Es una regla de juego que transforma

cada elemento del Espacio muestral en

un número Real
En los siguientes experimentos, definir el
espacio muestral:

E1: lanzar un dado y reportar la cara en que cae

E2: Consultar el candidato por quien dará su voto

en las próximas elecciones presidenciales

E3: Revisar el estado financiero de una empresa y

reportar si el saldo en bancos es favorable o no

E4: Reportar el cambio en el precio diario del

dólar
Clasificación de las variables Aleatorias

Discretas El número de _____

Continuas Involucran un patrón de medida

 Modelos
Variable Aleatoria Discretas
Distribución Binomial (Parámetros n, P)
Distribución de Poisson (Parámetro )
Distribución de Hipergeométrica (Parámetros n, N, r)
Distribución Uniforme discreta (Parámetro K)
Variable Aleatoria Continuas
Distribución Uniforme (A, B)
Distribución Normal (, 2)
Distribución Exponencial ()
Variable Aleatoria Discreta
Función de Probabilidad f(x)
f(x)=P(X=x)

Función de Probabilidad Acumulada F(x)

F(x)=P(Xx)

Valor Esperado E(X) = µ E(X)=Σx*f(x)

Varianza (X)=2
2=E[(X-)2]=Σ(X-)2*f(x) =E(X2) - 2
DISTRIBUCION BINOMIAL (n, P)

n
p( x)    p (1  p)
x ( n x )

 x

X: No. de éxitos en n pruebas de Bernoulli

x = 0, 1, 2, …, n

  np   np(1  p)
2
DISTRIBUCION HIPERGEOMETRICA (N, K, n)

K N  K 
  
x n  x 
f ( x)  
N
 
n 

X: No. de resultados exitosos en una muestra de n

max( 0, n  N  K )  X  min( n, K ) n  0.05N

K K K  N  n 
 n   n 1  
2

N N N  N  1 
DISTRIBUCION POISSON (µ)
e   x

p ( x) 
x!

X: No. de eventos en un intervalo específico

x = 0, 1, 2, …

E X      2
 VARIABLE ALEATORIA CONTINUA
P(X=x)=0
Función de densidad de Probabilidad f(x)
x
Función de Probabilidad Acumulada Fx ( X )  P( X  x)   f (t )dt


Valor Esperado E(X) =  xf x ( X )dx


Varianza (X)= 2 =E(X2)- µ2 x
2 2
E( X )  f x ( X )dx


 
Covarianza (X,Y)= xy =E(XY)- µxµy E ( XY )    x y f xy ( X , Y )dydx
 

Varianza (aX+bY)= a2x2 + b2y2 +2abxy

 MODELOS DE VARIABLES CONTINUAS

 1
 a xb
f ( x)  b  a
UNIFORME (A, B)
 0 cualquier otro caso

1 1
 ( x   ) 2 / 2

NORMAL (µ, 2) f ( x)  e 2

 2

1x/

 e x0
f ( x)   
EXPONENCIAL ()  0
 cualquier otro caso
 RELACIÓN ENRE
VARIABLES ALEATORIAS
APROXIMACIÓN DE LA BINOMIAL A LA POISSON

XBinomial(n=15, p=0.03)
P(X=2)=0.0636
Haciendo =np,
la distribución de Poisson brinda una buena aproxi
mación de la binomial.
Así, Para =0.03*15=0.45:
0.45
e * 0.45
2

P( X  2)   0.0646
2!
 APROXIMACION DE LA NORMAL A
LA BINOMIAL

XBinomial(n, p) X N(=np; 2=npq)

Cuando np>10 y nq>10

Si 5 np 10 y 5 nq 10
se recomienda usar la corrección por continuidad

Si np 5 y nq 5
NO se recomienda usar la aproximación
APROXIMACION DE LA NORMAL A
LA BINOMIAL

XBinomial(n=50, P=0.7) P(X<29)=0.025

En este caso np=35>10 y nq=15>10

 28.5  35 
P( X  28)  P Z    P(Z  2.01)  0.0222
 10.5 
 APROXIMACION DE LA NORMAL A
LA POISSON

XPoisson(µ=15) P(9<X<13)=0.1978

En este caso µ=15 >10

 9.5  15 12.5  15 
P(10  X  12)  P Z    P(1.4201  Z  0.6455)
 15 15 

=0.2593- 0.0778 =0.1815

RELACIÓN ENRE LA EXPONENCIAL Y
LA POISSON

e 
 x

f ( x) 
x!

P(X=0t)=e-t
 RELACIÓN ENRE LA EXPONENCIAL Y
LA POISSON
En una v.a que mida el tiempo de ocurrencia del primer
evento Poisson ocurra después del tiempo x es:

P(X>x)=e-x

De esto se deriva que P(X  x) = 1-e-x

y al derivar esta función se obtiene

f ( x)  e  x

Función de densidad de una exponencial con parámetro =µ-1