Taller de consulta y estudio de Variables Aleatorias

Nombres:

Angie Carolina Alarcòn Gomez

Gina Paola Garcia Sanchez
Jessica Viviana Sanchez Medina

1. ¿Qué es una variable?

Una variable es un símbolo que permite identificar a un elemento no especificado dentro de

un determinado grupo. Se refiere a cosas que son susceptibles de ser modificadas (de
variar), de cambiar en función de algún motivo determinado o indeterminado.

2. ¿Qué es una variable discreta? (5 ejemplos)

Una variable discreta es aquella que está en condiciones de adoptar valores de un conjunto
numérico dado.

Ejemplo:

1. El número de automóviles que tiene una persona es una variable discreta. Un

hombre puede tener, por ejemplo, un automóvil, dos automóviles o tres automóviles,
por citar algunas posibilidades. Pero no puede tener 1,6 automóviles ni 2,8
automóviles.
2. La cantidad de hijos de una mujer también es una variable discreta. Se pueden tener
2, 4 o 6 hijos, nunca 2,1 o 5,78 hijos.
3. El género del ser humano, que será femenino o masculino.
4. El número de estudiantes que existe en una clase. Y es que puede haber 15, 20 o
30 alumnos, pero no 15,3 o 20,8.
5. La cantidad de faltas que se pueden pitar por el árbitro en un partido de fútbol.

3. ¿Qué es una variable continúa? (5 ejemplos)

Las variables continuas pueden adquirir cualquier valor en un intervalo, existiendo siempre
otros valores intermedios entre dos valores observables. La existencia de más o menos
valores depende de la precisión de la medición.

Ejemplo:

1. La altura de un niño puede ser 1,2 metros, 1,24 metros o 1,249 metros de acuerdo a
cómo se mida.
2. El peso que tiene un hombre o una mujer.
3. El peso de las frutas que se han comprado en el mercado.
4. La velocidad que alcanza un coche.
5. El ancho que tiene la cintura de una persona.

4. ¿Qué es una variable aleatoria?

Es una ecuación que asigna valores a una variable (variable dependiente) en función de
otras variables (variables independientes).

5. ¿Qué es una variable aleatoria discreta VAD? (5 ejemplos)

Una variable aleatoria es discreta cuando su campo de variación (dominio de definición)

está constituido por un conjunto finito o infinito numerable de valores posibles. Cada suceso
de W se corresponde con un valor.

Ejemplo

1. lanzar un dado diez veces se aleatoriza de forma que la variable aleatoria X = nº de

ases que se obtengan : X ={0,1,2,3,4,5,6,7,8,9,10} (v.a. discreta de orden finito).
2. contemplar los coches que pasen por un tramo de carretera se aleatoriza de forma
que la variable aleatoria X = nº de coches que pasen: X={0,1,2,3,...} ( X= N ) (v. a.
discreta de orden infinito)
3. vamos a realizar el experimento de registrar los automóviles a una caseta de peaje.
Podemos definir la variable aleatoria V:
V = número de vehículos que llegan durante el periodo de un día. Los valores que
asume V (en su rango), son 0, 1, 2, 3, 4, 5, …; así sean muchos vehículos los que
llegan, siempre podremos contar la cantidad de valores que asume V. Por ello, la
variable V es una variable aleatoria discreta.

6. ¿Qué es una variable aleatoria continúa VAC? (5 ejemplos)

Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
un intervalo (finito o infinito) de números reales.

Ejemplo:

1. El peso de las vacas en una granja (una vaca puede pesar 632,12 kg, otra puede
pesar 583,12312 kg, otra 253,12012 kg, otra 198,0876 kg y nunca terminaríamos de
enumerar todos los posibles valores).
2. El tiempo de espera de un paciente antes de ser atendido
3. La edad, el peso y la Temperatura
4. Ingresos e egresos de una familia
5. El número de accidentes de tránsito que ocurren en una carretera en determinado
tiempo.

7. ¿Qué es una función de distribución de la probabilidad?

Una distribución de probabilidad es aquella que permite establecer toda la gama de

resultados probables de ocurrir en un experimento determinado. Es decir, describe la
probabilidad de que un evento se realice en el futuro.

8. ¿Qué es una función de masa de distribución de la probabilidad-VAD?

Es una función que asocia a cada punto de su espacio muestral X la probabilidad de que
esta lo asuma. si el espacio muestral, E de la variable aleatoria X consta de los puntos x1,

x2, …, xk, la función de probabilidad P asociada a X es donde pi es la

probabilidad del suceso X = xi .

Por definición de probabilidad,

9. Consulte cuál es la fórmula de las siguientes funciones de distribución de masa de

probabilidad (discreta) y en qué casos se puede usar para representar el
comportamiento de una variable aleatoria discreta:

Función de distribución Bernoulli (5 ejemplos)

La distribución de Bernoulli es un modelo teórico utilizado para representar una variable

aleatoria discreta la cual sólo puede finalizar en dos resultados mutuamente excluyentes.

Ejemplo:

1. Soy fans de un corredor de una competición ciclista en la cual solo compiten dos
corredores. Queremos apostar a que ese corredor gana. Entonces, si gana será un
resultado “éxito” y si pierde será un resultado “no éxito”. Esquemáticamente:

2. En un juego solo caben dos posibilidades, ganar o perder. ¿Cuántas veces es

necesario jugar para que la probabilidad, de que la frecuencia relativa de victorias
difiera, de la verdadera probabilidad de ganar, en valor absoluto, en al menos 0,05,
sea inferior o igual al 5%?
3. La probabilidad P de que un cliente cualquiera pague con cheques sin fondos, es
desconocida por un gran banco. ¿Cuál sería el error cometido al tomar como valor
de P la frecuencia relativa correspondiente a 50000 clientes, si se pretende que la
probabilidad, de que el valor absoluto de la diferencia entre ambas sea mayor o igual
que el error, sea como mucho de 0,1?

4. La probabilidad de que un deportista gane una competición es 0,4. ¿Cuantas veces

habremos de verle competir para que haya una probabilidad de al menos 0,95, de
que la frecuencia relativa de triunfos difiera de 0,4, en valor absoluto, como máximo
en 0,02?
 5. Se quiere lanzar una moneda y obtener la probabilidad de que salga cruz, se trata
de un solo experimento con dos resultados posibles: el éxito se considerará sacar
cruz y valdrá p=0.5 El fracaso será que salga cara y vale q=1-p=1-0.5=0.5.

Solución: sólo existirán dos resultados posibles: 0 (no salga cruz, es decir, salir cara) y
1 (salga cruz), por lo tanto, la variable aleatoria X se distribuirá como una Bernoulli con
parámetro p=0.5 , es decir, X - Bernoulli (0.5) , por lo que

Función de distribución Uniforme Discreta (5 ejemplos)

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de procesos dicotómicos
reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña

Ejemplo:

1. La renta media mensual de los habitantes de un país se distribuye uniformemente

entre 1.700 y 3.500 euros. Calcular la probabilidad de que al seleccionar al azar a
100 personas la suma de sus rentas mensuales supere los 260.000 euros.

Solución: Media y varianza de una distribución uniforme en el intervalo (1.700,

3.500)
2. Una empresa produce un artículo que sigue una distribución uniforme entre 25000 y
30000 unidades. Sabiendo que vende cada unidad a 10 euros y la función de costes
viene dada por C 100.000 2X = + , ¿cuál será el beneficio esperado?

Solución: X U(25.000, 30.000)

3. Una variable aleatoria X se distribuye uniformemente en el intervalo (2, 4). Se pide

P(X 2,5).

Solución:
 4. Dada la variable aleatoria X continua y con función de distribución F se define la
variable Y=F(X). Demuéstrese que Y sigue una distribución uniforme en [0,1].

Solución: Por ser F una función de distribución, la variable Y toma valores entre
cero y uno. Será uniforme en [0,1] si se verifica que:

5. Supongamos que el consumo familiar de un cierto producto se distribuye como una

variable aleatoria de distribución uniforme, con esperanza igual a 10 y varianza
unidad. Determina la probabilidad de que dicho consumo este comprendido entre 8 y
12 unidades

Solución: Sea X el número de unidades consumidas, sabemos que se distribuye

U(a,b), además:

La distribución es uniforme entre 8,26 y 11,73 unidades, por tanto la probabilidad de

que el consumo se encuentre comprendido entre 8 y 12 es la unidad.

Función de distribución Binomial (5 ejemplos)

Una distribución binomial es una distribución de probabilidad discreta que describe el

número de éxitos al realizar n experimentos independientes entre sí, acerca de una variable
aleatoria.

Ejemplo:
1. Cada muestra de aire tiene 10% de posibilidades de contener una molécula rara
particular. Suponga que las muestras son independientes con respecto a la
presencia de la molécula rara. Encuentre la probabilidad de que en las siguientes 18
muestras, exactamente 2 contengan la molécula rara.

Solución: Sea X=número de muestras de aira que contiene la molécula rara en la

siguientes 18 muestras analizadas. Entonces X es una variable aleatoria binomial
con p=0,1 y n=18. Por lo tanto,

2. Sean λ y η las variables aleatorias que cuentan el número de veces que sale 1 y 6,
respectivamente, en 5 lanzamientos de un dado. ¿Son λ y η independientes?.

Solución: Las variables λ y η siguen una distribución binomial de parámetros n=5 y

p=1/6. Veamos mediante un contraejemplo, que λ y η no son independientes. Por un
lado se tiene que:

3. Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del

último mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es
la probabilidad de que 3 de ellos hayan visto el partido?

Solución: tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos
hayan visto el partido de la final del mundial.
 4. La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80%
de los lectores ya la han leído. Un grupo de 4 amigos son aficionados a la lectura.
¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

5. Supongamos que se lanza 51 veces un dado de 6 caras y queremos calcular la

probabilidad de que el número 3 salga 20 veces. En este problema un ensayo
consiste en lanzar el dado una vez. Consideramos un éxito si obtenemos un 3 pero
si no sale 3 lo consideramos como un fracaso. Defínase X como el número de veces
que se obtiene un 3 en 51 lanzamientos.

Función de distribución Poisson (5 ejemplos)

La distribución de Poisson es una distribución de probabilidad discreta que modeliza la

frecuencia de eventos determinados durante un intervalo de tiempo fijado a partir de la
frecuencia media de aparición de dichos eventos.

En otras palabras, la distribución de Poisson es una distribución de probabilidad discreta que,

tan solo conociendo los eventos y su frecuencia media de ocurrencia, podemos saber su
probabilidad.

Ejemplo:

1. Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue

una distribución Poisson con una media de 2.3 imperfecciones por milímetro.
¿ Determine la probabilidad de 2 imperfecciones en un milímetro de alambre?
 Solución: Entonces E(x)=2.3 imperfecciones y

2. Los mensajes que llegan a una computadora utilizada como servidor lo hacen de
acuerdo con una distribución de Poisson con una tasa promedio de 0.1 mensajes por
minuto. ¿Cuál es la probabilidad de que lleguen como mucho 2 mensajes en una hora?

Solución: Sea X= mensajes por minuto con Po (0.1). Entonces el número de mensajes
por hora será de Po ( 6 ).

3. Un banco recibe en promedio 6 cheques falsos al día, suponiendo que el número de

cheques falsos sigue una distribución de Poisson, hallar la probabilidad de que se
reciban cuatro cheques falsos en un día.

Solución:

4. El número de fallos de un instrumento de prueba debidos a las partículas de un producto

es una variable de Poisson con media 0,2 fallos por hora. ¿Cuál es la probabilidad de
que el instrumento no falle en una jornada de 8 horas?.

Solución:

5. Suponemos que estamos en temporada de invierno y queremos ir a esquiar antes de

diciembre. La probabilidad que abran las estaciones de esquí antes de diciembre es del
5%. De las 100 estaciones de esquí, queremos saber la probabilidad de que la estación
de esquí más cercana abra antes de diciembre. La valoración de esta estación de esquí
es de 6 punto.

Solución:
Que otras funciones de distribución discretas existen
Distribución Hipergeométrica: La distribución hipergeométrica es una distribución discreta
que modela el número de eventos en una muestra de tamaño fijo cuando usted conoce el
número total de elementos en la población de la cual proviene la muestra. Cada elemento de la
muestra tiene dos resultados posibles (es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente.

Distribución Geométrica o de Pascal: La distribución geométrica es un modelo adecuado

para aquellos procesos en los que se repiten pruebas hasta la consecución del éxito a resultado
deseado y tiene interesantes aplicaciones en los muestreos realizados de esta manera .
También implica la existencia de una dicotomía de posibles resultados y la independencia de las
pruebas entre sí.

Distribución binomial negativa: Esta distribución puede considerarse como una extensión o
ampliación de la distribución geométrica . La distribución binomial negativa es un modelo
adecuado para tratar aquellos procesos en los que se repite un determinado ensayo o prueba
hasta conseguir un número determinado de resultados favorables (por vez primera) .Es por tanto
de gran utilidad para aquellos muestreos que procedan de esta manera. Si el número de
resultados favorables buscados fuera 1 estaríamos en el caso de la distribución geométrica .
Está implicada también la existencia de una dicotomía de resultados posibles en cada prueba y
la independencia de cada prueba o ensayo, o la reposición de los individuos muestreados.

10. ¿Qué es una función de densidad de distribución de la probabilidad-VAC?

Describe la probabilidad relativa según la cual dicha variable aleatoria tomará determinado valor.
La probabilidad de que la variable aleatoria caiga en una región específica del espacio de
posibilidades estará dada por la integral de la densidad de esta variable entre uno y otro límite
de dicha región.

11. Consulte cuál es la fórmula de las siguientes funciones de densidad de

distribución de probabilidad y en qué casos se puede usar para representar el
comportamiento de una variable aleatoria continua:

● Función de distribución Uniforme Continua (5 ejemplos)

Se denomina distribución uniforme continua aquella distribución que surge al considerar

una variable aleatoria que toma valores equiprobables en un intervalo finito.
Su nombre se debe al hecho de que la densidad de probabilidad de esta variable aleatoria
es uniforme sobre todo su intervalo de definición. La distribución uniforme es aquella que
puede tomar cualquier valor dentro de un intervalo, todos ellos con la misma probabilidad

EJEMPLOS:

1. un autobús pasa por cierta parada cada 15 minutos . ¿Cual es la probabilidad de

que un señor que llega en un momento dado tenga que esperar el autobus más de
cinco minutos ?

Solución: Si se define X= Tiempo de espera, entonces X” U (0.15) se calculará en primer lugar

la función de distribución

La probabilidad pedida viene dada por:

 2. Calcular la probabilidad de tener un voltaje dentro del intervalo dado es
muy fácil, por ejemplo ¿cuál es la probabilidad de que la compañía envíe
un voltaje menor a 123.5 V?

Solución:
P(X<123.5) = (123.5 −123.0)x 0.5 = 0.25

3. Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la

probabilidad de que se haya detenido en los primeros 25 minutos luego de señalar la
hora en punto.
[0-60] f(x) = P(x) = P(0 ≤ x ≤ 25) R.7 5/2

4. Una llamada telefónica llegó a un conmutador en un tiempo, al azar, dentro de un

periodo de un minuto. el conmutador estuvo ocupado durante 15 segundos en ese
minuto. Calcule la probabilidad de que la llamada haya llegado mientras el conmutador
no estuvo ocupado.

Solución: t = X [0 ; 1] min [0;0 ,25] min A = el conmutador no está ocupado B= el

conmutador está ocupado Pr(A) = 1 - Pr(B) Pr(B) = Pr(B) = 0,25 - 0 Pr(A) = 1 - 0,25 R/.
=0,75

5. En una práctica de presión aérea se deja caer una bomba a lo largo de una línea de un
kilómetro de longitud. El blanco se encuentra en el punto medio de la línea. El blanco se
destruirá si la bomba cae a una distancia menor que 75 m del centro. Calcule la
probabilidad de que el blanco se destruya si la bomba cae al azar a lo largo de la línea.

Solución: [0;1] Km Blanco [0 ; 0,5] Km Destrucción [X < 0,075] Km Pr(0<x<0,075)

R/. 0.15

● Función de distribución Normal (5 ejemplos)

Es una distribución que tiene forma de campana, es simétrica y puede tomar valores entre
menos in!nito y más infinito,Es decir, los valores centrales de la variable se presentan con
más frecuencia que los valores extremos. Así por ejemplo, en el caso de los errores de
medida, los errores por defecto o por exceso pequeños en valor absoluto se presentan
frecuentemente, mientras que los errores grandes, tanto los positivos como los negativos,
se observan menos veces.
EJEMPLOS:

1. ¿Cuál es la probabilidad de que un trabajador aleatoriamente seleccionado pueda

montar la pieza en menos de 30 minutos?

R/. 50%

2. ¿Cuántos minutos tienen que pasar antes de que el 10 por ciento de los
trabajadores monten la pieza?

Solución: x0=μ+z0 σ=30-1,28x5= R/. 23,6 minutos.

3. El encargado de la tesorería de una empresa está interesado en el número de días

que transcurre entre la facturación y el pago de las cuentas a crédito ¿Qué
porcentaje de cuentas se pagará antes de x días? ¿Dentro de cuántos días se
pagará el 80 por ciento de las cuentas?

4. Una fábrica de producción de agua embotellada, cuenta con una máquina de

envasado automático, la cual vierte en cada botella una cierta cantidad de agua que
sigue una distribución normal con media de 500 mililitros y una varianza de 25
mililitros. ¿Qué porcentaje de las botellas se llenan con agua entre 490 y 507
mililitros?

R/. 0.8012
 5. Los sueldos mensuales en una empresa siguen una distribución normal con media
de 1200 soles, y desviación estándar de 200 soles. ¿Qué porcentaje de trabajadores
ganan entre 1000 y 1550 soles?

R/. 0.8964

● Función de distribución Exponencial (5 ejemplos)

La distribución exponencial es para una variable aleatoria contínua x ≥ 0 x ≥0, que tiene la
siguiente función de densidad:

EJEMPLOS:
1. El tiempo de revisión del motor de un avión sigue una distribución exponencial con
media 22 minutos. Encontrar la probabilidad de que el tiempo de revisión sea menor
a 10 minutos.
2. Cuál es el tiempo de revisión de un motor superado por el 10% de los tiempos de
revisión?
3. El tiempo de vida de una lámpara especial sigue una distribución exponencial con
media 100 hs. ¿Cuál es la probabilidad de que una lámpara dure por lo menos 30
horas?
4. Si una lámpara ya lleva 50 horas de uso, ¿cuál es la probabilidad de que dure más
de 80 horas?
5. Se seleccionan cinco lámparas, ¿Cuál es el número esperado de lámparas que
duran por lo menos 30 hs (considerando las 5)?

● Función de distribución Triangular (5 ejemplos)

Se denomina así por el hecho de que la función de densidad tiene una forma triangular, que
viene definida en la tabla anterior Se denomina triangular cuando viene definida por dos
parámetros, que representan el valor mínimo y el valor máximo de la variable. En este caso
el triángulo es equilátero. Se denomina triangular (triangular general), cuando viene dada
por tres parámetros, que representan el valor mínimo y el valor máximo de la variable, y el
valor del punto.

EJEMPLOS:

1. El propietario de una gasolinera necesita describir la cantidad de gasolina vendida a

la semana. Los registros de las ventas anteriores indican que cada semana se
venden de un mínimo de 3.000 galones a un máximo de 7.000 galones, y la mayoría
de las semanas se venden 5.000 galones. La distribución triangular en este ejemplo
tiene tres parámetros: 3.000 (Mínimo), 5.000 (Más probable) y 7.000 (Máximo).

2. Se quiere estudiar el tiempo necesario para completar un proceso de depuración de

errores de un cierto código. Para ello se hacen las siguientes hipótesis: Se supone
que los errores pueden ser de dos tipos: graves y menos graves. Se estima que el
número de errores presente en el código es igual a 10. Se supone que la mitad de
estos errores son graves y la mitad son menos graves.

3. Se desea estimar el tiempo medio necesario para detectar al menos 3 errores no

graves y todos los errores graves menos uno. Describe el procedimiento de
simulación estocástica a aplicar para llevar a cabo este cálculo y lleva a cabo tres
pasos correspondientes al cálculo de uno de los valores del tiempo de depuración.

4. Una compañía aérea está estudiando su política de gestión de tarifas. Para un tipo
de avión determinado y una ruta concreta la compañía dispone de 150 plazas en
cada vuelo, a asignar a 3 tipos de tarifas: B, EF, EA. El precio del billete
correspondiente a cada una de las tarifas es de 400, 200 y 100 euros
respectivamente. Las plazas solo se pueden cubrir con billetes de la tarifa
correspondiente.

5. .Como generar valores para una distribuci´on gamma con parámetros r = 2 y λ = 2 (y

media igual a 4) utilizando el método de aceptación-rechazo a partir de valores de
una distribuci´on exponencial con par´ametro λ = 4 (y la misma media, por tanto).
Genera valores para dicha distribución ́on gamma, a partir de los siguientes valores
uniformes en [0, 1]:

● Qué otras funciones de distribución continua existen

● Distribución Beta
● Distribución F
● Distribución Gamma
● Distribución Ji cuadrado
● Distribución t student
12. ¿Qué es una función de distribución de probabilidad acumulada?

Es una función matemática que depende de una variable aleatoria real y de una distribución
de probabilidad determinada que devuelve la probabilidad de que la variable sea igual o
menor que un valor concreto.

En otras palabras, la distribución de probabilidad acumulada es una función matemática que

se emplea para saber la probabilidad de que una variable aleatoria tome valores más
pequeños o iguales que un número en concreto, sea cual sea su distribución.

La distribución de probabilidad acumulada también recibe el nombre de función de

distribución (FD) y acostumbra a denotarse como F(x) para diferenciarla de la función de
densidad f(x).

❖ La función de probabilidad de una variable aleatoria discreta, nos indica la

probabilidad de que la variable aleatoria sea igual a un valor determinado. Pero la
función de distribución acumulativa especifica la probabilidad de que una variable
aleatoria sea menor o igual que un valor dado. A la función de distribución
acumulativa la denominamos F(x) y su fórmula es la siguiente:

Propiedades:
● Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1.
● F(x) no es una función decreciente.

Además, para la función de distribución acumulativa de la variable aleatoria discreta, se

cumple que:

❖ La función de distribución acumulativa de una variable aleatoria continua la función

que para un valor x, nos da la probabilidad de que la variable aleatoria sea menor o
igual que dicho valor x. A la función de distribución acumulativa la denominamos
F(x).

Sea X una variable aleatoria continua con función de densidad de probabilidad f(x).
La función de distribución acumulativa de X es la función:
De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x. Recordemos
que cuando trabajamos con la función de densidad, área es probabilidad.

Además, tenemos algunas fórmulas interesantes que nos servirán para resolver los
problemas.

La siguiente fórmula nos permite pasar de la función de distribución acumulativa a la función

de densidad de probabilidad:

13. Consulte las fórmulas de la función de probabilidad acumulada para las

distribuciones citadas en el numeral 9 y 11.

distribución 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 concreto, si el espacio muestral, E de la variable aleatoria X consta de los
puntos x1, x2, …, xk, la función de probabilidad P asociada a X es

donde pi es la probabilidad del suceso X = xi .Por definición de probabilidad

Hay que advertir que el concepto de función de probabilidad solo tiene sentido para variables
aleatorias que toman un conjunto discreto de valores. Para variables aleatorias continuas, el
concepto análogo es el de función de densidad.

Función de distribución Bernoulli

Definimos z como la variable aleatoria Z una vez conocida y fijada. Es decir, Z va

cambiando aleatoriamente (el dado gira y gira en un único lanzamiento) pero cuando la
observamos fijamos el valor (cuando el dado cae encima de la mesa y da un resultado
concreto). Es en ese momento cuando evaluamos el resultado y le asignamos uno (1) o
cero (0) en función de lo que consideremos “éxito” o no “éxito”.

La variable aleatoria Z una vez fijada sólo podrá tomar dos valores concretos: cero (0) o uno
(1). Entonces, la función de distribución de probabilidad de la distribución de Bernoulli solo
será distinta de cero (0) cuando z sea cero (0) o uno (1). El caso contrario sería que la
función de distribución de la distribución de Bernoulli fuera cero (0) dado que z será
cualquier valor distinto de cero (0) o uno (1).

Función de distribución Uniforme Discreta

Es una distribución de probabilidad discreta que surge en espacios de probabilidad

equiprobables, es decir, en situaciones donde de resultados diferentes, todos tienen la
misma probabilidad de ocurrir.

Función de distribución Binomial

Una distribución binomial es una distribución de probabilidad discreta que describe el

número de éxitos al realizar n experimentos independientes entre sí, acerca de una variable
aleatoria.
Función de distribución Poisson

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de procesos dicotómicos
reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña.

funciones de densidad de distribución de probabilidad

● Función de distribución Uniforme Continua

En teoría de probabilidad y estadística, la distribución uniforme continua es una

familia de distribuciones de probabilidad para variables aleatorias continuas, tales
que para cada miembro de la familia, todos los intervalos de igual longitud en la
distribución en su rango son igualmente probables.

● Función de distribución Normal

La distribución normal o distribución gaussiana es la distribución de probabilidad en

variable continua, en la que la función densidad de probabilidad está descrita por
una función exponencial de argumento cuadrático y negativo, que da lugar a una
forma acampanada.

A la función distribución normal en la variable continua x, con parámetros μ y σ se le

denota por:

N(x; μ,σ)

N(x; μ,σ) = ∫-∞x f(s; μ,σ) ds

● Función de distribución Exponencial

 A pesar de la sencillez analítica de sus funciones de definición, la distribución
exponencial tiene una gran utilidad práctica ya que podemos considerarla como un
modelo adecuado para la distribución de probabilidad del tiempo de espera entre
dos hechos que sigan un proceso de Poisson. De hecho la distribución exponencial
puede derivarse de un proceso experimental de Poisson con las mismas
características que las que enunciamos al estudiar la distribución de Poisson, pero
tomando como variable aleatoria , en este caso, el tiempo que tarda en producirse
un hecho

Obviamente, entonces , la variable aleatoria será continua. Por otro lado existe una
relación entre el parámetro a de la distribución exponencial , que más tarde
aparecerá , y el parámetro de intensidad del proceso l , esta relación es a = l

● Función de distribución Triangular

El nombre de esta distribución viene dado por la forma de su función de densidad.

Este modelo proporciona una primera aproximación cuando hay poca información
disponible, de forma que sólo se necesita conocer el mínimo (valor pesimista), el
máximo (valor optimista) y la moda (valor más probable). Estos tres valores son los
parámetros que caracterizan a la distribución triangular y se denotan por a, b y c,
respectivamente.
Campo de variación: a < x > b
Parámetros:
a: mínimo, -∞ < a < ∞ c: moda, -∞ < c < ∞ con a c b b: máximo, -∞ < b < ∞ con a < b

● Qué otras funciones de distribución continua existe

● Distribución Lognormal
● Distribución Logística
● Distribución Beta
● Distribución Gamma
● Distribución Ji-cuadrado
● Distribución t de Student
● Distribución F de Snedecor
● Distribución Cauchy
● Distribución Weibull
● Distribución Laplace
● Distribución Pareto

14. En una hoja de cálculo realice las gráficas de las funciones de distribución de la
probabilidad y las funciones de distribución de probabilidad acumulada, para 2
funciones discretas y 2 funciones continuas.
15. ¿En qué consiste la ley de los grandes números y cómo se puede relacionar con
las funciones de probabilidad estudiadas?

Se considera el primer teorema fundamental de la teoría de la probabilidad, que indica que

si repetimos muchas veces (tendiendo al infinito) un mismo experimento, la frecuencia de
que suceda un cierto evento tiende a ser una constante.

Básicamente el teorema establece que la frecuencia relativa de los resultados de un cierto

experimento aleatorio, tienden a estabilizarse en cierto número, que es precisamente la
probabilidad, cuando el experimento se realiza muchas veces.

De este modo, aseguran cierta convergencia de variables aleatorias bajo unas condiciones
determinadas.

● Convergencia en media cuadrática.

● Convergencia en probabilidad
● La ley débil de Bernoulli
● Convergencia casi segura
● Convergencia en distribución

16. ¿Qué es el Teorema del Límite Central (TLC)? En una hoja de cálculo elabore un
ejemplo con variables aleatorias para explicar el concepto del “TLC”.

Este teorema nos dice que si una muestra es lo bastante grande (generalmente cuando el
tamaño muestral (n) supera los 30), sea cual sea la distribución de la media muestral,
seguirá aproximadamente una distribución normal, es decir, dada cualquier variable
aleatoria, si extraemos muestras de tamaño n (n>30) y calculamos los promedios
muestrales, dichos promedios seguirán una distribución normal. Además, la media será la
misma que la de la variable de interés, y la desviación estándar de la media muestral será
aproximadamente el error estándar.

De este modo, se establece que sin importar su distribución con la que generamos ciertas
variables aleatorias, su suma siempre es gaussiana, y tanto más estrecha cuantas más
variables sumemos.

Ejemplo Ver Excel