TEMA 3 – ACTIVIDAD 1

INSTITUTO TECNOLÓGICO DE PIEDRAS NEGRAS

TEMA 3 – ACTIVIDAD 1

Equipo:
Isis Rosales Elizondo 17430036
Daniel Hernández Sánchez 17430048
Miguel Ángel Reyes Moreno 17430111
Segundo Semestre de Ingeniería en Sistemas Computacionales

Asignatura: Probabilidad y Estadística

Docente: Dra. Laura Lorena Ballesteros Medina

9 de abril del 2018

pág. 1
 TEMA 3 – ACTIVIDAD 1

Contenido
Distribución de probabilidad ........................................................................... 3
Distribuciones de probabilidad discretas ......................................................... 5
Distribución hipergeométrica ....................................................................... 5
Distribución Geométrica .............................................................................. 6
Distribución de Poisson ................................................................................ 7
Distribuciones de probabilidad continuas ....................................................... 8
Distribución de probabilidad normal ............................................................ 8
Distribuciones t de Student ........................................................................ 10
Distribución de Fisher ................................................................................ 12
Distribución logarítmica normal ................................................................. 13
Chi-cuadrada .............................................................................................. 14
Distribución de Weibull .............................................................................. 15
Fuentes de información ................................................................................ 16

pág. 2
 TEMA 3 – ACTIVIDAD 1

Distribución de probabilidad
La distribución de probabilidad está definida sobre el conjunto de todos los sucesos
y cada uno de los sucesos es el rango de valores de la variable aleatoria. También
puede decirse que tiene una relación estrecha con las distribuciones de frecuencia.
Una distribución de probabilidades puede comprenderse como una frecuencia
teórica, ya que describe cómo se espera que varíen los resultados. La distribución
de probabilidad está completamente especificada por la función de distribución,
cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea menor
o igual que x.

Definición de función de distribución

Dada una variable aleatoria X, su función de distribución, Fx (x) , es

Prob, es la probabilidad definida sobre un espacio de probabilidad y una medida

unitaria sobre el espacio muestral.

, es la medida sobre la σ-álgebra de conjuntos asociada al espacio de

probabilidad.
Ω, es el espacio muestral, o conjunto de todos los posibles sucesos aleatorios, sobre
el que se define el espacio de probabilidad en cuestión.

es la variable aleatoria en cuestión, es decir, una función definida

sobre el espacio muestral a los números reales.

Tipos de variables
Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo
que quiere decir que son los resultados que se presentan al azar en cualquier evento
o experimento.
Variable aleatoria discreta: Es aquella que solo toma ciertos valores
(frecuentemente enteros) y que resulta principalmente del conteo realizado.
Variable aleatoria continua: Es aquella que resulta generalmente de la medición y
puede tomar cualquier valor dentro de un intervalo dado.

pág. 3
 TEMA 3 – ACTIVIDAD 1

Propiedades
La función de distribución:
• Es una función continua por la derecha.
• Es una función monótona no decreciente.
Además, cumple:

Para dos números reales cualesquiera a y b tal que (a<b), los sucesos (X≤a) y
(a<X≤b) son mutuamente excluyentes y su unión es el suceso (X≤b), por lo que
tenemos entonces que:
P(X≤b) = P(X≤a) + P(a<X≤)
P(a<X≤b) = P(X≤b) – P(X≤a)
Y finalmente
P(a<X≤b) = F(b) – F(a)

pág. 4
 TEMA 3 – ACTIVIDAD 1

Distribuciones de probabilidad discretas

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 y tamaño de la muestra.

Por ejemplo, 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.

pág. 5
 TEMA 3 – ACTIVIDAD 1

Distribución Geométrica
Si se interesa el número x de pruebas hasta la observación del primer éxito,
entonces x posee una distribución de probabilidad geométrica. Nótese que el
número de pruebas podría seguir indefinidamente y que x es un ejemplo de variable
aleatoria discreta que puede tomar un número infinito (pero contable) de valores.
Las fórmulas para la distribución geométrica son:
𝑝(𝑥) = 𝑝𝑞 𝑥−1 x = 1,2,……,n
Donde,
x = número de pruebas independientes hasta la ocurrencia del primer éxito.
p = probabilidad de éxito en una sola prueba, q = 1 – p.

1
Media: μ = 𝑝
1−𝑝
Variancia: 𝜎 2 = 𝑝2

1−𝑝
Desviación estándar: √ 𝑝2

La distribución de probabilidad geométrica es un modelo para el intervalo de tiempo

que un jugador (o inversionista) tiene que esperar hasta ganar. Por ejemplo, si la
ganancia media en una serie de apuestas idénticas en la ruleta (o en alguna otra
serie de pruebas idénticas), no es una buena medida para su prospectiva de ganar,
podría tener una racha de mala suerte y quedarse sin dinero antes de tener la
posibilidad de recuperar sus pérdidas.
La distribución de probabilidad geométrica también proporciona un modelo discreto
para el lapso, digamos el número x de minutos, antes de que un consumidor en una
fila o línea de espera (en un supermercado, servicio de reparaciones, hospital, etc.)
reciba la atención [nótese que el lapso o intervalo de tiempo es una variable
aleatoria continua. La distribución de probabilidad geométrica es una analogía
discreta de (una aproximación para) una distribución de probabilidad continua
particular, conocida como distribución exponencial]. Este modelo discreto para la
distribución de probabilidad de tiempo de espera x se basa en la suposición de que
la probabilidad de recibir el servicio durante cualquier minuto es idéntica e
independiente del resultado durante cualquier otro minuto y que x se mide en
minutos “enteros”, es decir, x = 1, 2, 3.

pág. 6
 TEMA 3 – ACTIVIDAD 1

Distribución de Poisson
La distribución de Poisson es una distribución de probabilidad discreta que expresa,
a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un
determinado número de eventos durante cierto período de tiempo. Concretamente,
se especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy
pequeñas, o sucesos "raros".
La función de masa o probabilidad de la distribución de Poisson es:

donde
• k es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
• λ es un parámetro positivo que representa el número de veces que se espera
que ocurra el fenómeno durante un intervalo dado.
• e es la base de los logaritmos naturales (e = 2,71828...)

pág. 7
 TEMA 3 – ACTIVIDAD 1

Distribuciones de probabilidad continuas

Distribución de probabilidad normal
La gráfica de la distribución normal tiene la forma de una campana, por este motivo
también es conocida como la campana de Gauss. Sus características son las
siguientes:
• Es una distribución simétrica.
• Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores
tienden a infinito.
• En el centro de la curva se encuentran la media, la mediana y la moda.
• El área total bajo la curva representa el 100% de los casos.
• Los elementos centrales del modelo son la media y la varianza.
Esta distribución es un modelo matemático que permite determinar probabilidades
de ocurrencia para distintos valores de la variable. Así, para determinar la
probabilidad de encontrar un valor de la variable que sea igual o inferior a un cierto
valor xi, conociendo el promedio y la varianza de un conjunto de datos, se debe
reemplazar estos valores (media, varianza y xi) en la fórmula matemática del
modelo. El cálculo resulta bastante complejo, pero, afortunadamente, existen tablas
estandarizadas que permiten eludir este procedimiento. En el gráfico, el área
sombreada corresponde a la probabilidad de encontrar un valor de la variable que
sea igual o inferior a un valor dado. Esa probabilidad es la que aprenderemos a
determinar usando una tabla estandarizada. Tabla de la distribución normal La tabla
de la distribución normal presenta los valores de probabilidad para una variable
estándar Z, con media igual a 0 y varianza igual a 1. Para usar la tabla, siempre
debemos estandarizar la variable por medio de la expresión:     x Z Siendo x el
valor de interés; µ la media de nuestra variable y σ su desviación estándar.
Recordemos que µ y σ corresponden a parámetros, o sea valores en el universo,
que generalmente no conocemos, por lo que debemos calcular Z usando los datos
de nuestra muestra. En general, el valor de Z se interpreta como el número de
desviaciones estándar que están comprendidas entre el promedio y un cierto valor
de variable x. En otras palabras, se puede decir que es la diferencia entre un valor
de la variable y el promedio, expresada esta diferencia en cantidad de desviaciones
estándar.

pág. 8
 TEMA 3 – ACTIVIDAD 1

Supongamos un conjunto de personas con edad promedio 25 años y desviación

estándar 3,86. Nuestro valor de interés (x) es 30 años. El valor de Z correspondiente
será:
(30 − 25)
𝑍= = 1,29
3,86
Este valor de Z nos dice que la edad de 30 años está a 1,29 desviaciones estándar
sobre el promedio. Ahora bien, la tabla de la distribución normal, entrega valores de
probabilidad para los distintos valores de Z.

En el ejemplo anterior, con la edad 30 años, vemos que el valor Z = 1,29 tiene una
probabilidad asociada de 0,9014. Entonces, la probabilidad de encontrar una
persona con edad de 30 años o menos, en este grupo humano, es 0,9014.

pág. 9
 TEMA 3 – ACTIVIDAD 1

Distribuciones t de Student
Las distribuciones t de Student fueron descubiertas por William S. Gosset (1876-
1937) en 1908 cuando trabajaba para la compañía de cervezas Guinness en Dublín
(Irlanda). No pudo publicar sus descubrimientos usando su propio nombre porque
Guinness había prohibido a sus empleados que publicaran información confidencial.
Gosset firmó sus publicaciones usando el nombre de "Student". Gosset tenía buena
relación con Karl Pearson que había sido su maestro. Necesitaba una distribución
que pudiera usar cuando el tamaño de la muestra fuera pequeño y la varianza
desconocida y tenía que ser estimada a partir de los datos. Las distribuciones t se
usan para tener en cuenta la incertidumbre añadida que resulta por esta estimación.
Fisher comprendió la importancia de los trabajos de Gosset para muestras
pequeñas.

Si el tamaño de la muestra es n entonces decimos que la distribución t tiene n-1

grados de libertad. Hay una distribución t diferente para cada tamaño de la muestra.
Estas distribuciones son una familia de distribuciones de probabilidad continuas.
Las curvas de densidad son simétricas y con forma de campana como la distribución
normal estándar. Sus medias son 0 y sus varianzas son mayores que 1 (tienen colas
más pesadas). Las colas de las distribuciones t disminuyen más lentamente que las
colas de la distribución normal. Si los grados de libertad son mayores más próxima
a 1 es la varianza y la función de densidad es más parecida a la densidad normal.

pág. 10
 TEMA 3 – ACTIVIDAD 1

Cuando n es mayor que 30, la diferencia entre la normal y la distribución t de Student

no suele ser muy importante. En la imagen podemos ver varios ejemplos de
funciones de distribución acumulada.

En Probabilidades en Distribuciones t-Student puedes ver una comparación más

precisa entre las distribuciones t-Student y la normal estándar.

pág. 11
 TEMA 3 – ACTIVIDAD 1

Distribución de Fisher
La distribución F es una distribución continua de muestreo de la relación de dos
variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad. La distribución F es asimétrica hacia la
derecha y es descrita por los grados de libertad de su numerador (ν1) y denominador
(ν2).
Utilice la distribución F cuando un estadístico de prueba sea la relación de dos
variables que tienen una distribución de chi-cuadrada cada una. Por ejemplo, utilice
la distribución F en el análisis de varianza y en pruebas de hipótesis para determinar
si dos varianzas de población son iguales.
Las siguientes gráficas muestran el efecto de los diferentes valores de grados de
libertad en la forma de la distribución.

ν1 = 1 y ν2 = 1 ν1 = 9 y ν2 = 1

ν1 = 1 y ν2 = 9 ν1 = 9 y ν2 = 9

pág. 12
 TEMA 3 – ACTIVIDAD 1

Distribución logarítmica normal

La distribución normal logarítmica es una distribución de probabilidad de una
variable aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una
variable aleatoria con una distribución normal, entonces exp(X) tiene una
distribución log-normal.
La base de una función logarítmica no es importante, ya que loga X está distribuida
normalmente si y solo si logb X está distribuida normalmente, solo se diferencian en
un factor constante.

Relación con media y la desviación estándar geométrica

La distribución log-normal, la media geométrica, y la desviación estándar geométrica

están relacionadas. En este caso, la media geométrica es igual a y la

desviación estándar geométrica es igual a

pág. 13
 TEMA 3 – ACTIVIDAD 1

Chi-cuadrada
La distribución de chi-cuadrada es una distribución continua que se especifica por
los grados de libertad y el parámetro de no centralidad. La distribución es
positivamente asimétrica, pero la asimetría disminuye al aumentar los grados de
libertad.
Minitab utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia
estadística para:
Comprobar qué tan bien se ajusta una muestra a una distribución teórica. Por
ejemplo, puede utilizar una prueba de bondad de ajuste de chi-cuadrada para
determinar si los datos de la muestra se ajustan a una distribución de Poisson.
Comprobar la independencia de las variables categóricas. Por ejemplo, un
fabricante desea saber si la ocurrencia de cuatro tipos de defectos (espárrago
faltante, abrazadera rota, sujetador flojo y sello con fugas) está relacionada con los
turnos (diurno, vespertino, nocturno).
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada puede
aproximarse razonablemente con una distribución normal, como se ilustra en las
siguientes gráficas:

Distribución de chi-cuadrada con 20 grados de libertad

Distribución de chi-cuadrada con 40 grados de libertad

pág. 14
 TEMA 3 – ACTIVIDAD 1

Distribución de Weibull
La distribución de Weibull es una distribución continua y triparamétrica, es decir,
está completamente definida por tres parámetros y es la más empleada en el campo
de la confiabilidad.
La función de densidad de la distribución de Weibull para la variable aleatoria t está
dada por la siguiente expresión:

Donde

t: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre

fallas.

β: Parámetro de forma (0<β<∞)

θ: Parámetro de escala (0<θ<∞)
δ: Parámetro de localización (-∞<δ<∞)

Existen cinco métodos para calcular los parámetros de la distribución de Weibull.

Ellos son:
Mínimos cuadrados.
Gráfico de la función tasa de falla.
Máxima similitud.
Estimación de momentos.
Estimadores lineales.

pág. 15
 TEMA 3 – ACTIVIDAD 1

Fuentes de información
Reliabilityweb. (2010). Cálculo de los Parámetros de la Distribución de Weibull.
4/04/17, de Reliabilityweb Sitio web:
https://reliabilityweb.com/sp/articles/entry/calculo-de-los-parametros-de-la-
distribucion-de-weibull

Matematicas Visuales. (2007). Distribuciones t de Student. 4/04/17, de

Matematicas Visuales Sitio web:
http://www.matematicasvisuales.com/html/probabilidad/varaleat/tstudent.html

Minitab. (2017). Distribución hipergeométrica. 4/04/17, de Minitab Sitio web:

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/hypergeometric-
distribution/

Distribución F - Minitab. (2017). Support.minitab.com. Retrieved 5 April 2018, from

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/f-distribution/#what-
is-the-f-distribution

Badii, M., & Castillo, J. (2009). Distribuciones probabilísticas de uso común (p.
160). México.

Quevedo F. Distribución normal. Medwave 2011 May;11(05). doi:

10.5867/medwave.2011.05.5033

Minitab. (2017). Distribución de chi-cuadrada. 5/04/18, de Minitab Sitio web:

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/chi-square-
distribution/

pág. 16