VARIABLES ALEATORIAS DISCRETAS

Distribución uniforme

La distribución uniforme es la que corresponde a una variable que toma todos

sus valores, x1, x2... , xk, con igual probabilidad; el espacio muestral debe ser finito.

Si la variable tiene k posibles valores, su función de probabilidad sería:

donde k es el parámetro de la distribución (un parámetro es un valor que sirve para

determinar la función 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 función toma el aspecto de un rectángulo, por ello, a la

distribución uniforme se le suele llamar distribución rectangular.

Distribución binomial

La distribución binomial es típica de las variables que proceden de un

experimento que cumple las siguientes condiciones:

1) El experimento está compuesto de n pruebas iguales, siendo n un número

natural fijo.
 2) Cada prueba resulta en un suceso que cumple las propiedades de la variable
binómica o de Bernouilli, es decir, sólo existen dos posibles resultados,
mutuamente excluyentes, que se denominan generalmente como éxito y
fracaso.

3) La probabilidad del ‚éxito (o del fracaso) es constante en todas las pruebas.

P(éxito) = p ; P(fracaso) = 1 - p = q

4) Las pruebas son estadísticamente independientes,

En estas condiciones, la variable aleatoria X que cuenta el número de ‚éxitos

en las n pruebas se llama variable binomial. Evidentemente, el espacio muestral
estar compuesto por los números enteros del 0 al n. Se suele decir que una variable
binómica cuenta objetos de un tipo determinado en un muestreo de n elementos con
reemplazamiento.

La función de probabilidad de la variable binomial se representa como

b(x,n,p) siendo n el número de pruebas y p la probabilidad del ‚éxito. n y p son los
parámetros de la distribución.

La media y la varianza de la variable binomial se calculan como:

Media = μ = n p

Varianza = σ2 = n p q

Gráficamente el aspecto de la distribución depende de que sea o no

simétrica Por ejemplo, el caso en que n = 4:
 VARIABLES ALEATORIAS CONTINUAS

Distribución normal o de Gauss

La distribución normal fue definida por De Moivre en 1733 y es la

distribución de mayor importancia en el campo de la estadística.

Una variable es normal cuando se ajusta a la ley de los grandes números, 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 función de densidad con forma de

campana a la que se llama campana de Gauss.

Su función de densidad es la siguiente:

Los parámetros de la distribución son la media y la desviación típica, μ y σ,

respectivamente. Como consecuencia, en una variable normal, media y desviación
típica no deben estar correlacionadas en ningún caso (como desgraciadamente
ocurre en la inmensa mayoría de las variables aleatorias reales que se asemejan a
la normal.

La curva normal cumple las siguientes propiedades:

1) El máximo de la curva coincide con la media.

2) Es perfectamente simétrica respecto a la media (g 1 = 0).
3) La curva tiene dos puntos de inflexión situados a una desviación típica de la
media. Es convexa entre ambos puntos de inflexión y cóncava en ambas
colas.
 4) Sus colas son asintóticas al eje X.

Para calcular probabilidades en intervalos de valores de la variable, habría

que integrar la función de densidad entre los extremos del intervalo. Por desgracia (o
por suerte), la función de densidad normal no tiene primitiva, es decir, no se puede
integrar. Por ello la única solución es referirse a tablas de la función de distribución
de la variable (calculadas por integración numérica) Estas tablas tendrían que ser de
triple entrada (μ, σ, valor) y el asunto tendría 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
distribución 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 ecuación:

La función de distribución de la variable normal tipificada está tabulada y,

simplemente, consultando en las tablas se pueden calcular probabilidades en
cualquier intervalo que nos interese.

De forma análoga 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
Distribución T de Student

Supongamos dos variables aleatorias independientes, una normal tipificada,

Z, y otra con distribución  con  grados de libertad, la variable definida según la
ecuación:

Tiene distribución t con  grados de libertad.

La función de densidad de la distribución t es:

El parámetro de la distribución t es , su número de grados de libertad.

Esta distribución es simétrica respecto al eje Y y sus colas se aproximan

asintóticamente al eje X. Es similar a la distribución Z salvo que es platicúrtica y, por
tanto, más aplanada.

Cuando n tiende a infinito, t tiende asintóticamente a Z y se pueden

considerar prácticamente iguales para valores de n mayores o iguales que 30..

Variables T con valores de  progresivamente mayores

son cada vez menos platicúrticas

 Comparación entre la variable T y la normal tipificado.

Distribución F de Fisher - Snedecor

Sean U y V dos variables aleatorias independientes con distribución  con

1 y 2 grados de libertad, respectivamente. La variable definida según la ecuación:

Tiene distribución F con 1, 2 grados de libertad.

La función de densidad de la distribución F es:

Los parámetros de la variable F son sus grados de libertad 1 y 2.

Las distribuciones F tienen una propiedad que se utiliza en la construcción de

tablas que es la siguiente:

Llamemos f1,2 al valor de una distribución F con 1 y 2 grados de libertad

que cumple la condición, P(F > f1,2) = α; llamemos f1,2 al valor de una
distribución F con 1 y 2 grados de libertad que cumple la condición, P(F > f 1,2)
= 1- α. Ambos valores están relacionados de modo que uno es el inverso del otro.

Variables F con distintos valores de 1, 2