Instituto Politécnico Nacional

Unidad Profesional Interdisciplinaria de Biotecnología

Unidad de aprendizaje: Estadística

Apunte
s
Estadís

Grupo: 2FM2
Alumnos:
 Arenas Pérez Ángel David
 Fabila Benítez Lesly Samantha
 Rangel Castañon Jesus Santiago
 Rodríguez González Abigaíl
 Rodríguez Vazquez David Ivan
 Zaragoza Legaria Ana Cristina
 DISTRIBUCIÓN BINOMIAL
Un ensayo es por ejemplo el lanzamiento de una moneda, de un dado, o
extracción de una pelota de una urna.
Sabemos que cada ensayo forma parte de un espacio muestral por lo que se le
puede asociar una probabilidad. En algunos casos esta probabilidad no varía de
un ensayo a otro, tales ensayos son independientes y se les llama ensayos de
Bernoulli.
Sea (P) la probabilidad de que ocurra un evento en un ensayo de Bernoulli (lo que
se llama probabilidad de éxito).
Entonces q=1−P , es la probabilidad de que en un ensayo ese evento no ocurra
(esto es probabilidad de fracaso), la probabilidad de que el evento ocurra
exactamente “x” (equis veces) en “n” ensayos, (es decir, x – éxitos y n – x
fracasos), está dada por la función de probabilidad.

()
f ( x )=P ( X −x )= n p q =
x
x n− x n!
X ! ( n−x ) !
x n−x
p q

Donde ahora “X” es la variable aleatoria que denota el número de éxitos en “n”
ensayos y “x= 0, 1, 2…., n”
Podemos obtener:
Media=M =( n ) ( p )

Varianza=ơ 2=( n ) ( p ) ( q )

Desviación Estandar=ơ=√ (n)( p)(q)

Como vimos anteriormente:
Una variable aleatoria discreta X nos lleva a una función de probabilidad y esta a
los conceptos como media, varianza y desviación estándar.
EJEMPLOS:
1) La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una
moneda.

x=2 ( exitos ) 1
p= ( probabilidad de que ocurracara)
2
n=6(ensayos)
1
q= ( probabilidad de que ocurra sol)
2
( )( ) ( )
2 6−2
1 1
Asi f ( x )=f ( 2 )=P ( x=2 )= 6
2 2 2

( )( )
2 4
6! 1 1 15
¿ =
2! ( 6−2 ) ! 2 2 64
2) En 100 lanzamientos de una moneda, la esperanza , o media del número
de caras es M= (n)(p)

M =( 100 ) ( 12 )=50
2
Varianza=ơ =( 100 ) ( 12 )( 12 )= 1004 =25
Desviación estandar=√ ơ = √25=5
2

3) Determinar la probabilidad de que en 5 lanzamientos de un dado cargado

se obtenga un 3, a) dos veces, b) a lo más una vez, c) por lo menos dos
veces.

a) x=2 ( exitos ) 1
p= ( probabilidad de que ocurra cara)
6
n=5(ensayos)
5
q= ( probabilidad de que ocurra sol)
6

( )( ) ( )
2 5−2
1 5
Asi f ( x )=f ( 2 )=P ( x=2 )= 5
2 6 6

( )( )
2 3
5! 1 5 625
¿ =
2! ( 5−2 ) ! 6 6 3888
b) n=5(ensayos)
“A lo máx. una vez, es decir 0 y 1”

( )( ) ( ) ( )( ) ( )
0
1 5 5 5 1 1
5 4 3125
P ( 0 ) + P ( 1 )= 5 + =
0 6 6 1 6 6 3888

c)
“Como mínimo 2 veces, es decir a partir de 2 hasta 5”
763
P ( 2 )+ P ( 3 ) + P ( 4 ) + P ( 5 )=
3888
 10 – Noviembre - 2022

Variables aleatorias, discretas y continuas

Una variable aleatoria es aquella función definida sobre el espacio muestral y que
asigna a cada punto del espacio muestral un número.
Las variables aleatorias se denotan con las letras mayúsculas: existen dos tipos
de variables aleatorias.
a) Variable aleatoria discreta, y que aquella que toma un número finito o un
número infinito contable de valores.
b) Variable aleatoria continua, y que es aquella que toma un número infinito no
contable de valores
Distribución de probabilidad discretas
Es cuando se tienen o se asignan a la función de probabilidad o distribución de
probabilidad uno de cada valor Xk que asigna a la variable x uno de cada punto
del espacio muestral (sabemos que debido a la definición de probabilidad a cada
punto delo espacio muestral. Se le puede asignar una probabilidad).

P(X= Xu) = + (Xu) x=1, 2, ….,

En general f(x) es una función de probabilidad si cumple
a) f(x) > 0
b) [ f ( x )=1

Función de distribución acumulada

La función de distribución acumulada o también función de distribución de la
variable x se define como:
f(x) = P (x ≤ x)
con x ∈ IR ó -∞ cx c ∞
La función de distribución f (x) cumple con=
a) F(x) ES NO DECRECIENTE
b) Lim F(X)= 0 y lim F(x) =9
x→−∞ x→∞
Tambien debe cumplir con=

F(x)= P (x≤ x ¿ = ∑ ❑ F (u)

 U ≤x
Es decir como los valores se puede tomar son x1, x2, x3….. x10
Entonces la función f(x) acumulada es de la forma

0 −∞ ≤ x =x 1
F (x) x1 ≤ x< x 2
F (x) + f(x2) x2≤ x< x ;
F(x)

F(x1) + f( xn) xn ≤ x< ∞

Es importante señalar 2 cosas

En el primer intervalo se tiene el valor 0
En el último intervalo se tiene el valor 1
También es importante hallar valores como, esperanza, varianza y desviación
estándar.
Ejemplo:
Sea el evento de lanzar una moneda 2 veces hallar
a) Espacio muestral
b) Si x es la variable aleatoria que muestra el numero de caras que aparecen
¿Cuáles son sus valores?
c) La función de probabilidadla función P para cada xn
d) La función f (x)
e) La grafica de f (x)
f) La esperanza
g) La varianza
h) Desviación estándar

a)
Em= (c,c) , ( c,5) , (s,c), (s,s)
b)
 x 0 1 2
P(x) 1/4 2/4 – 1/2 1/4

c) P(x)
1

X
d) F(x) =
0−∞< x <0
0+1/4=1/4 0 ≤ x<1
0+1/4+1/2= ¾ 1≤ x< 2

0+1/4+1/2+1/4= 4/4=1 2≤ x< ∞

e)

F) M(X)= (0)(1/9) + (1)(1/2)+ (2)(1/9)

G) Var= (0-1)2 (1/4) + (1-1)2 (1/2)+ (2-1)2 (1/4)= ¼ + 1/4 = ½

H) DS= √ VAR=
√1 =.7071
2
 15 – Noviembre - 2022

Variables aleatorias continuas

Se dice que una variable no discreta x es continua si su función de distribución es:
∞
f ( x )=P ( X ≤ x )=∫ f ( u ) du−∞< x < ∞
−∞

Donde la función f(x) tiene las propiedades

1) f ( x ) ≥0
∞

2) ∫ f ( x ) dx=1
−∞

Ahora, la probabilidad de intervalo de x este entre 2 valores diferentes a y b es:

a
P ( a< x <b ) =∫ f ( x ) dx
b

También la esperanza de x o media de x o simplemente μ se calcula como:

∞
E ( x )=μ= ∫ xf ( x ) dx
−∞

Podemos calcular también su varianza como:

∞
σ x =∫ ¿ ¿
2

−∞

Recordemos que su definición es una medida de dispersión o variación de los

valores de la variable aleatoria alrededor de la media μ ,y la desviación típica es:
σx= √ Var (x )

Ejemplo: Encuentre una constante c tal que la función

f ( x )=
{ C x 2 ,∧0< x <3
0 ,∧en cualquier otra parte

Sea una función de densidad

b) Calcular Pc (1<x<2)
c) Calcular E(x), la varianza y σx
 a)
∞

∫ f ( x ) dx=1
−∞

0 3 ∞

∫ f ( x ) dx +∫ f ( x ) dx+∫ f ( x ) dx=1
−∞ 0 3

0 3 ∞

∫ 0 dx +∫ C x dx+∫ 0 dx=1 2

−∞ 0 3

3 3

∫C x 2
dx=1 C ∫ x dx=1
2

0 0

1 1
C= dx=
3
9
∫ x2
0

b)
2
1 7
( 1< x <2 )=∫ x 2 dx=
1 9 27

c)
∞
μ= ∫ xf ( x ) dx
−∞

0 3 ∞
μ= ∫ x ( 0 ) dx+∫ x
−∞ 0
( ) 1 2
9
x dx+∫ x ( 0 ) dx
3

( )|
3

μ= x ∫
0
( )
1 2
9
x dx=x
1 x3 3
9 3 0

μ= x
x3 3
27 0( )|
9
μ=
4
 3
σ x =∫ ¿ ¿
2

3
2

0
2 9
2(
σ x =∫ x − x+
81 1 2
16 9
x dx )
3
σ x =∫
2

0
( 19 x − 12 x+ 169 ) x dx
2 2

3
9 1 2 1
σ x = ∫ x − x x dx
2
16 0 9 2
2
( )
2
σx = −(
9 1 x3 1 x2 x3 3
16 9 3 2 2 3 0 ) |
2 7
σx =
64

17 – Noviembre - 2022

Una vez encontrada f(x), la función de densidad, podemos encontrar la función

acumulada F(x), cuyas propiedades son:
 1) ∀x∈ R , F ( x ) ∈ [ 0,1 ]
2) F(x) es monótona no decreciente, es decir:
F ( x1 )≤ F ( x 2)
3) lim F ( x ) =1
x=∞
lim F ( x )=0
x=−∞
4) F(x) es continua en todo punto
Por definición:
x
F ( x )=P ( X ≤ x ) =∫ f ( t ) dt
−∞

Ejemplo: Sea

F ( x )=
{ a x 2 1< x< 3
0 en otra parte

a) Calcular el valor de a para que f(x) sea una función de densidad

∞

∫ f ( x ) d x=1
−∞

1 3 ∞

∫ f ( x ) dx +∫ a x dx +∫ f ( x ) dx=1
2

−∞ 1 3

1
a=
9

{
1 2
F ( x )= x 0< x<3
9
0 en otra parte

{
0−∞ < x <0
F ( x )= 1 x 3 0< x<3
27
1 3< x <∞

0 0
F ( x )= ∫ f ( t ) dt=∫ 0 dt
−∞ −∞
 x x
1 2 1 3
F ( x )=∫ f ( t ) dt=∫ ( t ) dt= x
0 0 9 27
3 3 3 3
1 2 1 1 t
F ( x )=∫ x d x=∫ (t ¿¿ 2)dx=¿ ∫ =¿1 ¿ ¿ ¿
0 9 0 9 90 3

La función acumulada F(x) comunmente se llama función de distribución:

S x es una variable aleatoria continua con función de densidad f(x) y la función de
distribución F(x) entonces en todo punto donde F(x) es derivable
dF
=f (x )
dx