Investigación Tema 2

DEPARTAMENTO DE LA INSTITUCIÓN EDUCATIVA
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
INSTITUTO TECNOLOGICO SUPERIOR DE VALLADOLID
INVESTIGACIÓN TEMA 2
PROBABILIDAD Y ESTADISTICA
M.en Arq. Lucila Guadalupe Aguilar Rivero
INTEGRANTES:
21040026 - CHI BALAM LUIS ABRAHAM
21040068 - MENDEZ LOPEZ ALEXANDER MIGUEL

1
21040077 - PAT REQUENA JOSÉ DAVID
21040083 - PETUL CHI FERNANDO
21050022 - SANCHEZ BORGES ERIKA BELÉN
21040107 - TEMICH CHIGO ANTONIO
SEGUNDO SEMESTRE; GRUPO B
INGENIERIA CIVIL
CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

VALLADOLID, YUCATÁN, MÉXICO, C.P. 97780.
TELÉFONO 985 – 856 – 63 00 | WWW.VALLADOLID.TECNM.MX
Número de registro: RPrIL-072
Fecha de inicio: 2017-04-10
Término de la certificación 2021-
PLAN DE ESTUDIOS: ICIV-2010-208
Fecha de entrega: 21/03/2022
ÍNDICE
Índice.....................................................................................¡Error! Marcador no definido.
Introducción......................................................................................................................3
2.1. Variable aleatoria y funciones de densidad de probabilidad y de distribución

acumulativa.......................................................................................................................4
2.2. Valor esperado y momentos....................................................................................8
2.3. Distribuciones discretas. (canavos)....................................................................10
2.3.1 Distribución Bernoulli....................................................................................................................11 2

2.3.2 Distribución Binomial....................................................................................................................12
2.3.3 Distribución Poisson......................................................................................................................14
2.3.4 Distribución Geométrica................................................................................................................16
2.4 distribuciones continuas (Montgomery, 200)......................................................18
2.4.1 Distribución Uniforme Continua....................................................................................................20

2.4.2 Distribución Exponencial...............................................................................................................21
2.4.3. Normal y normal estándar............................................................................................................22
2.4.4. Aproximaciones con la normal.....................................................................................................28
Conclusión......................................................................................................................30
Referencias:..................................................................................................................332
Bibliografía....................................................................................................................332

INTRODUCCIÓN.
En este tema se tratará de formalizar numéricamente los resultados de un
fenómeno aleatorio. Por tanto, una variable aleatoria es un valor numérico que
corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número
de caras obtenidas al lanzar seis veces una moneda, número de llamadas que recibe
un teléfono durante una hora, tiempo de fallo de una componente eléctrica, etc.
El estudio que se hará en este tema será análogo al que se hace con las variables
estadísticas en descriptiva. Así retomaremos el concepto de distribución y las
características numéricas, como la media y varianza. El papel que allí jugaba la
frecuencia relativa lo juega ahora la probabilidad. Esto va a proporcionar aspectos y
3
propiedades referentes a fenómenos aleatorios que permitirán modelos muy estudiados
en la actualidad.
Existen diferentes tipos de distribuciones, si bien están relacionadas con la distribución

de frecuencias en la probabilidad. Cuyos objetivos de distribución de probabilidad son:
introducir las distribuciones, utilizar el concepto de valor esperado para tomar
decisiones al igual mostrar que distribución de probabilidad utilizar, y como encontrar
sus valores.
Es necesario resaltar que trabajar con variables continuas, no permite obtener algún
resultado especifico como ocurre trabajar con las distribuciones de probabilidad
discretas; en consecuencia, el análisis de variables continuas tiende a concentrarse en
la probabilidad de que una variable aleatoria asuma un valor dentro de un intervalo.

2.1. VARIABLE ALEATORIA Y FUNCIONES DE DENSIDAD DE

PROBABILIDAD Y DE DISTRIBUCIÓN ACUMULATIVA.
La relación entre variable aleatoria y distribución de probabilidad es muy estrecha. De
hecho, una distribución de probabilidad es en realidad la función de una variable
aleatoria. Es decir, es función de una función. Así pues, tenemos dos conceptos
relacionados pero diferentes:
 Variable aleatoria: Es una función de un experimento aleatorio.

 Distribución de probabilidad: Es una función que establece cómo se distribuye
la probabilidad de una variable aleatoria.
Tipos de variable aleatoria
Dentro de las variables aleatorias existen, fundamentalmente, dos tipos. Su

clasificación, depende del tipo de número que arroja la función matemática. Una
4
variable aleatoria puede ser de dos tipos:
 Variable aleatoria discreta: Una variable aleatoria es discreta si los números a

los que da lugar son números enteros. La forma de calcular las probabilidades de
una variable aleatoria discreta es a través de la función de probabilidad.
 Variable aleatoria continua: Una variable aleatoria es continua en caso de que
los números a los que dé lugar no sean números enteros. Es decir, tengan deci-
males. La probabilidad de que se dé un suceso determinado correspondiente a
una variable aleatoria continua viene establecida por la función de densidad.
Ejemplo de variable aleatoria
Resultados del lanzamiento de un dado: Sí es la variable aleatoria. Es la fun-

ción que recoge los resultados del lanzamiento del dado. Un ejemplo de variable
aleatoria podría ser: Que salga un número mayor que 2 al lanzar el dado.

Una variable aleatoria puede ser discreta o continua según sea el rango de esta
función. Este conjunto de valores P[X=xi]=pi es lo que se llama la ley o distribución de la
probabilidad de la variable X. En otras palabras, se llama función de probabilidad de la
variable aleatoria discreta X a la aplicación que asocia a cada valor xi de la variable
aleatoria su probabilidad pi.
Dada una variable aleatoria discreta X, a la función acumulativa:
Se le llama función de distribución de X.

En general una distribución acumulativa F(x) de una variable aleatoria discreta es una
función no decreciente de los valores de X, de tal manera que
1. 0 ≤ F(x) ≤ 1 para cualquier x.
2. F (x i) ≥ F (x j) si xi ≥ xj
3. P (X > x) = 1 – F(x)
Además, puede establecerse que para variables aleatorias de valor entero se tiene que: 5
4. P (X = x) = F(x) – F (x-1)
5. P (xi ≤ X ≤ xj) = F(xj) - F(xi -1)
Ejemplo. Consideremos el experimento aleatorio de lanzar dos monedas y anotar sus

resultados. El espacio muestral estaría formado por E= {(C, C) (C,X) (X,C) (X,X)}.
Sea X la V.A que nos da el número de caras obtenido. Los valores que puede tomar X
son 0, 1,2 y la función de distribución de probabilidad viene dada por:
Función de densidad de probabilidad:
La función de densidad de probabilidad muestra la distribución de

valores de destino. En destinos continuos, permite determinar la probabilidad de que el
destino esté dentro de una región concreta.
Sea X una variable aleatoria continua. Entonces, una función de densidad de probabili-

dad de X es una función f(x) tal que para dos números cualesquiera a y b con a ≤ b,

La probabilidad de que X asuma un valor en el intervalo [a, b] es el área sobre este in-

tervalo y bajo la gráfica de la función de densidad. Se puede apreciar mejor en la si-
guiente gráfica:
6
La gráfica de f(x) se suele llamar curva de densidad.
La función de probabilidad de una variable aleatoria continua siempre cumplirá con
estas condiciones:
No te asustes con las integrales, dado que estamos en el curso de estadística, las inte -
grales no serán difíciles y en muchos de los casos podemos usar la calculadora para
encontrar el valor de estas integrales definidas. En otros casos, el área bajo la curva
tendrá forma de triángulo o rectángulo y será muy sencilla de calcular.

Función de distribución acumulativa:
La función de distribución acumulativa es la función que para un valor x, nos da la pro-

babilidad de que la variable aleatoria sea menor o igual que dicho valor x. A la función
de distribución acumulativa la denominamos F(x).
A continuación, viene la definición formal:
Sea X una variable aleatoria continua con función de densidad de probabilidad f(x). La
función de distribución acumulativa de X es la función:
7
De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x. Recorde-

mos que cuando trabajamos con la función de densidad, área es probabilidad.
Además, tenemos algunas fórmulas interesantes que nos servirán para resolver los pro-
blemas.
La siguiente fórmula nos permite pasar de la función de distribución acumulativa a la

función de densidad de probabilidad:
Recuerda también que, al ser una función acumulativa, esta no puede ser decreciente.

2.2. VALOR ESPERADO Y MOMENTOS.
La esperanza matemática de una variable aleatoria X es un número que representa la

media del fenómeno representado por la variable.
La esperanza matemática, también conocido como valor esperado, es igual a la suma

de las probabilidades de que exista un evento aleatorio multiplicada por el valor del
evento aleatorio. En otras palabras, es la media del conjunto de datos. Considere que el
término esperanza matemática fue acuñado por la teoría de la probabilidad.
Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La
fórmula que formaliza este cálculo se enuncia como sigue:
Dónde:
X = valor del suceso.

P = Probabilidad de que ocurra.
i = Periodo en el que se da dicho suceso.
N = Número total de periodos u observaciones.
Las probabilidades de que sucedan eventos no siempre son las mismas, como las
monedas. En innumerables situaciones, es más probable que ocurra un evento que el
otro. Por eso usamos P en la fórmula. Además, al calcular números matemáticos,
tenemos que multiplicar el valor del evento.

Los momentos en estadística matemática implican un cálculo básico. Estos cálculos se

pueden utilizar para encontrar la media, la varianza y la asimetría de una distribución de
probabilidad.
Suponga que tenemos un conjunto de datos con un total de n puntos discretos. Un

cálculo importante, que en realidad son varios números, se llama el momento s. El s
ésimo momento del conjunto de datos con los valores x 1, x 2, x 3, ..., x n está dado por
la fórmula:
(x 1 s + x 2 s + x 3 s + ... + x n s) / n
El uso de esta fórmula requiere que tengamos cuidado con nuestro orden de
operaciones. Primero tenemos que hacer los exponentes, sumar y luego dividir esta
suma por n el número total de valores de datos.
9

2.3. DISTRIBUCIONES DISCRETAS. (canavos)
Decimos que una variable aleatoria 𝑋 tiene una distribución uniforme discreta sobre el
conjunto finito de números {𝑥1, . . ., 𝑥𝑛} si la probabilidad de que 𝑋 tome cualquiera de
estos valores es la misma, es decir, 1/𝑛. Esta distribución, surge en espacios de
probabilidades equiprobables, esto es, en situaciones en donde tenemos 𝑛 resultados
diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de lotería
son un ejemplo donde puede aplicarse esta distribución de probabilidad. Escribimos
entonces 𝑋 ∼ 𝑢𝑛𝑖𝑓 {𝑥1, 𝑥2, . . ., 𝑥𝑛} si
10
Ejemplo 1: La gráfica de la función de probabilidad de la distribución 𝑢𝑛𝑖𝑓 {1, 2,3, 4, 5}
aparece en la Figura a continuación, junto con la correspondiente función de
distribución. Cada salto de la función de distribución es de tamaño 1/5. Es fácil ver que
𝐸(𝑋) =1𝑛∑ 𝑥𝑖𝑛𝑖=1 y 𝑉𝑎𝑟(𝑋) =1𝑛∑ (𝑥𝑖 − 𝐸(𝑋))2

2.3.1 DISTRIBUCIÓN BERNOULLI
Un ensayo Bernoulli se define como aquel experimento aleatorio con únicamente dos
posibles resultados, llamados genéricamente éxito y fracaso, con probabilidades
respectivas 𝑝 y 1 − 𝑝. Si se define la variable aleatoria 𝑋 como aquella función que lleva
el resultado éxito al número 1 y el resultado fracaso al número 0, entonces decimos que
𝑋 tiene una distribución Bernoulli con parámetro 𝑝 ∈ (0,1), y escribimos 𝑋 ∼ 𝐵𝑒𝑟(𝑝). La
función de probabilidad es entonces:
𝑃 (𝑋 = 𝑥) = {𝑝𝑥 (1 − 𝑝)1−𝑥 𝑆𝑖 𝑥 = 0,1.0 𝐶𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
La gráfica de la función de densidad de esta distribución para p = 0.7 aparece en la
Figura mostrada a continuación, junto con la correspondiente función de distribución.

11
En este caso, es muy sencillo verificar que 𝐸(𝑋) = 𝑝 y 𝑉𝑎𝑟(𝑋) = 𝑝 (1 − 𝑝). En la
realización
de todo experimento aleatorio, siempre es posible preguntarnos por la ocurrencia o no
ocurrencia de un evento cualquiera. Por ejemplo: Ganar o no ganar en un juego de
lotería, que llueva o no llueva hoy por la tarde, etc.
Este es el esquema general donde surge esta distribución, que, aunque sencilla, es de
amplia aplicación.

2.3.2 DISTRIBUCIÓN BINOMIAL
Supongamos ahora que tenemos una serie de n ensayos independientes Bernoulli, en
donde la probabilidad de éxito en cualquiera de estos ensayos es 𝑝. Si denotamos por 𝐸
el resultado éxito y por 𝐹 el resultado fracaso, entonces el espacio muestral consiste de
todas las posibles sucesiones de longitud n de caracteres 𝐸 y 𝐹. Usando el principio 12

multiplicativo, es fácil ver que el conjunto Ω tiene2
𝑛 elementos
Si ahora definimos la variable aleatoria 𝑋 como aquella que cuenta el número de éxitos
en cada una de estas sucesiones, esto es,
𝑋 (𝐸𝐸 · · · 𝐸𝐸) = 𝑛, 𝑋 (𝐹𝐸 · · · 𝐸𝐸) = − 1, . . ., 𝑋 (𝐹𝐹 · · · 𝐹𝐹) = 0,
entonces tenemos que 𝑋 puede tomar los valores 0, 1, 2, . . ., 𝑛 con las probabilidades
que aparecen abajo. Decimos entonces que 𝑋 tiene una distribución binomial con
parámetros 𝑛 y 𝑝, y escribimos 𝑋 ∼ 𝑏𝑖𝑛 (𝑛, 𝑝).

Ejemplo 2: Para 𝑛 = 10 ensayos, con probabilidad 𝑝 = 0.3, se puede calcular 𝑃 (𝑋 =2) =

(102) (0.3)2(0.7)
10−2 La gráfica de esta función de probabilidad con estos parámetros
aparece en la Figura mostrada a continuación. La fórmula anterior puede justificarse de
la forma siguiente. Queremos que en 𝑛 ensayos Bernoulli se obtengan 𝑥 éxitos y 𝑛 − 𝑥
fracasos.
La probabilidad1 de obtener esto es el número:
𝑝 ⋯ 𝑝 (1 − 𝑝) ⋯ (1 − 𝑝) = 𝑝 𝑥 (1 − 𝑝) 𝑛−𝑥
Pero hemos colocado los 𝑥 éxitos en los primeros 𝑥 ensayos, tenemos entonces que
multiplicar por las diferentes formas en que estos 𝑥 éxitos pueden distribuirse en los
𝑛 ensayos, este factor es el coeficiente binomial (𝑛𝑥). Para esta distribución2, puede 13
demostrarse que 𝐸(𝑋) = 𝑛𝑝, y 𝑉𝑎𝑟(𝑋) = 𝑛𝑝 (1 − 𝑝).
Ejemplo 3: En un conocido pueblo de la región ganadera, el 20% del ganado está

afectado
1
Cualidad de probable o circunstancia de ser algo probable.
2
conjunto de actividades, que se realizan desde que el producto

por una enfermedad 𝐴. Si se considera un grupo de 5 reses ¿Cuál es la probabilidad de

que
haya 2 reses enfermas?
Así, tenemos que, sea 𝑋 el número de reses afectadas por 𝐴 de entre 5. Entonces 𝑋
tiene
una distribución 𝑏𝑖𝑛 (5,0.2). Por tanto:
𝑃 (𝑋 = 2) = (5 2) (0.2) 2 (0.8) 3 = 0.2048
2.3.3 DISTRIBUCIÓN POISSON
Supongamos que deseamos observar el número de ocurrencias de un cierto evento
dentro de un intervalo de tiempo dado, por ejemplo, el número de clientes que llegan a 14
un cajero automático durante la noche, o tal vez deseamos registrar el número de
accidentes que ocurren en cierta avenida durante todo un día. Para modelar este tipo
de situaciones podemos definir la variable aleatoria 𝑋 como el número de ocurrencia de
este evento en el intervalo de tiempo dado. Es claro entonces que 𝑋 puede tomar los
valores 0, 1, 2..., y en principio no ponemos una cota superior para el número de
observaciones del evento. Adicionalmente, supongamos que conocemos la tasa media
de ocurrencia del evento de interés, que denotamos por la letra 𝜆 (lambda). El
parámetro 3𝜆 es positivo y se interpreta como el número promedio de ocurrencias del
evento por unidad de tiempo. La probabilidad de que la variable aleatoria 𝑋 tome un
valor entero 𝑥 ≥ 0 se definirá a continuación. Decimos que 𝑋 tiene una distribución
3
Elemento o dato importante desde el que se examina un tema, cuestión o asunto.

Poisson con parámetro 𝜆 > 0, y escribimos 𝑋 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) cuando:
Puede demostrarse que la función 𝑓(𝑥) arriba definida es efectivamente una función de
probabilidad para cada valor de 𝜆 > 0. La forma de esta función se muestra a
continuación cuando 𝜆 = 2. Después de algunos cálculos sencillo puede también
comprobarse que 𝐸(𝑋) = 𝜆, y 𝑉𝑎𝑟(𝑋) = 𝜆".
15
Puede además demostrarse que cuando 𝑋 ∼ 𝑏𝑖𝑛 (𝑛, 𝑝) y hacemos tender 𝑛 a infinito y 𝑝
a cero de tal forma que el producto 𝑛𝑝 se mantenga constante igual a 𝜆, entonces la
variable aleatoria 𝑋 adquiere la distribución Poisson con parámetro 𝜆.
Este resultado sugiere que cuando 𝑛 es grande, la distribución binomial puede ser
aproximada mediante la distribución Poisson de parámetro 𝜆 = 𝑛𝑝. Esto es
particularmente útil, pues el cálculo de probabilidades de la distribución binomial
involucra el cálculo de factoriales y ello puede ser computacionalmente difícil.

Ejemplo 6: Una empresa de seguros contra fallos de equipos de computadora calculó
que el 0.01% de los equipos tiene un cierto tipo de fallo cada año. ¿Cuál es la
probabilidad de que esta empresa tenga que pagar por más de cuatro de sus 10000
computadores asegurados en un año dado?
Así, tenemos que, sea 𝑋 el número de pagos efectuados en un año dado. 𝑋 Distribución
𝑏𝑖𝑛 (10000,0.0001). Como 𝑛𝑝 = 1 < 5 y 𝑝 = 0.0001 < 0.1, podemos aproximar la

binomial por una Poisson 𝑃 (1). Entonces tenemos:
16
2.3.4 DISTRIBUCIÓN GEOMÉTRICA
Supongamos que tenemos ahora una sucesión infinita de ensayos independientes
Bernoulli, en cada uno de los cuales la probabilidad de éxito es 𝑝. Para cada una de
estas sucesiones, definimos la variable aleatoria 𝑋 como el número de fracasos antes
de obtener el primer éxito. Por ejemplo, 𝑋 (𝐹𝐸𝐹𝐸𝐹𝐹 · · ·) = 1, 𝑋 (𝐸𝐹𝐹𝐸𝐸𝐸 · · ·) = 0,
𝑋 (𝐹𝐹𝐹𝐸𝐹𝐸 · · ·) = 3. Observamos que 𝑋 puede tomar los valores 0, 1, 2, . La
probabilidad de que 𝑋 tome el valor entero 𝑥 ≥ 0 es 𝑝 (1 − 𝑝) 𝑥. Decimos entonces que 𝑋
tiene una distribución geométrica con parámetro 𝑝, y escribimos 𝑋 ∼ 𝑔𝑒𝑜(𝑝) cuando:

Ejemplo 4: Para 𝑝 = 0.4, la gráfica de esta función se muestra en la Figura a
continuación. El nombre de esta distribución proviene del hecho de que cuando
escribimos la suma de todas las probabilidades, obtenemos una suma geométrica. La
inspección sucesiva de artículos hasta encontrar una defectuosa, posiblemente en un
proceso de control de calidad, puede modelarse usando una distribución geométrica.
Para esta distribución tenemos que 𝐸(𝑋) = (1 − 𝑝) /𝑝, y 𝑉𝑎𝑟(𝑋) = (1 − 𝑝) /𝑝2
17
En algunos textos se define la distribución geométrica contando el número de ensayos
(No el de fracasos), antes del primer éxito. En este caso, la variable es 𝑋 + 1, es decir,
la
distribución se desplaza hacia la derecha una unidad. La esperanza es ahora 1/𝑝 y la
varianza permanece constante (1 − 𝑝) /𝑝2.
Ejemplo 5: En una cierta línea de ensamblaje de automóviles utilitarios, se sabe que en

promedio uno de cada 150 automóviles ensamblados sale defectuoso. ¿Cuál es la
probabilidad de que, al hacer un control de calidad, el cuarto automóvil ensamblado sea
el primero defectuoso?
Así, tenemos que, Sea 𝐷 el suceso de seleccionar un automóvil defectuoso, sabemos
que 𝑃(𝐷) =1150
dado que es un modelo de la distribución geométrica, la probabilidad
pedida es:
18
2.4 DISTRIBUCIONES CONTINUAS (Montgomery, 200)
En teoría de la probabilidad una distribución de probabilidad se llama continua si

su función de distribución es continua. Puesto que la función de distribución de
una variable aleatoria X viene dada por , la definición implica que en una distribución de
probabilidad continua X se cumple P [X = a] = 0 para todo número real a, esto es, la
probabilidad de que X tome el valor a es cero para cualquier valor de a. Si la
distribución de X es continua, se llama a X variable aleatoria continua.
En las distribuciones de probabilidad continuas, la distribución de probabilidad es la

integral de la función de densidad, por lo que tenemos entonces que:

Existe una definición alternativa más rigurosa en la que el término "distribución de

probabilidad continua" se reserva a distribuciones que tienen función de densidad de
probabilidad. También estas funciones se llaman, con más precisión, variables
aleatorias absolutamente continuas (véase el Teorema de Radon-Nikodym). Para una
variable aleatoria X absolutamente continua es equivalente decir que la probabilidad P
[X = a] = 0 para todo número real a, en virtud de que hay un incontable conjunto de
medida de Lebesgue cero (por ejemplo, el conjunto de Cantor).
Una variable aleatoria con la distribución de Cantor es continua de acuerdo con la

primera definición, pero según la segunda, no es absolutamente continua. Tampoco es
discreta, ni una media ponderada de variables discretas y absolutamente continuas.
19
En aplicaciones prácticas, las variables aleatorias a menudo ofrecen una distribución
discreta o absolutamente continua, aunque también aparezcan de forma natural
mezclas de los dos tipos.
En el caso de variable continua la distribución de probabilidad es la integral de la

función de densidad, por lo que tenemos entonces que:
2.4.1 DISTRIBUCIÓN UNIFORME CONTINUA
Decimos que una variable aleatoria 𝑋 tiene una distribución uniforme continua en el
intervalo (𝑎, 𝑏), y escribimos 𝑋 ∼ 𝑢𝑛𝑖𝑓 (𝑎, 𝑏), cuando su función de densidad es:

Las gráficas generales de esta función se muestran en la siguiente Figura, y es

evidente
que se trata de una función de densidad pues es no negativa e integra uno. En este
caso, es muy fácil encontrar la correspondiente función de distribución. Los parámetros
de esta distribución son los números 𝑎 < 𝑏. Es fácil verificar que 𝐸(𝑋) = (𝑎 + 𝑏) /2, que
corresponde al punto medio del intervalo (𝑎, 𝑏). Además, 𝑉𝑎𝑟(𝑋) = (𝑏 − 𝑎)2/12 de
modo que la varianza o dispersión crece cuando 𝑎 y 𝑏 se alejan uno del otro, y por el
contrario, cuando los parámetros están muy cercanos, la varianza es pequeña.
Esta distribución es una de las más sencillas, y se usa naturalmente para cuando no se
20
conoce mayor información de la variable aleatoria de interés, excepto que toma valores
continuos dentro de algún intervalo.

2.4.2 DISTRIBUCIÓN EXPONENCIAL
Decimos que una variable aleatoria continua 𝑋 tiene una distribución exponencial con
parámetro 𝜆 > 0, y escribimos 𝑋 ∼ 𝑒𝑥𝑝(𝜆), cuando su función de densidad es:
La gráfica de esta función cuando el parámetro 𝜆 toma el valor particular 3, es la que se

muestra en la siguiente Figura. La correspondiente función de distribución aparece a su
derecha. Es muy sencillo verificar que la función 𝑓(𝑥) arriba definida es efectivamente
una función de densidad para cualquier valor del parámetro 𝜆 > 0. Aplicando el método
de integración por partes puede también comprobarse que 𝐸(𝑋) = 1/𝜆, y 𝑉𝑎𝑟(𝑋) =1/𝜆2
. Esta distribución se ha usado para modelar tiempos de espera para la ocurrencia 21
de un cierto evento.
Ejemplo 1: Suponga que el tiempo en minutos que un usuario cualquiera permanece
revisando su correo electrónico sigue una distribución exponencial de parámetro
𝜆 = 1/5. Calcule la probabilidad de que un usuario cualquiera permanezca conectado al

servidor de correo:
2.4.3. NORMAL Y
NORMAL ESTÁNDAR
Un poco de historia con la distribución normal, estos métodos fueron descubiertas por
primera vez en el siglo XVIII cabe recalcar que en esa época astrónomos y otros
científicos observaron con cierto asombro que las mediciones repetidas de un gran 22
número de veces de un mismo fenómeno tendían a variar y que al reunir grandes
cantidades de estas mediciones y agruparlas en las distribuciones de frecuencias
correspondientes, tendía a reaparecer constantemente un perfil semejante al siguiente:
Figura 1. Gráfico de mediciones repetidas
Nota. Representación de la forma gráfica, fuente;

https://psicolearning.files.wordpress.com/2014/10/d-normal-estc3a1ndar-apunte-
alumnos.pdf

Ahora bien, se puede comprender por “normal” que la mayoría de observaciones

tiende a agruparse en el centro, aunque existan algunas que por diversas razones no
cumplen con esa característica y forman los extremos.
A continuación, se presenta un ejemplo de distribución normal;
Supóngase que un dado se tira dos veces y se registra la suma del número de puntos.
De modo que, si en el primer lanzamiento del dado cae un 3, y en el segundo un 4, el
total es el que interesa, es decir, 7. ¿Cuál es la forma de la población de los números
de puntos?, ¿cuáles son los resultados posibles en el experimento?, ¿Cuál es la forma
de la distribución de la suma de los números de puntos cuando se tira un dado dos
veces?
Solución: La población es una distribución uniforme en la que cada uno de los

números enteros del 1 al 6 tiene la misma probabilidad de ocurrencia. La tabla y el
diagrama siguientes muestran los diferentes resultados en la población y sus
probabilidades correspondientes para cada uno (podemos ver que, gráficamente, la
23
probabilidad es la misma para cada uno):
Figura 2. Gráfico de las probabilidades
Nota. Representación de los posibles resultados, fuente;

alumnos.pdf
Figura 3.
Registro
de totales

Nota. muestra los cambios que se presentan al tirar el dado dos veces, fuente;
alumnos.pdf
Figura 4. Registro de resultados posibles
24
Nota. muestra los cambios que se

presentan al tirar el dado dos veces, fuente;
alumnos.pdf
Obsérvese el cambio en la forma de distribución de las sumas con respecto a la
de la población. Se empezó con una población que era uniforme para los números
enteros discretos del 1 al 6. Cuando se lanzó el dado dos veces
y se observó el número total de puntos, la distribución cambió a
una de forma muy parecida a la distribución normal. Una vez que
se comprendió, que es a partir de los datos reales de donde

surgieron las curvas del tipo normal es necesario saber que posteriormente se
descubrieron las distribuciones de este tipo, las cuales se pueden definir o generalizar
mediante una distribución matemática continua que es la siguiente:
A esta distribución también se le conoce como distribución gaussiana en

reconocimiento a las aportaciones de Carlos Federico Gauss (1777-1855), a la teoría
matemática de la distribución normal. A simple vista, la fórmula resulta abrumadora
pero no será necesario aplicarla realmente. La fórmula nos dice que cualquier
distribución normal específica está determinada por dos parámetros: la media y la
desviación estándar. Una vez que se determinan valores específicos para la µ y la 
aplicando la fórmula como en cualquier ecuación que relacione valores para x y y, el
resultado es una distribución en forma de campana.
25
La distribución normal no es sólo un tipo de distribución, comprende una “familia” de

distribuciones, que pueden tener una µ (media) o una  (desviación estándar) distinta y
ello motiva que puedan existir un variado número de distribuciones normales. Sería muy
complicado elaborar tablas que proporcionen la probabilidad de cada uno de los casos
distintos que se pueden presentar; lo que sí existe es una alternativa sencilla que evita
estos problemas cuando tenemos un conjunto de valores que tiende a tomar un
comportamiento de tipo normal. Y para ello sólo utilizamos un “miembro” de la familia
de distribuciones normales: aquella cuya µ = 0 (media) o una  = 1. Esta distribución se
conoce como Distribución Normal Estándar. De esta manera todas las distribuciones
pueden convertirse a la estándar restando la media de cada observación y dividiendo
por la desviación estándar. Se debe considerar que el área bajo la curva siempre es
igual a 100% de la probabilidad, con ello se estandariza cualquier curva, es decir,

cualquier conjunto de valores se puede definir con este criterio. Bajo esta consideración
se puede utilizar la media como punto de referencia y la desviación estándar como una
medida de la desviación de dicho punto de referencia, y con este criterio se puede
reordenar cualquier distribución normal para ser expresada en una forma
estandarizada. Cuando se toma este criterio de estandarización, cualquier valor real
puede ser transformado en su equivalente medido en términos de su desviación
estándar y con esto se genera una escala que se conoce como escala z, que se calcula
aplicando la siguiente fórmula:
26
Como se puede observar, un valor Z mide la distancia entre un valor especificado

de X y la media aritmética, en unidades de la desviación estándar. Al determinar el valor
Z utilizando la expresión anterior, es posible encontrar el área de probabilidad bajo
cualquier curva normal haciendo referencia a la distribución normal estándar en las
tablas correspondientes. Como ejemplo observar la forma en que se estandarizan los
valores de una población que tiene un comportamiento de distribución normal,
considere una variable con una distribución normal con: 7 µ = 100 y  = 10. Ahora,
vamos a convertir los valores de escala real a valores de escala estandarizada.

Figura 5. Registro de resultados posible
27
Nota. muestra los cambios que se presentan al tirar el dado dos veces, fuente;
alumnos.pdf
Esto significa que el problema de trabajar con una familia infinita de

distribuciones normales se puede evitar. Si es posible, intente manejar valores relativos,
es decir, valores z, en lugar de valores reales.
2.4.4. APROXIMACIONES CON LA NORMAL

Una distribución binomial B (n, p) se puede aproximar por una distribución normal,
siempre que n sea grande y p no esté muy próxima a 0 o a 1. La aproximación consiste
en utilizar una distribución normal con la misma media y desviación típica que la
distribución binomial.
En la práctica se utiliza la aproximación cuando:
En cuyo caso:
Y tipificando se obtiene el normal estándar correspondiente:
Para el caso de la Distribución de Poisson, cuando λ≥10, la forma de esta distribución

se asemeja lo suficiente a la Distribución Normal como para que puede utilizarse ésta
última como aproximación. 28
Veremos a continuación la Distribución de Poisson para λ=1; λ=3; λ=5; λ=10 y λ=15.
Puede verse en ese gráfico que para λ=10 ya la forma de la Distribución de Poisson se
asemeja bastante a la Normal. Es de destacar, sin embargo, que, como sucede con la
Distribución Binomial, la de Poisson no coincide con la Normal cuando n es infinito.
Para realizar la aproximación, debe considerarse que la Distribución Normal tendrá

E(x)= λ y Ϭ (x) = raíz de λ
Figura 6. Gráfico de aproximaciones

Nota. Ilustración de las diferentes aproximaciones con la normal, fuente;

alumnos.pdf
CONCLUSIÓN.
Una distribución de frecuencia es una tabla de resumen en la que los datos se disponen
en agrupamientos o categorías convenientemente establecidas de clases ordenadas
numéricamente.
En esta forma las características más importantes de los datos se aproximan muy
fácilmente, compensando así el hecho de que cuando los datos se agrupan de ese
modo, la información inicial referente a las observaciones individuales de que antes se 29
disponía se pierde a través del proceso de agrupamiento o condensación.
La principal ventaja de usar una de estas tablas de resumen es que las principales
características de los datos se hacen evidentes inmediatamente para el lector. La
principal desventaja de tal tabla de resumen es que no podemos saber cómo se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales. El punto medio de la clase, sin embargo, es el valor
usado para representar todos los datos resumidos en un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los límites de
cada clase y es representativo de los datos de esa clase.
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.
La distribución normal es frecuentemente utilizada en las aplicaciones estadísticas. Su

propio nombre indica su extendida utilización, justificada por la frecuencia o normalidad
con la que ciertos fenómenos tienden a parecerse en su comportamiento a esta
distribución. Muchas variables aleatorias continuas presentan una función de densidad
cuya gráfica tiene forma de campana.
30

REFERENCIAS:
Zapata, Fanny. (9 de noviembre de 2020). Distribución uniforme continua:
características, ejemplos, aplicaciones. Lifeder. Recuperado
de https://www.lifeder.com/distribucion-uniforme-continua/.
“No-hitter”. Baseball-Reference.com, 2013. Disponible en línea en http://www.baseball-

reference.com/bullpen/No-hitter (consultado el 11 de junio de 2013).
Zhou, Rick. “Exponential Distribution lecture slides”. Disponible en línea en

www.public.iastate.edu/~riczw/stat330s11/lecture/lec13.pdf (consultado el 11 de junio
de 2013).
Cap. 5Referencias - Introducción a la estadística | OpenStax
Congreso_alfepsi (2014). Distribución normal estándar [Archivo PDF].

https://psicolearning.files.wordpress.com/2014/10/d-normal-estc3a1ndar-apunte 31
alumnos.pdf
Morettini Mariano (2013). Aproximaciones de distribuciones de probabilidad: enfoque

empírico [Archivo PDF]. http://nulan.mdp.edu.ar/2040/1/morettini.2013.pdf
BIBLIOGRAFÍA
Canavos, G . (s.f.). Probabilidad y estadistica. Metodos y Aplicaciones .
canavos, G. (s.f.). Probabilidad y estadistica. ME.
Devore, J. (2008). probabilidad y estadistica para ingenieria y ciencias. Mexico: 7 ma

Edicion. cengace Lear Ning Editores.
Montgomery, D. y. (200). Probabilidad y estadistica aplicadas ala ingenieria. 2da

Edicion. Mexico : Limusa Wiley .

Devore, J. (2016). Probabilidad y estadística para ingeniería y ciencias. 9a ed. Ciudad

de México: Cengage Learning, pp.139-143.
Stewart, J. (2012). Cálculo De Una Variable Trascendentes Tempranas. 7ma ed. Méxi-
co, DF: Cengage Learning Editores, p.157.
Montgomery, D. and Runger, G. (2014). Applied Statistics And Probability For Engi-
neers. 6th ed. USA, p.107.
Navidi, W. (2006). Estadística para ingenieros. 1a ed. México: McGraw-Hill, pp.102-103.
Córdova Zamora, M. (2009). Estadística Descriptiva E Inferencial. 5th ed. Lima: Moshe-
ra, pp.214-221.
32


Investigación Tema 2

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigación Tema 2

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE LA INSTITUCIÓN EDUCATIVA

“2020, Año de Leona Vicario, Benemérita Madre de la Patria”

INSTITUTO TECNOLOGICO SUPERIOR DE VALLADOLID

M.en Arq. Lucila Guadalupe Aguilar Rivero

21040026 - CHI BALAM LUIS ABRAHAM

21040068 - MENDEZ LOPEZ ALEXANDER MIGUEL

21040083 - PETUL CHI FERNANDO

21050022 - SANCHEZ BORGES ERIKA BELÉN

21040107 - TEMICH CHIGO ANTONIO

SEGUNDO SEMESTRE; GRUPO B

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

PLAN DE ESTUDIOS: ICIV-2010-208

Fecha de entrega: 21/03/2022

2.1. Variable aleatoria y funciones de densidad de probabilidad y de distribución

2.2. Valor esperado y momentos....................................................................................8

2.3. Distribuciones discretas. (canavos)....................................................................10

2.3.1 Distribución Bernoulli....................................................................................................................11 2

2.4.1 Distribución Uniforme Continua....................................................................................................20

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

Existen diferentes tipos de distribuciones, si bien están relacionadas con la distribución

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

2.1. VARIABLE ALEATORIA Y FUNCIONES DE DENSIDAD DE

 Variable aleatoria: Es una función de un experimento aleatorio.

Tipos de variable aleatoria

Dentro de las variables aleatorias existen, fundamentalmente, dos tipos. Su

 Variable aleatoria discreta: Una variable aleatoria es discreta si los números a

Ejemplo de variable aleatoria

Resultados del lanzamiento de un dado: Sí es la variable aleatoria. Es la fun-

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

Se le llama función de distribución de X.

Ejemplo. Consideremos el experimento aleatorio de lanzar dos monedas y anotar sus

Función de densidad de probabilidad:

La función de densidad de probabilidad muestra la distribución de

Sea X una variable aleatoria continua. Entonces, una función de densidad de probabili-

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

La probabilidad de que X asuma un valor en el intervalo [a, b] es el área sobre este in-

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

Función de distribución acumulativa:

La función de distribución acumulativa es la función que para un valor x, nos da la pro-

De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x. Recorde-

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

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

2.2. VALOR ESPERADO Y MOMENTOS.

La esperanza matemática de una variable aleatoria X es un número que representa la

La esperanza matemática, también conocido como valor esperado, es igual a la suma

Cálculo de la esperanza matemática

X = valor del suceso.

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

Los momentos en estadística matemática implican un cálculo básico. Estos cálculos se

Suponga que tenemos un conjunto de datos con un total de n puntos discretos. Un

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

2.3. DISTRIBUCIONES DISCRETAS. (canavos)

conjunto finito de números {𝑥1, . . ., 𝑥𝑛} si la probabilidad de que 𝑋 tome cualquiera de

estos valores es la misma, es decir, 1/𝑛. Esta distribución, surge en espacios de

probabilidades equiprobables, esto es, en situaciones en donde tenemos 𝑛 resultados

son un ejemplo donde puede aplicarse esta distribución de probabilidad. Escribimos

entonces 𝑋 ∼ 𝑢𝑛𝑖𝑓 {𝑥1, 𝑥2, . . ., 𝑥𝑛} si

Ejemplo 1: La gráfica de la función de probabilidad de la distribución 𝑢𝑛𝑖𝑓 {1, 2,3, 4, 5}

aparece en la Figura a continuación, junto con la correspondiente función de

𝐸(𝑋) =1𝑛∑ 𝑥𝑖𝑛𝑖=1 y 𝑉𝑎𝑟(𝑋) =1𝑛∑ (𝑥𝑖 − 𝐸(𝑋))2

CARRETERA VALLADOLID - TIZIMÍN, KM. 3.5 TABLAJE CATASTRAL NO. 8850

2.3.1 DISTRIBUCIÓN BERNOULLI

posibles resultados, llamados genéricamente éxito y fracaso, con probabilidades