ASIGNATURA: MODELAJE Y SIMULACIÓN DOCENTE: RAFAEL BORDA

Taller de consulta y estudio de Variables Aleatorias

1. ¿Qué es una variable

En estadística una variable es una característica que puede cambiar o

fluctuar su valor dependiendo del motivo o función en la que se esté
midiendo.

Las variables son símbolos que pueden adquirir distintos valores y que
aparecen en fórmulas, algoritmos, funciones y proposiciones de las
matemáticas y la estadística. Según sus particularidades, se clasifican de
distinto modo.

Una variable es la expresión simbólica representativa de un elemento no

especificado comprendido en un conjunto. Este conjunto constituido por
todos los elementos o variables, que pueden sustituirse unas a otras es el
universo de variables. Se llaman así porque varían, y esa variación es
observable y medible. Se usan en diferentes contextos, y en distintas
ciencias, como Matemáticas, Estadística, Lógica, etcétera.

2. ¿Qué es una variable discreta?

Una variable discreta es aquella que está en condiciones de adoptar valores

de un conjunto numérico dado. Es decir: solo adquiere valores de un
conjunto, no cualquier valor.
Una variable discreta es aquella que puede asumir un número contable de
valores. Mientras que una variable continua es aquella que puede asumir un
número incontable de valores.
Ejemplos de variable discreta: número de empleados de una fábrica;
número de hijos; número de cuentas ocultas en Suiza.

Ejemplos

• El número de automóviles que tiene una persona es una variable

discreta. Un hombre puede tener, por ejemplo, un automóvil, dos
automóviles o tres automóviles, por citar algunas posibilidades. Pero
no puede tener 1,6 automóviles ni 2,8 automóviles.
• En un sentido similar, la cantidad de hijos de una mujer también es
una variable discreta. Se pueden tener 2, 4 o 6 hijos, nunca 2,1 o
5,78 hijos.
• El género del ser humano, que será femenino o masculino.
• El número de estudiantes que existe en una clase. Y es que puede
haber 15, 20 o 30 alumnos, pero no 15,3 o 20,8.
• La cantidad de faltas que se pueden pitar por el árbitro en un partido
de fútbol.
• El número de canales de radio o televisión que se tiene en casa.
• El número de trabajadores que da forma a la plantilla de una
empresa.
3. ¿Qué es una variable continúa?

Las variables continuas pueden adquirir cualquier valor en un intervalo,

existiendo siempre otros valores intermedios entre dos valores observables. La
existencia de más o menos valores depende de la precisión de la medición.

Ejemplos de variable continua:

• Temperaturas registradas en un observatorio

• Tiempo en recorrer una distancia en una carrera
• Contenido de alcohol en un cuba-libre; estatura
• Tiempo de discurso de un político en las cortes insultando a los del
partido contrario
• El peso que tiene un hombre o una mujer.
• El peso de los melocotones que se han comprado en el mercado.
• La velocidad que alcanza un coche.
• El ancho que tiene la cintura de una persona

4. ¿Qué es una variable aleatoria?

Una función que asocia un número real, perfectamente definido, a cada

punto muestral.
A veces las variables aleatorias (V.A.) están ya implícitas en los puntos
muestrales.
Ejemplo 2: En el ejemplo de la mujer portadora de hemofilia.

W = {sss, ssn, sns, snn, nss, nsn, nns, nnn}

Se podría definir una variable que asignara a cada punto muestral el número
de orden en el espacio muestral.

X: sss 1; ssn 2; sns 3;…………………

Pero otra posible V.A.: a cada punto muestral el número de s. X: sss 3; ssn 2;
...
Los conjuntos pueden ser:

Discretos: número finito o infinito numerable de elementos.

Continuos: número infinito no numerable de elementos.

Las V.A. definidas sobre espacios muestrales discretos se llaman V.A.

discretas y las definidas sobre espacios muestrales continuos se llaman
continuas.
Una V.A. puede ser continua, aunque nosotros sólo podamos acceder a un
subconjunto finito de valores. P.e. la presión arterial es una V.A. continua
pero sólo podemos acceder a un conjunto finito de valores por la limitación
de los aparatos de medida.
En general, las medidas dan lugar a V.A. continuas y los conteos a V.A.
discretas.
5. ¿Qué es una variable aleatoria discreta VAD?

Una variable aleatoria discreta es una variable aleatoria cuyos valores

posibles constituyen un conjunto finito o bien pueden ser puestos en lista en
una secuencia infinita en la cual existe un primer elemento, un segundo
elemento, y así sucesivamente (“contablemente” infinita).

Ejemplo 1:

Obtener la función de probabilidad de la variable "puntuación obtenida al

lanzar un dado".
Definimos la variable aleatoria X= puntuación obtenida.
Los posibles resultados son: 1, 2, 3, 4, 5 y 6, y todos esos valores tienen
una probabilidad de 1 /6.
Si ponemos en forma de tabla los resultados, la función de probabilidad
quedaría:
Función de
Valores de la
Probabilidad
varible xi
pi = P[X = xi]

Ejemplo 2:

Obtener la función de probabilidad de la variable "número de caras

obtenidas al lanzar tres monedas"

Antes que nada, vamos al construir el espacio muestral del experimento

lanzar tres monedas. Éste sería:
E = {(c,c,c); (c,x,c); (x,c,c); (c,c,x); (c,x,x,); (x,c,x); (x,x,c); (x,x,x)}
Si definimos X = nº de caras obtenidas, vemos que los posibles valores
son: 0, 1, 2 y 3; y la función de probabilidad será:

xi 0 1 2 3
1/8 =
pi 3/8 = 0.375 3/8 = 0.375 1/8 = 0.125
0.125

Como puedes observar en los dos ejemplos, la suma de todas las

 probabilidades tiene que ser 1, pues estaríamos considerando el espacio
muestral completo.

6. ¿Qué es una variable aleatoria continúa VAC?

Se dice que una variable aleatoria X es continua si su conjunto de posibles

valores es todo un intervalo (finito o infinito) de números reales.

Ejemplo:

• El tiempo de retraso con el que un alumno o un profesor llega al aula de

clases o también el peso o la estatura de los estudiantes.
• Resultado de un generador de números aleatorios entre 0 y 1. Es el
ejemplo más sencillo que podemos considerar, es un caso particular de
una familia de variables aleatorias que tienen una distribución uniforme en
un intervalo [a, b]. Se corresponde con la elección al azar de cualquier
valor entre a y b.
• Estatura de una persona elegida al azar en una población. El valor que se
obtenga será una medición en cualquier unidad de longitud (m, cm, etc.)
dentro de unos límites condicionados por la naturaleza de la variable. El
resultado es impredecible con antelación, pero existen intervalos de
valores más probables que otros debido a la distribución de alturas en la
población. Más adelante veremos que, generalmente, variables
biométricas como la altura se adaptan un modelo de distribución
denominado distribución Normal y representado por una campana de
Gauss.
• Preguntamos en una clase de 15 alumnos las notas que han sacado en
un examen y obtenemos los siguientes resultados: 3,5-5,75-8-9,25-7,05-
6,5-2,55-4,25-6-5,9-1,25-8-8,75-5,65-4,55. Para escribir nuestra variable
aleatoria, es necesario agrupar los datos en intervalos, de tal forma que:
X={(0,2],(2,4],(4,6],(6,8],(8,10]}

7. ¿Qué es una función de distribución de la probabilidad?

Es un modelo teórico que describe la forma en que varían los resultados de un

experimento aleatorio, es decir, nos da todas las probabilidades de todos los
posibles resultados que podrían obtenerse cuando se realiza un experimento
aleatorio. Se clasifican como discretas o continuas. En la distribución de
probabilidad discreta está permitido tomar sólo un número limitado de valores.
En la continua, llamada función de Variable aleatoria y función de distribución 27
densidad, la variable que se está considerando puede tomar cualquier valor
dentro de un intervalo dado.

8. ¿Qué es una función de masa de distribución de la probabilidad-VAD?

El conjunto de pares ordenados (x, f (x)) es una función de probabilidad, una

función de masa de probabilidad o una distribución de probabilidad de la variable
aleatoria discreta X si, para cada resultado x posible.

9. Consulte cual es la fórmula de las siguientes funciones de distribución de

masa de
 probabilidad(discreta) y en qué casos se puede usar para representar el
comportamiento de una variable aleatoria discreta:

• Función de distribución Bernoulli

✓ Suponemos que somos muy fans de un corredor de una
competición ciclista en la cual solo compiten dos corredores.
Queremos apostar a que ese corredor gana. Entonces, si gana
será un resultado “éxito” y si pierde será un resultado “no éxito”.
Esquemáticamente:

Corredor gana la competencia ÉXITO

Corredor No gana la competencia NO ÉXITO
Esquema posibles resultados de la variable aleatoria.

Hemos tratado este ejemplo como un caso dicotómico. Es decir, solo existen
dos resultados posibles (para simplificar la situación). En los libros teóricos
encontramos el típico ejemplo del lanzamiento de una moneda no trucada que
consiste en obtener cara o cruz. Como no hay más resultados posibles, la
obtención del parámetro p se vuelve elemental.

En nuestro ejemplo del corredor, también podríamos haber considerado el “no

éxito” como la obtención de cualquier otra posición que no fuera el primer
puesto. Entonces, el parámetro p cambiaría y sería el número de veces que el
corredor pueda quedar primero dividido por el número de posiciones totales.

✓ Definimos los dos valores que puede tomar una variable aleatoria
que sigue una distribución de Bernoulli.

Z = 1 si el corredor gana la competición = 1r puesto = ÉXITO.

Z = 0 si el corredor pierde la competición = no 1r puesto = NO ÉXITO.
Asignación y cálculo de probabilidades.

Una vez hemos definido los valores de la Z, asignamos las probabilidades del
resultado del experimento:

Esquemas posibles resultados de la variable aleatoria.

Arriba en el ejemplo hemos calculado ya las probabilidades mediante la ley de

Laplace. El resultado era que p = 1/10 y (1-p) = 0,9.

Cálculo de la función de distribución.

Ahora solo tenemos que sustituir las variables anteriores en la fórmula de la

función de distribución.
Cálculo de la probabilidad cuando z = 1.

Cálculo de la probabilidad cuando z = 0.

Nos podemos fijar en que las expresiones anteriores pueden expresarse

también de esta forma:
Función de distribución de Bernoulli.

Vemos que utilizando una forma o la otra, la probabilidad de éxito, es decir, la

probabilidad de que el corredor gane la competición va a ser siempre p = 1/10 y
la probabilidad de no éxito, es decir, la probabilidad de que pierda la competición
también será siempre (1-p) = 9/10.

Entonces, el corredor sigue una distribución de Bernoulli con probabilidad p =

0,1:

Resultado.

✓ Probabilidad de obtener cara en el lanzamiento de una moneda

✓ Probabilidad de que un ciclista gane o pierda contra otro en una carrera
✓ Probabilidad de que gane o pierda el coche rojo en una carrera de 10
coches
✓ Probabilidad de que a un alumno al azar le guste o no la pizza
✓ Probabilidad de que suene o no una canción en una rocola al azar

• Función de distribución Uniforme Discreta

✓ Para un dado perfecto, todos los resultados tienen la misma probabilidad

1/6.
✓ Para una moneda perfecta, todos los resultados tienen la misma
probabilidad 1/2.
✓ Para una rifa todos los competidores (10) tienen la misma probabilidad
1/10
✓ Para un juego de azar todos los 4 jugadores tienen la misma probabilidad
1/4
✓ Para un juego de cartas donde juegan 5 todos tienen la misma
probabilidad de recibir el joker 1/5
 ✓ Puntuación en el lanzamiento de un dado regular. Esta variable
toma seis valores posibles, todos con la misma probabilidad p =
1/6. La función de densidad de esta variable será:

f(k) = P[X = k] = 1/6 k = 1, 2, 3, 4, 5, 6

En general, si la variable X puede tomar n (k = 1, 2, ..., n) valores, todos con

igual probabilidad, su función de densidad será:

f(k) = P[X = k] = 1/n k = 1, 2, ..., n

✓ El temario para un examen consta de 35 temas, de los cuales se

elegirá uno al azar. Si un alumno no ha estudiado los 10 últimos
temas ¿Cuál es la probabilidad de que el alumno sepa el tema
elegido para el examen? Hallar la media y varianza.
Sea X la variable aleatoria que representa el número de tema seleccionado para
el examen,
como todos los temas tienen la misma probabilidad de ser seleccionado, X sigue
una
distribución uniforme discreta de 35 elementos.

La probabilidad de salir el tema x es:

El alumno aprueba el examen si le toca un tema del 1 al 25; así pues:

La probabilidad de salir un tema estudiado es:

La media y varianza son los valores

• Función de distribución Binomial

✓ Probabilidad de obtener 2 caras al lanzar una moneda 5 veces

✓ Probabilidad de que en un juego de carta un jugador gane todas las
rondas
✓ Probabilidad de que se repita 3 veces una canción en una Rockola en
una hora
✓ Probabilidad de que una gata de 3 crías del mismo color
✓ Probabilidad de responder correctamente 6 preguntas de un test de 8
preguntas, cada pregunta con 4 posibles respuestas.

✓ Hallar la distribución de probabilidad del siguiente suceso: “número

de caras que
se obtienen en cinco lanzamientos sucesivos de una moneda”.
P(cara) = P(c) = ½ en un lanzamiento y P(cruz) = P(x) = ½ en un lanzamiento.
Los posibles valores de la variable son k = 0, 1, 2, 3, 4, 5.
La probabilidad de cada suceso:

• Función de distribución Poisson

✓ Probabilidad del número de defectos de una tela en m2 (nos dan un

promedio estándar)
✓ Probabilidad de cuantos aviones aterrizan a las 6 pm durante 2 días (nos
dan un promedio estándar diario y por horario)
✓ Probabilidad de que un banco reciba 4 cheques sin fondo en un día, y 10
cheques sin fondos en cualquiera de los 2 días consecutivos, El banco
recibe en promedio 6 cheques sin fondo por día,
✓ En la inspección de hojalata producida por un proceso electrolítico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más
una imperfección en 15 minutos.
✓ Si en una imprenta se sacan 6 copias de libros por día en promedio, con
la distribución de poisson podemos saber cuál es la probabilidad de que
se impriman 11 libros en 2 dios.

✓ Si un banco recibe en promedio 6 cheques sin fondo por día,

¿cuáles son las probabilidades de que reciba, a) cuatro cheques
sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera
de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

b)
x= variable que nos define el número de cheques sin fondo que llegan
al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

✓ En la inspección de hojalata producida por un proceso electrolítico

continuo, se identifican 0.2 imperfecciones en promedio por
minuto. Determine las probabilidades de identificar a) una
imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

b) x = variable que nos define el número de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la
hojalata
 =1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la

hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

= 0.0498026 + 0.149408 = 0.1992106

• Que otras funciones de distribución discretas existen

✓ Distribución geométrica:

La distribución geométrica, simbólicamente descrita como G(p), describe las

probabilidades de obtener k fracasos antes del primer éxito, al realizar sucesivas
tiradas de Bernoulli independientes, con probabilidad p de éxito.

Su función de probabilidad es

Su función de distribución vale , para k=0,1,... lo que facilita el

cálculo de cuantiles.

Su esperanza vale , y su varianza .

La moda vale siempre 0.

El coeficiente de simetría resulta y el de curtosis .

Posee una importante propiedad llamada "del olvido", o de la falta de memoria.

Si X sigue una distribución G(p), entonces

Ejemplo: Para el jugador de baloncesto al lanzar tiros libres, ¿cuál es el
número medio de fallos antes del primer acierto?

La variable de estudio es ahora, X, número de tiros libres fallados antes del

primer enceste. Es decir, se trata de una geométrica de parámetro 0.8, G(0.8),
con lo cual el número medio de fallos antes del primer acierto es la esperanza
de la misma, es decir,

10. ¿Qué es una función de densidad de distribución de la probabilidad-

VAC?

La función de densidad de probabilidad permite identificar la curva de

distribución de probabilidad indicando las regiones de mayores y menores
probabilidades para los valores de la variable aleatoria. Por ejemplo, para una
distribución normal, el valor más alto de la PDF se encuentra en la media,
mientras que valores menores de la PDF se encuentran en las colas de la
distribución.
Para las distribuciones continuas, como la distribución normal, la PDF calcula la
función de densidad de probabilidad continua (también conocida como función
de densidad).
Para distribuciones discretas (Bernoulli, binomial, geométrica, binomial negativa,
hipergeométrica, discreta, de enteros y de Poisson), la PDF calcula la función de
probabilidad discreta.
Es la que nos dice como se distribuye la probabilidad a lo largo de todos los
posibles resultados de un experimento de una variable aleatoria continua,
dándonos la posibilidad de realizar un gráfico el cual podamos analizar.
11. Consulte cual es la fórmula de las siguientes funciones de
densidad de distribución de probabilidad y en qué casos se puede
usar para representar el comportamiento de una variable aleatoria
continua:

• Función de distribución Uniforme Continua

La distribución o modelo uniforme puede considerarse como proveniente de un

proceso de extracción aleatoria. El planteamiento radica en el hecho de que la
probabilidad se distribuye uniformemente a lo largo de un intervalo, dada una
variable aleatoria continua, esta distribución de probabilidad es continua cuando
los resultados posibles del experimento son obtenidos de variable aleatorias
continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor,
y que resultan principalmente del proceso de medición

Su esperanza vale (b + a)/2

Su varianza es (b − a)2/12

Ejemplos

• La estatura de un grupo de personas en los cursos de un colegio

• El tiempo dedicado a practicar un deportista de elite
• La temperatura en una ciudad de acuerdo con la estación que este
• Sea X el momento elegido al azar en que un estudiante recibe clases en
un determinado día entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 -
11:00 - 12:00 - 13:00
a = 7 y b = 13

Reemplazando valores en la ecuación de la función de densidad se obtiene:

Reemplazando valores en la fórmula del valor esperado se obtiene

 Reemplazando valores en
la fórmula de la varianza se obtiene:

• Si quisiera llegar en la primera media hora significa que llega a la 7:30.

Por lo tanto se debe calcular la probabilidad entre las 7:00 y las 7:30.
Como 7:30 = 7horas + 30 minutos, y el porcentaje que representa 30 minutos de
una hora es:

Por lo tanto, se debe calcular la probabilidad entre 7 y 7,5

Aplicando la fórmula de la probabilidad entre dos valores se obtiene:

• Función de distribución Normal

La distribución normal adapta una variable aleatoria continua a una función que
depende de la media y la desviación típica en función y la variable aleatoria
continua tendrán la misma representación con ligeras diferencias.
Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones
puede aproximarse satisfactoriamente a una distribución normal tal que:

Variable aleatoria X aproximada a una distribución normal.

Donde los parámetros de la distribución son la media o valor central y la
desviación típica:
Ejemplos

• Las rentabilidades de las acciones en la bolsa de valores

• Los resultados de un examen en un salón de clases
• El coeficiente de inteligencia IQ y los errores estándar son variables
aleatorias continuas.
• La temperatura durante setiembre está distribuida normalmente con
media 18,7ºC y desviación standard 5ºC. Calcule la probabilidad de que
la temperatura durante setiembre esté por debajo de 21ºC. Resolución. µ
= 18,7ºC σ = 5ºC X = 21ºC

Con el 0,46 se busca en la tabla el valor de Z = 0,46 tenemos que la

probabilidad es de 0,6772 que la temperatura sea menor que 21ºC

• La media de los pesos de 5000 estudiantes de un colegio es 70 kg y la

desviación típica 3 kg. Suponiendo que los pesos se distribuyen
normalmente, “hallar cuántos estudiantes” pesan menos de 60 kg.
µ = 70Kg. σ = 3 Kg. X = 60Kg

El valor negativo sólo nos está diciendo que estamos por debajo de la
media.
Mirando la tabla para Z = 3.33, queda que la probabilidad es de 0,9996.
Entonces, P(Z>3,33) = 1 - 0,9996 = 0,0004. = P (Z < - 3,33) Esto es, el
0,04 % de los 5000 estudiantes pesan menos de 60 Kg. Son 2
estudiantes.

Representado en graficas

• Función de distribución Exponencial

Este modelo suele utilizarse para variables que describen el tiempo hasta que se
produce un determinado suceso siendo la función de densidad de la forma:
m=b y s2 = b2

Ejemplos

• Si la variable X mide el tiempo de vida y sigue una distribución

Exponencial, significará que la probabilidad de que siga con vida dentro
de 20 años es la misma para un individuo que a fecha de hoy tiene 25
años que para otro que tenga 60 años.
• El tiempo que un médico dedica a una cita, así como de servir
una medicina en una farmacia, o el tiempo de atender a una urgencia.
• El tiempo de atención de un paciente en una sala quirúrgica es una
distribución exponencial, si este lleva 5 horas siendo operado, la
probabilidad de que esté una hora más o menos tiempo debido a que el
servicio tienen una gran variabilidad por lo que el próximo paciente
operado puede ser 1 hora ya que su cirugía era mucho más simple que la
anterior.
• Un sistema contiene cierto tipo de componente cuyo tiempo de falla en
años su promedio de falla . Sí 5 de estos componentes se instalan
en diferentes sistemas, cuál es la probabilidad de que al menos 2
continúen funcionando después de 8 años
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:

la | nos indica que la integral se va a evaluar desde 8 hasta ¥

Sea x el número de componentes funcionando después de 8 años. Entonces

mediante la distribución Binomial,
n=5
p = 0.20 = probabilidad de que un componente esté funcionando después de
8 años
q = 1-p = 0.80 = probabilidad de que un componente no funcione después de
8 años

P(x ³ 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 – p(x = 0, 1)

• El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial
con una media de 4 minutos. ¿Cuál es la probabilidad de que una
 persona sea atendida antes de que transcurran 3 minutos en al menos 4
de los 6 días siguientes?

Solución:

la nos indica que la integral va a ser evaluada de 0 a 3

x = número de días en que un cliente es atendido antes de que transcurran 3

minutos
x = 0, 1, 2,...,6 días

p = probabilidad de que un cliente sea atendido antes de que transcurran 3

minutos en un día cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un día cualquiera = 1- p = 0.4724

= 0.11587 + 0.02157 = 0.13744

• Función de distribución Triangular

La distribución tiene una forma triangular, inicia en el valor mínimo, aumenta de
manera lineal hasta alcanzar el valor pico en la moda y luego disminuye de
manera lineal hasta alcanzar el valor máximo. La forma del triángulo puede ser
simétrica o asimétrica
Campo de variación: a x b
a: mínimo, -∞ < a < ∞
c: moda, -∞ < c < ∞ con a c b
b: máximo, -∞ < b < ∞ con a < b

Ejemplo
• En la industria petrolera es costoso recolectar datos y es casi imposible
modelar la población por lo que mediante la distribución triangular se
describiría una población sobre la cual halla muestra datos limitados
 • Se utiliza para modelar procesos estocásticos o de riesgo comercial como
en la recolección de datos para determinar el costo de construcción de un
edificio nuevo, pero se puede estimar los costos de construcción
mínimos, máximos y más probables (moda). Siendo fácil definir y explicar
estos valores, que son una representación razonable de los datos.
• En la toma de decisiones es vital, así como en simulaciones acerca de
la distribución de un resultado en sus valores más pequeños y más
grandes distribución triangular, junto con la distribución PERT, también se
usa ampliamente en la gestión de proyectos (como una entrada
en PERT y por lo tanto método del camino crítico (CPM)) para modelar
los acontecimientos que tienen lugar dentro de un intervalo definido por
un valor mínimo y máximo.
• Simular negocios por una distribución triangular a fin de generar varios
miles de escenarios aleatorios pero posibles, con las valoraciones
correspondientes

• Que otras funciones de distribución continua existen

La distribución beta suele utilizarse para representar procesos con límites

inferiores y superiores naturales.
La función de densidad de probabilidad (PDF) es:

La distribución F también es conocida como la distribución de relación de

varianzas y tiene dos tipos de grados de libertad: grados de libertad del
numerador y grados de libertad del denominador. Es la distribución de la
relación de dos variables aleatorias independientes con distribuciones de chi-
cuadrada, cada una de las cuales se divide entre sus grados de libertad.

La función de densidad de probabilidad (PDF) es:

La distribución gamma se utiliza comúnmente para modelar datos asimétricos

positivamente.
La función de densidad de probabilidad (PDF) es:
Media = ab + θ
Varianza = ab2

Distribución de chi-cuadrada
Si X tiene una distribución normal estándar, X2 tiene una distribución de chi-
cuadrada con un grado de libertad, lo que le permite ser una distribución de
muestreo de uso común.
La suma de n variables X2 independientes (donde X tiene una distribución
normal estándar) tiene una distribución de chi-cuadrada con n grados de
libertad. La forma de la distribución de chi-cuadrada depende del número de
grados de libertad.
La función de densidad de probabilidad (PDF) es:

Media = v
Varianza = 2v

12. ¿Qué es una función de distribución de probabilidad acumulada?

La función de distribución acumulada (CDF) calcula la probabilidad acumulada

de un valor dado de x determinando la probabilidad de que una observación
aleatoria que se toma de la población sea menor que o igual a cierto valor.
Como se puede usar esta información para determinar la probabilidad de que
una observación sea mayor que cierto valor o se encuentre entre dos valores.
Omo en una función de distribución acumulada puede mostrar la proporción de
árboles en un bosque que tienen mediciones de diámetro de 10 pulgadas o
menos.

13. Consulte las fórmulas de la función de probabilidad acumulada

para las distribuciones citadas en el numeral 9 y 11.

La función de distribución (acumulada) de una variable aleatoria X,

evaluada en x, es la probabilidad de que X tome un valor menor o igual
que x. La palabra 'acumulada' es redundante y se puede omitir.

En el caso de que la distribución

sea continua en las normales, es el
área bajo la función de densidad
siendo la campana de Gauss,
desde menos infinito hasta x. La
zona señalada en azul en la curva
representa la probabilidad de
que X sea menor o igual que x.
 La función de distribución F es
siempre no decreciente. En
nuestro caso es estrictamente
creciente y continua. Tiene forma
de 'S'.

Si usamos la notación integral,

entonces la función de
distribución puede escribirse
como una integral de su función de densidad:

En el caso de las distribuciones normales esta integral no tiene una fórmula

explícita. Se tiene que calcular numéricamente.
La distribución normal estándar juega un papel importante

En algunos libros se suele usar una notación especial para la función de

distribución en el caso de la distribución normal estándar:

Ya sabemos que hay una relación

entre cualquier distribución
normal X y la distribución normal
estándar Z que tiene media 0 y
desviación estándar 1.

Distribuciones normales con desviaciones

Una propiedad importante de las distribuciones normales es que, si

consideramos intervalos centrados en la media y con una longitud
proporcional a la desviación típica, la probabilidad de estos intervalos es
constante independientemente de la distribución normal considerada.
Este resultado es mucho más general: Cualquier distribución normal
arbitraria X se puede transformar en una distribución normal
estándar Z usando un cambio de variable

Lo que hacemos es que la media y la varianza de la variable aleatoria sean

0 y 1, respectivamente.
A esto se le llama estandarizar o tipificar la distribución normal. Cualquier
valor de una distribución normal puede transformarse en su correspondiente
valor en la distribución normal estándar. Para estandarizar un valor lo que
hacemos es restar la media y dividir por la desviación estándar.

Con la función de distribución podemos calcular la probabilidad de cualquier

intervalo:
La probabilidad de que una variable aleatoria esté en un rango determinado
se corresponde con el área bajo la función de densidad en ese intervalo.
Para hacer estos cálculos usamos la función de distribución.

El punto azul sobre el eje X representa el valor x de la variable. Al moverlo

vemos el cambio de valor de la función de distribución, así como la función
de distribución acumulada y cambia cuando modificamos la media la
traslación y la desviación típica visto en una mayor o menor dispersión de la
variable

14. En una hoja de cálculo realice las gráficas de las funciones de

distribución de la
probabilidad y las funciones de distribución de probabilidad
acumulada, para 2 funciones discretas y 2 funciones continuas.

(Ver excel)

15. ¿En qué consiste la ley de los grandes números y como se puede
relacionar con las funciones de probabilidad estudiadas?

En la teoría de la probabilidad, bajo el término genérico de ley de los grandes

números se engloban varios teoremas que describen el comportamiento
del promedio de una sucesión de variables aleatorias conforme aumenta su
número de ensayos.
Estos teoremas prescriben condiciones suficientes para garantizar que dicho
promedio converja (en los sentidos explicados abajo) al promedio de
las esperanzas de las variables aleatorias involucradas. Las distintas
formulaciones de la ley de los grandes números (y sus condiciones asociadas)
especifican la convergencia de formas distintas.

Las leyes de los grandes números explican por qué el promedio de una muestra
al azar de una población de gran tamaño tenderá a estar cerca de la media de la
población completa.

Cuando las variables aleatorias tienen una varianza finita, el teorema central del
límite extiende nuestro entendimiento de la convergencia de su promedio
describiendo la distribución de diferencias estandarizadas entre la suma de
variables aleatorias y el valor esperado de esta suma: sin importar la distribución
subyacente de las variables aleatorias, esta diferencia estandarizada converge a
una variable aleatoria normal estándar.

La frase "ley de los grandes números" es también usada ocasionalmente para

referirse al principio de que la probabilidad de que cualquier evento posible
(incluso uno improbable) ocurra al menos una vez en una serie aumenta con el
número de eventos en la serie. Por ejemplo, la probabilidad de que un individuo
gane la lotería es bastante baja; sin embargo, la probabilidad de
que alguien gane la lotería es bastante alta, suponiendo que suficientes
personas comprasen boletos de lotería.

16. ¿Qué es el Teorema del Limite Central (TLC)? En una hoja de

cálculo elabore un ejemplo con variables aleatorias para explicar el
concepto del “TLC”.

Es una teoría estadística que establece que, dada una muestra

suficientemente grande de la población, la distribución de las medias
 muestrales seguirá una distribución normal. Principales propiedades del
teorema central del límite.

El teorema central del límite tiene una serie de propiedades de gran utilidad en
el ámbito estadístico y probabilístico. Las principales son:

• Si el tamaño de la muestra es suficientemente grande, la distribución de

las medias muestrales seguirá aproximadamente una distribución normal. El
TCL considera una muestra como grande cuando el tamaño de la misma es
superior a 30. Por tanto, si la muestra es superior a 30, la media muestral tendrá
una función de distribución próxima a una normal. Y esto se cumple
independientemente de la forma de la distribución con la que estamos
trabajando.

• La media poblacional y la media muestral serán iguales. Es decir, la

media de la distribución de todas las medias muestrales será igual a la
media del total de la población.

• La varianza de la distribución de las medias muestrales será σ²/n. Que

es la varianza de la población dividido entre el tamaño de la muestra.