TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Saltillo

PROBABILIDAD Y
ESTADÍSTICA
CONSULTA TEÓRICA U3
INGENIERÍA EN SISTEMAS
COMPUTACIONALES
L–V
7 – 8 HRS
B – 21

IMPARTIDA POR:
MARIA ISABEL PIÑA VILLANUEVA
EQUIPO CONFORMADO POR:
MARIO ORLANDO TORRES SALAZAR
19051220
BRANDON ALEXIS PRADO CASTRO
19051178
MAURICIO EZEQUIEL PUENTE ROCHA
19051181
OMAR SEGURA SENA
19051213
▬▬▬▬▬

SALTILLO, COAHUILA DE ZARAGOZA,

MÉXICO. A 09 DE NOVIEMBRE 2020
 3.1 Variables aleatorias discretas

Una variable aleatoria es discreta cuando su campo de variación (dominio de definición)

está constituido por un conjunto finito o infinito numerable de valores posibles. Cada
suceso de W se corresponde con un valor.

Ej. 1: Ante el experimento: Lanzar un dado diez veces de forma que la variable aleatoria
X = nº de ases que se obtengan: X = {0,1,2,3,4,5,6,7,8,9,10} (v.a. discreta de orden finito)

Ej. 2: Ante el experimento: Contemplar los coches que pasen por un tramo de carretera
se aleatoriza de forma que la variable aleatoria X = nº de coches que pasen: X= {0,1,2,
3, ...} (X = N) (v. a. discreta de orden infinito)

Si la variable aleatoria es discreta, cada valor de los pertenecientes al campo de variación

se corresponderá con un suceso del álgebra de sucesos. (lo que permitirá después
asignar probabilidades a cada valor). Una variable aleatoria discreta es el modelo teórico
de una variable estadística discreta (con valores sin agrupar). Una variable aleatoria
discreta es aquella cuya función de distribución es escalonada.
 3.1.1 Distribución de probabilidad en forma general

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.

Ejemplo del número de quejas de clientes

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.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718
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

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%.

En el caso de que la variable aleatoria sea discreta, pueden existir varios tipos de
distribuciones, las principales son la distribución binomial, la distribución
hipergeométrica y la distribución de Poisson.

Distribución Binomial
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.
• 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
Este tipo de distribución está relacionada con muestreos sin reemplazo 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 pueden ser:
• Cuando se realiza el control de calidad de una empresa, la cual puede depender
y variar según el fabricante.
• Cuando se desea conocer la probabilidad de escoger un instrumento u objeto
defectuoso.

Distribución de Poisson
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.
 Ejemplos de Distribución de Poisson
• 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
caso el intervalo establecido sería una unidad de área.

3.1.2 Valor esperado

Significado de la esperanza:
Como valor medio teórico de todos los valores que puede tomar la variable. Representa
una medida de centralización.

Si X es una variable aleatoria discreta (representada, de manera general, por una tabla
de valores xi y probabilidades pi=P(X=xi)),
La esperanza se calcula como la media aritmética de los valores, es decir la suma de
los valores por sus probabilidades (las probabilidades serían las frecuencias relativas).

3.1.3 Variancia, desviación estándar

Varianza
La varianza, σ2 o V(X), es un promedio ponderado de las desviaciones al cuadrado de
una variable aleatoria de su media. Los pesos son las probabilidades. La
varianza σ2 o V(X) se calcula con la siguiente fórmula:

Pero es más fácil y rápido usar esta fórmula, equivalente a la anterior:

Debemos recordar que la varianza es una medida de variabilidad o dispersión.

Desviación estándar
La desviación estándar σ es la raíz cuadrada positiva de la varianza:
Recuerda que la varianza se mide en las mismas unidades que la variable aleatoria
original.
Ejemplo: Sea X el número de clientes que visitan una tienda por día. Calcular el valor
esperado de X a partir de su función de probabilidad:

Solución: Recordemos la fórmula de la media o valor esperado:

Entonces reemplazamos los valores:

Y listo, la media o valor esperado es de 0,60. Recuerda que el valor esperado o media
no tiene que ser un valor que la variable aleatoria pueda asumir.

3.1.4 Función acumulada

La función de distribución acumulativa especifica la probabilidad de que una variable
aleatoria sea menor o igual a un valor dado. La función de distribución acumulativa de la
variable aleatoria X es la función F(x) = P(X ≤ x).

A la función de distribución acumulativa la denominamos F(x) y su fórmula es la

siguiente:

Vamos a mencionar 2 propiedades importantes:

Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1. F(x) no es una
función decreciente. Además, para la función de distribución acumulativa de la variable
aleatoria discreta, se cumple que:

Ejemplo: Sea X el número de defectos importantes en un auto seleccionado al azar de

cierta marca. La función de distribución acumulativa de X es la siguiente:

Calcule las siguientes probabilidades:

a) f (2) c) P (1 < X ≤ 3) e) P (X ≥ 2,35)
b) P (X≤ 3) d) P (1 < X ≤ 4)
Solución: A partir de la función de distribución acumulativa, vamos a elaborar la tabla
de la función de probabilidad. Empezamos colocando una tabla de 3 columnas. Los
valores de X los obtenemos de los extremos de los intervalos que aparecen en la función
de distribución acumulativa. No tomes en cuenta la primera línea de la función de
distribución acumulativa.

A continuación, encontraremos los valores de f(x) a partir de los valores de la función de

distribución acumulativa F(x). Esto se parece mucho a lo que hicimos en el capítulo de
tablas de frecuencia. Arrancamos colocando el primer valor de F(x) en la columna de f(x).

Después calculamos el resto de valores, ten en cuenta que los valores de f(x) se van
acumulando para dar paso a los valores de F(x) y los agregamos a la tabla:

Calculamos lo que pide el problema:

a) f (2)
Lo obtenemos a partir de la tabla:

Calculamos lo que pide el problema:

b) P(X ≤ 3)
Partimos de la fórmula de la función de distribución acumulativa, reemplazando x por 3.

Le damos la vuelta a la ecuación:

A partir de la tabla:

Calculamos lo que pide el problema:

c) P (1 < X ≤ 3)
En este apartado, usaremos la siguiente propiedad:

Calculamos lo que pide el problema:

d) P (1 < X ≤ 4)
Usamos la misma propiedad:

Calculamos lo que pide el problema:

e) P(X ≥ 2,35)
A partir de la tabla, sabemos que la variable aleatoria X puede tomar los valores: 1, 2, 3
o 4. Si X tiene que ser mayor a 2,35; puede ser 3 o 4.
 3.2 Variables aleatorias continuas
Una variable aleatoria continua es aquella que puede tomar cualquier valor (al menos
teóricamente) entre 2 fijados. Los valores de la variable (al menos teóricamente) no se
repiten.
Ejemplo: “Tiempo observado al recorrer una cierta distancia”, “estatura”, “peso”, “nivel de
colesterol en sangre”…
Todas las precisiones realizadas en el capítulo de variables estadísticas son igual de
adecuadas en este caso. Cuando observamos valores de una variable aleatoria continua,
existe una limitación en cuanto al número de valores que puede tomar la misma. Esto
es, en la práctica, la variable no toma infinitos valores. A la hora de medir el peso o la
estatura, por ejemplo, se trabaja con un número preciso de decimales (que puede ser
grande pero nunca será infinito).
Lo que se está haciendo es lo que se llama una discretización a la hora de tomar datos.
Sin embargo, desde un punto de vista matemático, consideraremos siempre que una
variable continua puede tomar infinitos valores. Esto nos permitirá trabajar con
propiedades matemáticas que nos aportarán mucha información de la variable
considerada.
 Función de densidad
Igual que una variable aleatoria discreta viene caracterizada por su función de
probabilidad, las variables aleatorias continuas vienen caracterizadas por una función
llamada función de densidad, que es una generalización de la función de
probabilidad.

Matemáticamente, una función 𝑓 es una función de densidad si verifica dos

propiedades:

• 𝑓(𝑥) es mayor o igual que cero en cualquier punto 𝑥 (el dibujo de la función debe
estar por encima del eje horizontal).
∞
• ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1 (el área bajo la curva y el eje horizontal vale uno).

Ejemplo de una función de densidad simple.

El concepto de función de densidad procede de considerar que tenemos una población

con todos sus (infinitos) datos o posibles valores y dibujamos el histograma, polígono de
frecuencias o estimación de la densidad.
Supongamos que nos ponemos en medio de la calle y a cada mujer mayor de 18 años
le preguntamos su estatura. Hacemos esto hasta tener una muestra de 15 datos.
162.8 - 170.7 - 176.1 - 155.3 - 156.7 - 180.1 - 145.3 - 172.4 - 174.5 - 184.5 - 157.6 - 152.3
- 175.6 - 162.2 - 160.4
15 veces

Ahora 200 veces

Con cada gráfica, el polígono de frecuencias acaba convirtiéndose en una curva que
verifica las dos propiedades de la función de densidad (es una función no negativa y el
área bajo la curva es uno, puesto que es el área bajo el polígono de frecuencias. Puede
demostrarse geométricamente que el área bajo un polígono de frecuencias coincide con
el área existente bajo un histograma de frecuencias, y el área total del histograma
corresponde al cien por cien de los datos).

La función de densidad corresponde, desde un punto de vista teórico, al polígono de

frecuencias cuando tenemos todos los datos de la población (en teoría, infinitos).
Una vez expuesto que, en una variable aleatoria continua, las propiedades de la misma
vendrán descritas por la función de densidad, indiquemos que las probabilidades se
calcularán como una integral definida:
Es decir, la probabilidad de que la variable aleatoria 𝑋 tome valores entre dos números
𝑎 y 𝑏 corresponde al área bajo la curva 𝑓, el eje 𝑋 y los puntos 𝑎 y 𝑏.

En el caso de una variable aleatoria continua, la probabilidad de cualquier punto concreto

a es cero, porque no hay área bajo la curva:

Esto puede sonar un poco raro, al principio. Si hablamos, por ejemplo, de la variable
altura, nos podemos preguntar:

¿Cuál es la probabilidad de medir 1,72?

R = 0.

Según lo que acabamos de decir, la probabilidad de un punto es cero. ¿Qué sucede?

Pues que, como se comentó al principio del tema, en la práctica realizamos una
discretización de la variable continua altura.

La pregunta matemáticamente correcta sería:

¿Cuál es la probabilidad de tener una estatura mayor que 1,72?

o
¿Cuál es la probabilidad de tener una estatura entre 2 valores a y b?
Lo que sí se podría calcular sería algo como:

Probabilidad de medir entre 1.72 – a y 1.72 + a, siendo a cualquier número,

aunque sea muy pequeño.
La probabilidad de un intervalo (por pequeño que sea), siempre será un número más
grande que cero.

Precisamente por este hecho, cuando calculemos la probabilidad de que una variable
continua tome valores entre dos números a y b, podemos tener en cuenta que:

o sea, todas esas probabilidades dan lo mismo, porque considerar un punto más (o
dos) no cuenta (al tener probabilidad cero).

3.2.1 Distribución de probabilidad en formula general

La distribución de probabilidad, se refiere a todos los resultados posibles que pueda

tener una variable aleatoria, es decir, describe el comportamiento de dicha variable
dentro de un intervalo de valores o de posibles resultados.

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria con
un conjunto de valores posibles (conocido como el rango) que es infinito y no se puede
contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por
debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua
equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de hombres

adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese entre
160 y 170 libras.
 Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a 170
libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un hombre
seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el área por
debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre es
cero, porque el área por debajo de la curva en un punto individual, que no tiene anchura,
es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente 190 libras es
cero. Podría calcular una probabilidad diferente de cero de que un hombre pese más de
190 libras, menos de 190 libras o entre 189.9 y 190.1 libras, pero la probabilidad de que
pese exactamente 190 libras es cero.

Importancia del Estudio de la Distribución de Probabilidades

La distribución de probabilidad permite asignar a cada evento la probabilidad de que

este ocurra o tenga éxito, ejemplo de esto, la realización de experimentos, estudios
sobre el progreso de una empresa, etc

.
 Tipos de Distribución

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.

Distribución Normal

Esta distribución considera dos parámetros, los cuales son el promedio o la 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.

3.2.2 Valor Esperado

Es la media de la variable aleatoria. También se llama valor medio, valor

esperado o esperanza matemática, y se representa por la letra griega μ.

Si X es una variable aleatoria continua, la variable toma infinitos valores. El

equivalente continuo de la suma es la integral. La fórmula matemática incluye en este
caso a la función de densidad:

3.2.3 Varianza, desviación estándar

Se representa σ2=Var(X), y la desviación típica σ es la raíz cuadrada (con signo

positivo) de la varianza.

Igual que en el caso de variables estadísticas, mide la dispersión de la variable, y se

calcula como la media de las desviaciones (elevadas al cuadrado) de los valores a su
media:
También puede calcularse como

Si X es una variable discreta, la forma de hacer los cálculos será

Si X es una variable continua,

y que también puede calcularse como

3.2.4 Función Acumulativa

La función de distribución acumulativa es la función que para un valor x, nos da la

probabilidad de que la variable aleatoria sea menor o igual que dicho valor x. A la función
de distribución acumulativa la denominamos F(x).

A continuación, viene la definición formal:

Sea X una variable aleatoria continua con función de densidad de probabilidad f(x). La
función de distribución acumulativa de X es la función:
De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x.
Recordemos que cuando trabajamos con la función de densidad, área es probabilidad.

Además, tenemos algunas fórmulas interesantes que nos servirán para resolver los
problemas.

La siguiente fórmula nos permite pasar de la función de distribución acumulativa a la

función de densidad de probabilidad:

Recuerda también que, al ser una función acumulativa, esta no puede ser decreciente.

3.2.5 Cálculos de probabilidad

Para calcular probabilidades se utiliza la siguiente fórmula:

Probabilidad = Casos favorables / Casos posibles

El resultado se multiplica por 100 para expresarlo en porcentaje.

Ejemplos:

a) Calcular la probabilidad de que salga "cara" al lanzar una moneda:

• Casos favorables: 1 (que salga "cara")

• Casos posibles: 2 (puede salir "cara" o "cruz")
• Probabilidad = (1 / 2) x 100 = 50 %

b) Calcular la probabilidad de que salga "3" al lanzar un dado:

• Casos favorables: 1 (que salga "3")

• Casos posibles: 6 (puede salir "1, 2, 3, 4, 5 o 6")
• Probabilidad = (1 / 6) x 100 = 16,6 %

c) Calcular la probabilidad de que salga "una casilla roja " al girar la flecha de la ruleta:

• Casos favorables: 16 (cualquiera de las 16 casillas rojas de

la ruleta)
• Casos posibles: 20 (la ruleta tiene 20 casillas)
• Probabilidad = (16 / 20) x 100 = 80 %

d) Calcular la probabilidad de que salga "una casilla amarilla" al

girar la flecha de la ruleta:

• Casos favorables: 4 (cualquiera de las 4 casillas amarillas de la ruleta)

• Casos posibles: 20 (la ruleta tiene 20 casillas)
• Probabilidad = (4 / 20) x 100 = 20 %

e) Calcular la probabilidad de que salga "una blanca" al sacar una

canica de una bolsa con 10 canicas:

• Casos favorables: 2 (hay dos canicas blancas en la bolsa)

• Casos posibles: 10 (hay un total de 10 canicas en la bolsa)
• Probabilidad = (2 / 10) x 100 = 20 %.
 Referencias Bibliográficas
bookdown. (s.f.). Recuperado el 4 de Noviembre de 2020, de bookdown:
https://bookdown.org/aquintela/EBE/varianza-de-una-variable-aleatoria.html

García, M. L. (s.f.). Bartolome Cossio. Obtenido de

http://www.bartolomecossio.com/MATEMATICAS/clculo_de_probabilidades.html

matemovil. (s.f.). Recuperado el 4 de Noviembre de 2020, de matemovil:

https://matemovil.com/funcion-de-distribucion-acumulativa-de-una-variable-aleatoria-
continua/#funci%C3%B3n-ac

matemovil.com. (s.f.). Recuperado el 04 de noviembre de 2020, de matemovil.com:

https://matemovil.com/media-varianza-y-desviacion-estandar-de-una-variable-aleatoria-
discreta/

matemovil.com. (s.f.). Recuperado el 04 de noviembre de 2020, de matemovil.com:

https://matemovil.com/funcion-de-distribucion-acumulativa-de-una-variable-aleatoria-discreta/

Rio, A. Q. (4 de septiembre de 2019). Bookdown. Obtenido de

https://bookdown.org/aquintela/EBE/variables-aleatorias-continuas.html

Riquelme, M. (13 de noviembre de 2018). Web y empresas. Obtenido de

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

uv.es. (s.f.). Recuperado el 04 de noviembre de 2020, de uv.es:

https://www.uv.es/ceaces/base/variable%20aleatoria/varalea.htm#:~:text=VARIABLE%20ALEAT
ORIA%20DISCRETA%3A,se%20corresponde%20con%20un%20valor%20.