BENEMÉRITA UNIVERSIDAD

AUTÓNOMA DE PUEBLA

FACULTAD DE CIENCIAS DE LA ELECTRÓNICA

Lic. en Ingeniería Mecatrónica

“Reporte - distribuciones de probabilidad con GeoGebra.”

Alumno:
Victor Manuel Guarneros Valerdi

Matricula:
202039229
Docente:
Reyna Xoxocotzi Aguilar

Asignatura:
Probabilidad y Procesos Estocásticos

NRC:
29914

SECCIÓN:
009

PERIODO:
Otoño 2022

Fecha de entrega: 23 de noviembre de 2022

 2

Índice

Introducción........................................................................................................3

Desarrollo.............................................................................................................4

Distribuciones Continuas........................................................................4

Distribución Normal......................................................................4

Distribución Exponencial..............................................................6

Distribuciones Discretas..........................................................................8

Distribución Binomial...................................................................8

Distribución de Poisson...............................................................10

Distribución Hipergeométrica......................................................12

Distribuciones Extras.............................................................................14

Distribución Gamma...................................................................14

Distribución de Weibull...............................................................16

Distribución de Cauchy...............................................................19

Conclusión...........................................................................................................21

Bibliografía...........................................................................................................22
 3

Introducción

Al momento de realizar un experimento determinado se obtienen toda una gama de resultados, los cuales
son necesarios analizar, clasificar, ordenar, etc., y para eso existen las distribuciones de probabilidad, las
cuales nos ofrecen la probabilidad de un evento se realice en el futuro.

La distribución de probabilidad es una herramienta fundamental para la prospectiva, puesto que con ella es
posible diseñar un escenario de acontecimientos futuros considerando las tendencias actuales de diversos
fenómenos.

De tal manera que su estudio se ha vuelto indispensable en el ámbito administrativo o contable en

fábricas, empresas, negocios, etc.

El presente reporte muestra un breve análisis de diferentes distribuciones tanto continuas como discretas,
variando los diferentes parámetros con los que cuenta cada una y observando las diferencias, similitudes y
comportamientos al hacerlo visualizando las variaciones en el área bajo la curva y la forma de la gráfica
que adoptaba después de modificar dichos parámetros.
 4

Desarrollo

Distribuciones Continuas

Distribución Normal

Con estos parámetros podemos observar que dentro del intervalo cerrado [-1,1] el área bajo la curva se
encuentra representada en el centro de la distribución, cerca del 68% del área bajo la curva normal se
encuentra a 1 desviación estándar de la media.

Variando el parámetro 𝜇, lo que se puede observar es que mientras sea mas grade el valor de esta variable
el área bajo la curva se verá representada en los extremos o colas de la distribución, a su vez de que
también será cada vez menor que la anterior, añadiendo que se encuentra cerca del 95% del área,
encontrándose a 2 y 3 desviaciones estándares de la media.

Parámetro 𝜇: 0
Parámetro fijo
𝜎:1

Parámetro 𝜇: 1
Parámetro fijo
𝜎:1
 5

Parámetro

𝜇: 2

Parámetro 𝜇: 3
Parámetro fijo
𝜎:1
 6

Distribución Exponencial

En este tipo de distribución observamos que tiene un comportamiento exponencial y el área bajo la curva
depende de un factor muy importante el cual es el intervalo, ya que, si este es más amplio, el área será
mayor, además de que tomando de ejemplo el intervalo cerrado [1,2] mientras mayor sea el parámetro λ,
menor será el área bajo la curva, dichos ejemplos pueden visualizarse en las imágenes a continuación.

Parámetro λ:1

P(1 ≤ X ≤ 2)= 0.2325

Parámetro λ:2

P(1 ≤ X ≤ 2)= 0.1170

 7

arámetro λ: 3

Parámetro λ: 1
P(0 ≤ X ≤ 9)= 0.9998
 8

Distribuciones Discretas

Distribución Binomial

Lo primero que podemos observar es que el numero de columnas es una mas que el parámetro n que
hayamos seleccionado, si n=4, el numero de columnas es 5, así también si escogemos 8 y 16 como
parámetro n, las columnas serán 9 y 17 respectivamente.

También podemos notar que mientras mayor será el parámetro n, la distribución se asemejará más a la
distribución normal o Gaussiana.

Parámetro n: 4
Parámetro fijo p:0.5

P(0 ≤ X ≤ 4)= 1

Parámetro n: 8
Parámetro fijo p:0.5

P(0 ≤ X ≤ 7)= 0.9960

 9

Parámetro n: 16

Parámetro n: 200
Parámetro fijo p: 0.5

P(70 ≤ X ≤ 130)= 0.9999

 10

Distribución de Poisson

En esta distribución notamos algo en común con la distribución binomial, y es que al aumentar el valor del
parámetro μ, la gráfica empieza a igualarse a una distribución normal.

Si cambiamos de intervalo cerrado a uno abierto y cerrado y lo dejamos con un valor constante de 1,
podemos observar que a mayor valor del parámetro 𝜇, menos será el área bajo la curva de la distribución.

Parámetro 𝜇: 200

P(150 ≤ X ≤ 260)= 0.9998

Parámetro 𝜇: 1
P( X ≤ 1)= 0.7357
 11

Parámetro

𝜇: 2

Parámetro 𝜇: 4
P( X ≤ 1)= 0.0915
 12

Distribución Hipergeométrica

En primer lugar, observamos que manteniendo fijo los valores de población, parámetro n e intervalo,
únicamente variando la muestra, la grafica tiene un desplazamiento positivo en el eje x y el área bajo la
curva son iguales en los primero 4 decimales.

Population: 50
Parámetro n: 10
Muestra: 10
P(0 ≤ X ≤ 8)= 0.9999

Population: 50
Parámetro n: 10
Muestra: 30

P(0 ≤ X ≤ 8)= 0.9999

 13

Ahora bien, si se mantienen todos los datos constantes, con excepción de la población y la vamos
aumentando cada vez más, observamos que se desplaza hacia la izquierda en el eje x, además de que hay
una disminución en el número de barras, pero conservando el mismo intervalo, el área bajo la curva viene
siendo la misma en los dos casos.

Population: 100
Parámetro n: 10
Muestra: 10
P(0 ≤ X ≤ 8)= 0.9999

Population: 200
Parámetro n: 10
Muestra: 10
P(0 ≤ X ≤ 8)= 0.9999
 14

Distribuciones Extras
Distribución Gamma
La distribución gamma se puede caracterizar del modo siguiente: si se está interesado en la ocurrencia de
un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una distribución gamma.

Por ejemplo, la distribución gamma aparece cuando se realiza el estudio de la duración de elementos
físicos (tiempo de vida).

Esta distribución presenta como propiedad interesante la “falta de memoria”. Por esta razón, es muy
utilizada en las teorías de la fiabilidad, mantenimiento y fenómenos de espera (por ejemplo, en una
consulta médica “tiempo que transcurre hasta la llegada del segundo paciente”).

Esta es una distribución estadística continua y paramétrica (α, β) siendo α el parámetro de forma y β el
parámetro de escala. La distribución Gamma se encarga de modelizar el comportamiento de variables
aleatorias continuas con asimetría positiva. Esto quiere decir, que tiene una mayor densidad a la izquierda
de la distribución respecto de la media.

Ejemplos:

 Tiempos de espera en la Teoría de Colas.

 En la meteorología para ajustar los datos de las precipitaciones.
 Análisis de supervivencia: el estudio estadístico del tiempo que pasa hasta que ocurre un evento.
 Ajusta la distribución de la renta.
 Modeliza los datos de consumo de productos a granel.
 15

Al analizar los distintos comportamientos de la gráfica, observamos que dejando fijo el parámetro
𝛽 y variando el parámetro 𝛼 hasta 144, la grafica llega a aproximarse a una distribución normal pero solo
por la parte izquierda de esta, mientras que de la mitad a la derecha toma un comportamiento lineal y
constante, dicho comportamiento puede observarse determinando el intervalo [100,180] y observando el
área bajo la curva de la distribución.

Parámetro 𝛼: 144

Parámetro 𝛽: 1
P(100 ≤ X ≤ 180)=
0.9974
 16

Por otra parte, si mantenemos el parámetro α fijo y el intervalo lo dejamos [9,15], de tal manera que solo
haya una variación en β, observamos que al tener un valor bajo adopta el comportamiento de una
exponencial, pero al ir incrementando va asemejándose más a una distribución de Poisson.

Parámetro 𝛼: 3 Parámetro 𝛼: 3
Parámetro 𝛽: 2 Parámetro 𝛽: 4
P(9 ≤ X ≤ 15)= 0.1533 P(9 ≤ X ≤ 15)= 0.3322
Distribución de Weibull

En teoría de la probabilidad y estadística, la distribución de Weibull es una distribución de probabilidad

continua. Recibe su nombre de Waloddi Weibull, que la describió detalladamente en 1951, aunque fue
descubierta inicialmente por Fréchet (1927) y aplicada por primera vez por Rosin y Rammler (1933) para
describir la distribución de los tamaños de determinadas partículas.

La distribución de Weibull es una distribución versátil que se puede utilizar para modelar una amplia
gama de aplicaciones en ingeniería, investigación médica, control de calidad, finanzas y climatología.
 17

Por ejemplo, la distribución se utiliza frecuentemente con análisis de fiabilidad para modelar datos de
tiempo antes de falla. La distribución de Weibull también se utiliza para modelar datos asimétricos del
proceso en el análisis de capacidad.

La distribución de Weibull se describe según los parámetros de forma, escala y valor umbral y también se
conoce como la distribución de Weibull de 3 parámetros. El caso en el que el parámetro de valor umbral
es cero se conoce como la distribución de Weibull de 2 parámetros. La distribución de Weibull de 2
parámetros se define solo para variables positivas.

Una distribución de Weibull de 3 parámetros puede funcionar con ceros y datos negativos, pero todos los
datos para una distribución de Weibull de 2 parámetros deben ser mayores que cero.

Ejemplos:

Dependiendo de los valores de sus parámetros, la distribución de Weibull puede adoptar varias formas.

La velocidad del viento cambia continuamente, por lo que es necesario describirlo de forma estadística.

Es conveniente establecer un modelo de las frecuencias de las velocidades del viento que venga descrito
por una función matemática continua en vez de por una tabla de valores discretos.

Hay varias funciones que se pueden utilizar para describir la frecuencia de la distribución de velocidades
del viento. Las más utilizadas son las funciones de Weibull y Rayleigh.

Efecto del parámetro de forma

El parámetro de forma describe la manera en que se distribuyen los datos. Una forma de 3 se aproxima a
una curva normal. Un valor de forma bajo, por ejemplo 1, da una curva con asimetría hacia la derecha. Un
valor de forma alto, por ejemplo 10, da una curva con asimetría hacia la izquierda.
 18

Forma:

Forma: 1
Escala: 1
P(0.6 ≤ X ≤ 1.1)=
0.2159

Forma: 10
Escala: 1
P(0.6 ≤ X ≤ 1.1)=
0.9192
 19

Distribución de Cauchy

La distribución de Cauchy, que lleva el nombre de Augustin Cauchy, es una distribución de probabilidad
continua. También se conoce, especialmente entre los físicos, como distribución de Lorentz (después de
Hendrik Lorentz), distribución de Cauchy-Lorentz, función de Lorentz (ian) o distribución de Breit-
Wigner. La distribución de Cauchyf (x; x_ {0}, \ gamma) es la distribución de la intersección con el eje x
de un rayo que sale de (x_ {0}, \ gamma) con un ángulo uniformemente distribuido. También es la
distribución de la razón de dos variables aleatorias independientes distribuidas normalmente con media
cero.

La distribución de Cauchy se utiliza a menudo en estadística como el ejemplo canónico de una

distribución " patológica ", ya que tanto su valor esperado como su varianza no están definidos (pero
consulte la sección Explicación de momentos indefinidos a continuación). La distribución de Cauchy no
tiene momentos finitos de orden mayor o igual a uno; sólo existen momentos absolutos fraccionarios. La
distribución de Cauchy no tiene una función generadora de momento.

En matemáticas, está estrechamente relacionado con el núcleo de Poisson, que es la solución fundamental
para la ecuación de Laplace en el semiplano superior.

La distribución de Cauchy es una distribución continua que se define por sus parámetros de ubicación y
escala.

Utilice la distribución de Cauchy para probar qué tan bien funcionan las técnicas robustas bajo diversos
supuestos de distribución. La distribución de Cauchy se utiliza frecuentemente en física.

La distribución de Cauchy se representa con una curva en forma de campana, similar a una distribución
normal, como lo ilustran las siguientes gráficas. Sin embargo, en la distribución de Cauchy, las colas se
aproximan a cero con mayor lentitud que las colas de la distribución normal.

Ejemplos:

 En la hidrología, se utiliza la distribución de Cauchy para analizar variables aleatorias como

valores máximos de la precipitación y la descarga de ríos, y además para describir épocas de
sequía.
 Es una distribución popular para estudios de robustez.
 Modela la razón de dos variables aleatorias normales.
 Modela líquidos polares y no polares en vidrios porosos (Stapf et. al, 1996)
 20

 En mecánica cuántica, modela la distribución de energía de un estado inestable (Grewel &

Andrews, 2015).

El parámetro de ubicación x 0 desplaza el gráfico a lo largo del eje x y el parámetro de escala λ da

como resultado un gráfico más corto o alto. Cuanto menor sea el parámetro de escala, más alta y
delgada será la curva.

Mediana: 0
Escala: 0.5
P(-1.2 ≤ X ≤ 1.2)=
0.7486

Mediana: 0
Escala: 1
P(-1.2 ≤ X ≤ 1.2)=
0.5577
 21

Mediana:

0
Escala: 2

Conclusión

La teoría probabilística se dedica al estudio de la variabilidad y la certeza, las cuales representan términos
imprescindibles en la industria. En esta área es común que se generen situaciones donde gobierna la
incertidumbre del desenlace de algunos procesos, debido a los procedimientos en sí. Además de las
variaciones que le suma la mano de obra humana, los materiales usados, las máquinas y los estados de
estas.

La estadística y el estudio de las probabilidades permiten realizar inferencias y decisiones, con cierto
grado de certeza, lo cual permite reducir riesgos de distintos tipos. Esto resulta de especial interés en las
actividades industriales. Además, en la industria moderna se vuelve cada vez más necesario escoger
maneras de acción óptimas, que involucren bajos costos y proteja el capital de la compañía.

Desde hace varias décadas se sabe que los procesos de ingeniería e industriales tienen una alta variabilidad
e incertidumbre. De manera que para analizar dichos procesos, los ingenieros industriales deben
comprender los cálculos y teoría de la probabilidad. La falta de estos conocimientos puede resultar
catastrófica, en especial en las áreas industriales. Es por ello por lo que estos temas deben tener un lugar
primordial en la formación de ingenieros a nivel universitario.

En la ingeniería, la importancia de la probabilidad se relaciona a que esta es usada de manera eficiente

para abordar distintos problemas en variadas áreas. Por tal motivo, estos temas deben tener un enfoque
práctico que corresponda a los casos reales de estos campos profesionales.
 22

Bibliografía

[1] USC. (2020) La distribución Gamma. URL:

https://minerva.usc.es/xmlui/bitstream/handle/10347/29121/Troncoso_de_la_Cuesta_Rita.pdf?s
equence=1&isAllowed=y
Meyer PL. Probabilidad y Aplicaciones Estadísticas. México: Addison-Wesley Iberoamericana; 1986.

[2] Martín Pliego FJ, Ruiz-Maya L. Estadística I: Probabilidad. Madrid: Editorial AC; 1997

[3] Palmgren J. Poisson Distribution. En: Armitage P, Colton T editores. Encyclopedia of

Biostatistics. Vol. 4. Chichester: John Wiley & Sons; 1998. p. 3398-3402.

[4] https://www.sergas.es/Saude-publica/Documents/1927/4
Ayuda%20Distribuciones%20de%20probabilidad.pdf

[5] https://www.ugr.es/~cdpye/CursoProbabilidad/pdf/P_T05_TablaGamma.pdf

[6] MatLab. Función de Distribución de Weibull. URL:

http://www.sc.ehu.es/sbweb/fisica3/datos/viento/estadistica.html

[7] Soporte de Minitab. (2021). Distribución de Weibull. URL: https://support.minitab.com/es-

mx/minitab/21/help-and-how-to/probability-distributions-random-data-and-resampling-
analyses/supporting-topics/distributions/weibull-distribution/

[8] Statologos. (2022). Distribución de Cauchy: definición simple, PDF, usos. URL: 𝖣
Distribución de Cauchy: definición simple, PDF, usos en 2022 → STATOLOGOS®

[9] Soporte de Minitab. (2021). Distribución de Cauchy. URL: https://support.minitab.com/es-

mx/minitab/20/help-and-how-to/probability-distributions-random-data-and-resampling-
analyses/supporting-topics/distributions/cauchy- distribution/#:~:text=La%20distribuci%C3%B3n%20de
%20Cauchy%20es,se%20utiliza%20frecu entemente%20en%20f%C3%ADsica.

[10] https://hmong.es/wiki/Cauchy_distribution
 23

[11] ESAN Business. (2016). URL: https://www.esan.edu.pe/conexion-esan/conoce-las- principales-

distribuciones-de- probabilidad#:~:text=Una%20distribuci%C3%B3n%20de%20probabilidad%20es,se
%20realice
%20en%20el%20futuro.

[12] ¿Cuál es la importancia de la probabilidad para la Ingeniería? | 2022

(carreraingenieriaindustrial.cl)

[13] Probabilidad - GeoGebra