secuencia predecible. Los valores de una variable
aleatoria son los valores numricos correspondientes a cada posible resultado de un
experimento aleatorio.
La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para
cada valor posible, y estas probabilidades deben sumar 1.
VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Variables aleatorias discretas:
Sean x1, x2, x3, ... xn los distintos valores que puede tomar la variable aleatoria.
Y p(x1), p(x2),... p(xn) su probabilidad.
Los pares de valores (xj, p(xj)) constituyen la distribucin de probabilidades de la variable
aleatoria.
p(x) se denomina funcin de probabilidad, y debe cumplir con las siguientes propiedades:

0 < p(xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0 y
1).

p(xj) = 1 (la suma de probabilidades repartidas entre todos los valores de la

variable debe ser igual a 1).

De la misma manera que calculamos frecuencias acumuladas, podemos acumular

probabilidades, obteniendo la funcin de distribucin de probabilidades:
F(x) = p(xj)
Esta funcin representa la probabilidad de que la variable aleatoria sea menor o igual que
un determinado valor:
5

F(xj) = P (X < xj)

Grficamente, la funcin aumenta de "a saltos", ya que entre dos valores consecutivos de
una variable discreta, no puede tomar valores intermedios.
X es una variable aleatoria de S con un conjunto imagen infinito contable; o sea, X(S) =
x1,x2. Tales variables aleatorias junto con aquellas de conjunto de imagen finitos
(considerados atrs) son llamadas variables aleatorias discretas. Como en el caso finito,
construimos X(S) en un espacio de probabilidades definiendo la probabilidad de x i como
f(xi) = P (X= xi ) y lamamos f la distribucin de x:
X1

X2

X3

f(X1)

f(X2 )

f(X3)

El valor esperado E(X) y la varianza var (X) se define por:

E(X) = x1f(x1) + x2 f(x2)+..=

Var (X) = (xi - )2f(x1)+(x2 - )2f(x2 )+..

Cuando las series pertinentes convergen absolutamente. Se pueden demostrar que var(X)
existe si y solo si = E(X) yE (X2) existen ambos y que en este caso la formula
Var (X) =E (X2) -2
Es valida justamente como el caso finito. Cuando var (X) existe, la desviacin estandar x
se define como el caso finito por

x =
Las nociones de distribuci conjunta, variables aleatorias independientes y funciones de
variables aleatorias se extiende directamente al caso general. Se puede demostrar que si X y
Y estan definidas en el mismo espacio muestral S si var (X) y var(Y), existen, entoces las
series.
EJEMPLOS:
Inventario en un almacn.
Nmero de artculos defectuosos de una muestra.
El nmero de accidentes por ao en una carretera.
Distribuciones de probabilidad discreta, son aquellas que manejan variables aleatorias
discretas.
6

Variables aleatorias continas:

En este caso, en lugar de trabajar con la probabilidad de valores particulares de la variable,
resulta ms apropiado calcular probabilidades asociadas a intervalos. Para distribuir
propiedades se usa una funcin que mide "concentracin" de probabilidades alrededor de
un punto, que se denomina funcin de densidad de probabilidad (fdp) y se denota como
f(x).
Una funcin de densidad de probabilidad debe cumplir con las siguientes propiedades:

F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es una
probabilidad, y puede valer ms de 1).

f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1, el rea
bajo la curva de la funcin vale 1).

La funcin de distribucin para una variable aleatoria continua se calcula:

F(a) = P(X < a) = f(x) dx
La probabilidad de que la variable est dentro de un intervalo [a - b] se calcula:
P (a< x < b) = F(b) - F(a)
La probabilidad de que la variable tome un valor particular se puede expresar como:
F(c) - F(c) = 0
Esto explica la idea de que para el caso de una variable aleatoria continua no tiene sentido
trabajar con la probabilidad de un valor particular.

DISTRIBUCIN DE PROBABILIDAD PARA UNA VARIABLE

ALEATORIA DISCRETA (VAD).
Sea X una v.a.discretas que toma un nmero finito de valores, r en total, x1, x2, ..., xi, ...,
xr.
La probabilidad de que la v.a. X tome un valor particular xi se representar por:
Definicin y formas de representarla:
La distribucin de probabilidad o funcin de probabilidad de una variable aleatoria X,
P(x), es una funcin que asigna las probabilidades con que la v.a. toma los posibles valores,
de forma que las probabilidades verifiquen:
Si X es una v.a. discreta, para determinar la, siendo, tan slo hay que sumar las
probabilidades correspondientes a valores de X comprendidos entre a y b, es decir:
7

Sea una v.a. X de tipo discreto que toma un n finito o infinito numerable de valores x1,
x2, ..., xr y cuya distribucin de probabilidad es P(x). Se define la funcin de distribucin
acumulativa de la v.a. X, F(x), como la probabilidad de que la v.a. X tome valores menores
o iguales que x, es decir:
Representando la suma de las probabilidades puntuales hasta el valor x inclusive de la v.a.
X.
La funcin de distribucin de una v.a. discreta es una funcin que verifica:
Se puede decir por tanto que una v.a. X discreta, est caracterizada por su funcin de
probabilidad o distribucin de probabilidad P(x) y tambin por su funcin de distribucin
F(x).
Acumulada o funcin de densidad:
La funcin de densidad se utiliza en estadstica con el propsito de conocer cmo se
distribuyen las probabilidades de un evento en relacin al resultado del evento. En este caso
se llama funcin de densidad de probabilidad.
Matemticamente la FDP (funcin densidad de probabilidad) es la derivada de la funcin
distribucin de probabilidad.
Las propiedades de FDP (a veces visto como PDF del ingls) son:

FDP(x)

0.

La integral de FDP(x) en el rango especificado para la funcin, siempre es 1.

Algunas FDP estn declaradas en rangos de

, como la de la distribucin normal

Funcin de densidad para la distribucin normal.

DEFINICIN, FORMAS DE REPRESENTARLA, ACUMULADA:
La distribucin de probabilidad o funcin de probabilidad de una variable aleatoria X,
P(x), es una funcin que asigna las probabilidades con que la v.a. toma los posibles valores,
de forma que las probabilidades verifiquen:
Si X es una v.a. discreta, para determinar la , siendo , tan slo hay que sumar las
probabilidades correspondientes a valores de X comprendidos entre a y b, es decir:
Sea una v.a. X de tipo discreto que toma un n finito o infinito numerable de valores x1,
x2, ..., xr y cuya distribucin de probabilidad es P(x). Se define la funcin de distribucin
8

acumulativa de la v.a. X, F(x), como la probabilidad de que la v.a. X tome valores menores
o iguales que x, es decir:
Representando la suma de las probabilidades puntuales hasta el valor x inclusive de la v.a.
X.
La funcin de distribucin de una v.a. discreta es una funcin que verifica:
Se puede decir por tanto que una v.a. X discreta, est caracterizada por su funcin de
probabilidad o distribucin de probabilidad P(x) y tambin por su funcin de distribucin
F(x).

VALOR ESPERADO DE UNA VAD (ESPERANZA MATEMATICA)

CONCEPTO Y MODELO:
El valor esperado es una idea fundamental en el estudio de las distribuciones de
probabilidad.
Es un operador matemtico que caracteriza la posicin de la distribucin de
probabilidades. Promedio pesado de los resultados de un experimento
la suma de los productos de cada valor de la variable aleatoria por la
correspondiente probabilidad de presentacin de dicho valor.
Para obtener el valor esperado de una variable aleatoria discreta, se multiplica cada valor
que la variable puede tomar por la probabilidad de presentacin de ese valor y luego se
suman esos productos. Es un promedio pesado de los resultados que se esperan en el futuro.
El valor esperado pesa cada resultado posible con respecto a la frecuencia con que se espera
se que presente. En consecuencia, las presentaciones ms comunes tienen asignadas un
peso mayor que las menos comunes.
El valor esperado tambin puede ser obtenido a partir de estimaciones subjetivas. En ese
caso, el valor esperado no es ms que la representacin de las convicciones personales
acerca del resultado posible.
En muchas situaciones, encontraremos que es ms conveniente, en trminos de los clculos
que se deben hacer, representar la distribucin de probabilidad de una variable aleatoria de
una manera algebraica. Al hacer esto, podemos llevar a cabo clculos de probabilidad
mediante la sustitucin de valores numricos directamente en una frmula algebraica.
SUGERENCIA:
El valor esperado de una variable aleatoria discreta es un promedio pesado del valor de
cada resultado posible multiplicado por la probabilidad de dicho resultado. Aunque existen
muchos valores diferentes posibles que la variable aleatoria puede tomar, el valor esperado
es slo un nmero.

El valor esperado es un concepto fundamental en el estudio de las distribuciones de

probabilidad. Desde hace muchos aos este concepto ha sido aplicado ampliamente en el
negocio de seguros y en los ltimos veinte aos ha sido aplicado por otros profesionales
que casi siempre toman decisiones en condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor
que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los
productos. Es un promedio ponderado de los resultados que se esperan en el futuro.

VARIANZA Y DESVIACIN ESTANDAR DE UNA V.A.D.

CONCEPTO Y MODELO:
Una forma natural de medir la dispersin en torno a la media es calcular la media de las
diferencias:

pero como habr valores por encima y por debajo de la media que se compensarn,
calcularemos mejor el cuadrado de las diferencias. Se define as varianza de una variable
estadstica, como la media de los cuadrados de las desviaciones de sus valores respecto a su
media. Se representa por s2:

Se distingue aqu entre los casos de variable estadstica y variable aleatoria. En el primer
caso, tendremos una serie de valores concretos, de los que vamos a calcular su varianza, la
varianza muestral. La frmula es la que se acaba de expresar. En el caso de variable
aleatoria, estaremos calculando una varianza estimada, ya que no estamos tomando
muestras de un conjunto de datos inmenso y por lo tanto la media y varianza son estimadas,
no conocidas. La expresin que la define cambia en un pequeo detalle: en vez de dividir el
resultado de la suma entre (n-1), se divide entre (n), as:

Desviacin tpica (o estndar).

Es la raz cuadrada de la varianza.

Al igual que con la varianza, se distinguen los casos de variables aleatorias y estadsticas.
En esta frmula se expresa tambin la desviacin tpica muestral, que es la que usaremos.
Sea una variable aleatoria X, se define:

10

Varianza

de

a:

V(X)

E(X

E(X)

Desviacin
Estndar
de
X
a:
La raz de la varianza, la desviacin estndar, indica la variacin de la variable aleatoria con
respecto a su valor esperado, denotando tambin el nivel de homogeneidad de los valores.

VALOR MONETARIO ESPERADO:

El valor monetario esperado es justamente la suma de los resultados finales de la
alternativa, es decir, cada ponderado por la probabilidad de que ocurra un resultado final.
El valor monetario esperado es justamente la suma de los resultados finales de la
alternativa, es decir, cada ponderado por la probabilidad de que ocurra un resultado final.
Dada la decisin en el cuadro con valores condicionales (resultado final) y una probabilidad
de tasas para todos los estados de esta ndole. Es posible que para contar con un valor
monetario esperado ( emv ) para cada alternativa, la decisin puede ser repetida a lo largo
de cierto nmero de veces.

EMV
(ALTERNATIVA i )

=
*
+
*

Resultado final del

primer estado de
Naturaleza.
( Probabilidad del
primer estado de
naturaleza ).
( Resultado final del
segundo estado de
naturaleza ).
( Probabilidad del
segundo estado de
naturaleza ).
. . . + ( Resultado
final del ltimo
estado
de
naturaleza ).
( Probabilidad del
ltimo estado de
naturaleza).

11

Suponga que la Cafetera ahora cree que la probabilidad de un mercado favorable es

exactamente la misma, como la probabilidad de un mercado no favorable, que es cada
estado de naturaleza con una oportunidad de 0.50.
Cualquier alternativa podr dar la mejor expectativa del valor unitario?. Para determinar
esto, la Cafetera tuvo que contar con una tabla de decisiones como nos muestra a
continuacin:
TABLA DE DECISIONES CON PROBABILIDADES Y VALOR MONETARIO
ESPERADO (EMV) POR MADERAS AMAZONAS
ESTADO DE NATURALEZA
0

MERCADO
MERCADO
EMV
NO
FAVORABLE
CALCULADO
FAVORABLE

ALTERNATIVAS

($)

($)

($)

-------------------------

---------------

------------

--------------

AMPLIA FACILIDAD 200.000

-180.000

10.000

PEQUEA
FACILIDAD

100.000

-20.000

40.000

SIN FACILIDAD

-------------------------

----------------

------------

--------------

PROBABILIDADES

.50

.50

-------------------------

----------------

-------------

--------------

Los calculos son:

EMV (Amplia facilidad)
EMV
facilidad)

=(.50) ($200.000)
= $10.000

(Pequea = (.50) ($100.000)

= $40.000

EMV (sin facilidades)

=
(.50)
=$0

($0)

(.50)
+
+

(-$180.000)

(.50)

(-$20.000)

(.50)

($0)

La ms larga supone el valor de los resultados de la segunda alternativa, edificando una

pequea factora. De esta manera, la Cafetera podr avanzar con el proyecto y poner sobre
la pequea planta de manufacturas el almacenamiento de los despojos.
El valor monetario esperado para la planta grande y para no hacerlo son de $10.000 y $0
respectivamente

12

 LA DISTRIBUCIN BINOMIAL
INTRODUCIN, PROPIEDADES, FUNCIN DE PROBABILIDAD (MODELO
MATEMATICO)
La distribucin binomial es una distribucin de probabilidades que surge al cumplirse
cinco condiciones:
1

Existe una serie de N ensayos,

En cada ensayo hay slo dos posibles resultados,

En cada ensayo, los dos resultados posibles son mutuamente excluyentes,

Los resultados de cada ensayo son independientes entre si, y

La probabilidad de cada resultado posible en cualquier ensayo es la misma de un

ensayo a otro.

Cuando se cumple estas condiciones, la distribucin binomial proporciona cada resultado

posible de los N ensayos y la probabilidad de obtener cada uno de estos resultados.
Para este tipo de distribucin de probabilidad, la funcin matemtica es la siguiente:

Donde: P(X) = probabilidad de X xitos dados los parmetros n y p

n = tamao de la muestra
p = probabilidad de xito
1 p = probabilidad de fracaso
X = numero de xitos en la muestra ( X = 0, 1, 2, .. n)
El trmino

indica la probabilidad de obtener X xitos de n observaciones en

una secuencia especfica. En trmino

indica cuantas combinaciones de los X
xitos entre n observaciones son posibles.
Entonces dado el nmero de observaciones n y la probabilidad de xito p, la probabilidad
de X xitos es:
P(X) = (numero de de secuencia posibles) x (probabilidad de un secuencia especifica)
Por eso que llegamos a la funcin matemtica que representa esta distribucin.
Esta distribucin describe una variedad de procesos de inters para los administradores y
describe datos discretos, no continuos, que son resultado de un experimento conocido como
proceso de Bernoulli.
Uso del proceso de Bernoulli.
Podemos describir el proceso de la manera siguiente:
13

Cada intento tiene slo dos resultados posibles.

La probabilidad del resultado de cualquier intento permanece fijo con respecto al

tiempo.

Los intentos son estadsticamente independientes.

Frmula binomial:
Probabilidad de r xitos en n ensayos = n! / [r! (n - r)!] pr qn - r
p = probabilidad caracterstica o probabilidad de tener xito
q = 1 - p = probabilidad de fracaso
r = nmero de xitos deseados
n = nmero de intentos hechos
Generalizaciones:

Cuando p es pequea (0,1), la distribucin binomial est sesgada hacia la derecha.

Cuando p aumenta (0,3 por ejemplo), el sesgo es menos notable.

Cuando p = 0,5, la distribucin binomial es simtrica.

Cuando p es mayor que 0,5, la distribucin est sesgada hacia la izquierda.

Las probabilidades para 0,3, por ejemplo, son las mismas para 0,7, excepto que los
valores de p y q estn invertidos. Esto es cierto para cualquier pareja de valores p y
q complementarios.

CARACTERISTICAS (FORMAS, MEDIA, DESVIACIN, ESTANDAR), USO DE LAS

TABLAS
La distribucin binomial tiene un valor esperado o media y una desviacin estndar.

Valor esperado o media: = np

Desviacin estndar: = npq

Cumplimiento de las condiciones del proceso de Bernoulli.

Necesitamos ser cuidadosos en el uso de la distribucin binomial de la probabilidad y
asegurar que se cumplen las tres condiciones necesarias, en particular las condiciones 2 y 3.
14

La condicin 2 requiere que la probabilidad del resultado de cualquier intento permanezca

fija en el tiempo. La condicin 3 requiere que los ensayos o intentos de un proceso de
Bernoulli sean estadsticamente independientes, es decir, que el resultado de un intento no
puede afectar de ningn modo el resultado de cualquier otro intento.

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 sin reemplazo de n elementos de la poblacin original.

LA DISTRIBUCIN DE POISSON
INTRODUCIN:
La distribucin de Poisson se utiliza para describir cierto tipo de procesos, entre los que se
encuentran la distribucin de llamadas telefnicas que llegan a un conmutador, la demanda
(necesidades) de los pacientes que requieren servicio en una institucin de salud, las
llegadas de camiones a una caseta de cobro y el nmero de accidentes registrados en una
cierta interseccin de calles. Estos ejemplos tienen en comn un elemento: pueden ser
descritos mediante una variable aleatoria discreta que toma valores enteros (0, 1, 2...).
CARACTERICAS (FORMA, MEDIA, DESVIACIN, ESTANDAR), USO DE LAS
TABLAS
Caractersticas de los procesos que producen una distribucin de probabilidad de
Poisson.
15

El promedio (la media) del nmero de eventos que se producen por hora, puede
estimarse a partir de datos que se tengan disponibles.

Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno,

encontraremos que las siguientes afirmaciones son verdaderas:

La probabilidad de que exactamente un evento ocurra por segundo es muy

pequea y es constante para cada intervalo de un segundo.

La probabilidad de que dos o ms eventos ocurran en un intervalo de un

segundo es tan pequea que le podemos asignar un valor cero.

El nmero de eventos que ocurren en un intervalo de un segundo es

independiente del tiempo en que dicho intervalo se presente en la hora pico.

El nmero de eventos en un intervalo de un segundo no depende del nmero de

ocurrencias en cualquier otro intervalo de un segundo.

FUNCIN DE PROBABILIDAD (MODELO MATEMATICO)

Clculo de la probabilidad de Poisson.
La letra X por lo general representa a una variable discreta y puede tomar valores enteros.
Utilizamos la letra X para representar a la variable aleatoria y la letra x para sealar un
valor especfico que esta variable pueda tomar. La probabilidad de tener exactamente x
presentaciones en una distribucin de Poisson se calcula con la frmula:

16

La distribucin de Poisson como una aproximacin a la distribucin binomial.

La distribucin de Poisson puede ser un razonable aproximacin a la binomial, pero slo
bajo ciertas condiciones. Tales condiciones se presentan cuando n es grande y p es pequea,
esto es, cuando el nmero de ensayos es grande y la probabilidad binomial de tener xito es
pequea. La regla que utilizan con ms frecuencia los estadsticos es que la distribucin de
Poisson es una buena aproximacin de la distribucin binomial cuando n es igual o mayor
que 20 y p es igual o menor que 0,05. En los casos en que se cumplen estas condiciones,
podemos sustituir la media de la distribucin binomial (np) en lugar de la media de la
distribucin de Poisson ( ).
SUGERENCIA:
El uso de una distribucin para aproximar a otra es una prctica bastante comn en
probabilidad y estadstica. La idea consiste en buscar situaciones en las que una
distribucin (como la de Poisson), cuyas probabilidades son relativamente fciles de
calcular, tiene valores que se encuentran razonablemente cercanos a las de otra distribucin
(como la binomial) cuyas probabilidades implican clculos ms complicados.
RECOMENDACIONES PRCTICAS:

Frente a un problema concreto, analice detenidamente todas sus caractersticas, y al

elegir el modelo apropiado, verifique que se cumplan todos los supuestos del
mismo.

Habituse a utilizar las tablas provistas por la bibliografa para calcular

probabilidades. Ahorrar tiempo y evitar errores de clculo.

No olvide emplear la distribucin de Poisson a la binomial en aquellos casos en que

p es pequeo y n es grande.

Para calcular probabilidades acumuladas, del tipo P(X > x), P(X < x) o P(x < X <
x), tambin existen valores tabulados en textos especializados.

En el caso de variables aleatorias discretas, es importante diferenciar si la

probabilidad deseada incluye o no el valor particular de la variable. Es decir, que
P(X > x) no es lo mismo que P(X > x) y P (X < x) es distinto de P(X < x).

VARIABLES ALEATORIAS CONTINUAS:

Variable que toma un valor infinito de valores no numerables. Variable aleatoria que puede
tomar cualquier valor dentro de un intervalo dado de valores.

17

Si en un experimento aleatorio a cada suceso aleatorio elemental le asignamos un valor

numrico obtenemos una variable aleatoria. Es decir, una variable que lleva asociada una
probabilidad. La probabilidad de un valor concreto de la variable es la probabilidad que
corresponde a los sucesos aleatorios elementales a los que hemos asignado ese valor
numrico.
Hay Variables aleatorias que pueden tomar cualquier valor de un intervalo real de la forma
(a, b), (a, +), (-, b), (-, +) o uniones de ellos. A las Variables de este tipo se las
denomina Variables aleatorias continuas.
Segn la amplitud del campo de variacin de la funcin podemos distinguir : Variables
aleatorias discretas y Variables aleatorias continuas. De la misma forma que en estadstica
descriptiva, una variable aleatoria es discreta si toma valores en un conjunto finito o infinito
numerable. Y una variable aleatoria es continua si puede tomar valores en un conjunto
infinito no numerable. Como ejemplo tpico de variable aleatoria discreta tenemos la
distribucin binomial, y como ejemplo tpico de variable aleatoria continua vamos a ver
ahora la distribucin normal

LA DISTRIBUCIN NORMAL DE PROBABILIDADES:

La distribucin normal: distribucin de una variable aleatoria continua.
ANTECEDENTES
La variable puede tomar cualquier valor que est en un intervalo de valores dado, y la
distribucin de probabilidad es continua.
Las razones bsicas de la importancia de la distribucin normal son:
1

Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en

las que es necesario hacer inferencias mediante la toma de muestras. La distribucin
normal es una til distribucin de muestreo.

La distribucin normal casi se ajusta a las distribuciones de frecuencias reales

observadas en muchos fenmenos, incluyendo caractersticas humanas (pesos,
alturas), resultados de procesos fsicos (dimensiones y rendimientos) y muchas otras
medidas de inters para los administradores.

CARACTERISTICAS DE LA DISTRIBUCIN NORMAL DE PROBABILIDAD.

1. La curva tiene un solo pico, por consiguiente es unimodal. Presenta una forma de
campana.
2. La media de una poblacin distribuida normalmente se encuentra en el centro de su curva
normal.

18

3. A causa de la simetra de la distribucin normal de probabilidad, la mediana y la moda de

la distribucin tambin se hallan en el centro, por tanto en una curva normal, la media, la
mediana y la moda poseen el mismo valor.
4. Las dos colas (extremos) de una distribucin normal de probabilidad se extienden de
manera indefinida y nunca tocan el eje horizontal.
reas bajo la curva normal.
El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las reas
bajo la curva son probabilidades.
El valor de Z.
Z= Nmero de desviaciones estndar de x respecto a la media de esta distribucin.
Z= x-m / s
X=valor de la variable aleatoria que nos interesa.
m= media de la distribucin de esta variable aleatoria.
s = desviacin estndar de esta distribucin.
La mayor parte de las poblaciones reales no se extienden de manera indefinida en ambas
direcciones; pero en estas poblaciones, la distribucin normal es una aproximacin
conveniente. No hay una sola distribucin normal, sino una familia de curvas normales.
Para definir una distribucin normal de probabilidad necesitamos definir slo dos
parmetros: la media y la desviacin estndar.
La curva normal puede describir un gran nmero de poblaciones, diferenciadas solamente
por la media, la desviacin estndar o por ambas.
Propiedades de las distribuciones normales
a. Son simtricas y tienen forma de campana
b. Al ser simtricas la media, la moda y la mediana coinciden.
c. Ql y Q3 estn situados a 2/3 de una desviacin estndar. El 68 % del rea de la
curva (probabilidad) se encuentra a una desviacin estndar de la media.
d. La variable tiene un alcance infinito, pero la mayor parte del rea bajo la curva se
encuentra a tres desviaciones estndar de la media.
En matemticas, el rea debajo de la curva se halla por medio del integral de la funcin.
Para evitar hacer esto se utilizan tablas que ya traen el rea de diferentes secciones de la
curva o se utiliza la computadora para calcular ese valor del rea.
AREAS BAJO LA CURVA NORMAL
No importa cules sean los valores de y para una distribucin de probabilidad
normal, el rea bajo la curva es 1,00, de manera que podemos pensar en reas bajo la curva
como si fueran probabilidades. Matemticamente:

19

Aproximadamente el 68% de todos los valores de una poblacin normalmente

distribuida se encuentran dentro + 1 desviacin estndar de la media.

Aproximadamente 95,5% de todos los valores de una poblacin normalmente

distribuida se encuentran dentro de + 2 desviaciones estndar de la media.

Aproximadamente 99,7% de todos los valores de una poblacin normalmente

distribuida se encuentran dentro de + 3 desviaciones estndar de la media.

Las tablas estadsticas indican porciones del rea bajo la curva normal que estn contenidas
dentro de cualquier nmero de desviaciones estndar (ms, menos) a partir de la media.
No es posible ni necesario tener una tabla distinta para cada curva normal posible. En lugar
de ello, podemos utilizar una distribucin de probabilidad normal estndar para encontrar
reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o la
probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas
distancias a partir de la media. Estas distancias estn definidas en trminos de desviaciones
estndar.
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el
mismo nmero de desviaciones estndar a partir de la media contendrn la misma fraccin
del rea total bajo la curva para cualquier distribucin de probabilidad normal.

20

El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las reas
bajo la curva son probabilidades.
EL MODELO MATEMATICO
La funcin matemtica que se usa como modelo es

e = 2.71
= 3.14
x = media de la poblacin
x = desviacin estndar de la poblacin
x = un valor de la variable continua
Como e y son constantes, la forma de la curva normal depende solamente de los dos
parmetros de la distribucin normal, la media x y la desviacin estndar x
Las diferentes curvas normales van a variar dependiendo de esos dos parmetros.
En matemticas, la ecuacin de la curva normal se puede representar visualmente como una
curva en forma de campana. El rea debajo de esta curva se halla por medio del integral de
la funcin y corresponde al porciento o la proporcin de puntuaciones que se encuentran en
el intervalo dado.
Uso de la tabla de distribucin de probabilidad normal estndar.
En esta tabla, el valor z est derivado de la frmula:
z = (x - ) /
en la que:
21

x = valor de la variable aleatoria que nos preocupa

= media de la distribucin de la variable aleatoria

= desviacin estndar de la distribucin

z = nmero de desviaciones estndar que hay desde x a la media de la distribucin.

Por qu utilizamos z en lugar del nmero de desviaciones estndar? Las variables

aleatorias distribuidas normalmente tienen unidades diferentes de medicin: dlares,
pulgadas, partes de milln, kilogramos, segundos, etc. Como vamos a utilizar una tabla,
hablamos en trminos de unidades estndar (que en realidad significa desviaciones
estndar), y denotamos a stas con el smbolo z
La tabla de distribucin de probabilidad normal estndar da los valores de nicamente la
mitad del rea bajo la curva normal, empezando con 0,0 en la media. Como la distribucin
normal de probabilidad es simtrica, los valores verdaderos para una mitad de la curva son
verdaderos para la otra.
Defectos de la distribucin normal de probabilidad
Los extremos de la distribucin normal se acercan al eje horizontal, pero nunca llegan a
tocarlo. Esto implica que existe algo de probabilidad (aunque puede ser muy pequea) de
que la variable aleatoria pueda tomar valores demasiado grandes. No perderemos mucha
precisin al ignorar valores tan alejados de la media. Pero a cambio de la conveniencia del
uso de este modelo terico, debemos aceptar el hecho de que puede asignar valores
empricos imposibles.

LA DISTRIBUCIN NORMAL ESTANDARIZADA MODELO DE

ESTANDARIZACIN
USO DE LAS TABLAS DE LA DISTRIBUCIN NORMAL ESTANDAR
La distribucin normal estandarizada
Puesto que hay un nmero infinito de combinaciones para los dos parmetros, hay un
nmero infinito de curvas normales diferentes
Este problema se ha resuelto prcticamente al transformar los valores de todas las
distribuciones normales a los valores de una La distribucin normal estandarizada
representada por la curva la normal estandarizada
. (standard normal curve).
Las puntuaciones estandarizadas se logran restando la media a cada observacin y
dividiendo entre la desviacin estndar.

22

donde x es la media de la distribucin y x su desviacin estndar.

Propiedades de la distribucin normal estandarizada
z=0
z=1
En muchas ocasiones se quieren comparar puntuaciones que pertenecen a dos
distribuciones normales diferentes. La diferencia entre las dos distribuciones radica en que
las medias y las desviaciones estndar no son iguales. Sin embargo la comparacin se hace
posible si se convierten las puntuaciones de ambas distribuciones a puntuaciones z que
corresponden a la La distribucin normal estandarizada
Porcentilas y rangos porcentiles de una La distribucin normal estandarizada
Si se desea hallar la porcentila o el rango porcentil en una La distribucin normal
estandarizada no normal se recurre al procedimiento de convertir las puntuaciones de la La
distribucin normal dada a puntuaciones z que corresponden a la distribucin normal
estandarizada
Estos valores en la distribucin normal estandarizada se pueden obtener por medio de una
tabla o de la computadora. El rea bajo la curva que aparece en las tablas corresponde al
porciento o la proporcin de puntuaciones en el intervalo dado
Es necesario visualizar siempre el rea debajo de la curva como el porciento de
puntuaciones de la distribucin normal estandarizada en un intervalo dado.
Cuando una distribucin de puntuaciones es distribucin normal estandarizada
, la pregunta cul es el rango porcentil de una puntuacin dada? se puede transformar en
preguntar cul es el porciento de puntuaciones bajo una puntuacin dada o cul es el rea
correspondiente a la parte de la curva menor de una puntuacin dada?
Cuando una distribucin de puntuaciones es distribucin normal estandarizada
, la pregunta cul es la porcentila? se puede transformar en preguntar cul es la
puntuacin z que corresponde al rea bajo la curva a la izquierda de una puntuacin
Teorema del lmite central
Si se seleccionan muestras aleatorias de n observaciones de una poblacin con media y
desviacin estndar
, entonces, cuando n es grande, la distribucin muestral de medias
tendr aproximadamente una distribucin normal con una media igual a y una desviacin
estndar de
vez mayor.

. La aproximacin ser cada vez ms exacta a medida de que n sea cada

USO DE ALAS TABLAS

23

La columna Z expresa la puntuacin tpica (entre -3 y +3).

La columna P expresa la proporcin acumulada entre menos infinito y la Z correspondiente.
Esta es una tabla de cola izquierda de la curva o ley normal que acumula probabilidad
desde
menos
infinito.
Hay muchos formatos distintos de tablas de curva o ley normal y el usuario debe conocer
bien. La tabla que utiliza.
Esta tabla presenta dos ventajas sobre las tradicionales tablas de cola izquierda
usuales
en
los
textos
de
estadstica
y
psicometra.
1.-su mxima sencillez de manejo. Slo presenta dos columnas y
no es necesario identificar las puntuaciones Z mediante una combinacin
de los encabezados de filas y columnas como sucede en otras tablas.
2.- la precisin en P hasta 5 dgitos decimales.

APROXIMACIN A LA DISTRIBUCIN NORMAL A LA BINOMIAL.

La distribucin normal como una aproximacin de la distribucin binomial.
Aunque la distribucin normal es continua, resulta interesante hacer notar que algunas
veces puede utilizarse para aproximar a distribuciones discretas.
La aproximacin normal a la distribucin binomial resulta muy conveniente, pues nos
permite resolver el problema sin tener que consultar grandes tablas de la distribucin
binomial. Pero se necesita tener algo de cuidado al utilizar esta aproximacin, que es
bastante buena, siempre que np y nq sean al menos de cinco.
SUGERENCIA:
La distribucin normal es otra funcin algebraica con propiedades matemticas bien
conocidas, y es una buena aproximacin para muchos problemas binomiales que impliquen
nmeros grandes. Pero, no olvide la regla de que tanto np y nq deben ser de al menos , y
sea cauteloso acerca de la aplicacin de la aproximacin normal a situaciones en las que la
probabilidad de un evento es muy pequea. Los valores de la aproximacin normal
provenientes de los extremos de la distribucin no son muy exactos.
Este modelo se aplica generalmente en el caso de variables que presentan las siguientes
caractersticas:

Son variables dimensionales, que surgen como resultado de la medicin sobre

alguna escala continua: kgs., cms., $, T, etc.

Son variables que pueden pensarse como el resultado de la suma de muchos

pequeos efectos.

24

Estos elementos son slo orientativos, y proporcionan un primer indicio para iniciar la
bsqueda del modelo ms apropiado
La distancia entre barras consecutivas es:

Por tanto, para que la suma de las reas de los rectngulos entre barras consecutivas sea 1,
es suficiente multiplicar por la inversa de la distancia entre barras consecutivas; es decir, a
cada x j , le asignamos :

Si la representamos para el caso n=270 y p=0,3, junto con la funcin de densidad de la

distribucin normal estndar, tenemos:

Como se puede apreciar en la grfica se ajustan bien ambas funciones. En resumen:

Aproximacin de la distribucin binomial por la normal
Una distribucin binomial B(n,p) se puede aproximar por una distribucin normal, siempre
que n sea grande y p no est muy prxima a 0 o a 1. La aproximacin consiste en utilizar
una distribucin normal con la misma media y desviacin tpica que la distribucin
binomial.
En la prctica se utiliza la aproximacin cuando:
En cuyo caso:

Y tipificando se obtiene la normal estndar correspondiente:

25

BIBLIOGRAFIA

http://es.wikipedia.org/wiki/Valor_esperado"
http://personal5.iddeo.es/ztt/Tem/t18_variable_aleatoria_discreta.htm
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_distribuci%C3%B3n
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://personal5.iddeo.es/ztt/Tem/t18_variable_aleatoria_discreta.htm
http://www.virtual.unal.edu.co/cursos/sedes
%5Cmanizales/4060015/Lecciones/Capitulo%20I/vme.htm
http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm
http://www.terra.es/personal2/jpb00000/tdbinomial.htm
http://es.wikipedia.org/wiki/Proceso_de_Poisson
http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distripoisson.ht
m

26