FECHA: SÁBADO, 02 DE ABRIL DEL 2022.

NOMBRE Y APELLIDO: CARLOS ALBERTO MORA PÉREZ.

CEDULA: V-27.892.646. | E-MAIL: CARLOSAMORAP@GMAIL.COM.

MATERIA: PROCESOS ESTOCÁSTICOS (INGENIERÍA DE SISTEMAS, SEMESTRE VI).

DOCENTE: JAIME ARMANDO CALDERÓN PÁEZ.

ACTIVIDAD VIRTUAL #2.

DEFINICION DE LAS DISTINTAS DISTRIBUCIONES.

DISTRIBUCIONES BIDIMENSIONALES.

Se trata de una distribución dependiente de dos parámetros (por lo general X i e Y i, siendo i

un numero cualquiera). Se dispone una recta en el plano cartesiano donde se muestran varios
puntos, cada uno con un par de variables que representan las coordenadas.

Al conjunto de coordenadas se le conoce como nube de puntos o diagrama de dispersión,

sobre la que puede trazarse una recta que se ajuste en lo posible a todas las coordenadas en
conjunto. Dicha recta se le llama recta de regresión, y es la que se utiliza para estimar los valores
de las variables de un punto en concreto que sea desconocido.

Por ejemplo, nos dan las notas de las últimas diez evaluaciones de física y matemática:

Matemática 3 4 5 6 6 7 7 8 10
Física 2 5 5 6 7 6 7 9 10
N° Alum. 4 4 2 4 3 4 2 1 1

Denominamos a Matemática como X, a Física como Y, y el número de alumnos como f

(frecuencia).

A partir de aquella tabla podemos hallar la Media, Desviación Típica, Mediana, Varianza,
Covarianza, Coeficiente de Correlación de Pearson, etc. En este ejemplo vamos a elegir una nota de
Matemática al azar y hallaremos qué nota se podría esperar en una próxima evaluación de Física en
base a la nota de Matemática elegida. También haremos la nube de puntos y hallaremos la recta de
relación.

Así es que:

Matemática 4,5
Física ¿?

Se dice que la Formula de la Recta de Regresión es:

σ XY
Y −Y = 2
(X −X )
σX

Donde σ XY es la covarianza y σ X es la varianza de X. Por ello, debemos hallar estas dos

2

incógnitas primero:

Se dice que la Formula de la Covarianza es:

Σ(X i .Y i . f i )
σ XY = −X . Y
Σ(f i )

Mientras la Formula de la Varianza de X es:

2
2 Σ( X i . f i ) 2
σX = −X
Σ(f i )

Como se puede observar, para continuar debemos hallar también X (media de X) e Y

(media de Y).

DISTRIBUCIÓN BINOMIAL.

Se trata de una serie de pruebas o ensayos en la que solo podemos tener 2 resultados (éxito
o fracaso), siendo el éxito nuestra variable aleatoria.

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
  La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara son constantes.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra q
= 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga
cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad de
éxito.

La fórmula para calcular la distribución binomial es:

Donde:

 n = Número de ensayos/experimentos
 x = Número de éxitos
 p = Probabilidad de éxito
 q = Probabilidad de fracaso (1-p)

Veamos un ejemplo respecto al tema: 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?

Definamos las variables del experimento:

 n = 4 (es el total de la muestra que tenemos)

  x = número de éxitos, que en este caso es igual a 3, dado que buscamos la
probabilidad de que 3 de los 4 amigos lo hayan visto.
 p = probabilidad de éxito (0,8)
 q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la fórmula:

Por tanto, nuestro resultado final sería 0,4096. Si multiplicamos por 100 tenemos que hay
una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido de la final del mundial.

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.

Dada una variable aleatoria discreta X decimos que su frecuencia se puede aproximar
satisfactoriamente a una distribución de Poisson, tal que:

A diferencia de la distribución normal, la distribución de Poisson solo depende de un

parámetro (). Este parámetro informa del número esperado de eventos que ocurrirán en un
intervalo de tiempo fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a pensar en
la media. Por tanto, () es la media de la frecuencia de los eventos.

Tanto la media como la varianza de esta distribución son (), estrictamente positiva.

Dada una distribución de Poisson con media 2, la distribución de probabilidad de densidad

es la siguiente:
 No todas las distribuciones de probabilidad de densidad de Poisson tendrán el mismo
aspecto aunque mantengamos igual la muestra. Si cambiamos la media, es decir, el parámetro del
que depende la función, también cambiará la función.

Su función de densidad de probabilidad es:

Esta función se entiende como la probabilidad de que la variable aleatoria X tome un valor
concreto x. Es la exponencial de la media negativa multiplicada por la media elevada a la
observación y todo dividido por la factorial de la observación.

Como está indicado, para conocer la probabilidad de cada observación, tendremos que
sustituir en la función todas las observaciones. En otras palabras, x es un vector de dimensión n que
contiene todas las observaciones de la variable aleatoria X. La media también sería un vector pero
de una dimensión, tal que:

Una vez ya tenemos las probabilidades calculadas, junto con las observaciones ya podemos
dibujar la distribución de densidad de probabilidad.

Veamos un ejemplo a continuación: 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 puntos.

Los inputs necesarios para calcular la función de probabilidad de densidad de la Poisson

son el conjunto de datos y ():

 Conjunto de datos = 100 estaciones de esquí.

 = 5% * 100 = 5 es el número de estaciones de esquí esperado dado el conjunto de datos.

Entonces, la estación más cercana tiene una probabilidad de 14,62% de que abra antes de
diciembre.

DISTRIBUCIÓN NORMAL.

Es un modelo teórico capaz de aproximar satisfactoriamente el valor de una variable

aleatoria a una situación ideal. La distribución normal adapta una variable aleatoria a una función
que depende de la media y la desviación típica. Es decir, la función y la variable aleatoria tendrán la
misma representación pero con ligeras diferencias.

Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y los
errores estándar son variables aleatorias continuas.

Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número de
estudiantes en una universidad.

Para que una variable aleatoria se considere que sigue una distribución normal, tiene que
cumplir las siguientes propiedades:

 Es una distribución simétrica. El valor de la media, la mediana y la moda coinciden.

Matemáticamente:

Media = Mediana = Moda

  Distribución unimodal. Los valores que son más frecuentes o que tienen más probabilidad
de aparecer están alrededor de la media. En otras palabras, cuando nos alejamos de la
media, la probabilidad de aparición de los valores y su frecuencia descienden.

Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que:

Donde los parámetros de la distribución son precisamente la media o valor central () y la
desviación típica ()

Una función de densidad de probabilidad de una variable aleatoria que sigue una
distribución normal se representa de la siguiente forma:

Un ejemplo viene bien para refrescar todas las definiciones expuestas con anterioridad:
suponemos que queremos saber si los resultados de un examen pueden aproximarse
satisfactoriamente a una distribución normal. Sabemos que en este examen participan 476
estudiantes y que los resultados podrán oscilar entre 0 y 10. Calculamos la media y la desviación
típica a partir de las observaciones.

Entonces, definimos la variable aleatoria X como los resultados del examen que depende de
cada resultado individual.

El resultado de cada estudiante se anota en una tabla. De esta forma, obtendremos una
visión global de los resultados y de su frecuencia.
 Resultados Frecuencia
0 20
1 31
2 44
3 56
4 64
5 66
6 62
7 51
8 39
9 26
10 16
TOTAL 475

Una vez hecha la tabla, representamos los resultados del examen y las frecuencias. Si el
gráfico se parece a la imagen anterior y cumple con las propiedades, entonces, la variable resultados
del examen puede aproximarse satisfactoriamente a una distribución normal de media 4,86 y
desviación típica de 2,56.

DISTRIBUCIÓN GAMMA.

Es una distribución adecuada para modelizar el comportamiento de variables aleatorias

continuas con asimetría positiva. Es decir, variables que presentan una mayor densidad de sucesos a
la izquierda de la media que a la derecha. En su expresión se encuentran dos parámetros, siempre
positivos, (α) y (β) de las que depende su forma y alcance por la derecha, y también la función
Gamma Γ(α), responsable de la convergencia de la distribución.

El primer parámetro (α) sitúa la máxima intensidad de probabilidad y por este motivo en
algunas fuentes se denomina “la forma” de la distribución:

 Cuando se toman valores próximos a cero aparece entonces un dibujo muy similar al de la
distribución exponencial.
 Cuando se toman valores más grandes de (α) el centro de la distribución se desplaza a la
derecha y va apareciendo la forma de una campana de Gauss con asimetría positiva.

Es el segundo parámetro (β) el que determina la forma o alcance de esta asimetría positiva
desplazando la densidad de probabilidad en la cola de la derecha.

 Para valores elevados de (β) la distribución acumula más densidad de probabilidad en el

extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabilidad a lo
largo del plano. Al dispersar la probabilidad la altura máxima de densidad de probabilidad
se va reduciendo; de aquí que se le denomine “escala”.
 Valores más pequeños de (β) conducen a una figura más simétrica y concentrada, con un
pico de densidad de probabilidad más elevado.

Una forma de interpretar (β) es “tiempo promedio entre ocurrencia de un suceso”.

Relacionándose con el parámetro de la Poisson como β=1/λ. Alternativamente λ será el ratio de
ocurrencia: λ=1/β.

La expresión β−1 también será necesaria más adelante para poder llevar a cabo el desarrollo
matemático.

Como ya se ha indicado, la expresión de la distribución Gamma incluye la propia función

Gamma, que para valores enteros de alpha se ha demostrado que:

Γ ( α )=( α −1 ) !

En este caso la distribución Gamma se conoce como “distribución de Erlang”.

 Para valores no enteros, el valor de la función Gamma se obtiene a partir de:

La función de densidad de la distribución Gamma es:

Donde x>0 y (β, α) son parámetros positivos.

La función de distribución es:

La Esperanza Matemática es:

La Varianza es:

DISTRIBUCIÓN BETA.

Notación y parámetros:
Función de densidad:

Función de distribución:

Media y varianza:

Propiedad de simetría: