Probabilidad y Estadística

Enero-Junio 2020
CARRERA:ING. ELECTROMECÁNICA
Profesor: Ing. Orlando Morales Bonilla

No. de control Equipo 3.- Funciones de distribución de probabilidades

3.1 Variables aleatorias y su clasificación

19320528 Gerardo Dimas Avila 3.2 Distribuciones de probabilidad discretas
19320529 3.3 Distribución Hipergeométrica
19320534 Urías Melquisedec Domínguez
3.4 Distribución de Poisson
19320552 Chávez.
Ramses Gonzalez Nava 3.5 Distribuciones de probabilidad continuas
19320519 Figueroa Rodriguez Diego 3.6 Distribucion t
19320521 Cruz Cruz Juan De Dios 3.7 Distribución Chi-cuadrada
De la Cruz Salado Carlos 3.8 Distribucion F
19320527 Eduardo 3.9 Esperanza matemática
Dillanes Vázquez Antonio Ángel

Objetivo

Con los siguiente subtema que abarca la tercera unidad de la materia de probabilidad y estadística
se pretende desarrollar una investigación muy definida y concreta con el objetivo de obtener un
conocimiento previo y útil a lo que estamos investigando.

Alcance

La siguiente investigación se realizó con el tiempo adecuado con el propósito de tener una buena
investigación, también para saber comprenderlo a la hora de poner en práctica o al momento que se
requiera ya sea para realizar un ejemplo o definir alguno de ellos.

Justificación

El presente trabajo se realiza con la finalidad de concluir la tercera unidad de la materia de

probabilidad y estadística y obtener una calificación aprobatoria al finalizar la tercera unidad y a su
vez tener un claro aprendizaje de su definición y ejemplos de cada uno de ellos.

Marco de Teórico

3.1 Variables aleatorias y su clasificación

1 de 22
La variable que asocia un número con el resultado de un experimento aleatorio se le denomina como
variable aleatoria.

En otras palabras:
"Una variable aleatoria es una función que asigna un número real a cada resultado en el espacio
muestral de un experimento aleatorio."

La variable aleatoria se denota tal como la letra mayúscula X y con una letra minúscula como x, el
valor posible de X. El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de
rango de X.

Una variable aleatoria es una función que asigna un valor, usualmente numérico, al resultado de un
experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2),
etc. o un número real (p.e., la temperatura máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un
experimento aún no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente es incierto (p.e., como resultado de medición incompleta o imprecisa). Intuitivamente, una
variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar
diferentes valores; una distribución de probabilidad se usa para describir la probabilidad de que se
den los diferentes valores. En términos formales una variable aleatoria es una función definida sobre
un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios
como valores lógicos, funciones o cualquier tipo de elementos (de un espacio medible). El término
elemento aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados. Un concepto
relacionado es el de proceso estocástico, un conjunto de variables aleatorias ordenadas
(habitualmente por orden o tiempo).

Tipos de variables aleatoria

Para comprender de una manera más amplia y rigurosa los tipos de variables, es necesario conocer
la definición de conjunto discreto. Un conjunto es discreto si está formado por un número finito de
elementos, o si sus elementos se pueden enumerar en secuencia de modo que haya un primer
elemento, un segundo elemento, un tercer elemento, y así sucesivamente[5] (es decir, un conjunto
infinito numerable sin puntos de acumulación). Para variables con valores en {\displaystyle \mathbb
{R} } las variables aleatorias se clasifican usualmente en:
1

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto discreto. La variable
del ejemplo anterior es discreta. Sus probabilidades se recogen en la función de cuantía. (Véanse las
distribuciones de variable discreta).

Variable aleatoria continua: una v.a. es continua si su recorrido es un conjunto no numerable.

Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un

1 William MEndenhall(Et. Al)

(2007) Introducción a la probabilidad y estadística ( 14a. Edición ) Madrid;

2 de 22
intervalo de números reales. Por ejemplo, la variable que asigna la estatura a una persona extraída
de una determinada población es una variable continua ya que, teóricamente, todo valor entre,
pongamos por caso, 0 y 2,50 m, es posible.

Ejemplo:
Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de
resultados elementales posibles asociado al experimento, es:

donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a cada suceso
elemental del experimento el número de caras obtenidas. De este modo se definiría la variable
aleatoria X como la función.

dada por:

El recorrido o rango de esta función, RX, es el conjunto

2 William MEndenhall(Et. Al)

(2007) Introducción a la probabilidad y estadística ( 14a. Edición ) Madrid;

3 de 22
3

3.2 Distribuciones de probabilidad discretas

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.

Las distribuciones de probabilidad discreta son una función que asigna a cada elemento de
X(S)={x1,x2,…,xi,…}, donde X es una variable aleatoria discreta dada y S es su espacio muestral, la
probabilidad de que dicho suceso ocurra. Esta función f de X(S) definida como f(xi)=P(X=xi) a veces
es llamada función masa de probabilidad.

3 William MEndenhall(Et. Al)

(2007) Introducción a la probabilidad y estadística ( 14a. Edición ) Madrid;

4 de 22
Esta masa de probabilidades es representada generalmente en forma de tabla. Como X es una
variable aleatoria discreta, X(S) cuenta con un número finito de sucesos o infinito numerable. Entre
las distribuciones de probabilidad discreta más comunes tenemos la distribución uniforme, la
distribución binomial y la distribución de Poisson.

Características
La función de distribución de probabilidad debe cumplir con las siguientes condiciones:

Además, si X toma solo un número finito de valores (por ejemplo x1,x2,…,xn), entonces p(xi)=0 si i>n
y, por lo tanto, la serie infinita de la condición b llega a ser una serie finita.

También esta función cumple con las siguientes propiedades:

Sea B un suceso asociado con la variable aleatoria X. Esto quiere decir que B está contenido en
X(S). Específicamente, supongamos que B={xi1,xi2,…}. Por lo tanto:

Dicho en otras palabras: la probabilidad de un suceso B es igual a la suma de las probabilidades de

los resultados individuales asociados con B.

De esto podemos concluir que si a < b, los sucesos (X ≤ a) y (a < X ≤ b) son

mutuamente excluyentes y, además, su unión es el suceso (X ≤ b), por lo que tenemos:

4 Web: vincenzo Jesus D'Alessio Torres (12 de julio de 2007)lifeder.co

http://www.lifeder.com

5 de 22
Ejemplo:
Con una distribución discreta, a diferencia de una distribución continua, usted puede calcular la
probabilidad de que X sea exactamente igual a algún valor. Por ejemplo, puede utilizar la distribución
discreta de Poisson para describir el número de quejas de clientes en un día. Supongamos que el
número promedio de quejas por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y 15
quejas de clientes en un día.

Usted también puede visualizar una distribución discreta en una gráfica de distribución para ver las
probabilidades entre los rangos.

Gráfica de distribución del número de quejas de clientes

5 Web: vicenzo Jesus D'Alessio Torres (12 de julio de 2007)lifeder.co

http://www.lifeder.com
Web: vicenzo Jesus D'Alessio Torres (12 de julio de 2007)lifeder.co
http://www.lifeder.com
6 de 22
Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las quejas
diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo tanto, la
probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.

3.3 Distribución Hipergeométrica

La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo, en los
que se investigan la presencia o ausencia de cierta característica. Piénsese, por ejemplo, en un
muestras de las cápsulas fabricadas y se someten a análisis para determinar su composición.

Durante las pruebas, las cápsulas son destruidas y no pueden ser devueltas al lote del que
provienen. En esta situación, la variable que cuenta el número de cápsulas que no cumplen
los criterios de calidad establecidos sigue una distribución hipergeométrica. Por tanto, esta
distribución es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo.

Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N
elementos, de los cuales R tiene determinada característica que se llama "éxito"
(diabetes, obesidad, hábito de fumar, etc...). El número de "éxitos" en una muestra aleatoria
de tamaño n, extraída sin reemplazo de la población, es una variable aleatoria con
distribución hipergeométrica de parámetros N, R y n.

Cuando el tamaño de la población es grande, los muestreos con sin reemplazo son
equivalentes, por lo que la distribución hipergeométrica se aproximan en tal caso a la
Binomial

parámetros:
N: tamaños de la población, N>0 entero
R: número de éxito en la población, R≥0 entero
n: número de pruebas, n>0 entero

Ejemplo:
Se sabe que el 7% de los útiles quirúrgicos en un lote de 100 no cumplen ciertas
especificaciones de calidad. Tomada una muestra al azar de 10 unidades sin reemplazo,
interesa conocer la probabilidad de que no más de 2 sean defectuosos.
El número de útiles defectuosos en el lote R=0,07 x 100=7. Para un tamaño muestral de
n=10, la probabilidad buscada es P{número de defectuosos ≤ 2}.
7 de 22
La probabilidad de que a lo sumo haya 2 útiles defectuosos en el lote es aproximadamente
0,98

3.4 Distribución de poisson

La distribución Poisson es, junto con la distribución binomial, una de las más importantes distribución
de probabilidad para variables discretas, es decir, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., k.
La distribución de Poisson se emplea para describir varios procesos, entre otros:
-El número de autos que pasan a través de un cierto punto en una ruta (suficientemente distantes de
los semáforos) durante un periodo definido de tiempo.
- El número de errores de ortografía que uno comete al escribir una única página.
- El número de llamadas telefónicas en una central telefónica por minuto.
- El número de servidores web accedidos por minuto.
- El número de defectos en una longitud específica de una cinta magnética.
- El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.
- El número de defectos por metro cuadrado de tela.
- El número de estrellas en un determinado volumen de espacio.
Cada una de estas variables aleatorias representa el número total de ocurrencias de un fenómeno
durante un periodo de tiempo fijo o en una región fija del espacio. Expresa la probabilidad de un
número k de ocurrencias acaecidas en un tiempo fijo, si estos eventos ocurren con una frecuencia
media conocida y son independientes del tiempo discurrido desde la última ocurrencia o suceso.
La finalidad del presente objeto de aprendizaje, es adquirir la destreza y conocimiento necesario para
la correcta utilización de la distribución de Poisson en el cálculo de probabilidades. Para ello, en
primer lugar presentamos los objetivos específicos que pretendemos conseguir; a continuación
trabajaremos la definición y características de la distribución de Poisson, haciendo especial
relevancia en cómo identificarla y diferenciarla de otras distribuciones discretas y se resuelven
algunos ejemplos prácticos La distribución Poisson 3 para ayudar a su comprensión. Finalmente,
destacaremos los conceptos básicos de aprendizaje con respecto a la distribución de Poisson y sus
aplicaciones prácticas.
• Identificar las propiedades de una distribución Poisson, así como sus parámetros característicos,
esperanza y varianza.
• Estimar el valor promedio, la λ, característico de las variables de Poisson a partir de la frecuencia o
probabilidad de ocurrencia, p, y el número de veces que se presenta un suceso, n.
• Establecer las bases para el cómputo de las probabilidades para variables Poisson.
6 Doménech JM. Métodos estadísticos en ciencias de las salud. Barcelona: Signo; 1997
8 de 22
7

3.5 distribuciones de probabilidad continuas

Una variable aleatoria continua tiene una probabilidad 0 de adoptar exactamente
cualquiera de sus valores. En consecuencia, su distribución de probabilidad no se puede
presentar en forma tabular. En un principio esto parecería sorprendente, pero se vuelve
más probable cuando consideramos un ejemplo específico. Consideremos una variable
aleatoria cuyos valores son las estaturas de todas las personas mayores de 21 años de
edad. Entre cualesquiera dos valores, digamos 163.5 y 164.5 centímetros, o incluso
entre 163.99 y 164.01 centímetros, hay un número infinito de estaturas, una de las
cuales es 164 centímetros. La probabilidad de seleccionar al azar a una persona que
tenga exactamente 164 centímetros de estatura en lugar de una del conjunto
infinitamente grande de estaturas tan cercanas a 164 centímetros que humanamente no
sea posible medir la diferencia es remota, por consiguiente, asignamos una probabilidad
0 a tal evento. Sin embargo, esto no ocurre si nos referimos a la probabilidad de
seleccionar a una persona que mida al menos 163 centímetros pero no más de 165
centímetros de estatura. Aquí nos referimos a un intervalo en vez de a un valor puntual
de nuestra variable aleatoria. Nos interesamos por el cálculo de probabilidades para
varios intervalos de variables aleatorias continuas como P(a < X < b), P(W ≥ c), etc.
Observe que cuando X es continua,
P(a < X ≤ b) = P(a < X < b) + P(X = b) = P(a < X < b).
Es decir, no importa si incluimos o no un extremo del intervalo. Sin embargo, esto no es cierto
cuando X es discreta.
Aunque la distribución de probabilidad de una variable aleatoria continua no se puede representar de
forma tabular, sí es posible ser planteada como una fórmula, la cual necesariamente será función de
los valores numéricos de la variable aleatoria continua X, y como tal se representará mediante la
notación funcional f (x). Cuando se trata con variables continuas, a f (x) por lo general se le llama
función de densidad de probabilidad, o simplemente función de densidad de X. Como X se define
sobre un espacio muestral continuo, es posible que f (x) tenga un número finito de discontinuidades.
Sin embargo, la mayoría de las funciones de densidad que tienen aplicaciones prácticas en el
análisis de datos estadísticos son continuas y sus gráficas pueden tomar cualesquiera de varias
formas, algunas de las cuales se presentan en la fi gura 3.4. Cómo se utilizarán áreas para

7 PEARSON EDUCACIÓN, México, 2012

ISBN: 978-607-32-1417-9

9 de 22
representar probabilidades y éstas son valores numéricos positivos, la función de densidad debe caer
completamente arriba del eje x.

3.6 Distribución T
La distribución T o de Student es una función de probabilidad con forma tipo campana simétrica su
aplicación más importante se describe a continuación.

Suponer que se toma una muestra aleatoria de tamaño n<30 de una población con distribución
normal con media µ y varianza desconocida. En este caso ya no se puede usar la variable aleatoria
Z. En su lugar debe usarse otro estadístico denominado T o de Student este estadístico es útil
cuando por consideraciones prácticas no se puede tomar una muestra aleatoria grande y se
desconoce la varianza poblacional. Pero es necesario que la población tenga distribución normal.

Definición: Distribución T
Sean X y S2 la media y varianza de una muestra aleatoria de tamaño n<30 tomada de
una población normal con media µ y varianza desconocida, entonces la variable aleatoria

tiene distribución T con ν = n – 1 grados de libertad.

GRÁFICO DE LA DISTRIBUCIÓN T
La forma específica de la distribución T depende del valor de ν, el cual es el parámetro para
este modelo con la definición: ν = n – 1 y se denomina “grados de libertad”.

8 #Probabilidad y estadística para ingeniería y ciencias

Novena edición PEARSON EDUCACIÓN, México, 2012
ISBN: 978-607-32-1417-9

10 de 22
9

Para calcular probabilidad con la distribución T, si no se dispone de una calculadora estadística o un

programa computacional estadístico, se pueden usar tablas que contienen algunos valores de esta
distribución para diferentes grados de libertad con la siguiente definición:

Definición: tα
tα es el valor de T tal que el área a la derecha es igual a α: P(T ≥ tα) = α

1011

9 ISBN: 978-607-32-1417-9
PROBABILIDAD Y ESTADÍSTICA
BÁSICA PARA INGENIEROS. Escuela Superior Politécnica del Litoral
Instituto de Ciencias Matemáticas Guayaquil - Ecuador
2007

10
11
11 de 22
3.7 Distribución Chi-cuadrada
La distribución Chi-cuadrada también conocida como distribución ji cuadrada o distribución de
Pearson permite determinar la relación entre 2 variables para conocer si existe dependencia
estadística.

¿Cómo se obtiene la independencia entre variables?

Para evaluar la independencia entre las variables, se calculan los valores que indicarían la
independencia absoluta, lo que se denomina “frecuencias esperadas”, comparándolos con las
frecuencias de la muestra.

La hipótesis nula (H0) indica que ambas variables son independientes, mientras que la hipótesis
alternativa (H1) indica que las variables tienen algún grado de asociación o relación.

Margen de error: En términos estadísticos el margen de error se refiere a la cantidad de error de

muestreo aleatorio resultado de la elaboración de una encuesta.

Grados de libertad: De un conjunto de observaciones, los grados de libertad están dados por el
número de valores que pueden ser asignados de forma arbitraria, antes de que el resto de las
variables tomen un valor automáticamente, producto de establecerse las que son libres; esto, con el
fin de compensar e igualar un resultado el cual se ha conocido previamente. En pocas palabras es el
tamaño de la muestra menos 1 (n-1).

Ejemplo de una tabla de distribución de Chi cuadrada:

12 de 22
(2007) Probabilidad y estadistica para ingenieria y ciencias (8a edicion) Mexico
Web : https://www.youtube.com/watch?v=gHkMGcn2MsE
Ejemplo:
1.

En este ejemplo nuestras 2 variables son las universidades (UBA y UP)

2.

13 de 22
Primero establecemos nuestras hipótesis:

Ho (hipotesis nula) : No influye la universidad = las variables son independientes

Hi (hipotesis alternativa): Si influye el tipo de universidad = las variables tiene un grado de relación.
Frecuencia teórica de la muestra = Total de frecuencia * Total de la muestra / Total de datos

(2007) Probabilidad y estadistica para ingenieria y ciencias (8a edicion) Mexico

Web : https://www.youtube.com/watch?v=gHkMGcn2MsE

- Fórmula de Chi-Cuadrado
4.

14 de 22
En este ejemplo utilizando la tabla de frecuencias de chi cuadrado y la fórmula de chi cuadrado, se
conoce que el chi cuadrado calculado < al chi cuadrado de la tabla, así que se cumple la condición
de la hipótesis alternativa.

(2007) Probabilidad y estadistica para ingenieria y ciencias (8a edicicion) Mexico

Web : https://www.youtube.com/watch?v=gHkMGcn2MsE

3.8 Distribución F
Esta distribución es útil para realizar inferencias con las varianzas de dos poblaciones normales
utilizando los datos de la varianzas de dos muestras aleatorias independientes con la siguiente
definición.
Definición: Distribución F
Sean S1 y S2 las varianzas de dos muestras aleatorias independientes de tamaño n1 y n2 tomadas
de poblaciones normales con varianza σ1, σ2 entonces la variable aleatoria

F=( S 1/σ 1)/(S 2 /σ 2)

Tienen distribución F con V1= n1 - 1, V2= n2 - 1 grados de libertad.

La distribución F tiene forma tipo campana con sesgo positivo y depende de dos parámetros para
este modelo V1, V2 los cuales se denominan granos de libertad.

15 de 22
3.9 Esperanza Matemática

La esperanza matemática también llamada valor esperado, es igual al sumatorio de las

probabilidades de que exista un suceso aleatorio, multiplicado por el valor del suceso aleatorio.
Dicho de otra forma es el valor medio de un conjunto de datos.
En distribuciones discretas con la misma probabilidad en cada suceso la media aritmética es igual a
la esperanza matemática.

Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La formula que
formaliza este cálculo se enuncia como:

Donde x es el valor del suceso, P la probabilidad de que ocurra, i en el periodo en que se da dicho
suceso y n el número total de periodos u observaciones.

12 Probabilidad y estadistica basica para ingenieros-Luis Rodríguez (2007)

pag 198 Distribución F
16 de 22
La esperanza matemática se utiliza en todas aquellas disciplinas en las que la presencia de sucesos
probabilísticos es inherente a las mismas.

probabilidad. Mientras que en matemáticas, se denomina media matemática al valor promedio de un

suceso que ha ocurrido. En distribuciones discretas con la misma probabilidad en cada suceso la
media aritmética es igual que la esperanza matemática.

Ejemplo de esperanza matemática

Vamos a ver un ejemplo sencillo para entenderlo. Imaginemos una moneda. Dos caras, cara y cruz.
¿Cúal sería la esperanza matemática (valor esperado) de que salga cara? La esperanza matemática
se calcularía como la probabilidad de que, tirando la moneda un número muy muy grande de veces,
salga cara.
Dado que la moneda solo puede caer en una de esas dos posiciones y ambas tienen la misma
probabilidad de salir, diremos que la esperanza matemática de que salga cara es una de cada dos, o
lo que es lo mismo, el 50% de las veces.

13

Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos que la moneda
es perfecta:

● Tirada 1: C
● Tirada 2: X
● Tirada 3: X
● Tirada 4: C
● Tirada 5: X
● Tirada 6: C
● Tirada 7: C
● Tirada 8: C
● Tirada 9: X
● Tirada 10: X

¿Cuántas veces ha salido cara (contamos las C)? 5 veces ¿Cuántas veces ha salido cruz (contamos
las X)? 5 veces. La probabilidad de que salga cara será de 5/10=0,5 o en porcentaje del 50%.

Una vez ha ocurrido ése suceso podemos calcular la media matemática del número de veces que ha
ocurrido cada suceso. El lado cara ha salido una de cada dos veces, es decir, un 50% de las veces.
La media coincide con la esperanza matemática.

13 RONALD E. WALPOLE, RAYMOND H. MYERS,

SHARON L. MYERS Y KEYING YE

17 de 22
14

Reflexión

Al estar desarrollando este tema de " funciones de distribución de probabilidades " con su diferentes
subtemas nos demostró cómo es que funciona cada uno de ellos ya que al momento de solo leer los
temas no tenemos una idea precisa de en qué consiste, es por eso que cada tema nuevo que
desarrollamos nos deja una idea y una enseñanza muy clara de lo que es y cuál es su función.

Un ejemplo de ello es el subtema uno que nos damos cuenta que es el principal tema que debemos
comprender para saber concluir los siguientes temas ya que se puede decir que es el principal para
poder ir entendiendo cada subtema y saber sus importancia en la materia de probabilidad y
estadística.

Otro ejemplo sería el tema de chi-cuadrada tal vez sea confuso entender para qué funciona o para
qué hacerlo pero cuando nos damos cuenta que todo ese proceso matemático sirve para
respondernos preguntas como sobre si algo realmente importa o influye, te das cuenta que los
números no son solo para sumar.
Esta unidad nos permitió desarrollar las aplicaciones y técnicas de los modelos estadísticos, en
donde se vio el tema de las distribuciones, así como las probabilidades continuas.
Entre otros temas más como la distribución de poisson en donde su usan muchos factores tales
como el tiempo como cualquier otro dato estadístico. Haciendo de esta unidad algo muy relevante en
cuanto a la estadística dentro de los factores diarios.

14 RONALD E. WALPOLE, RAYMOND H. MYERS,

SHARON L. MYERS Y KEYING YE

18 de 22
En el subtema de probabilidad de distribución continúa se aprende que describe las probabilidades
de los posibles valores de una variable aleatoria, también vemos que la probabilidad de que una
variable aleatoria continua equivalga a cualquiera valor es cero.

En el subtema de la distribución t nos hemos dado cuenta que es muy importante porque la
distribución de t se puede usar cuando la muestra es pequeña y además la varianza es desconocida,
por lo cual estos temas son de suma importancia ya que son herramientas que utilizaremos en
nuestra carrera.

Nos queda claro al haber investigado el tema de esperanza matemática que es un concepto
sumamente útil en varias disciplinas, como ejemplo la estadística teórica, física cuántica o los
mercados financieros.
También sabemos que la esperanza matemática no es otra cosa que la media aritmética.

El subtema de Distribución hipergeométrica no habla de cómo obtener resultados en situaciones

como en juegos de azar en obtener porcentajes en una muestra pequeña en una población pequeña
esto es de gran importancia en el uso de la probabilidad para saber el resultado que se obtendrá si
se realiza dicha aplicación en pequeñas muestras

probabilid
ad y
estadístic
a

variables Distribuciones distribució

funciones de
aleatorias y su de probabilidad n chi-
distribución de
clasificación. continua cuadrada
probabilidades

Distribució
contin una variable esta permite
n de
discret ua aleatoria la relación
a poisson
continua tiene entre 2
un valor 0. variables
una v.a es Describ
una v.a es continua si e
discreta si su varios esperanz
un recorrido proces a distribución distribució
recorrido es un os matemáti T nF
es un conjunto ca
cojunto no
discreto numerable
la esta
esperanza es una función distribución es
distribució distribucion matemátic de util para
n de hipergeometr a también probabilidad realizar
probabilidad ica llamado con forma tipo interferencia.
discreta valor campana.
describe la esta suele esperado.
probabilidad aparecer
de en
ocurrencia processos
de cada muestrales
valor .

19 de 22
Conclusiones

Al concluir el desarrollo de esta unidad hemos aprendido los diferentes tipos de distribución que
podemos encontrar en la probabilidad y estadística, y gracias a la investigación que hemos hecho,
aprendimos que tan importante son estos tipos de distribución para resolver problemas estadísticos
tanto en nuestra formación profesional como en el campo laboral.
La importancia de esta unidad dentro del mundo estadístico es más hacia lo profesional y eficiente,
así como el detectar los errores en datos.

Como se mostró al término de cada subtema dentro de la unidad, se colocaba un ejemplo o una
referencia sobre el tema, su finalidad era contribuir a la reflexión del subtema.
Entre los temas más expansivos era las distribuciones,la chi-cuadrada, así como la distribución F,
expandiendo los temas de probabilidad, haciendo de esta una unidad con buen contraste y haciendo
buena referencia a la estadística.

Cuestionario:

1.- ¿ como se le denomina a la variable que asocia un número con el resultado de un

experimento aleatorio?
R= Se le denomina como variable aleatoria.

2.- ¿ Que es una variable aleatoria discreta?

R= Es una variable aleatoria que tiene valores contables, tales como una lista de enteros no
negativos.

3.-¿De qué depende la forma específica de la distribución T?

20 de 22
R= El valor de v.

4.-¿Cuál es la forma de la distribución T gráficamente?

R= De campana.

5.- ¿Que nos permite conocer la distribución chi-cuadrada?

R= Conocer si existe dependencia estadística entre 2 variables

6.- ¿Quien desarrolló la prueba de chi-cuadrada?z

R= El matematico britanico Karl Pearson

7.- ¿Cuál es la función de distribución acumulativa F(x), de una variable aleatoria continua X
con función de densidad f (x)?
R=F (x ) = P (X ≤ x ) = x(integral)−∞ f (t) dt, para −∞< x < ∞.

8¿Qué probabilidad tiene una variable aleatoria continua de adoptar cualquiera de sus valores
y cuál es su consecuencia?
R=tiene una probabilidad 0 de adoptar exactamente cualquiera de sus valores. En consecuencia, su
distribución de probabilidad no se puede presentar en forma tabular.

9-¿A qué nos hace referencia la distribución de poisson?

R=La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las
ocurrencias de algún suceso durante un intervalo determinado.

10.- ¿Para qué es útil la distribución F?

Esta distribución es útil para realizar inferencias con las varianzas de dos poblaciones normales
utilizando los datos de la varianzas de dos muestras aleatorias independientes

11.-¿De qué tiene forma la gráfica de distribución F?

La distribución F tiene forma tipo campana con sesgo positivo y depende de dos parámetros para
este modelo V1, V2 los cuales se denominan granos de libertad.

12.- ¿Qué es la esperanza matemática?

Es igual al sumatorio de las probabilidades de que exista un suceso aleatorio, multiplicado por el
valor del suceso aleatorio dicho de otra forma es el valor medio de un conjunto de datos.

13.- ¿A qué es igual la media aritmética?

A la esperanza matemática.

14.- ¿Cuando el tamaño de la población es grande, cual es el comportamiento o que ocurre?

21 de 22
R= los muestreos con sin reemplazo son equivalentes, por lo que la distribución hipergeométrica se aproximan
en tal caso a la
Binomial.

15.- ¿En qué consiste la distribución Poisson?

R= consiste en la distribución binomial, una de las más importantes distribución de probabilidad para
variables discretas, es decir, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., k.

Bibliografías

William MEndenhall(Et. Al)

(2007) Introducción a la probabilidad y estadística ( 14a. Edición ) Madrid;

Web: vicenzo Jesus D'Alessio Torres (12 de julio de 2007)lifeder.co

http://www.lifeder.com

RONALD E. WALPOLE, RAYMOND H. MYERS,

SHARON L. MYERS Y KEYING YE

Probabilidad y estadística para ingeniería y ciencias

Novena edición
PEARSON EDUCACIÓN, México, 2012
ISBN: 978-607-32-1417-9

(2007) Probabilidad y estadistica para ingenieria y ciencias (8a edicion) Mexico

Web : https://www.youtube.com/watch?v=gHkMGcn2MsE

PROBABILIDAD Y ESTADÍSTICA
BÁSICA PARA INGENIEROS
Escuela Superior Politécnica del Litoral
Instituto de Ciencias Matemáticas
Guayaquil - Ecuador
2007.
Webster, Allen L., Estadística aplicada a los negocios y la economía, México, McGraw-Hill, 2002.
Cuadras, Carles M., Problemas de probabilidades y estadística I y II, España, PPU, 1999.

Doménech JM. Métedos estadísticos en ciencias de las salud. Barcelona: Signo; 1997

Nota adicional
● El nombre del archivo es PyE-Eq#-U#, compartir con sus compañeros de equipo y con el profesor, una
vez terminado el trabajo guardar como PDF y compartirlo con el mismo nombre a las mismas personas.
● La letra es Arial y tamaño 11, los títulos y subtítulos en negritas.
● A las imágenes colocar nota referencial y contexto

22 de 22