UNIVERSIDAD NACIONAL DE UCAYALI FACULTAD DE

CIENCIAS FORESTALES Y AMBIENTALES

CARRERA PROFESIONAL DE INGENIERÍA AMBIENTAL

“AÑO DE LA INDEPENDENCIA DEL PERÚ: 200 AÑOS DE

INDEPENDENCIA”

VARIABLES DISCRETAS Y CONTINUAS

❖ CURSO: ESTADÍSTICA BÁSICA

❖ DOCENTE: ING. WILKIN ZORRILLA MURAYARI

❖ ESTUDIANTES: MORI TAFUR MAURO CESAR

HUACHOS LONGA LUIS ORLANDO

ISLA ZARRIA DIEGO LEANDRO
ASIN ARRATEA JHOAN KENEDY
CALDERON DE LA CRUZ BILLY KEYNI
CAIRUNA PICOTA ALEXIS XAVIER
 CICLO: 9 NOVENO

PUCALLPA - PERÚ
 ÍNDICE

INTRODUCCIÓN ....................................................................................................................3

OBJETIVOS ............................................................................................................................4

VARIABLES DISCRETAS .......................................................................................................5

 Distribución Uniforme ...................................................................................................5

 Distribución Binomial....................................................................................................6

 Distribución Multinomial ...............................................................................................7

 Distribución Hipergeométrica .......................................................................................8

 Distribución Multihipergeométrica .............................................................................10

 Distribución de Poisson..............................................................................................11

VARIABLES CONTINUAS ....................................................................................................12

 Distribución de Gauss.................................................................................................12

 Distribución Gamma ...................................................................................................13

 Distribución exponencial ............................................................................................13

CONCLUSIONES .................................................................................................................15

BIBLIOGRAFÍA ....................................................................................................................16

ANEXOS ...............................................................................................................................17

2
 INTRODUCCIÓN

Desde los comienzos de las distintas civilizaciones han existido formas sencillas
de estadística, pues ya se utilizaban representaciones gráficas y otros símbolos
en pieles, rocas, palos de madera, huesos, para contar el número de personas,
animales o ciertas cosas. Desde que surgen los primeros estados (Babilonios
(3000 a.C.), Egipcios (2200 a. C.)), se han recogido datos sobre sus habitantes
con el objetivo principal de recaudar impuestos y tributos, y reclutar a jóvenes
para el ejército. Durante los siglos XVII y XVIII los estados europeos comienzan
a realizar censos de población y a recopilar de manera sistemática datos
demográficos, sociales y económicos. Por tanto, hasta el siglo XIX, la Estadística
es una ciencia descriptiva que utiliza medias y gráficos para sintetizar datos
sociales y económicos. La necesidad de estimar cantidades desconocidas a
partir de muestras va transformando paulatinamente la disciplina en una ciencia
normativa para extraer conclusiones de los datos, prever la evolución de las
variables y guiar la toma de decisiones en ambiente de incertidumbre; esta
transformación es posible por la incorporación del concepto de probabilidad. En
el siglo XIX, Gauss introduce la distribución normal como modelo de los errores
de medida y Quetelet, padre de la sociología cuantitativa, utiliza una distribución
para describir y estimar las características sociales medias de los miembros de
una comunidad. A finales de siglo, Francis Galton y Karl Pearson en Inglaterra
inventaron métodos para medir relaciones entre variables sociales e introdujeron
la idea de regresión y de coeficiente de correlación. En el siglo XX la Estadística
se extiende a todos los campos científicos gracias a los importantes avances
realizados a principio de siglo en Inglaterra por Ronald A. Fisher, Egon Pearson
y Jerzy Neyman. La expansión de sus aplicaciones a todos los campos
científicos ha dado lugar a disciplinas específicas como la Econometría, la
Biometría o la Psicometría. En la actualidad, la Estadística es probablemente una
de las disciplinas científicas más utilizadas y estudiadas en todos los camposdel
conocimiento humano.

3
 OBJETIVOS

 Identificar los conceptos de espacio de probabilidad, variables discretas y

continuos.

 Comprender la importancia y poder aplicar los teoremas de convergencia

básicos en teoría de probabilidad.

 Conocer a nivel conceptual y operativo las distribuciones continuas más

importantes, motivadas a través de ejemplos.

4
VARIABLES DISCRETAS

 Distribución Uniforme

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

los valores que puede tomar. Con igual probabilidad, pero el espacio muestral
debe de ser finito.

X1, X2, X3,… Xk

Donde k es el parámetro de la distribución, (esto sirve para determinada la

función de probabilidad o densidad de una variable aleatoria).

La media y la varianza de la variable uniforme se calculan por las siguientes

expresiones:

5
  Distribución Binomial

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

experimento en el cual deben de cumplir lo siguiente:

1) El experimento está compuesto por n pruebas iguales. Este siendo un

numero natural fijo
2) Cada prueba resulta en que solo existen dos posibles resultados.
Mutuamente excluyentes que se denominan generalmente como éxito y
fracaso

3) La probabilidad de éxito o fracaso es constante en todas las pruebas.

P(éxito)=p P(fracaso) =1-p =q
4) Las pruebas son independientes

6
En estas condiciones la variable aleatoria X que cuenta el número de éxitos en
la n pruebas se llama variable binomial. Y debe de tener un espacio muestral
compuesto de números enteros del 0 al n.

La función de probabilidad de la variable binomial se representa como b(x, n, p)

siendo el n número de pruebas y la p probabilidad del éxito, la n y la p son
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

 Distribución Multinomial

La distribución Multinomial es casi igual que la binomial pero la diferencia es que

tienen más de dos posibles resultados mutuamente excluyentes.

Si tenemos K resultados posibles ( E¡ , i=1, ….. , K) con la probabilidad fija de

(P¡, ¡=1, ….. , K) , La variable que expresa el número de resultados de cada tipo
obtenidos en n pruebas independientes tiene distribución Multinomial.

La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc. y se

representa:

7
Los parámetros de distribución son P1,…., Pk y n)

 Distribución Hipergeométrica

Una variable tiene una distribución Hipergeométrica si cumple las siguientes

condiciones:

1) Se toma una muestra de tamaño n, sin reemplazamiento de un conjunto

finito de N objetos
2) K de los N objetos se puede clasificar como; éxitos y N-k como fracasos

X cuenta el número de éxitos obtenidos de la muestra. Y el espacio muestral es

el conjunto de los números enteros de 0 a n, o de 0 a K (K<n)

La función Hipergeométrica es:

Los parámetros de la distribución son n, N y K.

Los valores de la media y la varianza se calculan mediante:

8
Si n es pequeño con relación a N (n<<N) la probabilidad de un éxito puede variar
muy poco de una prueba a otra. Ya que en este caso es esencialmente binomial
la variable.

9
La media de la variable aproximada ((μ = n p = n (K / N)) es la misma que el de
la variable antes de la aproximación. Per ola varianza de la variable binomial es
ligeramente superior a la Hipergeométrica.

El factor por el que diferente ser siempre menor que 1 tan próximo a 1 como
cierto sea que n <<N

 Distribución Multihipergeométrica

Este variable se define igual que la Hipergeométrica con la única diferencia que
se supone que el conjunto de objetos sobre el que se muestrease divide en R
grupos de A1, A2,…. Ar, objetos y la variable describe el número de objetos de
cada tipo que se han obtenido (x1, x2,……, Xr)

La función de probabilidad es:

10
  Distribución de Poisson

Una variable de Poisson cuenta éxitos que ocurren en una región y se deben de
cumplir las siguientes condiciones.

11
 1) El número de éxitos que ocurren en cada región del tiempo es
independiente.
2) La probabilidad de un éxito es proporcional al tamaño de este

3) La probabilidad de encontrar uno o más éxitos en una región del tiempo

tiende a cero.

La función de la probabilidad de Poisson es:

VARIABLES CONTINUAS

 Distribución de Gauss

Esta distribución es la de mayor importancia en el

campo de la estadística. Una variable es normal
cuando se ajusta a la ley de los grandes números y
esto es cuando sus valores son el resultado de
medir una magnitud sobre la que influyen causas
infinitas

Su función de densidad es la siguiente:

12
  Distribución Gamma

La distribución gama se define a partir de la ecuación

que es:

La función de densidad de la distribución gama es:

α y β son los parámetros de la distribución. Y la media y la varianza de la variable

gamma son:

 Distribución exponencial

Es un caso de la distribución gamma cuando α = 1. Su función de densidad es:

13
La media y la varianza de la distribución exponencial son:

14
 CONCLUSIONES

 La probabilidad es la posibilidad u oportunidad de que suceda un evento

particular. La probabilidad involucrada es una porción o fracción cuyo
valor varía entre cero y uno exclusivamente. Observamos un evento que
no tiene posibilidad de ocurrir (es decir, el evento nulo), tiene una
probabilidad de cero, mientras que un evento que seguramente ocurrirá
(es decir, el evento cierto), tiene una probabilidad de uno.

 La regla más evidente para las probabilidades es que deben variar en

valor de 0 a 1. Un evento imposible tiene una probabilidad cero de ocurrir,
y un evento cierto tiene una probabilidad uno de ocurrir. La probabilidad
simple se refiere a la probabilidad de ocurrencia de un evento simple.

 Una distribución de probabilidad para una variable aleatoria discreta es un

listado mutuamente excluyente de todos los resultados posibles para esa
variable aleatoria, tal que una probabilidad particular de ocurrencia esté
asociada con cada resultado.

15
 BIBLIOGRAFÍA

 Eduardo. (2007). Probabilidad intermedia.

 Portal Estadística Aplicada Negocios, M. e. (2015). Distribución

variablesdiscretas y continuas.

 lu_seb. (2015). Distribuciones.

 Zapata, F. (11 de 07 de 2019). Lidefer. Obtenido de Lidefer:

https://www.lifeder.com/variable-discreta/

 Carmen , B., & Juan D., G. (2004). Estocastica para maestros. Octubre

 Maribel. (2009). Variables continuas.

16
ANEXOS

17