Universidad Tecnológica

de Huejotzingo

Alumno: Marcos Huitzil Romero

Profesor: Oscar Silva Zambrano
Materia: Probabilidad y Estadística
Grado y Grupo: 3 “G”
Fecha de entrega: 20 de Junio de 2022
Variables Aleatorias Discretas y Continuas
Una variable aleatoria es una función que asigna un valor numérico, al resultado de un experimento
aleatorio. Una variable aleatoria puede ser discreta o continua. Las variables aleatorias discretas son
aquellas que presentan un número contable de valores; por ejemplo, el número de personas que
viven en una casa (pueden ser 3, 5 o 9). Las variables aleatorias continuas son aquellas que
presentan un número incontable de valores; por ejemplo, el peso de las vacas en una granja (una
vaca puede pesar 632,12 kg, otra puede pesar 583,12312 kg, otro 253,12012 kg, otro 198,0876 kg y
nunca terminaríamos de enumerar todos los posibles valores).

Variable Aleatoria
Una variable aleatoria es una función que asigna un valor numérico, al resultado de un experimento
aleatorio. Recordemos que el resultado de un experimento aleatorio depende del azar.

Variable Aleatoria Discreta

Una variable aleatoria discreta es aquella que puede asumir un número contable de valores.

Ejemplos de variable aleatoria discreta:

1. Sí realizamos el experimento de salir a calle y seleccionar 10 personas al azar para un examen

sorpresa de matemáticas, podemos definir la variable aleatoria A:

A = número de personas que aprobaron el examen.

Los valores que asume A (en su rango), van del 0 al 10 (0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10). El rango
lo expresaríamos de la siguiente manera:

RA = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}

La variable aleatoria A asume un número contable de valores, por ello, es una variable
aleatoria discreta.

2. Vamos a realizar el experimento de registrar los automóviles a una caseta de peaje. Podemos
definir la variable aleatoria V:
V = número de vehículos que llegan durante el periodo de un día.
Los valores que asume V (en su rango), son 0, 1, 2, 3, 4, 5, …; así sean muchos vehículos los
que llegan, siempre podremos contar la cantidad de valores que asume V. Por ello, la
variable V es una variable aleatoria discreta.
3. El resultado de lanzar un dado. El resultado puede solo tomar número enteros, del 1 al 6.
Así, la probabilidad de que salga cualquiera de esos números es de 1/6.

Fuente: [Link]
Distribución Normal

La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor de

una variable aleatoria a una situación ideal.

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.

Formula 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.

Ejemplos de distribución normal:

1. El tiempo (en segundos) se mide y no se cuenta. Por lo tanto, es factible determinar la

probabilidad de que el tiempo de descarga para una página principal en un navegador de la
Web esté entre 7 y 10 segundos o que la probabilidad de que el tiempo de descarga esté
entre 8 y 9 segundos, o la probabilidad de que el tiempo de descarga esté entre 7.99 y 8.01
segundos. Sin embargo, la probabilidad de que el tiempo de descarga sea exactamente de 8
segundos es cero.
2. Tamaño de las piezas producidas por una máquina.
3. Los resultados de un examen.

Fuentes:

[Link]
[Link]
Distribución Binomial
La distribución binomial es una distribución de probabilidad discreta que nos dice el porcentaje en
que es probable obtener un resultado entre dos posibles al realizar un número n de pruebas.
La probabilidad de cada posibilidad no puede ser más grande que 1 y no puede ser negativa.
En estas pruebas deberemos tener sólo dos resultados posibles, como al lanzar una moneda que
salga cara o cruz o en una ruleta francesa que salga rojo o negro.
Cada experimento es independiente de los otros que hagamos y no influye en las probabilidades de
los siguientes, en cada uno la probabilidad de que se dé uno de los dos resultados será exactamente
la misma.

Ejemplos de distribución binomial:

1. Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del último
mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad
de que 3 de ellos hayan visto el partido?
Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de
que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el denominador

tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado de la factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2
(dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100
tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido
de la final del mundial.
 2. Sí lanzamos un dado la posibilidad de que el resultado sea par (2, 4 ó 6) o impar (1, 3 ó 5)
será exactamente la misma si el dado está bien equilibrado, el 50% y por muchas veces que
lo lancemos la probabilidad, en cada una de esas veces, seguirá siendo el 50%.

En la distribución binomial tenemos tres variables:

n es el número de veces que repetimos el experimento.

p es uno de los dos resultados al que llamaremos éxito.

q es el otro resultado posible al que llamaremos fracaso.

Como p y q son los dos únicos resultados posibles, entre los dos su porcentaje debe sumar
uno por lo que p=1-q.

3. El lanzamiento de una moneda cuyo resultado de «sacar cara» es el éxito. Si lanzamos 5

veces la moneda y contamos los éxitos que obtenemos, nuestra distribución de
probabilidades se ajustaría a una distribución binomial.

Fuentes:

[Link]

[Link]

Distribución Hipergeométrica
La distribución hipergeométrica es una distribución discreta que modela el número de eventos en
una muestra de tamaño fijo cuando usted conoce el número total de elementos en la población de
la cual proviene la muestra. Cada elemento de la muestra tiene dos resultados posibles (es un
evento o un no evento). Las muestras no tienen reemplazo, por lo que cada elemento de la muestra
es diferente. Cuando se elige un elemento de la población, no se puede volver a elegir. Por lo tanto,
la probabilidad de que un elemento sea seleccionado aumenta con cada ensayo, presuponiendo
que aún no haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones relativamente

pequeñas, sin reemplazo. Por ejemplo, la distribución hipergeométrica se utiliza en la prueba exacta
de Fisher para probar la diferencia entre dos proporciones y en muestreos de aceptación por
atributos cuando se toman muestras de un lote aislado de tamaño finito.
La distribución hipergeométrica se define por 3 parámetros:

• Tamaño de la población

• Conteo de eventos en la población

• Tamaño de la muestra.

Propiedades principales de la distribución hipergeométrica

Son las siguientes:

• La muestra siempre debe ser pequeña, aunque la población sea grande.

• Los elementos de la muestra se van extrayendo de a uno, sin incorporarlos nuevamente a

la población.

• La propiedad para estudiar es binaria, es decir sólo puede tomar dos valores: 1 o 0, o
bien cierto o falso.

En cada paso de extracción de elementos, la probabilidad cambia dependiendo de los resultados

previos.

Ejemplos de distribución hipergeométrica:

1. Usted recibe un envío de pedido especial de 500 etiquetas. Supongamos que el 2% de las
etiquetas es defectuoso. El conteo de eventos en la población es de 10 (0.02 * 500). Usted
toma una muestra de 40 etiquetas y desea determinar la probabilidad de que haya 3 o más
etiquetas defectuosas en esa muestra. La probabilidad de que haya 3 o más etiquetas
defectuosas en la muestra es de 0.0384.

2. Supongamos una máquina que produce tornillos y los datos acumulados indican que el 1%
salen con defectos. Entonces en una caja de N=500 tornillos el número de defectuosos será:
n = 500 * 1/100 = 5

Probabilidades mediante la distribución hipergeométrica

Supongamos que de esa caja (es decir de esa población) tomamos una muestra de m=60
tornillos.
 La probabilidad que ningún tornillo (x=0) de la muestra salga defectuoso es 52,63%. A este
resultado se llega al usar la función de distribución hipergeométrica:

P (500, 5, 60; 0) = 0,5263

La probabilidad que x=3 tornillos de la muestra salgan defectuosos es: P (500, 5, 60; 3)
=0,0129.

Por su parte, la probabilidad de que x=4 tornillos de los sesenta de la muestra salgan
defectuosos es: P (500, 5, 60; 4) =0,0008.

Finalmente, la probabilidad que x=5 tornillos en esa muestra salgan con defecto es: P (500,
5, 60; 5) =0.

Pero si se quiere saber la probabilidad de que en esa muestra existan más de 3 tornillos
defectuosos, entonces hay que obtener la probabilidad acumulada, sumando:

P (3) +P (4) +P (5) = 0,0129+0,0008+0=0,0137.

3. Un mazo de baraja española tiene 40 cartas, de las cuales 10 tienen oro y las restantes 30 no
lo tienen. Supongamos que de ese mazo se extraen al azar 7 cartas, las cuales no se
reincorporan al mazo.

Si X es el número de oros presentes en las 7 cartas extraídas, entonces la probabilidad que

se tengan x oros en una extracción de 7 cartas está dada por la distribución hipergeométrica
P (40,10,7; x).

Veamos esto así: para calcular la probabilidad de tener 4 oros en una extracción de 7 cartas
usamos la fórmula de la distribución hipergeométrica con los siguientes valores:

Y el resultado es: 4,57% de probabilidad.

Pero si se quiere saber la probabilidad de obtener más de 4 cartas, entonces habrá que
sumar:

P (4) +P (5) +P (6) +P (7) =5,20%

Fuentes:

[Link]
random-data/supporting-topics/distributions/hypergeometric-distribution/

[Link]
Distribución Poisson
La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a la
media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la distribución
normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.

Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en un
espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el número
de defectos en el sistema mecánico de un avión o el número de llamadas a un centro de llamadas
en una hora. La distribución de Poisson se utiliza con frecuencia en el control de calidad, los estudios
de fiabilidad/supervivencia y los seguros.

Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:

• Los datos son conteos de eventos (enteros no negativos, sin límite superior).
• Todos los eventos son independientes.
• La tasa promedio no cambia durante el período de interés.

Propiedades principales de la distribución poisson

• La variable aleatoria es el número de veces que ocurre un evento durante un intervalo

definido. El intervalo puede ser tiempo, distancia, área, volumen o alguna unidad similar.

X = número de veces que ocurre un evento durante un intervalo definido

• La probabilidad de ocurrencia es la misma para cualesquiera 2 intervalos de igual longitud.

• La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no

ocurrencia en cualquier otro intervalo.

• Dos eventos no pueden ocurrir exactamente al mismo tiempo.

Si se cumplen esas condiciones, la variable aleatoria discreta X sigue una distribución de Poisson y
podemos aplicar la fórmula de la distribución de Poisson.
Aquí algunos ejemplos típicos de variables aleatorias que siguen una distribución de Poisson:

• El número de clientes que ingresan a un supermercado en un día.

• El número de accidentes registrados en una fábrica durante una semana.
• El número de llamadas que recibe una central telefónica en el período de un minuto.
 • El número de bacterias en un volumen de un litro de agua.
• El número de vehículos que llegan a una gasolinera en una hora.
• El número de fallas en la superficie de una pieza de cerámica rectangular.
• El número de toxinas en partes por millón encontradas en un litro de agua de un río.

Distribución de Poisson
Se dice que una variable aleatoria discreta X tiene una distribución de Poisson con parámetro μ
(μ>0) si la función de probabilidad de X es:

f(x)=P(X=x) =e−μ⋅μxx!; x=0;1;2;3; 4; …f(x)=P(X=x) =e−μ⋅μxx!; x=0;1;2;3;4; …

Donde:

•f(x) = P(X=x): probabilidad de x ocurrencias en un intervalo.

• μ: valor esperado o media de X.
• e: base de los logaritmos naturales. Su valor es 2,71828…
Además, en una distribución de Poisson:

• La media de X es igual a μ.
• La varianza de X es igual a μ.

Ejemplos de distribución poisson:

1. El número de clientes que ingresan a un supermercado en un día.

2. El número de accidentes registrados en una fábrica durante una semana.
3. El número de llamadas que recibe una central telefónica en el período de un minuto.
4. El número de bacterias en un volumen de un litro de agua.
5. El número de vehículos que llegan a una gasolinera en una hora.
6. El número de fallas en la superficie de una pieza de cerámica rectangular.
7. El número de toxinas en partes por millón encontradas en un litro de agua de un río.

Fuentes:

[Link]
and-random-data/supporting-topics/distributions/poisson-distribution/

[Link]