Variables Aleatorias Continuas

INSTITUTO TECNOLÓGICO SUPERIOR DE
CINTALAPA
SEMESTRE:
3º. F
MATERIA:
PROBABILIDAD Y ESTADISTICA
CARRERA:
INGENIERÍA INFORMÁTICA.
1 INTEGRANTES: VARIABLES ALEATORIAS CONTINUAS
MANUEL VICTOR HURTADO VALENCIA

ADRIANA PAULINA ÁNGEL VÁZQUEZ
EMMANUEL CANDELARIO ESPINOSA CLEMENTE
BRYANT JARED DOMÍNGUEZ MONTERO
ANTONIO FLORES CAMACHO
CATEDRÁTICO:
CINTALAPA DE FIGUEROA, CHIAPAS A 22 DE OCTUBRE DEL 2019
INSTITUTO TECNOLOGICO SUPERIOR DE CINTALAPA | PROBABILIDAD Y ESTADISTICA

INDICE
INTRODUCCION………………………………………………………………………………3
VARIABLES ALEATORIAS CONTINUAS………………………………………………...4
DISTRIBUCION DE PROBABILIDAD EN FORMA GENERAL…………………………5
DISTRIBUCION NORMAL…………………………………………………………...5
DISTRIBUCION BINOMINAL………………………………………………………..6
DISTRIBUCION HIPERGEOMETRICA…………………………………………….7
DISTRIBUCION DE POISSON………………………………………………………8
VALOR ESPERADO………………………………………………………………………….9
VARIANZA…………………………………………………………………………………….12
DESVIACION ESTANDAR………………………………………………………………….13
2 VARIABLES ALEATORIAS CONTINUAS
FUNCION ACUMULADA……………………………………………………………………14
CALCULOS DE PROBABILIDAD…………………………………………………………16
CONCLUSION……………………………………………………………………………….17
BIBLIOGRAFIA………………………………………………………………………………18
ANEXOS………………………………………………………………………………………19

INTRODUCCION
La finalidad de este trabajo es con el fin de conocer un poco más de la

probabilidad y estadística y tiene como objetivo su entendimiento de temas
que abarca las variables aleatorias continuas, se espera que el lector
comprenda en su mayoría lo que se trata de explicar en detalle en este
trabajo.
La probabilidad es importante en la vida cotidiana nos ayuda en diferentes

ámbitos de nuestra vida, y por eso este trabajo va con la finalidad de hacer
esa ayuda un poco más amplia.

VARIABLES ALEATORIAS CONTINUAS
Una variable aleatoria X es continua si su función de distribución es una función

continua.
En la práctica, se corresponden con variables asociadas con experimentos en los

cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biométricas, intervalos de tiempo, áreas, etc.
Ejemplos
 Resultado de un generador de números aleatorios entre 0 y 1. Es el ejemplo

más sencillo que podemos considerar, es un caso particular de una familia de
variables aleatorias que tienen una distribución uniforme en un intervalo [a, b].
Se corresponde con la elección al azar de cualquier valor entre a y b.
 Estatura de una persona elegida al azar en una población. El valor que se

4 VARIABLES
obtenga será una medición en cualquier unidad de ALEATORIAS
longitud CONTINUAS
(m, cm, etc.) dentro
de unos límites condicionados por la naturaleza de la variable. El resultado es
impredecible con antelación, pero existen intervalos de valores más probables
que otros debido a la distribución de alturas en la población. Más adelante
veremos que, generalmente, variables biométricas como la altura se adaptan un
modelo de distribución denominado distribución Normal y representada por una
campana de Gauss.
Dentro de las variables aleatorias continuas tenemos las variables aleatorias

absolutamente continuas.
Diremos que una variable aleatoria X continua tiene una distribución absolutamente

continua si existe una función real f, positiva e integrable en el conjunto de números
reales, tal que la función de distribución F de X se puede expresar como 1

Una variable aleatoria con distribución absolutamente continua, por extensión, se
clasifica como variable aleatoria absolutamente continua.
En el presente manual, todas las variables aleatorias continuas con las que

trabajemos pertenecen al grupo de las variables absolutamente continuas, en
particular, los ejemplos y casos expuestos.[ CITATION ANO17 \l 2058 ]
DISTRIBUCION DE PROBABILIDAD EN FORMA GENERAL
El tipo de distribución depende del tipo de variable que se esté tratando. Existen
muchas, a continuación, las principales o más conocidas:
 Para variables continuas: en el caso de que la variable aleatoria sea continua, la
distribución asociada es una distribución normal o de tipo Gaussiana.
5  Para variables discretas: en el caso de que la VARIABLES

variable aleatoria sea
ALEATORIAS discreta,
CONTINUAS
pueden existir varios tipos de distribuciones, las principales son la distribución
binomial, la distribución hipergeométrica y la distribución de Poisson.
DISTRIBUCIÓN NORMAL
Distribución normal o gaussiana. Función de densidad de probabilidad para la

variable aleatoria continúa. Fue descubierta por Carl Gauss al estudiar el
comportamiento de los procesos aleatorios. Es ampliamente utilizada en estadística y
teoría de las probabilidades.[ CITATION COL08 \l 2058 ]
Es una de las más importantes en el área de estadística. Su desarrollo y
explicación se les atribuyen a diferentes investigadores, especialmente a Carl Friedrich
Gauss.
Esta distribución considera dos parámetros, los cuales son el promedio o la 1
media (μ) y la desviación estándar (σ). Gracias a estos dos parámetros, tiene asociada
una ecuación, de la cual se desarrolla una gráfica conocida como campana de Gauss.

Esta gráfica es simétrica con respecto a la media y su apertura o ancho viene
dada por la desviación estándar. A su vez, en la gráfica se ve reflejada la distribución
de la probabilidad de la variable en estudio.
De esta distribución normal se desarrollan otros tres tipos de distribuciones:

 T de Student
 Ji-cuadrado
 F de Fisher
Ejemplos de Distribución Normal
Algunos ejemplos donde puede darse una distribución normal son:
 El efecto de un medicamento o fármaco.
 El cambio de temperatura en una época del año específica.
 Caracteres morfológicos como el peso o la estatura en un grupo de individuos.

DISTRIBUCIÓN BINOMIAL
La Distribución binomial es uno de los modelos de distribución teórica de

probabilidad que se utiliza cuando la variable aleatoria discreta es el número de éxitos
en una muestra compuesta por n observaciones. Es una de las distribuciones de
probabilidad más útiles que se emplea en control de calidad, producción,
investigaciones, etc.[ CITATION Gut07 \l 2058 ]
Fue desarrollada por Jacob Bernoulli, posee diversas aplicaciones en el área de
bioestadística, específicamente en la realización de experimentos, también es conocida
como distribución de Bernoulli.
Un experimento o estudio tiene una distribución binomial cuando se cumplen las
siguientes condiciones:
 En el experimento solo existen dos posibles resultados, el éxito o el fracaso.

1
 La repetición del mismo experimento presenta un resultado que es
independiente de los resultados anteriores.
 La probabilidad del éxito o del fracaso es constante.

 Cada experimento posee un mismo número de réplicas.
Ejemplos de Distribución Binomial
Se aplica a experimentos y relaciones en las áreas de medicina o biología, aunque

también puede ser aplicada en las finanzas y economía. Algunos ejemplos de su
aplicación son:
 Si una persona presenta o no una enfermedad como cáncer, viruela, o hepatitis.
 Si una mujer se encuentra o no embarazada.
 Si la publicación de un artículo fue exitosa o no.
DISTRIBUCIÓN HIPERGEOMÉTRICA
7 Este tipo de distribución está relacionada conVARIABLES

muestreos sin reemplazo
ALEATORIAS CONTINUAS y
aleatorios. En el muestreo sin reemplazo no se devuelve o descarta ningún elemento
seleccionado hasta finalizar dicho muestreo.
A su vez, este tipo de distribución se da en casos donde se investiga la ausencia
o presencia de alguna característica.
Es parecida a la binomial, pero en el caso de la hipergeométrica, la probabilidad
asociada a cada resultado no permanece constante, esto debido a la característica de
muestreo sin reemplazo. Sin embargo, si el número de muestras es muy grande, la
distribución puede acercarse a una binomial.
Ejemplos de Distribución Hipergeométrica
Es común tener este tipo de distribución en muestras de poblaciones

relativamente pequeñas. Algunos ejemplos donde se da una distribución de este tipo 1
pueden ser:

Cuando se realiza el control de calidad de una empresa, la cual puede depender y
variar según el fabricante.
El control de instrumentos defectuosos en una oficina o empresa.
Cuando se desea conocer la probabilidad de escoger un instrumento u objeto
defectuoso.
DISTRIBUCIÓN DE POISSON
Fue desarrollada por Siméon Denis Poisson, este tipo de distribución, explica la
probabilidad de que cierto evento ocurra un determinado número de veces en un
tiempo establecido.
Por lo general este tipo de distribución ocurre cuando se observa la aparición de
algún suceso o evento raro en dicho tiempo establecido.
Además de verse como la probabilidad en un tiempo establecido, también puede
verse como la probabilidad de éxito en una unidad de área o número de producto.
En este tipo de distribución, la probabilidad de éxito también es independiente en
cada intervalo establecido, por lo que no es constante. Algún evento o proceso que
conlleve una distribución de Poisson es estable.
Por otro lado, conocer el número de sucesos que ocurren en un intervalo
establecido no significa que se pueda predecir la cantidad de eventos que ocurrirán en
el siguiente.
Ejemplos de Distribución de Poisson
Este tipo de distribución se observa en diferentes procesos, algunos ejemplos de

esta pueden ser:
Cuando se desea estudiar la probabilidad o el número de veces que pueda
darse una reacción adversa a la aplicación de un fármaco.
Cuando se requiere conocer el número de defectos en un lote de tela. En este 1
caso el intervalo establecido sería una unidad de área.

Cuando se pretende conocer el número de bacterias por unidad de área en un
cultivo.
Cuando se espera conocer la cantidad de llegadas de embarcaciones en un sitio
en particular.[ CITATION Mat18 \l 2058 ]
VALOR ESPERADO
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. O, dicho de otra forma, el valor medio de un conjunto de
datos. Teniendo en cuenta, eso sí, que el término esperanza matemática está acuñado
por la teoría de la 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.[ CITATION Jos14 \l 2058 ]
El concepto de valor esperado surge de los juegos de azar con la esperanza de
9 ganar el juego en repetidas ocasiones. VARIABLES ALEATORIAS CONTINUAS
La esperanza matemática evoluciona en términos de valor esperado, es decir, el

valor promediado durante un gran número de repeticiones del fenómeno, este valor
promedio se obtiene de un gran número de experimentos.
La esperanza matemática de una variable discreta se calcula de la siguiente forma:
E(x) significa el operador del valor esperado, es decir, el valor promedio de la variable
1
x; x es la variable discreta, función de los valores que toma x, y p(x) es la probabilidad
de x.

La esperanza matemática cuenta con operadores, los cuales permiten simplificar el
cálculo de la esperanza:
1. Si C es una constante, entonces E(x) = CE(X).

2. Si x y y son variables aleatorias, entonces E(x + y) = E(x) + E(y).
3. Si x y y son variables aleatorias independientes, entonces E(xy) = E(x) E(y).
Ejemplo: x es el número de puntos obtenidos cuando se lanza un dado equilibrado, con

10 este dato se calculará la esperanza matemática. Lo más recomendable
VARIABLES es realizar
ALEATORIAS una
CONTINUAS
pequeña tabla donde las columnas tengan el valor de x (valores que puede tomar la
variable discreta, p(x) la probabilidad que ocurra la variable discreta, y finalmente x p(x)
que representa la multiplicación de x con p(x)). Los valores que toma x son, en este
ejemplo, las caras del dado (1 a 6).
En el caso de p(x), se anota la probabilidad de ocurrencia de la variable discreta: la

probabilidad de que salga cualquier número entre el 1 y el 6 es 1/6:
x 1 2 3 4 5 6
p(x) 1/6 1/6 1/6 1/6 1/6 1/6
1
x p(x) 1/6 2/6 3/6 4/6 5/6 6/6

Si la fórmula es:
Entonces:
1/6 + 2/6 + 3/6 + 4/6 + 5/6 + 6/6 = 21/6 = 3.5
Respuesta: la esperanza matemática, o el primer momento alrededor de la media, de

lanzar un dado al aire es 3.5.[ CITATION Eri12 \l 2058 ]

VARIACION Y DESVIACION ESTANDAR
VARIANZA
La varianza de las variables aleatorias, por lo tanto, consiste en una medida vinculada

a su dispersión. Se trata de la esperanza del cuadrado de la desviación de esa variable
considerada frente su media y se mide en una unidad diferente.
Lo que hace la varianza es establecer la variabilidad de la variable aleatoria. Es
importante tener en cuenta que, en ciertos casos, es preferible emplear otras medidas
de dispersión ante las características de las distribuciones.
Se denomina varianza muestral cuando se calcula la varianza de una comunidad,
grupo o población en base a una muestra. La covarianza, por otra parte, es
la medida de dispersión conjunta de un par de variables.
12 VARIABLES
Los expertos hablan de análisis de la varianza para nombrarALEATORIAS CONTINUAS
a la colección de
modelos estadísticos y sus procedimientos asociados en la cual la varianza aparece
particionada en distintos componentes. [ CITATION Jul10 \l 2058 ]
La varianza de una muestra se calcula casi en la misma forma que la desviación

media, con dos pequeñas diferencias: 1) las desviaciones se elevan al cuadrado antes
de ser sumadas y, 2) se obtiene el promedio, utilizando n -1 en lugar de n.
La varianza muestral se puede calcular mediante la fórmula siguiente:

Si el conjunto de números constituye una población, o bien, si el objeto de resumir
los datos es únicamente para describir un conjunto de datos en lugar de sacar
inferencias respecto a una población, entonces se deberá sustituir en el
denominador, ( n - 1 ) por n.[ CITATION Osv09 \l 2058 ]
DESVÍO ESTÁNDAR
Uno de los conceptos más importantes relacionados con la varianza es la desviación

estándar, también conocida como típica, que representa la magnitud de la dispersión
de variables de intervalo y de razón, y resulta muy útil en el campo de
la estadística descriptiva. Para obtenerla, simplemente se parte de la varianza y se
calcula su raíz cuadrada[ CITATION Jul10 \l 2058 ]
El desvío estándar es simplemente la raíz cuadrada positiva de la varianza. De este
modo si la varianza es 8.1, la desviación estándar es 9. Para obtener la desviación
estándar se puede utilizar la siguiente fórmula:
El desvío estándar es una de las medidas de resumen que más se utiliza y desempeña
un papel muy importante en la estadística. Es importante observar que las unidades de
la desviación estándar son las mismas que las de la media. Por ejemplo, si la media
está en unidades monetarias, la desviación estándar también lo estará. Si la media es
en metros, lo mismo ocurrirá con la desviación estándar, la varianza se expresa en
unidades al cuadrado.[ CITATION Osv09 \l 2058 ] 1

FUNCIÓN DE PROBABABILIDAD ACUMULADA
La función distribución acumulada de la variable aleatoria discreta , cuya
distribución de probabilidad es , es la probabilidad de que la variable sea menor
o igual al valor Esto es,
Ejemplo
Para el ejemplo tratado anteriormente, La función distribución acumulada de la
variable aleatoria discreta es determinada así:

1. Divida el rango de la variable en subintervalos: y . Esta

división es realizada de acuerdo a la partición de la recta real dada en la función de
probabilidad.
2. Calcule la función de probabilidad acumulada para un un valor que se encuentre

en el intervalo como la suma de las probabilidades de los valores de la variable
menores a .
Ya que según la definición de la función de probabilidad cuando

1
como es en este caso.

Luego La función distribución acumulada de la variable aleatoria discreta es
dada por
[ CITATION Hen08 \l 2058 ]

CALCULOS DE PROBABILIDAD
Cálculo de la Probabilidad
Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles
de ocurrencia del evento; es decir, de cuántas formas puede ocurrir determinada
situación.
Los casos favorables de ocurrencia de un evento serán los que cumplan con la
condición que estoy buscando.
Así para el tiro de una moneda tengo 2 casos posibles de ocurrencia (o cae águila o
cae sol) y sólo 1 caso favorable de que pueda caer águila (pues sólo hay un águila en
la moneda).
Para calcular la probabilidad de un evento se utiliza la siguiente fórmula:

Para nuestro ejemplo: Probabilidad de "que caiga un águila" tenemos:
Por lo tanto, existe una probabilidad del 50% que yo obtenga un águila al tirar una
moneda. [ CITATION CON08 \l 2058 ]

CONCLUSION
Este trabajo sirvió como apoyo a la comprensión de la distribución, la

importancia de las variables aleatorias, la aplicación de la varianza y de
otros conceptos. Además ayudo a poner de manifiesto ante la disciplina
matemática en las cuales está involucrado el quehacer humano de forma
definida o implícita.
Estos temas nos abren un panorama más amplio al mundo de las

matemáticas y a su comprensión. Así también a su mejor entendimiento y
su aplicación en ejercicios.
17
Además cabe resaltar que la distribución cobra VARIABLES
importancia en el lenguaje
ALEATORIAS CONTINUAS
informático. en especial para hacer referencia a las coloquialmente
denominadas “distro”, basadas en un núcleo Linux, que incluyen paquetes
de software apropiados para cubrir las necesidades de un grupo definido
de usuarios.
De esta forma, las variaciones, las distribuciones entre otros temas

envueltos en las variables aleatorias continuas permite comprender su
gran complejidad e importancia en la vida diaria de los seres humanos.

Bibliografía
Alvarado, E. P. (2012). probabilidad y estadistica. Estado de Mexico: TERCER MILENIO.
ANONIMO. (12 de 07 de 2017). UB. Recuperado el 11 de 10 de 2019, de UB:

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo2/B0C2m1t9.htm
AUTORES, C. D. (2008). Estadística, probabilidad y precálculo, Manual esencial. Santiago de Chile:

Santillana.
Castillo, O. J. (2009). ESTADISTICA MODULO 1. ESTADO DE MEXICOA: HARLA.
CONEVyT. (2008). conevyt. Recuperado el 10 de 11 de 2019, de conevyt:

https://www.conevyt.org.mx/actividades/probabilidad/lectura3.html
Gutiérrez, P. H. (2007). Control Estadístico de Calidad y Seis Sigmas. La Habana: Felix Varela.
Lopez, J. F. (2014). ECONOMIPEDIA. Recuperado el 10 de 11 de 2019, de ECONOMIPEDIA:

https://economipedia.com/definiciones/esperanza-matematica.html
Mendoza, H. (2008). UNAL.EDU. Recuperado el 10 de 11 de 2019, de UNAL.EDU:

http://red.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_223_65.html
Perez, J. (2010). DEFINICION.DE. Recuperado el 10 de 11 de 2019, de DEFINICION.DE:

https://definicion.de/varianza/
Riquelme, M. (13 de 11 de 2018). WEB Y EMPRESAS. Recuperado el 10 de 11 de 2019, de WEB Y

EMPRESAS: https://www.webyempresas.com/distribucion-de-probabilidad/

ANEXO
MAPA CONCEPTUAL
VARIABLES ALEATORIAS CONTINUAS
VALOR ESPERADO VARIANZA DESVIACION ESTANDAR FUNCION ACUMULADA
Es la medida de
Es una medida de Es una función
Es igual al sumatorio dispersión más común,
dispersión definida matemática de la
de las probabilidades que indica qué tan
como variable
de que exista un dispersos están los datos
la esperanza del real: x (minúscula);
suceso aleatorio, con respecto a la media.
cuadrado de la que describe
multiplicado por el Mientras mayor sea la
desviación de dicha la probabilidad de
valor del suceso desviación estándar,
variable respecto a su que X tenga un valor
aleatorio. mayor será la dispersión
media. menor o igual que x.
de los datos.

Variables Aleatorias Continuas

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Variables Aleatorias Continuas

Caricato da

Copyright:

Formati disponibili

INSTITUTO TECNOLÓGICO SUPERIOR DE

1 INTEGRANTES: VARIABLES ALEATORIAS CONTINUAS

MANUEL VICTOR HURTADO VALENCIA

CINTALAPA DE FIGUEROA, CHIAPAS A 22 DE OCTUBRE DEL 2019

INSTITUTO TECNOLOGICO SUPERIOR DE CINTALAPA | PROBABILIDAD Y ESTADISTICA