VARIABLE ALEATORIA

Y
DISTRIBUCIONES DE
PROBABILIDAD
 Variable aleatoria: Dado un experimento aleatorio
asociado al un espacio probabilístico ( Ɛ, Ω, P , una
variable aleatoria es una función que asigna a cada
suceso del espacio muestral un número real.
𝑋: Ω ⟶ ℜ
𝑤 ⟶ 𝑋 𝑤 = 𝑥𝜖ℜ

Los valores de la variable aleatoria son los valores

numéricos correspondientes a cada posible resultado del
experimento aleatorio.
Una variable se dice que es aleatoria, si los posibles valores
que puede tomar son determinados por el azar, es decir, se
sabe que valores puede tomar pero no se tiene certeza de
su ocurrencia, sólo se sabe que puede ocurrir con una
cierta certeza. 2
Ejemplo: En una epidemia de cólera, se sabe que
una persona cualesquiera puede enfermarse o no
(eventos o posibles resultados), pero no se sabe si
enfermará. Solamente se puede decir que existe
una probabilidad p de que enferme.
•TIPOS

 Variable aleatoria Discreta

 Variable aleatoria Continua

3
 variable aleatoria discreta
Cuando resulta de contar el número de veces que ocurre
el evento.

Experimento Variable aleatoria Valores posibles V.A

Visitar a cinco pacientes Cantidad de pacientes 0, 1,2,3,4,5
Operaciones de alta Número de operaciones 0,1,2,….,40
cirugía

Funcionamiento de una Cantidad de clientes 0,1,2,3…….

clínica durante un día

Accidentes de tránsito Sexo del accidentado 0 si es hombre y 1 si es

mujer

4
 variable aleatoria continua

Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de un Tiempo en minuto, entre X>=0
banco llegadas de clientes

Llenar una lata de bebida Cantidad de onzas 0<=x<=12.1

(máx =12.1 onzas)
Proyecto para construir un Porcentaje ejecutado del 0<=x<=100
centro de salud proyecto

Temperatura °C Temperatura de un 25<=x<=40

paciente

5
 Variable aleatoria discreta

 Distribución de probabilidad
 Función de probabilidad
 Valor esperado
 Varianza
 Desviación estándar

6
Distribución de probabilidad

Es un listado de las probabilidades de todos los

posibles resultados que podrían obtenerse si el
experimento se lleva a cabo.
Proporciona una probabilidad para cada valor posible,
y estas probabilidades deben sumar 1.
Describe la forma en que se espera que varíen los
resultados.
Debido a que estas distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos
útiles para hacer inferencias y para tomar decisiones
en condiciones de incertidumbre.
7
Distribución de probabilidad

Es un modelo teórico que describe la forma que describe la forma

en que varían los resultados de un experimento aleatorio. Lista de los
resultados de un experimento con las probabilidades que se
esperarían ver asociadas con cada resultado. (x, p(x))
.

8
Función de probabilidad (X, F(x)) :
Función que asigna probabilidades a cada uno de los valores
de una variable aleatoria discreta
Una vez definida una variable aleatoria X, podemos
definir una función de probabilidad asociada a X, de
la siguiente forma:

p :   [0,1]
x  p ( x)  P( X  x)
La función de probabilidad debe cumplir:

(i) p( x)  0 x  
(ii )  p( x)  1
x

9
Valor esperado (Esperanza matemática o media)

  E  X    xi P( X  xi )   xi p( xi )
i i

Varianza

 2  Var ( X )   ( xi   ) 2 P ( X  xi )
i

Desviación estándar o típica   Var (X )

10
Principales variables aleatorias
discretas y distribuciones de
probabilidad

11
 Modelo Probabilístico
Un modelo es una simplificación de la realidad.
Un modelo probabilístico es un modelo matemático que
describe el comportamiento de una variable aleatoria. Es una
función que depende de los valores de la variable aleatoria, y de
otras cantidades que caracterizan a una población en particular y
que se denominan parámetros del modelo.
En el proceso de modelación, es necesario seguir los siguientes
pasos:
1. Seleccionar el modelo más apropiado.
2. Ajustar el modelo (calcular el valor de sus parámetros).
3. Verificar el modelo.
4. Decidir su aceptación o volver al paso 1.
12
 Modelo Probabilístico
Para ejecutar el paso 1, podemos optar por una amplia gama de
modelos de probabilidad, desarrollados para representar
distintos tipos de variables y diferentes fenómenos aleatorios.
Por lo tanto, el problema se reduce a elegir el modelo más
apropiado para el caso en estudio.
Para ejecutar el paso 2, es necesario recopilar una muestra
representativa de la población en estudio y calcular las
cantidades necesarias como para evaluar los parámetros del
modelo.

13
DISTRIBUCIÓN DE PROBABILIDAD DE

 Variables aleatorias discretas:

 Distribución de Bernoulli
 Distribución Binomial
 Distribución de Poisson

 Variables aleatorias continuas

 Distribución Normal
 Distribución Normal Estandar
 Distribución T de Student
 Distribución Chi Cuadrado
 Distribución F

14
 Distribución de Bernoulli
Características de un ensayo de Bernoulli :
1. Es un experimento aleatorio con dos resultados posibles excluyentes entre
sí, llamados éxito (E) y fracaso (F).
2. La probabilidad de éxito se denota por p, la probabilidad de fracaso esta
dada por 1-p = q
3. Interesa el estudio de la variable aleatoria X: Nro. de éxitos en una prueba.
Rx : 0, 1.
Ejemplo: Nro. de casos de tifoidea en una muestra de tamaño 1.
P: prevalencia de tifoidea en la población.
Función de probabilidad. P( X  x)  p x q1 x x  0,1

Valor esperado: E[ X ]    p
Varianza
Var ( X )  E[ X 2 ]  ( E[ X ])2  pq

15
 Distribución Binomial
Experimento Binomial:
 Es una sucesión de n intentos o ensayos idénticos de Bernoulli.
 En cada intento o ensayo son posibles dos resultados. A uno
lo llamaremos éxito y al otro fracaso.
 La probabilidad de un éxito, se representa por p y no cambia
de un intento o ensayo.
 Por lo tanto la probabilidad de un fracaso se representa por (1-
p), que tampoco cambia de un intento a otro.
 Los intentos o ensayos son independientes.
 Interesa la variable aleatoria: Número de éxitos en n - intentos.

16
Función de probabilidad:

 n  x n x
f ( x )  P[ X  x ]    p q x  0,1,....n
 x

Notación: X  B (n, p)

Valor esperado: E(X) = np

Varianza: V(X)= npq
p: probabilidad de éxito.
q: probabilidad de fracaso
x: número de éxitos deseados.
n: Número de repeticiones del experimento.
17
Ejemplo :
El experimento consiste en seleccionar aleatoriamente 3
pacientes y determinar si tienen fiebre amarilla (éxito).
1. Sólo dos posibles resultados (tiene o no tiene la
enfermedad)
2. La probabilidad de que un paciente tenga fiebre amarilla
es p ( tasa de prevalencia).
3. La presencia de la enfermedad en un paciente es
independiente de la presencia en otro paciente
La variable aleatoria es :
X: Número de pacientes con fiebre amarilla

18
Ejemplo

UN portador de TBC tiene el 10% de probabilidad de transmitir la enfermedad a

alguien que no haya estado previamente expuesto a ella y con el que entre en
contacto directo. Durante el transcurso del día entra en contacto con 10 de tales
individuos.
a) Determine la distribución de probabilidad
b) ¿Cuántos se esperaría que contrajeran la enfermedad de ese modo?
c) ¿Cuál es la probabilidad que se enfermen 2 personas?

19