“AÑO DEL BICENTENARIO DEL PERU: 200

AÑOS DE INDEPENDENCIA”
UNIVERSIDAD NACIONAL DE LA AMAZONIA
PERUANA
FACULTAD DE INGENIERÍA QUÍMICA
SEMINARIO N°1: TEORIA
TIPOS DE DISTRIBUCIONES QUE SE ESTUDIAN EN LA ESTADISTICA Y SU
APLICACIÓN EN DIFERENTES TIPOS DE DATOS
DOCENTE: ING. JUAN MANUEL ROJAS AMASIFUEN
INTEGRANTES:
 MEREL RAMIREZ ORSON JESUS
 ROJAS ASIPALI LIRIO
 DEL AGUILA GARCIA BRUNO ANDREE
 SHAPIAMA PEZO JOSE ALBERTO
 RODRIGUEZ CISNEROS ANGEL ANTONIO
 GONZALES VALERA PAMELA PAQUITA
 CHUIN PACUNDA NEISER ANFILO
 VASQUEZ PEREZ CESAR ADOLFO

FECHA DE EJECUCION:
24/08/2021

FECHA DE ENTREGA:
26/08/2021

IQUITOS-PERU

2021

TIPOS DE DISTRIBUCIONES EN LA ESTADISTICA

1. DISTRIBUCION UNIFORME O CONSTANTE.
La distribución de probabilidad uniforme es un ejemplo de una distribución
de probabilidad es continua. Una distribución de probabilidad es continua
cuando los resultados posibles del experimento son obtenidos
de variables aleatorias continuas, es decir, de variables cuantitativas que
pueden tomar cualquier valor, y que resultan principalmente
del proceso de medición.
Ejemplos de variables aleatorias continuas son:
La estatura de un grupo de personas
El tiempo dedicado a estudiar
La temperatura en una ciudad
Es una distribución en el intervalo [a, b] en la cual las probabilidades son las
mismas para todos los posibles resultados, desde el mínimo de a hasta el
máximo de b. El experimento de lanzar un dado es un ejemplo que cumple
la distribución uniforme, ya que todos los 6 resultados posibles tienen 1/6
de probabilidad de ocurrencia.
La función de densidad de una distribución uniforme (altura de cada
rectángulo en la gráfica anterior) es:

Donde:
a = mínimo valor de la distribución
b = máximo valor de la distribución
b – a = Rango de la distribución
La media, valor medio esperado o esperanza matemática de una
distribución uniforme se calcula empleando la siguiente fórmula:

La varianza de una distribución uniforme se calcula empleando la siguiente

fórmula:

La probabilidad de que una observación caiga entre dos valores se calcula

de la siguiente manera:
Ejemplo ilustrativo
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
1) ¿Cuál es la función de densidad de la variable X?
2) Elaborar un gráfico de la distribución de probabilidades
3) Calcular el valor medio esperado
4) Calcular la desviación estándar
5) Calcular la probabilidad de que llegue en la primera media hora
6) Si recibe clases de Estadística Aplicada de 10:00 a 12:15, calcular la
probabilidad de recibir esta asignatura.
Solución:
1) a = 7 y b = 13
Reemplazando valores en la ecuación de la función de densidad se obtiene:

2) Elaborando el gráfico de la distribución de probabilidad

empleando Excel se obtiene:
Interpretación:
Cada rectángulo tiene 1 de base y 1/6 = 0,167 de altura.
El área de cada rectángulo es:

El área total (rectángulo de base el intervalo 7-13 y altura 1/6=0,167)

representa a la suma de todas las probabilidades, y es igual a uno:

3) Reemplazando valores en la fórmula del valor esperado se obtiene:

4) Reemplazando valores en la fórmula de la varianza se obtiene:

5) 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:

En el siguiente gráfico se muestra la probabilidad calculada:

6) Se debe calcular la probabilidad entre las 10:00 y las 12:15

Como 12:15 = 12horas + 15 minutos, y el porcentaje que representa 15
minutos de una hora es:

Por lo tanto, de debe calcular la probabilidad entre 10 y 12,25

Aplicando la fórmula de la probabilidad entre dos valores se obtiene:
En el siguiente gráfico se muestra la probabilidad calculada:

Los cálculos en Excel se muestran en la siguiente figura:

2. DISTRIBUCION BIMODAL.

En estadística, al enfrentarnos a un conjunto de datos podemos observar

con qué frecuencia aparece cada valor. El valor que aparece con una mayor
frecuencia se denomina moda. Pero, ¿qué ocurre cuando son dos valores
los que comparten una misma frecuencia en el conjunto? En este caso
estamos ante una distribución bimodal.
Ejemplo de distribución bimodal.
Una manera más sencilla de entender la distribución bimodal es compararla
con otros tipos de distribuciones. Observemos los siguientes datos en una
distribución de frecuencias:

1, 1, 1, 2, 2, 2, 2, 3, 4, 5, 5, 6, 6, 6, 7, 7, 7, 8, 10, 10

Al contar cada número podremos llegar a la conclusión de que el número 2

es el que se repite con mayor frecuencia, un total de 4 veces. Hemos
encontrado entonces la moda de esta distribución.

Comparemos este resultado con una nueva distribución:

1, 1, 1, 2, 2, 2, 2, 3, 4, 5, 5, 6, 6, 6, 7, 7, 7, 7, 7, 8, 10, 10, 10, 10, 10

En este caso, estamos ante la presencia de una distribución bimodal puesto

que los números 7 y 10 ocurren un mayor número de veces.
3. DISTRIBUCION NORMAL.

En otras palabras, la distribución normal adapta una variable aleatoria a

una función que depende de la media y la desviación típica. Es decir,
la función y la variable aleatoria tendrán la misma representación pero con
ligeras diferencias.

La distribución normal es la base de otras distribuciones como

la distribución t de Student, distribución ji-cuadrada, distribución F de
Fisher y otras distribuciones. 
Fórmula de la distribución normal

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: 

Parámetros de una distribución normal.

En otras palabras, estamos diciendo que la frecuencia de una variable

aleatoria X puede representarse mediante una distribución normal.   
Representación

Función de densidad de probabilidad de una variable aleatoria que sigue

una distribución normal.

Ejemplo:

Suponemos que queremos saber si los resultados de un examen pueden

aproximarse satisfactoriamente a una distribución normal. 

Sabemos que en este examen participan 476 estudiantes y que los

resultados podrán oscilar entre 0 y 10. Calculamos la media y la desviación
típica a partir de las observaciones (resultados del examen).

Entonces, definimos la variable aleatoria X como los resultados del examen

que depende de cada resultado individual. Matemáticamente, 

La variable
aleatoria X representa la variable resultados del examen y puede
aproximarse a una distribución normal de media 4,8 y desviación típica de
3,09.
El resultado de cada estudiante se anota en una tabla. De esta forma,
obtendremos una visión global de los resultados y de su frecuencia.

Una vez hecha la tabla, representamos los resultados del examen y las
frecuencias. Si el gráfico se parece a la imagen anterior y cumple con las
propiedades, entonces, la variable resultados del examen puede
aproximarse satisfactoriamente a una distribución normal de media 4,8 y
desviación típica de 3,09.
Resultados Frecuencia

0 20

1 31

2 44

3 56

4 64

5 66

6 62

7 51

8 39

9 26

10 16

TOTAL 476
 Histograma de frecuencias sobre la variable resultados del examen.
¿Los resultados del examen pueden aproximarse a una distribución
normal?

Razones para considerar que la variable resultados del examen sigue una
distribución normal: 

 Distribución simétrica. Es decir, existe el mismo número de observaciones

tanto a la derecha como a la izquierda del valor central. También, que la
media, la mediana y la moda tienen el mismo valor. 

Media = Mediana = Moda = 5

 Las observaciones con más frecuencia o probabilidad están alrededor del

valor central. En otras palabras, las observaciones con menos frecuencia o
probabilidad se encuentran lejos del valor central. 

La variable resultados del examen sigue una distribución normal.

La variable resultados del examen sigue una distribución normal.

La distribución normal describe la variable aleatoria mediante una aproximación que

produce errores estándar (las barras encima de cada columna). Estos errores son la
diferencia entre las observaciones reales (resultados) y la función de densidad
(distribución normal). 
4. SESGADO A LA IZQUIERDA.

La situación se invierte cuando tratamos con datos sesgados hacia la

izquierda. Los datos que están sesgados hacia la izquierda tienen una cola larga
que se extiende hacia la izquierda. Una forma alternativa de hablar de un
conjunto de datos sesgado hacia la izquierda es decir que está sesgado
negativamente. En esta situación, la media y la mediana son menores que la
moda. Como regla general, la mayor parte del tiempo para datos sesgados hacia
la izquierda, la media será menor que la mediana. En resumen, para un conjunto
de datos sesgado hacia la izquierda:

 Siempre: significa menos que el modo

 Siempre: mediana menor que la moda
 La mayoría de las veces: significa menos que la mediana

5. SESGADO A LA DERECHA.

Los datos que están sesgados hacia la derecha tienen una cola larga que se
extiende hacia la derecha. Una forma alternativa de hablar de un conjunto de
datos sesgado hacia la derecha es decir que está sesgado positivamente. En esta
situación, la media y la mediana son ambas mayores que la moda. Como regla
general, la mayor parte del tiempo para datos sesgados a la derecha, la media
será mayor que la mediana. En resumen, para un conjunto de datos sesgado a la
derecha:

 Siempre: significa mayor que el modo

 Siempre: mediana mayor que la moda
 La mayoría de las veces: media mayor que la mediana