En la teora de probabilidades no siempre es indispensable conocer los elementos del espacio muestral, sino tener todos los puntos

muestrales representados por cantidades que indiquen cierta propiedad del espacio muestral, de forma que a cada punto muestral le corresponda un valor que lo est representando.

Una variable aleatoria es una variable que toma valores numricos determinados por el resultado de un experimento aleatorio. No hay que confundir la variable aleatoria con sus posibles valores. Las variables aleatorias pueden ser discretas o continuas: Discretas: el conjunto de posibles valores es numerable. Suelen estar asociadas a experimentos en que se mide el nmero de veces que sucede algo. Las variables aleatorias pueden ser discretas y continuas. En el captulo siguiente trataremos extensamente las variables aleatorias continuas (v. a. c.), pero de momento, con el objeto de visualizar la diferencia entre ellas, podemos decir que las discretas surgen generalmente al contar, mientras que las continuas aparecen cuando se mide. - na variable aleatoria continua tericamente puede asumir cualquier valor entre dos lmites dados, o sea que sus variaciones son infinitesimales, mientras que en las variables aleatorias discretas existen saltos o interrupciones entre los valores que puede tomar. - Una variable aleatoria X es discreta, si solamente puede tomar un conjunto numerable de valores. Estas variables solamente pueden tomar un nmero finito o infinito contable de valores. Ejemplo: 1.- El sistema hidrulico de una fbrica de tornillos fluye a travs de 3 vlvulas del punto A al punto B, el funcionamiento de cada vlvula es independiente. Cada vlvula se abre mediante una seal, con una probabilidad de 0.8, 0.9, 0.85. Interesa el nmero de vas por el cual puede circular el agua del punto A al punto B.

Como primer paso definiremos nuestra variable aleatoria. "X"= # de vlvulas por las cuales fluye el agua. Los valores que puede tomar x = 0, 1, 2; debido a que son 2 vlvulas las que tenemos y el agua puede fluir por las dos (2), por una (1) o por ninguna (0). El siguiente paso es calcular la probabilidad de cada uno de estos valores, considerando todas las variables con el valor de la variable aleatoria que estamos analizando. Se describen cada una de las diferentes posibilidades, dependiendo de cada valor:

A) No hay ninguna vlvula abierta: 1.- La vlvula I est cerrada, la vlvula II est cerrada y la vlvula III est cerrada. 2.- La vlvula I est cerrada, la vlvula II est cerrada y la vlvula III est abierta. 3.- La vlvula I est cerrada, la vlvula II est abierta y la vlvula III est cerrada. Entonces: P(x=0) = (0.2)(0.1)(0.15) + (0.2)(0.1)(0.85) + (0.2) (0.9)(0.15) P(x=0) = 0.003 + 0.017 + 0.027 P(x=0)= 0.047 esto representa la probabilidad de que el agua no fluya por ninguna de las 2 vlvulas. B) Hay una vlvula abierta: 1.- La vlvula I est abierta, la vlvula II est cerrada y la vlvula III est cerrada. 2.- La vlvula I est abierta, la vlvula II est cerrada y la vlvula III est abierta. 3.- La vlvula I est abierta, la vlvula II est abierta y la vlvula III est cerrada. 4.- La vlvula I est cerrada, la vlvula II est abierta y la vlvula III est abierta. Entonces P(x=1) = (0.8)(0.1)(0.15) + (0.8)(0.1)(0.85) + (0.8)(0.9)(0.15) + (0.2)(0.9)(0.85) P(x=1) = 0.012 + 0.068 + 0.108 + 0.153= 0.341 P(x=1)= 0.341 esto representa la probabilidad de que el agua fluya por una de las 2 vlvulas. C) Hay dos vlvulas abiertas: 1.- La vlvula I est abierta, la vlvula II est abierta y la vlvula III est abierta. Entonces P(x=2) = (0.8)(0.9)(0.85) P(x=1)= 0.612 esto representa la probabilidad de que el agua fluya por las 2 vlvulas.

Continuas: el conjunto de posibles valores es no numerable. Puede tomar todos los valores de un intervalo. Son el resultado de medir.

Una variable aleatoria discreta X es una funcin que asigna valores numricos a los sucesos elementales de un espacio maestral Una variable aleatoria se llama continua si puede asumir todos los valores posibles en el rango posible de la variable aleatoria. Supongamos que la temperatura en una ciudad en el mes de junio, en los ltimos aos siempre ha sido entre a centgrados. La temperatura se

puede tomar cualquier valor entre los rangos de da puede ser o

. Latemperatura en cualquier

o puede tomar cualquier valor entre , Significa que la temperatura se encuentra

y . Cuando decimos que la temperatura es

entre algn punto entre a . Cualquier observacin que se toma cae en el intervalo. No hay nada como una observacin exacta de la variable continua. En variable aleatoria discreta los valores de la variable son exactamente igual que 0, 1, 2 bulbos de buena. En variable aleatoria continua el valor de la variable no es nunca un punto exacto. Siempre es en forma de un intervalo, el intervalo puede ser muy pequea.

DISTRIBUCIONES DE PROBABILIDAD: En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria. Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x.

Distribuciones discretas Aquellas que estan asociadas a variables aleatorias discretas. Distribucion degenerada. Una variable aleatoria X es degenerada en un valor real a 2 R si toma dicho valor con probabilidad 1, es decir P(X = a) = 1, su media y varianza son entonces obvias a partir de resultados del tema anterior, E[X] = a ; var[X] = 0: Las distribuciones discretas son aquellas en las que la variable puede pude tomar un nmero determinado de valores: Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32. Las distribuciones continuas son aquellas que presentan un nmero infinito de posibles soluciones: Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida de una poblacin (72,5 aos, 7,513 aos, 72, 51234 aos). En este apartado nos centraremos exclusivamente en estudiar las principales distribuciones discretas, que adems se basan cada una de ellas en la anterior. Un modelo matemtico es una expresion matemtica que se utiliza para representar una variable de inters.

Distribucin Binomial La distribucin de probabilidad binomial es uno de los modelos matemticas mas tiles. La distribucin binomial se utiliza cuando la variable aleatoria discreta de inters es el numero de xitos en una muestra compuesta por n observaciones DISTRIBUCION BINOMIAL La distribucin binomial es una distribucin de probabilidades que surge al cumplirse cinco condiciones: 1. 2. 3. 4. 5. 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.

DISTRIBUCION DE POISSON Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de tal manera que si se reduce lo suficiente el rea de oportunidad o el intervalo, 1. La probabilidad de observar exactamente un xito en el intervalo es constante. 2. La probabilidad de obtener ms de un xito en el intervalo es 0. 3. La probabilidad de observar un xito en cualquier intervalo es estadsticamente independiente de la de cualquier otro intervalo. Esta distribucin se aplica en situaciones como:

El numero de pacientes que llegan al servicio de emergencia de un hospital en un intervalo de tiempo. El numero de radiaciones radiactivas que se recibe en un lapso de tiempo, El numero de glbulos blancos que se cuentan en una muestra dada. El numero de partos triples por ao

Su utilidad en el rea de la salud es muy amplia.

DISTRIBUCION CONTINUAS: NORMAL Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:

Un 50% de los valores estn a la dercha de este valor central y otro 50% a la izquierda Esta distribucin viene definida por dos parmetros: X: N (m, s 2) m : es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss). s 2 : es la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos. Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal tipificada", y su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin. Distribucin t de Student

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de unapoblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias entre dos medias muestrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra. La distribucin t de Student es la distribucin de probabilidad del cociente

donde

Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrado con grados de libertad Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad .

DISTRIBUCIONES CONTINUAS CHI-CUADRADO La Distribucin chi-cuadrado, tiene por funcin de densidad

Donde el parmetro k de

, se denomina grados de libertad de la distribucin.

La Distribucin chi-cuadrado no tiene sentido para valores negativos de x, como se puede ver en la figura. Tngase en cuenta que para k = 1 y k = 2 la funcin de densidad para x = 0, se hace infinito:

Para el resto de los valores de k, para x = 0, la funcin vale 0.

La Distribucin de probabilidad de esta funcin para valores menores de un x dado, que representamos por

donde:

Esta integral no tiene una solucin conocida, y solo se conocen mtodos numricos para calcular sus valores, hay distintos tipos de tablas y algoritmos para ordenador con los que se pueden calcular sus soluciones, veamos una tabla distribucin chi-cuadrado y su modo de utilizacin.

Distribucin geomtrica

En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o

la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito, contenido en el conjunto { 0, 1, 2, 3,... }.

Cual de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y conveniencia. Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es

para x = 0, 1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una progresin geomtrica. El valor esperado de una variable aleatoria X distribuida geomtricamente es

y dado que Y = X-1,

En ambos casos, la varianza es

Teorema de chebyshev
Teorema de Chebyshev: Para un conjunto cualquiera de observaciones (muestra o poblacin), la proporcin mnima de los valores que se encuentran dentro de k desviaciones estndares desde la media es al menos 1 - 1/k2, donde k es una constante mayor que 1. o Regla emprica: Para una distribucin de frecuencias simtrica de campana, aproximadamente 68% de las observaciones estar a ms y menos una desviacin estndar desde la media, aproximadamente 95% de tales observaciones se encontrar a ms y menos dos desviaciones estndares de la misma; y prcticamente todas las observaciones (99,7%)se hallarn a ms y menos tres desviaciones con respecto a la media. Curva simtrica de campana que muestra las relaciones entre la desviacin estndar y la media -3s -2s -1s X 1s 2s 3s 70 80 90 100 110 120 130 68% 95% 99,7% Si una distribucin es simtrica con forma de campana, prcticamente todas las observaciones se encuentran entre la media ms o menos tres desviaciones estndares.

 Dispersin Relativa: Karl Pearson (1857-1936) desarroll una medida relativa denominada coeficiente de variacin(CV). Es una medida til cuando: Los datos estn en unidades diferentes(como U$S y das de asistencia). Los datos estn en la mismas unidades, pero las medias muy distantes (ingresos de superiores e ingresos de empleados). o Coeficiente de variacin: es la razn (cociente) de la desviacin estndar a la media aritmtica, expresada como un porcentaje: s CV = (100) X Karl Pearson desarroll tb una medida para evaluar el grado de orientacin al sesgo, denominada coeficiente de asimetra (CA): 3 ( media - mediana) CA = Desviacin Estndar Otras medidas de dispersin: Un mtodo es determinar la ubicacin de los valores que dividen un conjunto de observaciones en partes iguales. Estas medidas son: o Los cuartiles, que dividen un conjunto de observaciones en 4 partes iguales(conjuntos ordenados de menor a mayor). El primer cuartil (Q1) es el valor abajo del cual se encuentra el 25% de las observaciones, y, el tercer cuartil (Q3) es el valor por abajo del cual se encuentra el 75% de las observaciones. Q2 es la mediana. o Los deciles dividen un conjunto de observaciones en 10 partes iguales. o Los centiles se utilizan para reportar resultados acerca de ciertas pruebas nacionales estandarizadas, empleado para calificar la admisin a programas. Cuartiles, Deciles y Centiles ( o Porcentiles): Para formalizar el procedimiento, sea Lp la ubicacindel centil deseado. Ej: porcentil 33 L33 . El nmero de observaciones es n. Entonces se aplica: (n +1) /2 Ubicacin de un centil Lp = (n +1) P/100 o Diagramas de caja: representacin grfica basada en cuartiles, que ayuda a ilustrar un conjunto de dato. Se necesitan 5 valores estadsticos: el valor mnimo; Q1 ; la mediana; Q3 ; y el valor mximo. MedianaQ1 Q3 Valor mnimo Valor Mximo La distancia entre los extremos de la caja se denomina amplitud cuartlica ( o intercuartlica). Dicho intervalo es la distancia entre el primero y el tercer cuartiles.Se indican dos asteriscos (**) . Uno indica n dato impropio. Un dato incongruente es un valor inconsciente con el resto de los datos. Es como aquel valor que ms de 1,5 veces el valor de la amplitud intercuartlica, mayor que Q3 o bien, menor que Q1. Dato incongruente = Q1 - 1,5 (Q3 - Q1)