Está en la página 1de 64

INSTITUTO TECNOLGICO DE

MINATITLN
MATERIA:
PROBABILIDAD Y ESTADSTICA
PROFESOR:
ING. NSTOR GUTIRREZ REYES
TRABAJO:
PORTAFOLIO DE EVIDENCIAS
PARA LA ACREDITACIN DE LA TERCERA UNIDAD
QUE LLEVA POR NOMBRE:
FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES
PRESENTAN:
NO. DE CONTROL
13230776 GARCA GARCA, ALAN RAFAEL.
13230727 MONOBE ESCOBEDO, MANUEL ANTONIO.
13230731 OLAN VALDIVIESO, LEONARDO FRANCISCO
13230763 VEGA LPEZ, IRVING.
CARRERA:
INGENIERA EN ELECTRNICA


MINATITLN, VER., 28 DE ABRIL DEL 2014.

Agradecimientos
Agradezco a mi profesor Ing. Nstor Gutirrez Reyes, ya que sin su amistad, impulso y
gran ayuda desinteresada este portafolio de evidencia no habra sido posible.

El gran apoyo y ayuda desinteresada por parte de
Mi gran Tecnolgico.
A m querida Carrera.
A mis maestros con aprecio.
Y a todas aquellas personas que hicieron
Posible la elaboracin de este trabajo.








ndice
Agradecimientos2
ndice....3
Introduccin...5
Carta de presentacin.....7
Marco terico............................................................................................................ ... 9
1.1. Variables aleatorias y su clasificacin...................... 9
1.2. Distribuciones de probabilidad discretas............... 11
1.2.1. Distribucin Hipergeomtrica..... 13
1.2.2. Distribucin de Poisson........................ 16
1.3. Distribuciones de probabilidad continuas.................................................. 20
1.3.1. Distribucin t.............................................. 21
1.3.2. Distribucin Chi-cuadrada... . 24
1.3.3. Distribucin F..... 29
1.4. Esperanza matemtica... 35
Objetivo general 36
Competencia especfica a desarrollar...................... 36
Nmero de integrantes.................. 36
Programa de la unidad.. .. 37
Actividades de aprendizaje....... 37
Calendario de actividades...38
Ejercicios resueltos....................39
Ejercicio 1.............. 39
Grupo1..... 41
Grupo 2..... 44
Grupo 3..47
Grupo 4.........50
Grupo 5......53
Ejercicio 2.....57
Reflexiones....62
Resumen de cierre.. .. ..64





















Introduccin
Al inicio de este curso de Probabilidad y Estadstica se analiz la Estadstica
descriptiva, en el cual vimos los puntos bsicos y procedimientos que podemos
aplicar en un conjunto de datos para su estudio.
Posteriormente estudiamos lo que es la Probabilidad y se analiz cmo podemos
resolver problemas como combinaciones y permutaciones, o simplemente calcular
la probabilidad de un evento y aplicarlo a un espacio muestral.
Pero en esta unidad con esos conocimientos previos obtenidos se pudo estudiar las
funciones de distribucin de probabilidad, las cuales nos permiten obtener la
probabilidad de un evento dentro de un intervalo dado, pero para ello se aplica lo
que es la media aritmtica y la desviacin poblacional estndar, para luego aplicar
frmulas y obtener el rea de una funcin de distribucin, esta funcin se basa en
la campana de Gauss.
Por medio de este procedimiento al obtener el rea se puede estudiar un parmetro
puede que sea un conjunto de mediciones elctricas realizadas, o mediciones de la
resistencia de un sensor de temperatura, segn sea el caso. Y con ese clculo se
puede ver de una manera clara el porcentaje de mediciones que se encuentra
dentro del intervalo, y por supuesto la probabilidad de este intervalo.
Aunque si uno analiza este procedimiento no es nada ms que clculo, en el cual
sera una integral definida, donde resolvemos la integral, sustituimos los lmites en
las variables del resultado de la integral, se resta lo que dio el lmite superior el
menor, y la diferencia es el rea bajo la curva, esa sera otra manera de resolver
ese problema de este tipo.
Por lo general, existe un alto grado de desmotivacin de los estudiantes
universitarios en cursos de probabilidad y estadstica, que se observan en las
diferencias de ritmos de aprendizaje y en que muchos no muestran un trabajo
sistemtico de estudio clase a clase. Sin embargo, son escasos los anlisis acerca
de la eficacia de la actuacin docente en dichos cursos.
Especficamente, las distribuciones muestrales son un contenido de la estadstica
que es considerado difcil por los estudiantes, ya que conjuga muchos conceptos
asociados, y diversos tipos de lenguaje y representaciones, propiedades,
procedimientos y argumentos. En particular, la presentacin directa del teorema
central del lmite en su formulacin general, es decir, independientemente de la
distribucin de las variables que intervienen en su enunciado, conduce a realizar su
demostracin mediante la funcin generadora de momentos y a plantear en el aula
ejercicios de tipo algebraico sobre el clculo de probabilidades de la media muestral.
Esta exposicin es limitada, ya que no muestra los conflictos del proceso histrico
creativo ni la forma como ha llegado a construirse esta proposicin a partir de la
suma de variables Bernoulli.
En este trabajo, se profundiza sobre la prctica en la asignatura de estadstica,
restringida a la leccin de la aproximacin de la distribucin binomial como caso
particular de lo que hoy es el teorema central del lmite (TCL). Una dificultad de esta
aproximacin es consensuar cundo n es suficientemente grande, puesto que la
precisin de la aproximacin para un valor particular de n depende de la forma de
la distribucin original y la sensibilidad del parmetro p.






















Carta de presentacin
Alan Rafael Garca Garca
El presente portafolio de evidencias se expondr el contenido de la tercera unidad
de la asignatura de probabilidad y estadstica, cuyo tema principal ser las
funciones de distribucin de probabilidad. La probabilidad y la estadstica
descriptiva pude conocerlas ms a fondo en las unidades previas a esta, pero an
hay muchas cosas que desconozco de estas ramas, me gustara poner en prctica
todo lo aprendido practicando algunos ejercicios de problemas cotidianos o incluso
de la industria, as tambin de esta forma pueda obtener nuevos conocimientos y
pueda llevarla a la prctica tanto en el futuro.





Irving Vega Lpez
Mi nombre es Vega Lpez Irving y soy estudiante del Instituto Tecnolgico de
Minatitln. Esta carta de presentacin forma parte del portafolio de evidencias de la
tercera unidad de la materia "Probabilidad y Estadstica" impartida por el Ing. Nstor
Gutirrez Reyes. Tiene como objetivo principal que continuemos con el anlisis y
comprensin del espacio muestral y las diferentes formas, tcnicas y
especificaciones que la probabilidad y estadstica (como materia de estudio en
diversas reas), tiene al arrojar diferentes tipos de datos. En esta tercera unidad nos
introduciremos en lo que son las Funciones de distribucin de probabilidades, con
esto espero no quedar resegado en el desarrollo de esta unidad, debido a que en
la unidad anterior tuve alguno que otro rezago (que afortunadamente correg), el
cual dio como resultado una comprensin de la segunda unidad un poco lenta.







Manuel Antonio Monobe Escobedo
En esta unidad aprendimos sobre los diferentes tipos de distribucin que hay y
cuando se utilizan, estos tipos de distribucin nos pueden ayudar a la hora de
obtener alguna probabilidad para poder as sacar una probabilidad ms exacta.
Estas distribuciones nos ayudan a poder plantear nuevos mtodos para hacer
clculos para poder determinar la probabilidad a los ya antes visto en este curso de
una forma ms precisa.



Leonardo Francisco Oln Valdivieso
Mi nombre es Leonardo Olan Valdivieso soy estudiante del Instituto Tecnolgico de
Minatitln de la materia de Probabilidad y estadstica. Este portafolio de evidencia
presentas mis trabajos e investigaciones que realice a lo largo del tercer parcial en
la asignatura. El curso tuvo como objetivos aprender a proporcionar conocimiento
aplicado sobre las funciones de distribucin de probabilidades, su utilizacin de
herramienta de anlisis de datos para la obtencin de informacin, y cules son las
bases que esto sustenta. Las tcnicas e informacin presentada por el docente me
ayudaron a desarrollar las destrezas de aprendizaje. Soy una persona responsable,
organizada y me gusta trabajar en grupo.









Marco Terico
1.1. Variables aleatorias y su clasificacin.
Una variable aleatoria o variable estocstica es una variable estadstica cuyos
valores se obtienen de mediciones en algn tipo de experimento aleatorio.
Formalmente, una variable aleatoria es una funcin, que asigna eventos a nmeros
reales.
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento an no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (por ejemplo como resultado
de medicin incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribucin de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lgicos, funciones, entre otros. 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).
Tipos de variables aleatorias.
Para comprender de una manera ms amplia y rigurosa los tipos de variables, es
necesario conocer la definicin de conjunto discreto. Un conjunto es discreto si est
formado por un nmero finito de elementos, o si sus elementos se pueden enumerar
en secuencia de modo que haya un primer elemento, un segundo elemento, un
tercer elemento, y as sucesivamente.
Variable aleatoria discreta
Variable aleatoria discreta: una variable aleatoria es discreta si su recorrido es un
conjunto discreto. La variable del ejemplo anterior es discreta. Sus probabilidades
se recogen en la funcin de cuanta.
Variable aleatoria continua
Una variable aleatoria es continua si su recorrido no es un conjunto numerable.
Intuitivamente esto significa que el conjunto de posibles valores de la variable
abarca todo un intervalo de nmeros reales. Por ejemplo, la variable que asigna la
estatura a una persona extrada de una determinada poblacin es una variable
continua ya que, tericamente, todo valor entre, pongamos por caso, 0 y 2,50 m, es
posible.

Distribucin de probabilidad de una variable aleatoria.
La distribucin de probabilidad de una variable aleatoria X, tambin llamada funcin
de distribucin de X es la funcin , que asigna a cada evento definido
sobre una probabilidad dada por la siguiente expresin:

Y de manera que se cumplan las siguientes tres condiciones:
1. y
2. Es continua por la derecha.
3. Es continua a la izquierda.

Funcin de densidad de una variable aleatoria continua
La funcin de densidad de probabilidad (FDP) o, simplemente, funcin de densidad,
representada comnmente como f(x), se utiliza con el propsito de conocer cmo
se distribuyen las probabilidades de un suceso o evento, en relacin al resultado del
suceso.
La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la funcin
de distribucin de probabilidad F(x), o de manera inversa, la funcin de distribucin
es la integral de la funcin de densidad:

La funcin de densidad de una variable aleatoria determina la concentracin de
probabilidad alrededor de los valores de una variable aleatoria continua.









1.2. Distribuciones de probabilidad discretas.
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.
La distribucin de probabilidad est completamente especificada por la funcin de
distribucin, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.

La distribucin Normal suele conocerse como la "campana de Gauss"

Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad
slo toma valores positivos en un conjunto de valores de X finito o infinito numerable.
A dicha funcin se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es la suma de la funcin de masa, por lo que tenemos
entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta
expresin representa la suma de todas las probabilidades desde hasta el
valor .




Distribuciones de variable discreta ms importantes
Las distribuciones de variable discreta ms importantes son las siguientes:
*Distribucin binomial.
*Distribucin binomial negativa.
*Distribucin Poisson.
*Distribucin geomtrica.
*Distribucin hipergeomtrica.
*Distribucin de Bernoulli.
*Distribucin Rademacher, que toma el valor 1 con probabilidad y el valor -1 con
probabilidad .
*Distribucin uniforme discreta, donde todos los elementos de un conjunto finito son
equiprobables.













1.2.1. Distribucin Hipergeomtrica.

En teora de la probabilidad la distribucin hipergeomtrica es
una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen
a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad
de obtener x ( ) elementos de la categora A en una muestra sin
reemplazo de n elementos de la poblacin original.
La funcin de probabilidad de una variable aleatoria con distribucin
hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es
igual a

donde es el tamao de poblacin, es el tamao de la muestra extrada, es
el nmero de elementos en la poblacin original que pertenecen a la categora
deseada y es el nmero de elementos en la muestra que pertenecen a dicha
categora. La notacin hace referencia al coeficiente binomial, es decir, el
nmero de combinaciones posibles al seleccionar elementos de un total .
El valor esperado de una variable aleatoria X que sigue la distribucin
hipergeomtrica es

y su varianza,
En la frmula anterior, definiendo y se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y
la binomial a muestreos con reemplazo. En situaciones en las que el nmero
esperado de repeticiones en el muestreo es presumiblemente bajo, puede
aproximarse la primera por la segunda. Esto es as cuando N es grande y el tamao
relativo de la muestra extrada, n/N, es pequeo.
Distribucin hipergeomtrica
Parmetros


Dominio

Funcin de probabilidad(fp)

Media

Moda

Varianza

Coeficiente de simetra

Curtosis


Funcin generadora de
momentos(mgf)


























Funcin caracterstica

1.2.2. Distribucin de Poisson.
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin
de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra un determinado nmero de eventos durante
cierto perodo de tiempo.
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilit des jugements en matires criminelles et
matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).
Propiedades.
La funcin de masa o densidad de la distribucin de Poisson es
Donde:
k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la
probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se espera
que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en
la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin
de Poisson son iguales a . Los momentosde orden superior son polinomios de
Touchard en cuyos coeficientes tienen una interpretacin combinatorio. De hecho,
cuando el valor esperado de la distribucin de Poisson es 1, entonces segn
la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de
tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es
igual a , el mayor de los enteros menores que (los smbolos representan
la funcin parte entera). Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor
esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente
divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de
parmetro 0 a otra de parmetro es:

















Distribucin de Poisson

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las
lneas que conectan los puntos son solo guas para el ojo y no indican continuidad.
Funcin de probabilidad

El eje horizontal es el ndice k.
Funcin de distribucin de probabilidad
Parmetros

Dominio

Funcin de
probabilidad(fp)

Funcin de
distribucin(cdf)
(dnde es laFuncin gamma
incompleta)
Media

Mediana

Moda

Varianza

Coeficiente de
simetra

Curtosis

Entropa

Funcin
generadora de
momentos(mgf)

Funcin
caracterstica




1.3. Distribuciones de probabilidad continuas.
Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es la integral de la funcin de densidad, por lo que
tenemos entonces que:

Distribuciones de variable continua ms importantes
Las distribuciones de variable continua ms importantes son las siguientes:
*Distribucin chi cuadrado.
*Distribucin exponencial.
*Distribucin t de Student.
*Distribucin normal.
*Distribucin Gamma.
*Distribucin Beta.
*Distribucin F.
*Distribucin uniforme (continua).
*Distribucin de Weibull.
*Distribucin de Pareto.







1.3.1. Distribucin t.
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de
probabilidad que surge del problema de estimar la media de
una poblacin 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 de Student fue descrita en 1908 por William Sealy Gosset. Gosset
trabajaba en una fbrica de cerveza, Guinness, que prohiba a sus empleados la
publicacin de artculos cientficos debido a una difusin previa de secretos
industriales. De ah que Gosset publicase sus resultados bajo el seudnimo de
Student.
La distribucin t de Student es la distribucin de probabilidad del cociente

donde
Z tiene una lateral de media nula y mediana 1
x tiene una [distribucin bilateral] con grados de confianza
o y z 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 .







Distribucin t de Student

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros grados de libertad (real)
Dominio

Funcin de
densidad(pdf)

Funcin de
distribucin(cdf)
donde es la funcin hipergeomtrica
Media para , indefinida para otros valores
Mediana

Moda

Varianza
para , indefinida para otros valores
Coeficiente de
simetra
para
Curtosis
para
Entropa

: funcin digamma,
: funcin beta
Funcin
generadora de
momentos(mgf)
(No definida)































1.3.2. Distribucin chi-cuadrada (

)
En estadstica, la distribucin (de Pearson), llamada Chi cuadrado o Ji cuadrado,
es una distribucin de probabilidad continua con un parmetro que representa
los grados de libertad de la variable aleatoria

donde son variables aleatorias normales independientes de media cero
y varianza uno. El que la variable aleatoria tenga esta distribucin se representa
habitualmente as: .
Es conveniente tener en cuenta que la letra griega se transcribe al latn como chi y
se pronuncia en castellano como ji.
Su funcin de densidad es:

donde es la funcin gamma.
Su funcin de distribucin es:

donde es la funcin gamma incompleta.
El valor esperado y la varianza de una variable aleatoria X con distribucin son,
respectivamente, k y 2k.
La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms
conocida es la de la denominada prueba utilizada como prueba de independencia
y como prueba de bondad de ajuste y en la estimacin de varianzas. Pero tambin
est involucrada en el problema de estimar la media de una poblacin normalmente
distribuida y en el problema de estimar la pendiente de una recta de regresin lineal,
a travs de su papel en la distribucin t de Student.
Aparece tambin en todos los problemas de anlisis de varianza por su relacin con
la distribucin F de Snedecor, que es la distribucin del cociente de dos variables
aleatorias independientes con distribucin .
Distribucin (ji-cuadrado)

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros grados de libertad
Dominio

Funcin de
densidad(pdf)

Funcin de
distribucin(cdf)

Media

Mediana
aproximadamente
Moda if
Varianza

Coeficiente de
simetra

Curtosis

Entropa

Funcin
generadora de
momentos(mgf)
for
Funcin
caracterstica



































1.3.3. Distribucin F
Usada en teora de probabilidad y estadstica, la distribucin F es una distribucin
de probabilidad continua. Tambin se le conoce comodistribucin F de
Snedecor (por George Snedecor) o como distribucin F de Fisher-Snedecor.
Una variable aleatoria de distribucin F se construye como el siguiente cociente:

donde
U1 y U2 siguen una distribucin chi-cuadrado con d1 y d2 grados de libertad
respectivamente, y
U1 y U2 son estadsticamente independientes.
La distribucin F aparece frecuentemente como la distribucin nula de una
prueba estadstica, especialmente en el anlisis de varianza. Vase el test F.
La funcin de densidad de una F(d1, d2) viene dada por

para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es la funcin
beta.
La funcin de distribucin es

donde I es la funcin beta incompleta regularizada.







Fisher-Snedecor

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros grados de libertad
Dominio

Funcin de
densidad (pdf)

Funcin de
distribucin (cdf)

Media
para
Moda
para
Varianza
para
Coeficiente de
simetra

para


































































































1.4. Esperanza matemtica
En estadstica la esperanza matemtica (tambin
llamada esperanza, valor esperado, media poblacional o media) de una variable
aleatoria , es el nmero que formaliza la idea de valor medio de un
fenmeno aleatorio. La esperanza tambin se suele simbolizar con .
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la
probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado
de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene
constante y el experimento se repite un elevado nmero de veces. Cabe decir que
el valor que toma la esperanza matemtica en algunos casos puede no ser
"esperado" en el sentido ms general de la palabra - el valor de la esperanza puede
ser improbable o incluso imposible.
En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza
es igual a la media aritmtica. Una aplicacin comn de la esperanza matemtica
es en las apuestas o los juegos de azar.
Propiedades.
Constantes
La esperanza matemtica de una constante es igual a esa misma constante, es
decir, si c es una constante, entonces E[c] = c.

Linealidad
La esperanza es un operador lineal, ya que:

(*)

por ende:

donde e son variables aleatorias y y son dos constantes cualesquiera.
Ntese que (*) es vlido incluso si X no es independiente de Y.
Objetivo general
El estudio de este portafolio de evidencias tiene como propsito, que el lector
obtenga conocimientos acerca de las funciones de distribucin de probabilidades, y
de esta manera pueda resolver ejercicios matemticos de probabilidad, mediante
las diversas frmulas y procedimientos previos de estadstica descriptiva, con el fin
de resolver problemas que se le presenten en la vida cotidiana.

Competencia especfica a desarrollar
Que el lector obtenga conocimientos y habilidades de los siguientes temas:
1.Variables aleatorias (Antecedentes histricos, definicin, clasificacin).
2.Distribuciones de probabilidad discretas (Conceptos y caractersticas, realizacin
de ejercicios).
3.Distribucin Hipergeomtrica (Definicin, caractersticas, antecedentes histricos)
4.Distribucin de Poisson (Definicin, caractersticas, antecedentes histricos).
5.Distribuciones de probabilidad continuas (Conceptos y caractersticas, realizacin
de ejercicios).
6.Distribucin t (Conceptos, conocimiento, tabla de distribucin y realizacin de
ejercicios)
7.Distribucin Chi-cuadrada (Conceptos, conocimiento, tabla de distribucin y
realizacin de ejercicios).
8.Distribucin F (Conceptos, conocimiento, tabla de distribucin y realizacin de
ejercicios).
9.Esperanza matemtica (Conceptos y aplicacin).

Nmero de integrantes
La actividad que se realiz consiste en la investigacin a fondo de los temas que
componen esta unidad que lleva por nombre Funciones de distribucin de
probabilidades, en los cuales se realizaron mediciones elctricas en equipo de 4
integrantes, y posteriormente con estas mediciones obtenidas, se resolvieron
ejercicios donde se aplic los temas analizados en esta unidad, adems de que
cada integrante particip en la elaboracin completa de este portafolio de
evidencias.


Programa de la unidad
La tercera unidad unidad agrupa los contenidos conceptuales de las funciones de
distribucin de probabilidad, identificando los siguientes temas:
Variables aleatorias y su clasificacin.
Distribuciones de probabilidad discretas.
Distribucin Hipergeomtrica.
Distribucin de Poisson.
Distribuciones de probabilidad continuas.
Distribucin t.
Distribucin Chi-cuadrada.
Distribucin F.
Esperanza matemtica.


Actividades de aprendizaje
El portafolio de evidencias contiene lo siguiente:
Un resumen de cada uno de los temas que componen la unidad, con
ejemplos incluidos, (Variables aleatorias, distribuciones de probabilidad
discretas, distribucin Hipergeomtrica, distribucin de Poisson,
distribuciones de probabilidad continuas, distribucin t, distribucin Chi-
cuadrada, distribucin F, esperanza matemtica).
La realizacin de ejercicios propuestos en clases.
La realizacin de ejercicios extraclase propuestos por el profesor.
Ejemplos de cada tema de la unidad proporcionados por el profesor.
Una vez teniendo todo eso resuelto, se organiz en un equipo de 4
integrantes el portafolio de evidencias.








Calendario de actividades

Inicio de la tercera unidad (10/Marzo/2014)
Investigacin y elaboracin de
resmenes de cada tema que compone
la unidad 3: Funciones de distribucin
de probabilidad.
(10/Marzo/2014-23/Marzo/2014)
Elaboracin de ejercicios con las
mediciones elctricas realizadas.
(24/Marzo/2014-4/Abril/2014)
Realizacin de ejercicio propuesto por
el profesor (Clculo de resistencia de
un RTD y distribucin de probabilidad).
(5/Abril/2014-15/Abril/2014)
Compilacin de resmenes, ejemplos y
ejercicios en portafolio de evidencias
(en equipo de 4 integrantes).
(16/Abril/2014-20/Abril/2014)
Elaboracin de portada, ndice, carta de
presentacin, objetivo general,
competencia especfica a desarrollar,
nmero de participantes, programa de
la unidad, actividades de aprendizaje,
calendario de actividades, reflexiones,
resumen de cierre.
(21/Abril/2014-26/Abril/2014)
Finalizacin del portafolio de
evidencias.
(27 de Abril del 2014)
Entrega de portafolio de evidencias. (28 de Abril del 2014)












Ejercicios resueltos
Alumnos que estudian Ingeniera en Electrnica se les ha solicitado realizar 3
mediciones de un tomacorriente al da con un voltmetro, durante 14 das seguidos.
La actividad se realiz en equipos de 4 integrantes, los cuales realizaron sus propias
mediciones, y de cada grupo mediciones se obtuvieron las medias aritmticas y la
varianza poblacional estndar, con el propsito de obtener el rea del intervalo
P(100<X<120), y se muestran a continuacin.
Mediciones realizadas por Alan Rafael Garca Garca, Acayucan, Ver.
Grupo 1
Da Maana Tarde Noche
1 86 122 130
2 92 122 130
3 101.4 123 130
4 86 124.7 133
5 92 122 128
6 108 125.2 130.5
7 112.2 128 127
8 114 122 127
9 100.5 125 130.5
10 96 120 133
11 88 125 127
12 109.1 120 130.5
13 88 121 133
14 90.5 129 126
Mediciones realizadas por Irving Vega Lpez, Coatzacoalcos, Ver.
Grupo 2
Da Maana Tarde Noche
1 110 125 131
2 98 122 130.2
3 100 124 129
4 101 122 130
5 112 122 130.2
6 90 125 130
7 100 123 128
8 90 125 126
9 120 125 130.2
10 105 125 130
11 101 122 130.2
12 92 123 127.5
13 86 122 130.2
14 100 125 131


Mediciones realizadas por Manuel Antonio Monobe Escobedo, Coatzacoalcos, Ver.
Grupo 3
Da Maana Tarde Noche
1 98 124 130.2
2 103.1 125 130.2
3 86 122 127
4 93.4 121 130.2
5 112.7 123 126
6 100.2 126 130.2
7 89 124 130.2
8 107 124 128
9 102.3 125 126
10 107.5 122 131
11 93.1 123 132
12 86 122 130.2
13 103 123 130.2
14 95.2 124 126


Mediciones realizadas por Leonardo Francisco Oln Valdivieso, Cosoleacaque, Ver.
Grupo 4
Da Maana Tarde Noche
1 105.3 110.6 125.3
2 103 112.3 126
3 98.8 119.6 123
4 107 118 128
5 101.5 124.5 126.
6 105 120.9 128
7 102 121.6 130
8 97.6 111.9 122.3
9 106.8 115 128
10 100.9 113 124.2
11 101 126.7 125.7
12 95 125 126.4
13 108.3 124 129
14 110.3 119 131.3

NOTA: Todos los datos expresados en las tablas anteriores son volts.

Grupo 1
Datos ordenados:
86, 86, 88, 88, 90.5, 92, 92, 96, 100.5, 101.4, 108, 109.1, 112.2, 114, 120, 120,
121, 122, 122, 122, 122, 123, 124.7, 125, 125, 125.2, 126, 127, 127, 127, 128,
128, 129, 130, 130, 130, 130.5, 130.5, 130.5, 133, 133, 133.

Obtener media aritmtica ():
=[86+86+88+88+90.5+92+92+96+100.5+101.4+108+109.1+112.2+114+120+120
+ 121+122+122+122+122+123+124.7+125+125+125.2+126+127+127+127+128
+ 128+129+130+130+130+130.5+130.5+130.5+133+133+133] /42
=
[4907.7]
42

=116.85

Obtener la varianza poblacional estndar ():

2
=
1
42
[(86 116.85)
2
+(86 116.85)
2
+(88 116.85)
2
+(88 116.85)
2
+(90.5 116.85)
2
+(92 116.85)
2

+(92 116.85)
2
+(96 116.85)
2
+(100.5 116.85)
2
+(101.4 116.85)
2
+(108 116.85)
2
+(109.1 116.85)
2

+(112.2 116.85)
2
+(114 116.85)
2
+(120 116.85)
2
+(120 116.85)
2
+(121 116.85)
2
)+(122 116.85)
2

+(122 116.85)
2
+(122 116.85)
2
+(122 116.85)
2
+(123 116.85)
2
+(124.7 116.85)
2
+(125 116.85)
2

+(125 116.85)
2
+(125.2 116.85)
2
+(126 116.85)
2
+(127 116.85)
2
+(127 116.85)
2
+(127 116.85)
2

+(128 116.85)
2
+(128 116.85)
2
+(129 116.85)
2
+(130 116.85)
2
+(130 116.85)
2
+(130 116.85)
2

+(130.5 116.85)
2
+(130.5 116.85)
2
+(130.5 116.85)
2
+(133 116.85)
2
+(133 116.85)
2

+(133 116.85)
2
]

2
=
9700.48
42

2
= 230.97

= 230.97 = 15.19


Obtener rea del Intervalo P(100<Y<120):
=

1
=
120 116.85
15.19
=
3.15
15.19
= 0.2073

1
= 0.2073
*Utilizando la tabla de Distribucin normal vemos que 0.20 =0.4207, por lo tanto:

1
=0.4207
_______________________________________________________

2
=
100 116.85
15.19
=
16.85
15.19
= 1.109

2
= 1.109
*Utilizando la tabla de Distribucin normal vemos que 1.10=0.1357, por lo tanto:

2
=0.1357
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(100 120) +
1
=1
2 +(100 120) =1-
1

2 +(100 120)=1-0.4207
2 +(100 120)=0.5793
(100 120)=0.5793-
2

(100 120)=0.5793-0.1357
(100 120)=0.4436






=116.85



= 15.19











A=0.4436

Grfica de datos medidos y rea del intervalo P(100<X<120).










Grupo 2
Datos ordenados:
86, 90, 90, 92, 98, 100, 100, 100, 101, 101, 105, 110,112, 120, 122, 122, 122, 122,
122, 123, 123, 124, 125, 125, 125, 125, 125, 125, 126, 127.5, 128, 129, 130, 130,
130, 130.2, 130.2, 130.2, 130.2, 130.2, 131, 131.

Obtener media aritmtica ():
=[86+90+90+92+98+100+100+100+101+101+105+110+112+120+122+122+
122+122+122+123+123+124+125+125+125+125+125+125+126+127.5+128 +
129+130+130+130+130.2+130.2+130.2+130.2+130.2+131+131] /42
=
[4948.5]
42

=117.82

Obtener la varianza poblacional estndar ():

2
=
1
42
[(86 117.82)
2
+(90 117.82)
2
+(90 117.82)
2
+(92 117.82)
2
+(98 117.82)
2
+(100 117.82)
2

+(100 117.82)
2
+(100 117.82)
2
+(101 117.82)
2
+(101 117.82)
2
+(105 117.82)
2
+(110 117.82)
2

+(112 117.82)
2
+(120 117.82)
2
+(122 117.82)
2
+(122 117.82)
2
+(122 117.82)
2
)+(122 117.82)
2

+(122 117.82)
2
+(123 117.82)
2
+(123 117.82)
2
+(124 117.82)
2
+(125 117.82)
2
+(125 117.82)
2

+(125 117.82)
2
+(125 117.82)
2
+(125 117.82)
2
+(125 117.82)
2
+(126 117.82)
2
+(127.5 117.82)
2

+(128 117.82)
2
+(129 117.82)
2
+(130 117.82)
2
+(130 117.82)
2
+(130 117.82)
2
+(130.2 117.82)
2

+(130.2 117.82)
2
+(130.2 117.82)
2
+(130.2 117.82)
2
+(130.2 117.82)
2
+(131 117.82)
2

+(131 117.82)
2
]

2
=
7839
42


2
= 186.64
= 186.64
= 13.66


Obtener rea del Intervalo P(100<Y<120):
=

1
=
120 117.82
13.66
=
2.18
13.66
= 0.159

1
= 0.159
*Utilizando la tabla de Distribucin normal vemos que 0.15 =0.4404, por lo tanto:

1
=0.4404
_______________________________________________________

2
=
100 117.82
13.66
=
17.82
13.66
= 1.304

2
= 1.304
*Utilizando la tabla de Distribucin normal vemos que 1.30=0.0968, por lo tanto:

2
=0.0968
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(100 120) +
1
=1
2 +(100 120) =1-
1

2 +(100 120)=1-0.4404
2 +(100 120)=0.5596
(100 120)=0.5596-
2

(100 120)=0.5596-0.0968
(100 120)=0.4628






=117.82


= 13.66










A=0.4628
Grfica de datos medidos y rea del intervalo P(100<X<120).












Grupo 3

Datos ordenados:

86, 86, 89, 93.1, 93.4, 95.2, 98, 100.2, 102.3, 103, 103.1, 107, 107.5, 112.7, 121,
122, 122, 122, 123, 123, 123, 124, 124, 124, 124,125, 125, 126, 126, 126, 126, 127,
128,130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 131, 132.

Obtener media aritmtica ():

=[86, 86, 89, 93.1, 93.4, 95.2, 98, 100.2, 102.3, 103, 103.1, 107, 107.5, 112.7, 121,
122, 122, 122, 123, 123, 123, 124, 124, 124, 124,125, 125, 126, 126, 126, 126, 127,
128,130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 131, 132] /42
=
[4911.5]
42

=116.95

Obtener la varianza poblacional estndar ():

2
=
1
42
[(86 116.95)
2
+(86 116.95)
2
+(89 116.95)
2
+(93.1 116.95)
2
+(93.4 116.95)
2
+(95.2 116.95)
2

+(98 116.95)
2
+(100.2 116.95)
2
+(102.3 116.95)
2
+(103 116.95)
2
+(103.1 116.95)
2
+(107 116.95)
2

+(107.5 116.95)
2
+(112.7 116.95)
2
+(121 116.95)
2
+(122 116.95)
2
+(122 116.95)
2
)+(122 116.95)
2

+(123 116.95)
2
+(123 116.95)
2
+(123 116.95)
2
+(124 116.95)
2
+(124 116.95)
2
+(124 116.95)
2

+(124 116.95)
2
+(125 116.95)
2
+(125 116.95)
2
+(126 116.95)
2
+(126 116.95)
2
+(126 116.95)
2

+(126 116.95)
2
+(127 116.95)
2
+(128 116.95)
2
+(130.2 116.95)
2
+(130.2 116.95)
2
+(130.2 116.95)
2

+(130.2 116.95)
2
+(130.2 116.95)
2
+(130.2 116.95)
2
+(130.2 116.95)
2
+(131 116.95)
2

+(132 116.95)
2
]

2
=
8475.18
42


2
= 201.79
= 201.79
= 14.20


Obtener rea del Intervalo P(100<Y<120):
=

1
=
120 116.95
14.2
=
3.05
14.2
= 0.214

1
= 0.214
*Utilizando la tabla de Distribucin normal vemos que 0.21 =0.4168, por lo tanto:

1
=0.4168
_______________________________________________________

2
=
100 116.95
14.2
=
16.95
14.2
= 1.193

2
= 1.193
*Utilizando la tabla de Distribucin normal vemos que 1.19=0.1170, por lo tanto:

2
=0.1170
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(100 120) +
1
=1
2 +(100 120) =1-
1

2 +(100 120)=1-0.4168
2 +(100 120)=0.5832
(100 120)=0.5832-
2

(100 120)=0.5832-0.1170
(100 120)=0.4662






=116.95


= 14.2










A=0.4662

Grfica de datos medidos y rea del intervalo P(100<X<120).











Grupo 4
Datos ordenados:
95, 97.6, 98.8, 100.9,101,101.5,102,103,105,105.3,106.8,107,108.3,110.3,110.6,
111.9, 112.3, 113, 115, 118, 119, 119.6, 120.9 ,121.6 ,122.3 ,123 ,124 ,124.2
,124.5,125 ,125.3 ,125.7 ,126 ,126 ,126.4 ,126.7 ,128 ,128 ,128 ,129 ,130 ,131.3

Obtener media aritmtica ():
=[95+97.6+98.8+100.9+101+101.5+102+103+105+105.3+106.8+107 +108.3
+110.3+110.6 +111.9 +112.3+113 +115+118 +119 +119.6 +120.9 +121.6+122.3
+123+124+124.2+124.5 +125+125.3+125.7 +126 +126 +126.4 +126.7+128 +128
+128+129+130+131.3] /42
=
[4877.8]
42

=116.13
Obtener la varianza poblacional estndar ():

2
=
1
42
[(95 116.13)
2
+ (97.6 116.13)
2
+ (98.8 116.13)
2
+ (100.9 116.13)
2
+ (101 116.13)
2
+
(101.5 116.13)
2
+ (102 116.13)
2
+ (103 116.13)
2
+ (105 116.13)
2
+ (105.3 116.13)
2
+
(106.8 116.13)
2
+ (107 116.13)
2
+ (108.3 116.13)
2
+ (110.3 116.13)
2
+ (110.6 116.13)
2
+
(111.9 116.13)
2
+ (112.3 116.13)
2
+ (113 116.13)
2
+ (115 116.13)
2
+ (118 116.13)
2
+
(119 116.13)
2
+ (119 116.13)
2
+ (119.6 116.13)
2
+ (120.9 116.13)
2
+ (121.6 116.13)
2
+
(122.3 116.13)
2
+ (123 116.13)
2
+ (124 116.13)
2
+ (124.2 116.13)
2
+ (124.5 116.13)
2
+
(125 116.13)
2
+ (125.3 116.13)
2
+ (125.7 116.13)
2
+ (126 116.13)
2
+ (126 116.13)
2
+
(126.4 116.13)
2
+ (126.7 116.13)
2
+ (128 116.13)
2
+ (128 116.13)
2
+ (128 116.13)
2
+
(129 116.13)
2
+ (130 116.13)
2
+ (131.3 116.13)
2
]

2
=
4753.98
42


2
= 113.19
= 113.19
= 10.63


Obtener rea del Intervalo P(100<Y<120):
=

1
=
120 116.13
10.63
=
3.87
10.63
= 0.364

1
= 0.364
*Utilizando la tabla de Distribucin normal vemos que 0.36 =0.3594, por lo tanto:

1
=0.3594
_______________________________________________________

2
=
100 116.13
10.63
=
16.13
10.63
= 1.517

2
= 1.193
*Utilizando la tabla de Distribucin normal vemos que 1.51=0.0655, por lo tanto:

2
=0.0655
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(100 120) +
1
=1
2 +(100 120) =1-
1

2 +(100 120)=1-0.3594
2 +(100 120)=0.6406
(100 120)=0.6406-
2

(100 120)=0.6406-0.0655
(100 120)=0.5751







=116.13



= 10.63










A=0.5751

Grfica de datos medidos y rea del intervalo P(100<X<120).









Grupo 5

Datos ordenados:

86, 86, 86, 86, 86, 88, 89, 90, 90, 90.5, 92, 92, 92, 93.1, 93.4, 95, 95.2, 96, 97.6, 98,
98, 98.8, 100, 100, 100, 100.2, 100.5, 100.9, 101, 101, 101, 101.4, 101.5, 102,
102.3, 103, 103, 103.1, 105, 105, 105.3, 106.8, 107, 107, 107.5, 108, 108.3, 109.1,
110, 110.3, 110.6, 111.9, 112, 112.2, 112.3, 112.7, 113, 114, 115, 118, 119, 119.6,
120, 120, 120.9, 121, 121, 121.6, 122, 122, 122, 122, 122, 122, 122, 122 ,122, 122,
122, 122, 122.3, 123, 123, 123, 123, 123, 123, 123, 124, 124, 124, 124, 124, 124,
124.2, 124.5, 124.7, 125, 125, 125, 125, 125, 125, 125, 125, 125, 125, 125, 125,
125.2, 125.3, 125.7, 126, 126, 126, 126, 126, 126, 126, 126, 126.4, 126.7, 127, 127,
127, 127, 127.5, 128, 128, 128, 128, 128, 128, 128, 129, 129, 129, 130, 130, 130,
130, 130, 130, 130, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2, 130.2,
130.2, 130.2, 130.2, 130.5, 130.5, 130.5, 131, 131, 131, 131.3, 132, 133, 133, 133.

Obtener media aritmtica ():
Grupo 1 Grupo 2 Grupo 3 Grupo 4
116.85 117.82 116.95 116.13

=
116.85 +117.82 + 116.95 +116.13
4

= 116.94








Obtener la varianza poblacional estndar ():

2
=
1
166
[(86 116.94)
2
+(86 116.94)
2
+(88 116.94)
2
+(88 116.94)
2
+(90.5 116.94)
2
+(92 116.94)
2

+(92 116.94)
2
+(96 116.94)
2
+(100.5 116.94)
2
+(101.4 116.94)
2
+(108 116.94)
2
+(109.1 116.94)
2

+(112.2 116.94)
2
+(114 116.94)
2
+(120 116.94)
2
+(120 116.94)
2
+(121 116.94)
2
)+(122 116.94)
2

+(122 116.94)
2
+(122 116.94)
2
+(122 116.94)
2
+(123 116.94)
2
+(124.7 116.94)
2
+(125 116.94)
2

+(125 116.94)
2
+(125.2 116.94)
2
+(126 116.94)
2
+(127 116.94)
2
+(127 116.94)
2
+(127 116.94)
2

+(128 116.94)
2
+(128 116.94)
2
+(129 116.94)
2
+(130 116.94)
2
+(130 116.94)
2
+(130 116.94)
2

+(130.5 116.94)
2
+(130.5 116.94)
2
+(130.5 116.94)
2
+(133 116.94)
2
+(133 116.94)
2
+(133 116.94)
2

+(86 116.94)
2
+(90 116.94)
2
+(90 116.94)
2
+(92 116.94)
2
+(98 116.94)
2
+(100 116.94)
2
+(100 116.94)
2

+(100 116.94)
2
+(101 116.94)
2
+(101 116.94)
2
+(105 116.94)
2
+(110 116.94)
2
+(112 116.94)
2

+(120 116.94)
2
+(122 116.94)
2
+(122 116.94)
2
+(122 116.94)
2
)+(122 116.94)
2
+(122 116.94)
2

+(123 116.94)
2
+(123 116.94)
2
+(124 116.94)
2
+(125 116.94)
2
+(125 116.94)
2
+(125 116.94)
2

+(125 116.94)
2
+(125 116.94)
2
+(125 116.94)
2
+(126 116.94)
2
+(127.5 116.94)
2
+(128 116.94)
2

+(129 116.94)
2
+(130 116.94)
2
+(130 116.94)
2
+(130 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2

+(130.2 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2
+(131 116.94)
2
+(131 116.94)
2
+(86 116.94)
2

+(86 116.94)
2
+(89 116.94)
2
+(93.1 116.94)
2
+(93.4 116.94)
2
+(95.2 116.94)
2
+(98 116.94)
2

+(100.2 116.94)
2
+(102.3 116.94)
2
+(103 116.94)
2
+(103.1 116.94)
2
+(107 116.94)
2
+(107.5 116.94)
2

+(112.7 116.94)
2
+(121 116.94)
2
+(122 116.94)
2
+(122 116.94)
2
)+(122 116.94)
2
+(123 116.94)
2

+(123 116.94)
2
+(123 116.94)
2
+(124 116.94)
2
+(124 116.94)
2
+(124 116.94)
2
+(124 116.94)
2

+(125 116.94)
2
+(125 116.94)
2
+(126 116.94)
2
+(126 116.94)
2
+(126 116.94)
2
+(126 116.94)
2

+(127 116.94)
2
+(128 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2

+(130.2 116.94)
2
+(130.2 116.94)
2
+(130.2 116.94)
2
+(131 116.94)
2
+(132 116.94)
2
+(95 116.94)
2

+(97.6 116.94)
2
+ (98.8 116.94)
2
+ (100.9 116.94)
2
+(101 116.94)
2
+(101.5 116.94)
2
+(102 116.94)
2

+(103 116.94)
2
+(105 116.94)
2
+(105.3 116.94)
2
+(106.8 116.94)
2
+(107 116.94)
2
+(108.3 116.94)
2

+(110.3 116.94)
2
+(110.6 116.94)
2
+(111.9 116.94)
2
+(112.3 116.94)
2
+(113 116.94)
2
+(115 116.94)
2

+(118 116.94)
2
+(119 116.94)
2
+(119 116.94)
2
+(119.6 116.94)
2
+(120.9 116.94)
2
+(121.6 116.94)
2

+(122.3 116.94)
2
+(123 116.94)
2
+(124 116.94)
2
+(124.2 116.94)
2
+(124.5 116.94)
2
+(125 116.94)
2

+(125.3 116.94)
2
+(125.7 116.94)
2
+(126 116.94)
2
+(126 116.94)
2
+(126.4 116.94)
2
+(126.7 116.94)
2

+(128 116.94)
2
+ (128 116.94)
2
+ (128 116.94)
2
+(129 116.94)
2
+ (130 116.94)
2
+ (131.3 116.94)
2
]

2
=
30461
166

2
= 183.5
= 183.5 = 13.54


Obtener rea del Intervalo P(100<Y<120):
=

1
=
120 116.94
13.54
=
3.06
13.54
= 0.225

1
= 0.225
*Utilizando la tabla de Distribucin normal vemos que 0.22 =0.4129, por lo tanto:

1
=0.4129
_______________________________________________________

2
=
100 116.94
13.54
=
16.94
13.54
= 1.251

2
= 1.251
*Utilizando la tabla de Distribucin normal vemos que 1.25=0.1056, por lo tanto:

2
=0.1056
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(100 120) +
1
=1
2 +(100 120) =1-
1

2 +(100 120)=1-0.4129
2 +(100 120)=0.5871
(100 120)=0.5871-
2

(100 120)=0.5871-0.1056
(100 120)=0.4815






=116.94


= 13.54










A=0.4815

Grfica de datos medidos y rea del intervalo P(100<X<120).











Ejercicio 2
Se quiere conocer el valor de la resistencia total de un RTD (Pt 100) expuesta a
diferentes temperaturas, de entre 1C a 20 C, si la frmula para obtenerla es la
siguiente:

(1 +)
Donde:
= 0.003850

= 100 0
*Determinar con los datos que se obtengan la probabilidad del intervalo
P(102<X<103)
Operaciones.

= 100 [1 +(0.003850)1] = 100 [1 + 0.003850] = 100 (1.003850 C)

= 100.385

= 100 [1 +(0.003850)2] = 100 [1 + 0.077] = 100 (1.0077 C)

= 100.77

= 100 [1 +(0.003850)3] = 100 [1 + 0.01155] = 100 (1.01155 C)

= 101.155
= 101.155 -100.77 = 0.385
=0.385

+
4 C=101.155 +0.385 = 101.54
5 C=101.54 +0.385 = 101.925
6 C=101.925 +0.385 = 102.31
7 C=102.31 +0.385 = 102.695
8 C=102.695 +0.385 = 103.08
9 C=103.08 +0.385 = 103.465
10 C=103.465 +0.385 = 103.85
11 C=103.85 +0.385 = 104.235
12 C=104.235 +0.385 = 104.62
13 C=104.62 +0.385 = 105.005
14 C=105.005 +0.385 = 105.39
15 C=105.39 +0.385 = 105.775
16 C=105.775 +0.385 = 106.16
17 C=106.16 +0.385 = 106.545
18 C=106.545 +0.385 = 106.93
19 C=106.93 +0.385 = 107.315
20 C=107.315 +0.385 = 107.7


*Tabla de resultados obtenidos.
Temperatura (C) Resistencia total () Temperatura (C) Resistencia total ()
1 C 100.385 11 C 104.235
2 C 100.77 12 C 104.62
3 C 101.155 13 C 105.005
4 C 101.54 14 C 105.39
5 C 101.925 15 C 105.775
6 C 102.31 16 C 106.16
7 C 102.695 17 C 106.545
8 C 103.08 18 C 106.93
9 C 103.465 19 C 107.315
10 C 103.85 20 C 107.7






Datos ordenados:
100.385, 100.77, 101.155, 101.54, 101.925, 102.31, 102.695, 103.08, 103.465,
103.85, 104.235, 104.62, 105.005, 105.39, 105.775, 106.16, 106.545, 106.93,
107.315, 107.7.

Obtener la media aritmtica ():
=[100.385+100.77+101.155+101.54+101.925+102.31+102.695+103.08+103.465
+ 103.85+104.235+104.62+105.005+105.39+105.775+106.16+
106.545+106.93+107.315+107.7] /20
=
[2080.85]
20

=104.0425

Obtener la varianza poblacional estndar ():

2
=
1
20
[(100.385 104.0425)
2
+ (100.77 104.0425)
2
+ (101.155 104.0425)
2
+
(101.54 104.0425)
2
+ (101.925 104.0425)
2
+ (102.31 104.0425)
2
+ (102.695 104.0425)
2
+
(103.08 104.0425)
2
+ (103.465 104.0425)
2
+ (103.85 104.0425)
2

+(104.235 104.0425)
2
+ (104.62 104.0425)
2
+ (105.005 104.0425)
2
+ (105.39 104.0425)
2
+
(105.775 104.0425)
2
+(106.16 104.0425)
2
+ (106.545 104.0425)
2
+ (106.93 104.0425)
2

+ (107.315 104.0425)
2
+ (107.7 104.0425)
2
]

2
=
98.5696
20


2
= 4.9284
= 4.9284
= 2.2200183






Obtener rea del Intervalo P(102<Y<103):
=

1
=
103 104.0425
2.2200183
=
1.0425
2.2200183
= 0.4695

1
= 0.4695
*Utilizando la tabla de Distribucin normal vemos que 0.46 =0.3228, por lo tanto:

1
=1-0.3228

1
=0.6772
_______________________________________________________

2
=
102 104.0425
2.2200183
=
2.0425
2.2200183
= 0.92

2
= 1.251
*Utilizando la tabla de Distribucin normal vemos que 0.92=0.1788, por lo tanto:

2
=0.1788
_______________________________________________________
*Si el rea total es igual a 1, entonces:
2 +(102 103) +
1
=1
2 +(102 103) =1-
1

2 +(102 103)=1-0.6772
2 +(102 103)=0.3228
(102 103)=0.3228-
2

(102 103)=0.3228-0.1788
(102 103)=0.144





=104.0425


= 2.22










A=0.144
Grfica de datos medidos y rea del intervalo P(102<X<103).











Reflexiones

Alan Rafael Garca Garca
Durante la realizacin de este portafolio de evidencias al realizar los resmenes de
esta unidad, pude notar que haba muchas cosas que desconoca de la
probabilidad, adems pude reforzar mis conocimientos al aplicar temas de
estadstica descriptiva, pude poner en prctica nuevos mtodos y frmulas; ahora
al estudiar a fondo y aplicar la probabilidad y la estadstica descriptiva, pude ver
que son tan elementales en nuestro entorno, tanto en la vida cotidiana as como en
un empleo.

Irving Vega Lpez
Al continuar con la instruccin de esta materia no nos fuimos adecuando a la
comprensin de la informacin de maneras diversas, y esta unidad no fue la
excepcin, esta unidad se caracteriz por no ser muy complicada debido a que
tenemos los conceptos bsicos muy bien comprendidos y a que desarrollamos
varios ejercicios en clase y extraclase para poder comprenderlos. Con esto me
atrevo a decir que espero con ancias la siguiente unidad para seguir
desarrollndome como estudiante activo del Tecnolgico de Minatitln y sobre todo
que pueda aplicar estos conocimientos en mi vida cotidiana.

Manuel Antonio Monobe Escobedo.
A la hora de hacer clculos muchas personas suelen confundirse y por lo mismo
obtener resultados errneos, esto pasa por que muchas personas no logran
entender que es lo que se pide en el problema y obtienen otro resultado que ellos
piensan que es lo que se pidi. Otra causante podra ser la falta de informacin,
mucha gente cree que por conocer un mtodo ya podr resolver todos los
problemas que se le presenten, pero esto es incorrecto ya no toda las problemticas
se puede resolver con el mismo mtodo. La importancia de conocer varios tipos de
mtodos es que nos ayuda a ser de mente abierta, lo que quiero decir es que al
saber que no todo se puede resolver de la misma manera nos acostumbramos a
ver todo de varias perspectivas para poder encontrar el mtodo que se le acomode,
o en el caso de que se pueda hacer con ms de un mtodo encontrar el mtodo que
se nos facilite ms.




Leonardo Francisco Oln Valdivieso.
Las cosas complejas y estadsticamente improbables, son por naturaleza ms
difciles de explicar que las cosas simples y estadsticamente probables.
Cada ciencia suele definirse delimitando su mbito de estudio. As, por ejemplo,
decimos que la Biologa es la ciencia de la vida, la Lingstica es la ciencia de las
lenguas, la Medicina es la ciencia que estudia y trata las enfermedades humanas,
la Psicologa es la ciencia del comportamiento humano, etc.
Se han dado diferentes definiciones de Estadstica. Una que puede ser apropiada y
que est expresada en estos trminos de la ciencia de es la siguiente: la
Estadstica es la ciencia de lo SIGNIFICATIVO.
Bueno, como mnimo la definicin sorprende, no? No parece, al menos a primera
vista, que lo SIGNIFICATIVO merezca tanta atencin. Pues no es as. Merece
atencin y mucha. Se ha montado toda una ciencia en torno a esa nocin debido a
la importancia que a lo largo de los ltimos doscientos aos se le ha ido dando. Y
ah tenemos a la Estadstica.
SIGNIFICATIVO no es, por cierto, una palabra extraa en nuestro lenguaje
cotidiano. Realmente no es que sea de las palabras ms habituales de nuestro da
a da, pero es una palabra que todos seramos capaces de asignarle un significado.
Seguramente sin una gran precisin, es cierto, pero todos seramos capaces de
explicar qu queremos decir cuando decimos que algo es SIGNIFICATIVO.














Resumen de cierre
Alan Rafael Garca Garca
Al concluir con este portafolio de evidencias llegue a la conclusin de que la
probabilidad y la estadstica es tan necesaria en mi vida, y que es de gran utilidad
en asuntos de administracin, juegos de azar y clculos en las diferentes
posibilidades que pueden ocurrir en un problema planteado; estos puntos y muchos
ms casos me ayud a cambiar mi punto de vista de la probabilidad, donde pude
ver una aplicacin sencilla en mi vida cotidiana e incluso con mi carrera, antes la
vea como algo innecesario tedioso, pero al final de este trabajo pude aprender a
desarrollar cualquier tipo de problema de probabilidad, adems de que cometa
muchos errores en los ejercicios, ya que haba que hacer clculos muy largos, pero
con la prctica pude fortalecer esas fallas y realizarlos cada vez ms rpido, me
siento muy agradecido por esta oportunidad que se me dio de conocer ms acerca
de esta rama de las matemticas.
Irving Vega Lpez
Este portafolio de evidencias nos permiti analizar algunas ideas tcnicas y nuevos
mtodos que surgieron como resultado de la probabilidad y estadstica, aplicamos
de manera prctica cada caso que aplicamos en clase (los cuales tambin se
anexaron al trabajo final), dando por concluido el bloque de aprendizaje para esta
unidad. Debo resaltar que debido a la sugerencia del Ing. Nstor Gutirrez Reyes,
a esta unidad se le tomo gran importancia. Como comentario final, agradezco el
apoyo de mis compaeros de equipo.
Antonio Monobe Escobedo
Al principio de este trabajo pensaba que los mtodos para sacar la probabilidad eran
pocos y sencillos, pero conforme fue avanzando el trabajo aprend que hay varios
mtodos para sacar la probabilidad, cabe mencionar que no son complicados
simplemente hay que tener cuidado de no confundirlos para no obtener resultados
errneos. La aplicacin para estos diversos mtodos puede ser ilimitada solo hay
que conocer bien que es lo que se quiere obtener.
Leonardo Francisco Oln Valdivieso
Este trabajo presento algunas ideas as como mtodos de estudio para los que las
funciones estadsticas de probabilidad tienen un importante papel instrumental. Se
resalt la necesidad de un mtodo activo de aprendizaje y de un sistema continuo
de seguimiento y control de los conocimientos adquiridos por los estudiantes. La
estadstica debe considerarse una asignatura experimental y ensearse con un
fuerte apoyo de un aula. Es tan importante el contenido de lo que enseamos como
el mtodo utilizado, y debemos adecuar ambos aspectos a los objetivos explcitos
de la enseanza.

También podría gustarte