Universidad Abierta y a Distancia de México.

Licenciatura en Matemáticas

Actividad 2. Lectura teorica

Nombre del alumno: Gustavo Hernandez Garcia

Matricula: ES1821004569
 Probabilidad I

Unidad 4. Modelos continuos de probabilidad

Actividad 2. Lectura teórica – Tabla temática resumida (desarrollo)

Te Subte Desarrollo resumido

Ejemplos
ma ma Definiciones/Simbología/Fórmulas
 Ejemplo:
Populación del colegio por edad
La siguiente tabla muestra la distribución del
residentes estadounidenses (16 años de edad o
mayor) quienes asisten a cualquier colegio durante
1980, ordenada por edad:

15- 20- 25- 30- 35-

Edad
19 24 29 34 ?

Número en
1980 2.7 4.8 1.9 1.2 1.8
(millones)

Fuente: 1980 Censo de Populación, Departamento de

Comercio/Oficina del Censo de EEUU.
Trace el histograma de la distribución de probabilidad
para X=  la edad de un universitario elegido al azar..
Solución Antes de empezar, un poco de terminología:
Las entradas de la última fila son denominadas como
las frecuencias y la tabla como una distribución de
frecuencias. Al sumar las frecuencias, observamos
que el número total de universitarios durante 1980
fue 12.4 millón. Por lo tanto, podemos convertir
todos aquellos datos en probabilidades por dividir
Variable aleatoria continua

entre este total.

Definici
ón de Una variable aleatoria continua es una función X que asigna a Edad 15-19 20-24 25-29 30-34 35-?
cada resultado posible de un experimento un número real.
variable
Si X puede asumir cualquier valor en algún intervalo I (el
aleatori Probabilidad .22 .39 .15 .10 .15
intervalo puede ser acotado o desacotado), se llama una
a variable aleatoria continua. Si puede asumir solo varios
continu valores distintos, se llama una variable aleatoria discreta. Las probabilidades en la tabla más arriba han sido
a. redondeadas, con la consecuencia que suman a 1.01
en vez de lo 1 esperado. In la categoría 15-19, hemos
incluido todos de la edad al menos 15 años y menor
que 20 años. Por ejemplo, alguien de la edad de 19½
sería incluyendo en este rango. Desearíamos en
Función Ejemplo:
de Se dice que una variable aleatoria X es continua si su conjunto Un profesor de la UNAM nunca termina su clase
densida de posibles valores es todo un intervalo (finito o infinito) de antes del término de la hora, más nunca se pasa de 2
d de números reales. Por ejemplo, una v.a. continua puede ser el minutos de ésta. S ea X : l i l é i el tiempo que
una tiempo de retraso con el que un alumno o un profesor llega al transcurre entre el t término d l h e a hora y el
variable aula de clases ó también el peso o la estatura de los término efectivo de la clase. Suponga que la fdp de X
aleatori estudiantes de l FE a . viene dada por: ( ) 2 kx x 0 2 f ⎧ ≤ ≤ ( ) ⎨ 0 .. . Xf x do
a
continu
a.
Función
de Si la variable aleatoria es continua, hay infinitos valores
distribu posibles de la variable y entra cada dos de ellos se podrían
ción de definir infinitos valores. En estas condiciones no es posible
deducir la probabilidad de un valor puntual de la variable
una
como se puede hacer en el caso de las variables discretas
variable
aleatori
a
continu
a
 Dada una variable aleatoria X que toma valores x1,x2,x3....xn
Esperan
con distribución de probabilidad P(X=X1)=P1, se define la
za de esperanza matemática de una variable aleatoria como:
una
variable
aleatori
a
continu
a
Varianz
A continuación vamos a definir la varianza de una variable
a de aleatoria diferenciando para el caso discreto y continuo. Dada
una una variable aleatoria X que toma valores x1,x2,x3....xn con
variable distribución de probabilidad, se define la varianza de X:
aleatori
a
continu
a
 LA DISTRIBUCION UNIFORME CONTINUA, es aquella que toma
con igual probabilidad valores dentro de dos conjuntos
cualesquiera de igual amplitud e incluidos en el intervalo de
valores posibles de la variable.
La variable   sigue una distribución uniforme o rectangular

en el intervalo  ,  , cuando su función de

densidad viene dada de la siguiente forma: 
Modelos continuos de probabilidad

Distribu
ción Su representación gráfica justifica el nombre de rectangular
uniform (figura  ).
e
continu
a

Figura: Distribución uniforme.

Sus características más importantes son: 


La distribución exponencial es el equivalente continuo de la
distribución geométrica discreta. Esta ley de distribución
describe procesos en los que:
 
 Nos interesa saber el tiempo hasta que ocurre
Distribu determinado evento, sabiendo que,
ción
 El tiempo que pueda ocurrir desde cualquier
expone
instante dado t, hasta que ello ocurra en un
ncial instante tf, no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.
 
Distribu
ción La distribución normal es una distribución con forma de
normal campana donde las desviaciones estándar sucesivas con
respecto a la media establecen valores de referencia para
estimar el porcentaje de observaciones de los datos. Estos
valores de referencia son la base de muchas pruebas de
hipótesis, como las pruebas Z y t.
Ejemplos de este tipo de distribuciones son:
 El tiempo que tarda una partícula radiactiva
en desintegrarse. El conocimiento de la ley
que sigue este evento se utiliza en Ciencia
para, por ejemplo, la datación de fósiles o
cualquier materia orgánica mediante la
técnica del carbono 14, C14;
 El tiempo que puede transcurrir en un
servicio de urgencias, para la llegada de un
paciente;
 En un proceso de Poisson donde se repite
sucesivamente un experimento a intervalos
de tiempo iguales, el tiempo que transcurre
entre la ocurrencia de dos sucesos
consecutivos sigue un modelo
probabilístico exponencial. Por ejemplo, el
tiempo que transcurre entre que sufrimos
dos veces una herida importante.
Ejemplo de una distribución normal
La estatura de todos los adultos masculinos que
residen en el estado de Pennsylvania siguen
aproximadamente una distribución normal. Por lo
tanto, la estatura de la mayoría de los hombres
estará cerca de la estatura media de 69 pulgadas. Un
número similar de hombres serán un poco más altos
y un poco más bajos que 69 pulgadas. Solo unos
pocos serán mucho más altos o mucho más bajos. La
desviación estándar es de 2.5 pulgadas.
Aproximadamente, el 68% de los hombres de
Pennsylvania tiene una estatura de entre 66.5 (μ - 1σ)
y 71.5 (μ + 1σ) pulgadas.

Aproximadamente, el 95% de los hombres de

Pennsylvania tiene una estatura de entre 64 (μ - 2σ) y
 74 (μ + 2σ) pulgadas.

Distribu ¿Cuál es la proporción de todas las bolsas de

ción “papitas” (cuya etiqueta indica que su peso es de 9oz)
La distribución Normal estándar es la distribución Normal N (0,
normal que pesan menos de 9.3oz? Utilizando los datos del
1) que tiene media 0 y desviación estándar 1. Si una variable x
Ejemplo 1, podemos decir que esta proporción es el
estánda tiene una distribución Normal N (µ, σ) entonces la variable
área bajo curva N (9.12, 0.15) a la izquierda del punto
r estándar lo es:
9.3. Como el peso estándar correspondiente a 9.3
onzas lo es:
z = x − µ σ y tiene una distribución normal. z = x − µ /σ = 9.3 − 9.12/ 0.15 = 1.2
el área es la misma que el área bajo la curva de la
distribución Normal estándar a la izquierda del punto
z = 1.2. z = 1.2 T