1

Instituto tecnolgico de
Campeche




Ing. Qumica
Ivn Alberto Aguirre medina


Anlisis de datos experimentales




Misin
Formar Ingenieros qumicos con una slida preparacin cientfico-
tecnolgica y una conciencia social que les permita contribuir al desarrollo
nacional sustentable y a incrementar la calidad de vida del ser humano.
Visin
Ser el mejor programa de Ingeniera Qumica de Latinoamrica, gozar de
gran prestigio a nivel mundial, estar acreditado, por la alta calidad cientfica,
tecnolgica y humana de sus egresados, quienes ejercen un gran impacto
en su entorno laboral y caracterizarse por una interaccin dinmica con el
sector industrial


2
ndice

Variable aleatoria discreta--------------------------------------------3
Distribucin uniforme ----------------------------------------------------------------------------4
Distribucin binomial -----------------------------------------------------------------------------4
Distribucin multinomial ------------------------------------------------------------------------6
Distribucin hipergeomtrica-------------------------------------------------------------------6
Distribucin multihipergeomtrica------------------------------------------------------------8
Distribucin de poisson--------------------------------------------------------------------------8


Variable aleatoria contina---------------------------------------10
Distribucin normal o de Gauss-----------------------------------------------------------------------------------11
Distribucin exponencial---------------------------------------------------------------------------------------------13
Distribucin Chi-cuadrado-------------------------------------------------------------------------------------------14
Distribucin T de Student--------------------------------------------------------------------------------------------15

Conclusin---------------------------------------------------------------------------17
Biografa------------------------------------------------------------------------------17






3
Variable Aleatoria Discreta
Las variables aleatorias pueden ser discretas y continuas. trataremos de explicar 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.
De acuerdo a lo anterior podemos decir que:
Una variable aleatoria X es discreta, si solamente puede tomar un conjunto numerable de valores.
Como ejemplos de variables aleatorias discretas podemos mencionar: el nmero de libros en una
biblioteca, el nmero de habitantes en una poblacin, la cantidad de dinero que una persona trae
En su bolsillo, el nmero de aves en un gallinero, el nmero de admisiones diarias a un hospital, el
nmero de accidentes automovilsticos en una carretera durante un ao, etc.
Sea X una variable aleatoria asociada con un experimento aleatorio. Si el resultado de un
experimento es a, entonces decimos que en esta prueba la variable aleatoria X ha tomado el valor
a, o que hemos observado el valor X = a.
Una variable aleatoria tiene las siguientes propiedades:
1. La variable aleatoria X es un evento que se define en el espacio muestral S del experimento y
sus valores son nmeros reales.
2. Sea a cualquier nmero real y sea I cualquier intervalo de S. Entonces el conjunto de todos los
valores para los que X = a tiene una probabilidad bien definida y lo mismo se cumple para todos los
valores de X que estn en I.
Ejemplo 4. 1. Sea el experimento de lanzar 3 veces una moneda y representemos por X el evento
del nmero de caras que aparecen. Encontrar los valores que puede tomar la variable aleatoria.
Solucin.
El espacio muestral de lanzar 3 veces una moneda es:
S = { ccc, cc+, c+c, +cc, c++, +c+, ++c, +++}
Si solamente nos interesa el nmero de caras que aparecen, entonces al punto muestral (+++) le
corresponde el valor cero porque no hay ninguna cara, a cada punto muestral donde hay una cara
(c++, +c+, ++c) le corresponde el valor 1 y as los dems puntos muestrales. Por lo tanto:
X(+++) = 0
(c++) = X(+x+) = X(++c) = 1
X(cc+) = X(c+c) = X(+cc) = 2

4
X(ccc) = 3
Distribucin uniforme
La distribucin uniforme es la que corresponde a una variable que toma todos sus valores, x
1
, x
2
... ,
x
k
, con igual probabilidad; el espacio muestral debe ser finito.
Si la variable tiene k posibles valores, su funcin de probabilidad sera:

Donde k es el parmetro de la distribucin (un parmetro es un valor que sirve para determinar la
funcin de probabilidad o densidad de una variable aleatoria
La media y la varianza de la variable uniforme se calculan por las expresiones:

El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la distribucin uniforme
se le suele llamar distribucin rectangular.

Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un experimento que cumple las
siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero natural fijo.
2) Cada prueba resulta en un suceso que cumple las propiedades de la variable binmica o
de Bernouilli, es decir, slo existen dos posibles resultados, mutuamente excluyentes, que
se denominan generalmente como xito y fracaso.

5
3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas. P(xito) = p ;
P(fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en las n pruebas se
llama variable binomial. Evidentemente, el espacio muestra estar compuesto por los nmeros
enteros del 0 al n. Se suele decir que una variable binmica cuenta objetos de un tipo determinado
en un muestreo de n elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como b(x,n,p) siendo n el
nmero de pruebas y p la probabilidad del xito. n y p son los parmetros de la distribucin.


La manera ms fcil de calcular de valor de nmeros combinatorios, como los incluidos en la
expresin anterior, es utilizando el tringulo de Tartaglia


La media y la varianza de la variable binomial se calculan como:
Media = = n p
Varianza =
2
= n p q
Grficamente el aspecto de la distribucin depende de que sea o no simtrica Por ejemplo, el caso
en que n = 4:

6

Distribucin multinomial
La distribucin multinomial es esencialmente igual a la binomial con la nica diferencia de que cada
prueba tiene ms de dos posibles resultados mutuamente excluyentes.
Si tenemos K resultados posibles (E
i
, i = 1, ... , K) con probabilidades fijas (p
i
, i = 1, ... , K), la
variable que expresa el nmero de resultados de cada tipo obtenidos en n pruebas independientes
tiene distribucin multinomial.

La probabilidad de obtener x
1
resultados E
1
, x
2
resultados E
2
, etc. se representa como:


Los parmetros de la distribucin son p
1
,..., p
K
y n.
Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las
siguientes condiciones:
1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de N
objetos.
2) K de los N objetos se pueden clasificar como xitos y N - K como fracasos.

7
X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los
nmeros enteros de 0 a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del
resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre s.
La funcin de probabilidad de la variable hipergeomtrica es:

Los parmetros de la distribucin son n, N y K.
Los valores de la media y la varianza se calculan segn las ecuaciones:

Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy poco de una
prueba a otra, as pues, la variable, en este caso, es esencialmente binomial; en esta situacin, N
suele ser muy grande y los nmeros combinatorios se vuelven prcticamente inmanejables, as
pues, la probabilidades se calculan ms cmodamente aproximando por las ecuaciones de una
binomial con p = K / N.
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la de la variable antes de
la aproximacin; sin embargo, la varianza de la variable binomial es ligeramente superior a la de la
hipergeomtrica.

El factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto sea que n << N.
El aspecto de la distribucin es bastante similar al de la binomial. Como ejemplo, mostramos los
casos anlogos a los de las binomiales del apartado anterior (p inicial = 0,25 y n = 4)

8


Distribucin multihipergeomtrica
Este variable se define igual que la hipergeomtrica con la nica diferencia de que se supone que
el conjunto de objetos sobre el que se muestrea se divide en R grupos de A
1
, A
2
,..., A
R
objetos y la
variable describe el nmero de objetos de cada tipo que se han obtenido (x
1
, x
2
,..., x
R
)


Esta situacin es anloga a la planteada en el caso de la distribucin multinomial. La
funcin de probabilidad es:

Distribucin de poisson
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que
ocurren en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es
independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del
anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es proporcional al
tamao de este y no depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del tiempo o del
espacio tiende a cero a medida que se reducen las dimensiones de la regin en
estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en
las que se cuentan sucesos raros.

9
La funcin de probabilidad de una variable Poisson es:


El parmetro de la distribucin es que es igual a la media y a la varianza de la variable.

Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que
se presenten serias dificultades para verificar los postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin
binomial cuando n tiende a y p tiende a 0, siendo np constante (y menor que 7); en esta
situacin sera difcil calcular probabilidades en una variable binomial y, por tanto, se utiliza una
aproximacin a travs de una variable Poisson con media l = n p.
La varianza de la variable aproximada es ligeramente superior a la de la variable binomial.


Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes
es otra Poisson con media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la media. Como ejemplo,
mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5 (arriba a la derecha) y = 5
(abajo) Obsrvese que la asimetra de la distribucin disminuye al crecer y que, en paralelo, la
grfica empieza a tener un aspecto acampanado.








10
Variable aleatoria contina
Una variable aleatoria X es continua si su funcin de distribucin es una funcin continua.
En la prctica, se corresponden con variables asociadas con experimentos en los cuales la variable
medida puede tomar cualquier valor en un intervalo: mediciones biomtricas, intervalos de tiempo,
reas, etc.
Ejemplos
Resultado de un generador de nmeros aleatorios entre 0 y 1. Es el ejemplo ms sencillo que
podemos considerar, es un caso particular de una familia de variables aleatorias que tienen una
distribucin uniforme en un intervalo [a, b]. Se corresponde con la eleccin al azar de cualquier
valor entre a y b.
Estatura de una persona elegida al azar en una poblacin. El valor que se obtenga ser una
medicin en cualquier unidad de longitud (m, cm, etc.) dentro de unos lmites condicionados por la
naturaleza de la variable. El resultado es impredecible con antelacin, pero existen intervalos de
valores ms probables que otros debido a la distribucin de alturas en la poblacin. Ms adelante
veremos que, generalmente, variables biomtricas como la altura se adaptan un modelo de
distribucin denominado distribucin Normal y representado por una campana de Gauss.
Dentro de las variables aleatorias continuas tenemos las variables aleatorias absolutamente
continuas.
Diremos que una variable aleatoria X continua tiene una distribucin absolutamente continua si
existe una funcin real f, positiva e integrable en el conjunto de nmeros reales, tal que la funcin
de distribucinF de X se puede expresar como

Una variable aleatoria con distribucin absolutamente continua, por extensin, se clasifica como
variable aleatoria absolutamente continua.
En el presente manual, todas las variables aleatorias continuas con las que trabajemos pertenecen
al grupo de las variables absolutamente continuas, en particular, los ejemplos y casos expuestos
Distribucin normal o de Gauss
La distribucin normal fue definida por De Moivre en 1733 y es la distribucin de mayor
importancia en el campo de la estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando
sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas
causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de campana a la que se
llama campana de Gauss.
Su funcin de densidad es la siguiente:

11


Los parmetros de la distribucin son la media y la desviacin tpica, y ,
respectivamente. Como consecuencia, en una variable normal, media y desviacin tpica no deben
estar correlacionadas en ningn caso (como desgraciadamente ocurre en la inmensa mayora de
las variables aleatorias reales que se asemejan a la normal.
La curva normal cumple las siguientes propiedades:
1) El mximo de la curva coincide con la media.
2) Es perfectamente simtrica respecto a la media (g
1
= 0).
3) La curva tiene dos puntos de inflexin situados a una desviacin tpica de la media. Es
convexa entre ambos puntos de inflexin y cncava en ambas colas.

4) Sus colas son asintticas al eje X.

Para calcular probabilidades en intervalos de valores de la variable, habra que integrar la
funcin de densidad entre los extremos del intervalo. por desgracia (o por suerte), la funcin de
densidad normal no tiene primitiva, es decir, no se puede integrar. Por ello la nica solucin es
referirse a tablas de la funcin de distribucin de la variable (calculadas por integracin numrica)

12
Estas tablas tendran que ser de triple entrada (, , valor) y el asunto tendra una complejidad
enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede establecer una
correspondencia de sus valores con los de otra variable con distribucin normal, media 0 y
varianza 1, a la que se llama variable normal tipificada o Z. La equivalencia entre ambas variables
se obtiene mediante la ecuacin:


La funcin de distribucin de la variable normal tipificada est tabulada y, simplemente,
consultando en las tablas se pueden calcular probabilidades en cualquier intervalo que nos
interese.
De forma anloga a lo pasaba con las variables Poisson, la suma de variables normales
independientes es otra normal.


Histograma de una normal idealizada Histograma de una muestra de una variable
normal



Distribucin Gamma ()
La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es:


La funcin de densidad de la distribucin gamma es:

13


y son los parmetros de la distribucin.
La media y la varianza de la variable gamma son:




Distribucin exponencial
Es un caso particular de la distribucin gamma cuando = 1. Su funcin de densidad es:


Su parmetro es .
La media y la varianza de la distribucin exponencial son:


14
Distribucin Chi-cuadrado
Es otro caso particular de la distribucin gamma para el caso = 2 y = n / 2, siendo n un
nmero natural.
Su funcin de densidad es:


El parmetro de la distribucin es y su media y su varianza son, respectivamente:

Otra forma de definir la distribucin es la siguiente: Supongamos que tenemos n
variables aleatorias normales independientes, X
1
,..., X
n
, con media
i
y varianza (i = 1 ... n), la
variable definida como


tiene distribucin con n grados de libertad y se le denomina
n
.

Variables chi-cuadrado con valores de progresivamente
mayores son cada vez menos asimtricas.

15

Distribucin T de Student
Supongamos dos variables aleatorias independientes, una normal tipificada, Z , y otra con
distribucin con grados de libertad, la variable definida segn la ecuacin:


tiene distribucin t con grados de libertad.
La funcin de densidad de la distribucin t es:


El parmetro de la distribucin t es
Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan asintticamente al
eje X. Es similar a la distribucin Z salvo que es platicrtica y, por tanto, ms aplanada.
Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden considerar
prcticamente iguales para valores de n mayores o iguales que 30..

Variables T con valores de progresivamente mayores
son cada vez menos platicrticas

16

Comparacin entre la variable T y la normal tipificado.
Distribucin F de Snedecor
Sean U y V dos variables aleatorias independientes con distribucin con
1
y
2
grados de
libertad, respectivamente. La variable definida segn la ecuacin:


tiene distribucin F con
1
,
2
grados de libertad.
La funcin de densidad de la distribucin F es:


Los parmetros de la variable F son sus grados de libertad
1
y
2
.
Las distribuciones F tienen una propiedad que se utiliza en la construccin de tablas que es
la siguiente:
Llamemos f al valor de una distribucin F con
1
y
2
grados de libertad que cumple
la condicin, P(F > f ) = ; llamemos f al valor de una distribucin F
con
1
y
2
grados de libertad que cumple la condicin, P(F > f ) = 1- . Ambos valores
estn relacionados de modo que uno es el inverso del otro.

17



Variables F con distintos valores de
1
,
2


Conclusin

Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores lgicos, funciones... El trmino elemento aleatorio se utiliza para
englobar todo ese tipo de conceptos relacionados. Un concepto relacionado es el
de proceso estocstico, un conjunto de variables aleatorias ordenadas (habitualmente por
orden o tiempo).

Biografa
http://www.slideshare.net/colcaxsiempre/variables-aleatorias-discretas-y-continuas
http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones%20discretas.pdf
http://www.ditutor.com/estadistica/variables_tipos.html
http://www.dm.uba.ar/materias/estadistica_Q/2008/1/EstadQuimVsAsContinuas.pdf