UNIVERSIDAD PEDAGÓGICA

UNIDAD 203
“EDUCAR PARA TRANSFORMAR”
CARRERA:

LICENCIATURA EN PEDAGOGÍA

ASIGNATURA:

ESTADÍSTICA DESCRIPTVA

NOMBRE DEL ALUMNO:

ANDRES GUADALUPE GUERRA JIMÉNEZ

SUE ORDÁZ CASTILLO

JUÁN JOSÉ LAGUNAS SÁNCHEZ

DULCE NAYDELIN PÉREZ REGALADO

MARTHA ELENA RAYMUNDO MARTÍNEZ

NOMBRE DEL DOCENTE:

IVONNE A. RUEDA GUTIÉRREZ

ACTIVIDAD 2.2:

CUADRO COMPARATIVO

SEMESTRE: 3° GRUPO: D

CD. IXTEPEC, OAXACA. 25/11/2021.

 DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS Y DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS
Actividad: Elaboren un cuadro comparativo sobre la distribución de la probabilidad discreta y la distribución de la probabilidad
continua.

Definición de variable aleatoria: Una variable aleatoria es una regla bien definida para asignar valores numéricos a todos los
resultados probables de un experimento. Por ejemplo, los distintos resultados que se obtienen al lanzar un dado forman una variable,
que abarcará de 1 a 6, y que no son predecibles. A todo valor de una variable aleatoria corresponderá una probabilidad. Ese conjunto
de todos los valores posibles de la variable aleatoria y de sus respectivas probabilidades recibe el nombre de función o distribución de
probabilidad de la variable aleatoria. Cualquier operación algebraica entre dichas funciones dará lugar a otra variable aleatoria.

En pocas palabras, podemos decir que una variable x es variable aleatoria si el valor que toma, corresponde al resultado de un
experimento, es una probabilidad o evento aleatorio. Ejemplo: X= Número de defectos en una pieza de mueble seleccionada al azar.

DISTRIBUCIÓN DE PROBABILIDAD PARA UNA DISTRIBUCIÓN DE PROBABILIDAD PARA

CONCEPTO
VARIABLE ALEATORIA DISCRETA UNA VARIABLE ALEATORIA CONTINUA
DEFINICIÓN  Una variable aleatoria se le denomina  Las variables aleatorias continuas se
definen sobre espacios muéstrales infinitos no
discreta cuando se puede contar su
numerables, es decir, toman un número de
 conjunto de resultados posibles. Puede que valores infinito.
el intervalo de valores es finito o contable
 Distribución de probabilidad es aquella que
infinito.
permite establecer toda la gama de resultados
 La distribución de probabilidad para una probables de ocurrir en un experimento
variable aleatoria discreta es una fórmula, determinado. Es decir, describe
tabla o gráfica que da los posibles valores la probabilidad de que un evento se realice
de x, y la probabilidad p(x) asociada con en el futuro. La probabilidad de un resultado
cada valor de x. específico está entre cero y uno.

 El conjunto de posibles eventos es  El conjunto de posibles valores no es

numerable.
CARACTERÍSTICAS  Suelen estar asociados a experimentos en
que se mide el número de veces que
sucede algo.
REQUISITOS 1. Los valores de x representan eventos
numéricos mutuamente excluyentes.
0 ≤ p(x) ≤ 1
2. Sumar p(x) sobre todos los valores de x es
equivalente a sumar las probabilidades de
numerable.
 Puede tomar todos los valores de un
intervalo.
 Son el resultado de medir algo.
 Si aumenta indefinidamente el número de
observaciones y la amplitud de clase
tiende a cero, el histograma, al igual que el
polígono de frecuencias, se acerca a la
forma de una curva continua. Si la altura
de la curva de frecuencias fuera
estandarizada de manera que el área bajo
dicha curva fuera igual a la unidad,
 todos los eventos simples y por tanto es
igual a 1.
 Los cálculos de probabilidades para v.a.
∑ p ( x )=1
 Indica una lista de todos los resultados de
un experimento, junto con la probabilidad
correspondiente a cada uno de los
resultados.
La probabilidad de un resultado debe estar
entre 0 y 1.
La suma de todos los resultados
mutuamente excluyentes siempre es 1.
entonces se determinaría una distribución
probabilística continua.
continuas involucran la integración de
funciones continuas llamadas Funciones
de Densidad de Probabilidad (PDF), f(x).
La integral de cualquier PDF sobre todos
los valores posibles de x debe ser igual a
1: fX(x) ≥ 0 para toda x
Los límites de integración dependen de la
PDF en cuestión.

Sea x una variable aleatoria discreta con Si X es una variable continua con función de
distribución de probabilidad p(x). La media o valor densidad f(x) entonces, la media de X es
esperado de x está dada como: ∞

MEDIA μ= E ( x )= ∫ x ∙ f ( x ) dx
μ= E ( x )=∑ xp( x ) −∞

Donde los elementos se suman sobre todos los La media, llamada también valor esperado o
valores de la variable aleatoria x. esperanza, se denota con μ o E(X).
VARIANZA Sea x una variable aleatoria discreta con La varianza de X es:
distribución de probabilidad p(x) y media μ. La ∞
θ2=V ( x)= ∫ ¿ ¿
varianza de x es −∞

θ2= E [ ( x −μ )2 ]=∑ ( x−μ )2 p( x) Fórmula alternativa y más rápida:

Donde la sumatoria es sobre todos los valores de

 la variable aleatoria x. ∞
θ =V ( x)= ∫ x ∙ f ( x ) dx−μ
2 2 2

−∞

La desviación estándar s de una variable aleatoria Se representa con σ y se calcula teniendo en

x es igual a la raíz cuadrada positiva de su cuenta que es la raíz cuadrada (positiva) de la
varianza. varianza:

DESVIACIÓN ESTÁNDAR σ =√ σ 2
2
σ =√ σ

GRÁFICA DE FUNCIÓN Utiliza el histograma de probabilidad. Los tres

DE DISTRIBUCIÓN valores de la variable aleatoria x se encuentran en
ACUMULADA el eje horizontal, y las probabilidades p(x) están en
el eje vertical. Como el ancho de cada barra es 1,
el área bajo la barra es la probabilidad de observar Esta curva suave describe la distribución de
el valor particular de x y el área total es igual a 1. probabilidad de la variable aleatoria continua.
TIPOS  Distribución binomial de probabilidad:
Un experimento binomial es el que tiene
estas cinco características:
1. El experimento consiste en n intentos
idénticos.
2. Cada intento resulta en uno de dos
resultados. Por falta de un mejor nombre, el
resultado uno se llama éxito, S, y el otro se
llama fracaso, F.
3. La probabilidad de éxito en un solo intento
es igual a p y es igual de un intento a otro.
La probabilidad de fracaso es igual a (1 - p)
= q.
4. Los intentos son independientes.
5. Estamos interesados en x, el número de
éxitos observado durante los n intentos,
para x = 0, 1, 2, …, n.
 Distribución de probabilidad de Poisson:
Su distribución de probabilidad da un buen
 Distribución uniforme o rectangular:
1. La distribución uniforme es útil para
describir una variable aleatoria con
probabilidad constante sobre el
intervalo (a, b) en el que está definida y
se denota por U (a, b). También es
conocida con el nombre de distribución
rectangular por el aspecto de su
función de densidad.
2. Una peculiaridad importante de esta
distribución es que la probabilidad de
un suceso depende exclusivamente de
la amplitud del intervalo considerado y
no de su posición en el campo de
variación de la variable.
3. Cualquiera que sea la distribución F de
cierta variable X, la variable
transformada Y = F(X) sigue una
distribución uniforme en el intervalo
(0,1). Esta propiedad es fundamental
por ser la base para la generación de
números aleatorios de cualquier
distribución en las técnicas de
simulación, y recibe el nombre de
método de inversión.
4. Campo de variación:
 modelo para datos que representa el
número de sucesos de un evento
especificado en una unidad determinada de
tiempo o espacio. Ejemplo: El número de
accidentes de tránsito en un crucero dado
durante un tiempo determinado. En este
ejemplo, x representa el número de eventos
que ocurren en un periodo o espacio,
durante el cual se puede esperar que ocurra
un promedio de µ de estos eventos. Las
únicas suposiciones necesarias, cuando
uno usa la distribución de Poisson para
modelar experimentos tales como éstos,
son que las cuentas o eventos ocurren al
azar e independientemente unos de otros.
k −μ
μ e
Fórmula: p ( x=k ) =
k!
 Distribución hipergeométrica de
probabilidad: Es el número x de éxitos. Es
fácil visualizar la variable hipergeométrica
aleatoria x si se considera un tazón que
a<x<b
Parámetros:
a: mínimo, -∞ < a < ∞
b: máximo, -∞ < b < ∞ con a < b
 Distribución normal:
La importancia de la distribución normal
queda totalmente consolidada por ser la
distribución límite de numerosas variables
aleatorias, discretas y continuas, como se
demuestra a través de los teoremas
centrales del límite.
CARACTERÍSTICAS:
1. La distribución normal queda
totalmente definida mediante dos
parámetros: la media () y la
desviación estándar o desviación
típica ().
2. Su función de densidad es simétrica
respecto a la media y la desviación
estándar nos indica el mayor o
menor grado de apertura de la
curva que, por su aspecto, se suele
llamar campana de Gauss. Esta
distribución se denota por N (,).
3. Cuando la distribución normal tiene
como parámetros  = 0 y  = 1
recibe el nombre de distribución
normal estándar. Cualquier variable
X que siga una distribución normal
 contenga M esferas rojas y N - M esferas de parámetros  y  se puede
transformar en otra variable Y= (X-
blancas, para un total de N esferas en el
)/ que sigue una distribución
tazón. Usted selecciona n esferas del tazón normal estándar; este proceso se
y registra x, el número de esferas rojas que denomina estandarización,
tipificación o normalización.
vea. Si ahora define un “éxito” como una 4. Campo de variación:
esfera roja, tendrá un ejemplo de la variable - < x < 
Parámetros:
aleatoria x hipergeométrica. : media, - <  < 
Fórmula: : desviación estándar,  > 0

Una población contiene M éxitos y N - M  Distribución lognormal

fracasos. La probabilidad de exactamente k Es La variable resultante de aplicar la
función exponencial a una variable que se
éxitos en una muestra aleatoria de tamaño distribuye normal con media  y desviación
M N −M
C k C n−k estándar, sigue una distribución
n es: p ( x=k ) = N lognormal con parámetros  (escala) y 
Cn
(forma). Dicho de otro modo, si una
 Distribución geométrica de probabilidad: variable X sigue una distribución lognormal
entonces la variable lnX se distribuye
La distribución geométrica permite calcular normalmente.
la probabilidad de que tenga que realizarse
1. La distribución lognormal es útil
un número k de repeticiones antes de para modelar datos de numerosos
obtener un éxito por primera vez; esta estudios médicos tales como el
período de incubación de una
probabilidad decrece a medida que enfermedad, los títulos de
aumenta k con lo que la función de masa de anticuerpo a un virus, el tiempo de
supervivencia en pacientes con
probabilidad es siempre decreciente. cáncer o SIDA, el tiempo hasta la
 Distribución geométrica Esta distribución es
un caso especial de la Binomial, ya que se
desea que ocurra un éxito por primera y
única vez en el último ensayo que se realiza
del experimento.
Fórmula: p ( X )=q x−1 p
Dónde: p(x) = probabilidad de que ocurra un
éxito en el ensayo x por primera y única
vez. p = probabilidad de éxito. q =
probabilidad de fracaso.
 Distribución de probabilidad Binomial
Negativa: Esta también es un caso especial
de la distribución Binomial, ya que en este
caso se trata de que al llevar a efecto
varias veces un experimento binomial,
se desea determinar la probabilidad de
que ocurran r éxitos, solo que el último de
ellos debe ocurrir en el k-ésimo ensayo o
repetición del experimento que es el último.
Fórmula:
seroconversión de VIH+, etc.
2. Epidat 4 limita los cálculos para
esta distribución a valores del
parámetro  entre -5 y 5, ambos
inclusive, y a valores del parámetro
 menores o iguales que 5.
3. Campo de variación:
0 < x <  Parámetros:
: escala, - <  < 
: forma,  > 0
 Distribución beta:
1. La distribución beta es adecuada
para variables aleatorias continuas
que toman valores en el intervalo
(0,1), lo que la hace muy apropiada
para modelar proporciones. En la
inferencia bayesiana, por ejemplo,
es muy utilizada como distribución a
priori cuando las observaciones
tienen una distribución binomial.
2. Uno de los principales recursos de
esta distribución es el ajuste a una
gran variedad de distribuciones
empíricas, pues adopta formas muy
diversas dependiendo de cuáles
sean los valores de los parámetros
de forma p y q, mediante los que
viene definida la distribución,
denotada por Beta (p, q).
 P ( Y =K ) = ❑ ❑ PY q k− y 3. Un caso particular de la distribución
k−1+C Y −1 beta es la distribución uniforme en
(0,1), que se corresponde con una
beta de parámetros p = 1 y q = 1.
 Uniforme discreta: La distribución La limitación que impone Epidat 4 a
uniforme discreta describe el los valores que pueden tomar sus
parámetros es que no deben ser
comportamiento de una variable discreta mayores que 100 para poder
que puede tomar n valores distintos con la realizar los cálculos.
4. Campo de variación:
misma probabilidad cada uno de ellos. 0 < x < 1 Parámetros:
Fórmula: Valores: p: forma, p > 0
q: forma, q > 0
k: a, a+1, a+2, ..., b,
 Pascal: La distribución de Pascal debe su  Distribución gamma:

nombre al matemático francés Blaise CARACTERÍSTICAS

Pascal (1623-1662), uno de
matemáticos que creó las bases de la teoría
de la probabilidad. El número de pruebas
necesarias para obtener r éxitos, siendo p la
probabilidad de éxito, es una variable
aleatoria que sigue una distribución Pascal
de parámetros r y p. Por tanto, esta
distribución está relacionada con la binomial
negativa de idénticos parámetros del modo
los 1. si se está interesado en la
ocurrencia de un evento
generado por un proceso de
Poisson de media , la
variable que mide el tiempo
transcurrido hasta obtener n
ocurrencias del evento sigue
una distribución gamma con
parámetros a = n (escala) y
p = n (forma). Se denota por
Gamma (a, p). Por ejemplo,
la distribución gamma
aparece cuando se realiza el
estudio de la duración de
siguiente: elementos físicos (tiempo de
vida).
Pascal(r,p) = BN(r,p)+r
2. Cuando p es un número
entero positivo se tiene un
caso particular de la
distribución gamma que se
denomina distribución de
Erlang. Otros casos
particulares de la distribución
gamma, que se comentarán
con detalle más adelante,
son la distribución
exponencial (Gamma (,1)) y
la distribución ji-cuadrado
(Gamma (1/2, n/2)).
3. Cuando p es un número
entero positivo se tiene un
caso particular de la
distribución gamma que se
denomina distribución de
Erlang. Otros casos
particulares de la distribución
gamma, que se comentarán
con detalle más adelante,
son la distribución
exponencial (Gamma (,1)) y
la distribución ji-cuadrado
(Gamma (1/2, n/2)).
4. Campo de variación: 0 < x <
 Parámetros: a: escala, a >
0 p: forma, p > 0
  Distribución exponencial:

La distribución exponencial es un caso

particular de la distribución gamma y el
equivalente continuo de la distribución
geométrica discreta. Esta ley de
distribución describe procesos en los que
interesa saber el tiempo hasta que ocurre
determinado evento; en particular, se
utiliza para modelar tiempos de
supervivencia. Un ejemplo es el tiempo
que tarda una partícula radiactiva en
desintegrarse. El conocimiento de la ley
que sigue este evento se utiliza, por
ejemplo, para la datación de fósiles o
cualquier materia orgánica mediante la
técnica del carbono 14.

1. Una característica importante de esta

distribución es la propiedad conocida
como “falta de memoria”. Esto significa,
por ejemplo, que la probabilidad de que
un individuo de edad t sobreviva x años
más, hasta la edad x+t, es la misma
que tiene un recién nacido de
sobrevivir hasta la edad x. Dicho de
manera más general, el tiempo
transcurrido desde cualquier instante
dado t0 hasta que ocurre el evento, no
depende de lo que haya ocurrido antes
 del instante t0.
2. Se cumple que variable aleatoria que
tome valores positivos y que verifique
la propiedad de “falta de memoria”
sigue una distribución exponencial
3. Esta distribución se puede caracterizar
como la distribución del tiempo entre
sucesos consecutivos generados por
un proceso de Poisson; por ejemplo, el
tiempo que transcurre entre dos
heridas graves sufridas por una
persona.
4. Campo de variación:
0<x<
Parámetros:
: tasa,  > 0