dINTEC. CIENCIAS BASICAS Y AMBIENTALES. MATEMATICA. ESTADISTICA DESCRIPTIVA.

PROF. FRANCISCO HERRERA: INFORME DE INVESTIGACION DE CUARTA UNIDAD: Introducción

a la probabilidad y distribución de probabilidades
No Nombre(s) y apellido(s) Identificación
.
1
2

Este informe conceptual IV, referido las medidas estadísticas descriptivas. Entrega en pareja o individuo si quieren. El
informe estadístico conceptual se remitirá COMPLETO Y CORRECTO a la página virtual, en formato WOLD y letras
12 Times New Roman, a un espacio las oraciones en los párrafos y, un espacio después de cada párrafo o tema, con
márgenes horizontales de 1 centímetro a la izquierda y 1 centímetro a la derecha y márgenes verticales de 2 centímetros
superior y 2 centímetros inferior. Anotar fuentes (autor, año, nombre de libro o página, otros) después de cada
concepto: Libros de textos propuestos. Les puede ayudar la página aula del pensamiento estadístico. Internet.

REQUERIMIENTOS PARA COMPLETAR EN CADA CONCEPTO

1. Definición
2. Tipos y descripción
3. Modelo matemático o fórmula (partes o componentes del modelo y descripción)
4. Modelo gráfico o diagrama
5. Propiedades
6. Ejemplo (Enunciado, datos, proceso de cálculo, resultado y comentario del resultado o expresión del
significado)
7. Fuentes bibliográficas
Parte 1 Introducción a las probabilidades
1. Referencia matemática
1.1 Los conjuntos
1.2 Técnicas de conteo (Tipos: Permutaciones, variaciones y combinaciones)
1.3 Los intervalos (Tipos: abiertos, mixtos y cerrados)
2. Introducción a la probabilidad:
2.1 Probabilidad
2.2 Enfoque probabilístico (Tipos: clásico, subjetivo y de frecuencia relativa)
2.3 Experimento aleatorio
2.4 Espacio muestral
2.5 Eventos o sucesos (Tipos: elemental, mutuamente excluyentes, no mutuamente excluyentes,
independientes, condicional y dependiente)
2.6 Axiomas o postulados probabilísticos
2.7 Teoremas de Bayes y de probabilidad total
 3. Enfoque de frecuencia relativa: Con referencia a una tabla o distribución de frecuencia de una variable
o cruzada de varias variables
3.1 Probabilidad condicional, marginal y conjunta.
-Probabilidad Condicional: es la forma en que cambia la probabilidad del evento C cuando se conoce el
evento D. Dada la ocurrencia del evento D, esta probabilidad se llama probabilidad condicional del evento C.
Esto se llama P (C / D). La fórmula de cálculo es P (A / B) = P (AB) / P (B). Por ejemplo, un profesor de
estadística da dos cuestionarios a la clase. El 30% de las clases aprobaron el examen y el 45% de las clases
solo aprobaron la primera clase. ¿Qué porcentaje de las personas que aprobaron el primer examen aprobaron
el segundo examen? P (segundo / primero) = P (primero y segundo) / P (primero) = 30/45 = 2/3 = 66,7%.
Aproximadamente el 66,7% de las clases aprobaron el segundo examen. Propiedad: Para cada evento, A es
mayor o igual que 0 y P (S | B) = 1.
-Probabilidad Marginal: también conocido como probabilidad simple, se refiere a la probabilidad de que
ocurra un evento simple. Su fórmula P = la cantidad de formas en que se producirá un resultado específico / la
cantidad total de resultados posibles. Este ejemplo es una probabilidad simple: hay 87 cartas en la caja y 68
son número 4. Si elige uno, ¿cuál es la probabilidad de que salga una carta numero 4? 68/87 = 0,78. Siempre
debe ser un número menor o igual a 1, a menos que se exprese como porcentaje.
-Probabilidad Conjunta: cuando está interesado en comprender la posibilidad de dos eventos al mismo tiempo,
decimos probabilidad conjunta. La fórmula es P (M y N) = P (M∧N) = P (M) ∙ (N).
Fuentes: https://www.google.com/search?client=safari&channel=iphone_bm&ei=VbS6X5TDJJ-ZwbkP-
_iYwAQ&q=probabilidad+conjunta&oq=probabilidad+marginal&gs_lcp=ChNtb2JpbGUtZ3dzLXdpei1zZXJwEAEYADIECA
AQRzIECAAQRzIECAAQRzIECAAQRzIECAAQRzIECAAQRzIECAAQRzIECAAQR1AAWABg1RdoAHABeACAAQCIAQCSAQCYA
QDIAQjAAQE&sclient=mobile-gws-wiz-serp

3.2 Base para calcular probabilidad de eventos en una tabla o distribución de frecuencias
La tabla de variables es una tabla que contiene varias variables y sus valores. Todos los parámetros globales
(ahora llamados variables) están contenidos en al menos una tabla de variables. Esta hoja de Excel se utiliza
para analizar cómo las variables afectan el resultado del problema. Usamos una sola variable, pero se pueden
aplicar diferentes fórmulas de Excel para ver cómo cambian los resultados. Aquí, proporcionaré una tabla
donde puede ver las calificaciones de matemáticas de los estudiantes de sexto grado que se muestran.
Notas: Fi Fr F%
5/5 8 0,210 21
4/5 7 0,184 18,4
3/5 6 0,157 15,7
2/5 8 0,210 21
1/5 7 0,184 18,4
0/5 2 0,052 5,2
Total 38
Fuentes:
https://www.ibm.com/support/knowledgecenter/es/SSRULV_8.6.0/com.ibm.tivoli.itws.doc_8.6/awsrgvartable
concept.htm
 3.3 Etapas para calcular probabilidades (Formular eventos, modelo matemático general, datos, modelo
matemático especifico y sustitución de datos, resultado y comentario del valor que resultó).
Descripción de cada una de las partes y ejemplificar. Fuente bibliográfica
-Hemos enumerado los elementos contenidos en la ficha técnica, el pago inicial y la tasa de interés.
-En otro rango de celdas incluimos las posibles tasas de interés en porcentajes, dejando en blanco la
columna correspondiente al costo total a devolver.
-La celda correspondiente a la tasa de interés del préstamo se utilizará como celda de entrada.
-Seleccionamos el segundo rango de celdas que se ha creado, y luego vamos a la pestaña "Datos" de la cinta.
-Presionamos el botón "Análisis Y si ..." y marcamos "Hoja de Datos".
-Aparecerá un cuadro de diálogo, ingresemos la celda correspondiente al punto 3 en la opción "Celda de
entrada de columna".
-Al aceptar, veremos cómo completar la columna del total a pagar.
Fuente: https://es.justexw.com/guia-para-crear-tablas-de-excel-de-una-variables.html

3.4 Cálculo de la probabilidad cuando los eventos son: elementales, mutuamente excluyentes, no
mutuamente excluyentes, independientes, condicional y dependiente.
Elemental. Cuando hablamos de suceso elemental, hablamos de un resultado simple. ... Cada uno de los seis
resultados posibles al lanzar el dado una vez, es un suceso o resultado elementales. En teoría de la
probabilidad es el primer concepto que se estudia.
Cuando A y B son mutuamente excluyentes, P (A ∪ B) = P(A) + P(B). Por ejemplo para obtener la
probabilidad de sacar una carta roja o un trébol, se suman las probabilidades de sacar una carta roja y la
probabilidad de sacar un trébol. ... En el ámbito de la probabilidad, la conjunción "o" permite que ambos
eventos sucedan.
Se consideran eventos mutuamente no excluyentes a todos aquellos sucesos que tienen la capacidad de ocurrir
de manera simultánea en una experimentación. La ocurrencia de alguno de ellos no supone la no ocurrencia
del otro.
Independientes. Cuando los eventos no se afectan entre sí, se les conoce como eventos independientes. Los
eventos independientes pueden incluir la repetición de una acción como lanzar un dado más de una vez, o usar
dos elementos aleatorios diferentes, como lanzar una moneda y girar una ruleta
Dos eventos son dependientes si el resultado del primer evento afecta el resultado del segundo evento así que
la probabilidad es cambiada. En el ejemplo anterior, si la primera canica no es reemplazada, el espacio
muestral para el segundo evento cambia y así los eventos son dependientes. La probabilidad de que ambos
eventos ocurran es el producto de las probabilidades de los eventos individuales:
P (A y B) = P (A) · P (B)
Fuentes: https://es.m.wikipedia.org/wiki/Mutuamente_excluyentes https://www.lifeder.com/eventos-
mutuamente-no-excluyentes/
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/independent-dependent-events

3.5 Cálculo de probabilidad con referencia al Teorema de probabilidad total y Teorema de Bayes.
El teorema de la probabilidad total es un teorema que nos permite calcular la probabilidad de un evento
basado en probabilidades condicionales.
El teorema de Bayes comienza con una situación en la que es posible conocer la probabilidad de ocurrencia de
una serie de eventos Ai. Dado que la probabilidad de ocurrencia del evento Bi varía según el evento Ai, se
agrega el evento B y la ocurrencia de este evento proporciona cierta información. La fórmula del teorema de
Bayes conoce la ocurrencia del evento B y nos dice cómo esta información modifica la probabilidad del
evento Ai.

A, B = eventos

P(A|B) = la probabilidad de A dado en B

P(B|A) = la probabilidad de B dado en A

P(A), P(B) = las probabilidades independientes de A y B.

Fuentes: https://www.ugr.es/~jsalinas/bayes.htm
 4. Distribución de probabilidades.

4.1 Variable aleatoria. Definición, características: tipos y propiedades, modelo matemático y partes,
modelo gráfico. Ejemplo. Fuentes bibliográficas.
Una variable aleatoria es una función que asigna un valor (generalmente un valor numérico) a los resultados
de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar los dados dos veces: (1, 1), (1, 2),
etc. O números reales (por ejemplo, la temperatura más alta durante el día en una ciudad en particular). El
posible valor de una variable aleatoria puede representar el posible resultado de un experimento que no se ha
realizado, o el número de valores inciertos que existen actualmente (por ejemplo, debido a una medición
incompleta o inexacta). Intuitivamente, puede pensar en las variables aleatorias como un número no fijo, pero
pueden tomar valores diferentes. La distribución de probabilidad se usa para describir la probabilidad de que
ocurran diferentes valores. Hablando formalmente, las variables aleatorias son funciones definidas en el
espacio de probabilidad.
Tipo de variable aleatoria:
-En las variables aleatorias, existen básicamente dos tipos. Su clasificación depende del tipo de número
devuelto por la función matemática. Las variables aleatorias pueden ser de dos tipos:
-Variable aleatoria discreta: si el número generado por la variable aleatoria es un entero, es discreto. El
método para calcular la probabilidad de una variable aleatoria discreta es mediante una función de
probabilidad.
-Variable aleatoria continua: si el número generado por la variable aleatoria no es un número entero, es
continuo. En otras palabras, tienen decimales. La probabilidad de que un evento dado corresponda a una
variable aleatoria continua está determinada por la función de densidad.

Fuente: https://economipedia.com/definiciones/variable-aleatoria.html 

4.2 Función de probabilidad y función de distribución para variable aleatoria discreta y continua.
En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de
probabilidad) es una función que asocia a cada punto de su espacio muestral X la probabilidad de que esta lo
asuma. En la teoría de la probabilidad y en estadística, la función de distribución acumulada (FDA, designada
también a veces simplemente como función de distribución o FD) o función de probabilidad acumulada
asociada a una variable aleatoria real: X (mayúscula) sujeta a cierta ley de distribución de probabilidad, es una
función matemática de la variable real: x (minúscula); que describe la probabilidad de que X tenga un valor
menor o igual que x.
Fuentes: https://es.m.wikipedia.org/wiki/Función_de_probabilidad

https://es.m.wikipedia.org/wiki/Función_de_distribución

4.3 Distribución de probabilidades.

En teoría de probabilidad y estadística, la distribución de probabilidad de una variable aleatoria es una función
que asigna la probabilidad de ocurrencia de cada evento definido en la variable. También se puede decir que
existe una estrecha relación con la distribución de frecuencias. La división depende del tipo de variable a
estudiar. Los cuatro factores principales (todos los demás factores se derivan de esto) son:

a) Si la variable es una variable discreta (valor entero), corresponderá a una distribución discreta, donde:
-Distribución binomial (eventos independientes).
-Distribución de Poisson (eventos independientes).
-Distribución hipergeométrica (eventos relacionados).
b) Si la variable es continua, lo que significa que puede tomar cualquier valor dentro de un intervalo, la
distribución a generar será una distribución continua, también conocida como distribución normal o
distribución gaussiana. Además, cuando la muestra a estudiar es grande y la probabilidad de éxito es pequeña,
se puede utilizar la "distribución de Poisson como una aproximación de la distribución binomial". A partir de
la combinación de los dos tipos anteriores de distribuciones (ayb), se produce la denominada "distribución
normal, que es una aproximación de la distribución binomial y de Poisson".
Fuentes: https://es.m.wikipedia.org/wiki/Distribución_de_probabilidad

4.4 Valor esperado (esperanza matemática), varianza y desviación estándar de una variable aleatoria
discreta y continua.
La esperanza matemática de una variable aleatoria X, es el número que expresa el valor medio del fenómeno
que representa dicha variable. La esperanza matemática, también llamada valor esperado, es igual al
sumatorio de las probabilidades de que exista un suceso aleatorio, multiplicado por el valor del suceso
aleatorio. Dicho de otra forma, es el valor medio de un conjunto de datos. Esto, teniendo en cuenta que el
término esperanza matemática está acuñado por la teoría de la probabilidad. Ejemplo:
Imaginemos una moneda. Dos caras, cara y cruz. ¿Cuál sería la esperanza matemática (valor esperado) de que
salga cara?
La esperanza matemática se calcularía como la probabilidad de que, tirando la moneda un número muy grande
de veces, salga cara. Dado que la moneda solo puede caer en una de esas dos posiciones y ambas tienen la
misma probabilidad de salir, diremos que la esperanza matemática de que salga cara es una de cada dos, o lo
que es lo mismo, el 50% de las veces. Por lo que si la tiramos 10 veces este sería el resultado:
Cara. Cruz. Cruz. Cara. Cruz. Cara. Cara. Cara. Cruz. Cruz.
Fuente: https://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica

4.5 Modelo de distribución probabilidad binomial. Definición, características: tipos y propiedades,

media o valor esperado y varianza, modelo matemático y componentes de la fórmula, ejemplo.
Fuentes bibliográficas.
En estadística, la distribución binomial o distribución binomica es una distribución de probabilidad discreta,
que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli independientes, y la probabilidad
de éxito entre dos ensayos es p. El experimento de Bernoulli se caracteriza por la dicotomía, es decir, solo son
posibles dos resultados. Uno de ellos se llama "éxito" y la probabilidad de que ocurra es p, y el otro se llama
"falla" y la probabilidad de que ocurra es [2] q = 1-p. En la distribución binomial, el experimento anterior se
repite de forma independiente n veces, que se trata de calcular la probabilidad de un cierto número de éxitos.
Para n = 1, el binomio se convierte en realidad en una distribución de Bernoulli.
En cada ensayo, experimento o prueba, solo son posibles dos resultados (éxito o fracaso). La probabilidad de
éxito debe ser constante. Esto está representado por la letra p. La probabilidad de lanzar una moneda es 0.5,
que es constante porque la moneda no cambia en cada experimento y la probabilidad de lanzar una moneda es
constante. La probabilidad de falla también debe ser constante. Esto está representado por la letra q = 1-p. Es
importante señalar que, a través de esta ecuación, conociendo p o q, podemos obtener la que nos falta.

Los resultados obtenidos en cada experimento no están relacionados con el experimento anterior. Por lo tanto,
lo que suceda en cada experimento no afectará lo siguiente. Estos eventos son mutuamente excluyentes, es
decir, dos eventos no pueden ocurrir al mismo tiempo. Al lanzar una moneda, no puedes ser hombre y mujer
al mismo tiempo, y no puedes tener cara y cola. Estos eventos son exhaustivos en general, es decir, debe
ocurrir al menos uno de dos eventos. Si no es un hombre, es una mujer, y si lanza una moneda, si la moneda
no está boca arriba, entonces debe tener una cola hacia arriba. Las variables aleatorias que siguen la
distribución binomial generalmente se expresan como X ~ (n, p), donde p representa el número de ensayos o
experimentos y p representa la probabilidad de éxito.
Fuentes: https://economipedia.com/definiciones/distribucion-binomial.html

4.6 Modelo de distribución de probabilidad hipergeométrico. Definición, características: tipos y

propiedades, media o valor esperado y varianza, modelo matemático y componentes de la fórmula,
ejemplo. Fuentes bibliográficas.
La distribución hipergeométrica es una distribución discreta. Cuando se conoce el número total de elementos
en la población de la que proviene la muestra, el modelo puede modelar el número de eventos en una muestra
de tamaño fijo. ... La muestra no es reemplazable, por lo que cada elemento de la muestra es diferente
La distribución hipergeométrica se define mediante 3 parámetros: el tamaño de la población, el recuento de
eventos en la población y el tamaño de la muestra.
Fuentes: https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and-
random-data/supporting-topics/distributions/hypergeometric-distribution/

4.7 Modelo de distribución de probabilidad de Poisson. Definición, características: tipos y

propiedades, media o valor esperado y varianza, modelo matemático y componentes de la fórmula,
ejemplo. Fuentes bibliográficas.
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad discreta,
que se basa en la frecuencia promedio de ocurrencia para expresar la probabilidad de que ocurra un cierto
número de eventos dentro de un cierto período de tiempo. Específicamente, se especializa en la probabilidad
de ocurrencia de eventos con baja probabilidad o eventos "raros".

Fuentes: https://es.m.wikipedia.org/wiki/Distribución_de_Poisson

4.8 Modelo de distribución de probabilidad normal. Distribución de probabilidades. Definición,

características: tipos y propiedades, media o valor esperado, modelo matemático y componentes de
fórmula, gráfica y tabla de la distribución normal. Ejemplo. Fuentes bibliográficas.
La distribución normal es un modelo teórico que puede aproximar satisfactoriamente el valor de una variable
aleatoria a la situación ideal. En otras palabras, la distribución normal ajusta una variable aleatoria a una
función que depende de la media y la desviación estándar.

Fuentes: https://economipedia.com/definiciones/distribucion-normal.html

4.9 Modelo de distribución de probabilidad exponencial. Distribución de probabilidades. Definición,

características: tipos y propiedades, media o valor esperado, modelo matemático y componentes de
la fórmula, ejemplo. Fuentes bibliográficas.
La distribución exponencial es un caso especial de la distribución gamma con k = 1. Además, la suma de las
variables aleatorias que siguen la misma distribución exponencial es una variable aleatoria que se puede
representar mediante una distribución gamma.

Fuentes: https://es.m.wikipedia.org/wiki/Distribución_exponencial