TEMA DE INVESTIGACIÓN CONCEPTUAL

SIGNIFICADO DEL AZAR.

El azar es una combinación de circunstancias o de causas imprevisibles, complejas, no lineales, sin
plan previo y sin propósito, que supuestamente provocan que acontezca un determinado
acontecimiento que no está condicionado por la relación de causa y efecto ni por la intervención
humana o divina. Este acontecimiento puede ser bueno y también puede ser una desgracia causada
por la casualidad, la fortuna, el acaso, la suerte. El azar es un caso fortuito, no programado, y si es
negativo es un contratiempo.

SIGNIFICADO DE LA VARIABLE ALEATORIO.

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).
VARIABLES ALEATORIAS DISCRETAS.
Una variable aleatoria discreta es una modelización teórica de una característica X de tipo discreto, en la
que nos quedamos con lo esencial que se obtendría en un proceso de muestreo. Recordemos que una
característica X es de tipo discreto cuando puede tomar una serie de valores claramente separados x1, ...,
xk. En una muestra concreta de tamaño n, cada uno de estos valores aparece n1, ..., nk veces (frecuencias
absolutas). La frecuencia relativa de cada valor es fi = ni/n.

 Ejemplo:
Vamos a motivar la definición de variable aleatoria discreta mediante un ejemplo sencillo.
Consideramos la variable X=“Resultado obtenido al lanzar un dado equilibrado con seis caras”.
Los valores posibles de esta variable son 1, 2, ... , 6. Si lanzamos el dado 60 veces, las frecuencias
absolutas de cada valor pueden ser, por ejemplo, 8, 11, 14, 7, 11 y 9 y, por tanto, las frecuencias
relativas, en este caso, serıan. ( 8/60 11/60 14/60 7/60 11/60 9/60 )

Si a continuación volvemos a lanzar el mismo dado otras 60 veces, en las mismas condiciones,
las frecuencias relativas serıan parecidas, pero difícilmente iguales. Eso sı, en general, dichas
frecuencias relativas serıan seguramente bastante parecidas a 1/6, y serıan seguramente más
parecidas a 1/6 cuanto más aumentemos el número de lanzamientos.

1
DIST. DE PROBABILIDAD PARA UNA VARIABLE ALEATORIO DISCRETA
(VAD).
Una distribución de probabilidades para una variable aleatoria discreta es un listado mutuamente
excluyente de todos los resultados numéricos posibles para esa variable aleatoria tal que
una probabilidad específica de ocurrencia se asocia con cada resultado. El valor esperado de una variable
aleatoria discreta es un promedio ponderado de todos los posibles resultados, donde las ponderaciones
son las probabilidades asociadas con cada uno de los resultados.

Dónde: Xi = i-ésimo resultado de X, la variable discreta de interés.

P (Xi) = probabilidad de ocurrencia del i-ésimo resultado de X
La varianza de una variable aleatoria discreta (s 2) se define como el promedio ponderado de los
cuadros de las diferencias entre cada resultado posible y su media (los pesos son las probabilidades de
los resultados posibles).

Dónde: Xi = iésimo resultado de X, la variable discreta de interés.

P (Xi) = probabilidad de ocurrencia del iésimo resultado de X.

Se dice que hemos definido una variable aleatoria para un experimento aleatorio cuando hemos
asociado un valor numérico a cada resultado del experimento. Para designar a las variables aleatorias,
se utilizan letras mayúsculas X, Y, ..., y las respectivas minúsculas (x, y, ...) para designar valores
concretos de las mismas. Existen varios tipos de V.A.: variables cualitativas o atributos por un lado y
variables cuantitativas por otro. Dentro de estas últimas podemos diferenciar entre cuantitativas
continuas y cuantitativas discretas. Una variable aleatoria es discreta cuando sólo puede tomar unos
ciertos valores enteros en un número finito de valores o infinito numerable. Por ejemplo, número de
caras obtenidas al lanzar tres monedas: 0, 1, 2, 3. Las variables discretas representan algo que podemos
contar, y no suelen llevar decimales.

VALOR ESPERADO DE UNA VAD (ESPERANZA MATEMÁTICA).

En estadística la esperanza matemática (también llamada esperanza, valor esperado, media poblacional o
media) de una variable aleatoria X {\displaystyle X}, es el número E [ X ] {\displaystyle \mathbb {E} [X]}
o E [ X ] {\displaystyle {\text{E}}[X]} que formaliza la idea de valor medio de un fenómeno aleatorio
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada
posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad
media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso
se mantiene constante y el experimento se repite un elevado número de veces. Cabe decir que el valor
que toma la esperanza matemática en algunos casos puede no ser "esperado" en el sentido más general de
la palabra - el valor de la esperanza puede ser improbable o incluso imposible.

2
VALOR MONETARIO ESPERADO.
Se puede tener un estimado de los beneficios o costos de una actividad, proyecto o evento riesgoso si se
multiplica su probabilidad de ocurrencia (po) por su impacto (i). Otra forma de entenderlo es como la
prima que se debe pagar a una aseguradora contra un evento que tiene una probabilidad de ocurrencia.
Valor monetario esperado (EMV) es una cifra aproximada que muestra la cantidad de dinero que el
demandante puede razonablemente esperar en la mediación. Piense en ello como un promedio de los
escenarios mejor y el peor de los casos. Representa no sólo para la figura dólar asignado a cada resultado
sino también por la probabilidad de que el resultado que se produzcan. Para calcular EMV, multiplique
el valor en dólares de cada resultado posible por azar de cada resultado de ocurrir (porcentaje), y el total
de los resultados.

VARIANZA Y DESVIACIÓN ESTÁNDAR DE UNA V.A.D.

Varianza: Existen dos aspectos que caracterizan de forma simple el comportamiento de la distribución
de probabilidad, porque proporcionan una descripción completa de la forma en que se comporta: la
medida de tendencia central y la de dispersión.
La primera está representada por la media o valor esperado, ya vista en el punto anterior, y la segunda
por la variancia o por la desviación estándar, que evalúan la dispersión de la distribución de probabilidad
o grado en que se separan del promedio los valores de la variable aleatoria X.
La desviación típica o desviación estándar: (denotada con el símbolo σ o s, dependiendo de la
procedencia del conjunto de datos) es una medida de dispersión para variables de razón (variables
cuantitativas o cantidades racionales) y de intervalo. Se define como la raíz cuadrada de la varianza de
la variable. Para conocer con detalle un conjunto de datos, no basta con conocer las medidas de tendencia
central, sino que necesitamos conocer también la desviación que presentan los datos en su distribución
respecto de la media aritmética de dicha distribución, con objeto de tener una visión de los mismos más
acorde con la realidad al momento de describirlos e interpretarlos para la toma de decisiones.

LA DISTRIBUCIÓN BINOMIAL.

INTRODUCCIÓN, FUNCIÓN DE PROBABILIDAD (MODELO MATEMÁTICO).

En estadística, la distribución binomial es una distribución de probabilidad discreta que cuenta el
número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina
éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la
distribución binomial el anterior experimento se repite n veces, de forma independiente, y se trata de
calcular la probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte, de
hecho, en una distribución de Bernoulli. Cuando se dispone de una expresión matemática, es factible
calcular la probabilidad de ocurrencia exacta correspondiente a cualquier resultado específico para la
variable aleatoria. La distribución de probabilidad binomial es uno de los modelos matemáticos
(expresión matemática para representar una variable) que se utiliza cuando la variable aleatoria discreta
es el número de éxitos en una muestra compuesta por n observaciones.

3
CARACTERÍSTICAS (FORMA, MADIA, DESV. EST.), USO DE TABLAS.
¿Cómo utilizar la tabla de la distribución Binomial? Supongamos que lanzamos al aire una moneda
trucada. Con esta moneda la probabilidad de obtener cara es del 30%. La probabilidad que salga cruz
será, pues, del 70%. Lanzamos la moneda 10 veces de manera consecutiva. Si queremos calcular la
probabilidad de que observemos 6 caras o menos nos fijamos en la tabla: localizamos n=10, x=6, p=0.3 y
buscamos la intersección: 0.9894 P N X 0,05 0,1 0,15 0,2 0,25 0,3
Media

Varianza

Desviación típica

La Distribución Binomial esta relacionada con al distribución de Bernoulli que es una distribución de
variable aleatoria X que toma solamente valores de cero y uno (éxito y fracaso), cuando se realiza un solo
experimento. La distribución binomial se aplica cuando se realizan un número "n" de veces el experimento
de Bernouilli, siendo cada ensayo independiente del anterior. La variable puede tomar valores entre 0 (si
todos los experimentos han sido fracaso) y n (si todos los experimentos han sido éxitos)
Para este tipo de distribución de probabilidad, la función matemática es la siguiente:

SU FORMA

 Simétrica: Cuando p=0.5 sin tomar en cuenta que tan grande o pequeño sea el valor de "n"
 Sesgada: Cuando p≠0.5. Cuanto más cerca se encuentre "p" de 0.5 y mayor sea el número de
observaciones "n", menos sesgada será la distribución, por otra parte, con una "p" pequeña la
distribución tendrá un gran sesgo a la derecha y para una "p" muy grande la distribución tendría
un gran sesgo a la izquierda.

4
TABLA
La tabla proporciona, para diversas combinaciones de n y p, las probabilidades de que la variable aleatoria
binomial tome valores x = 0, 1, 2, ..., n. Tiene en la primera fila los valores de "p"; en la primera columna
los valores de "n" y en la segunda columna los valores de x, pero están representados en ella por una k Sí
se quiere tener el resultado de la probabilidad se combinan los valores de n y p y dentro de ellos se busca
el valor de x que se necesita.

5
DISTRIBUCION HIPERGEOMETRICA
INTRODUCCIÓN, FUNCIÓN DE PROBABILIDAD (MODELO MATEMÁTICO)
En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de
probabilidad) es una función que asocia a cada punto de su espacio muestral X la probabilidad de que
ésta lo asuma.

La gráfica de una función de probabilidad de masa, note que todos los valores no son negativos, y la suma
de ellos es igual a 1.

La función de masa de probablilidad de un Dado. Todos los números tienen la misma probabilidad de
aparecer cuando este es tirado, en concreto, si el espacio muestral, E de la variable aleatoria X consta de
los puntos x1, x2, ..., xk, la función de probabilidad P asociada a X es donde pi es la probabilidad del
suceso X = xi.
Por definición de probabilidad, hay que advertir que el concepto de función de probabilidad solo
tiene sentido para variables aleatorias que toman un conjunto discreto de valores. Para variables
aleatorias continuas el concepto análogo es el de función de densidad.

CARACTERÍSTICAS (FORMA, MEDIDA, DEV.EST.)

La distribución hipergeométrica es descrita 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 tiene defectos. El conteo de eventos en la población es de 10 (.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.

6
 La probabilidad de que haya 3 o más etiquetas
defectuosas en la muestra es de 0.0384.

EJEMPLO DEL CÁLCULO DE

PROBABILIDADES HIPERGEOMÉTRICAS
Supongamos que hay diez automóviles que le gustaría someter a una prueba de conducción (N = 10), y
cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n = 3), ¿cuál es la probabilidad
de que dos de los tres que probará tengan motores turbo?

1. Elija Calc > Distribuciones de probabilidad > Hipergeométrica.

2. Elija Probabilidad.
3. En Tamaño de la población (N), ingrese 10. En Conteo de eventos en la población (M),
ingrese 5. En Tamaño de la muestra (n), ingrese 3.
4. Elija Constante de entrada e ingrese 2.
5. Haga clic en Aceptar.
La probabilidad de que seleccione dos automóviles con motores turbo cuando pruebe tres de los diez
vehículos que le interesan es 41.67%.

Medidas de tendencia central y de dispersión para la distribución hipergeométrica La distribución

hipergeométrica al igual que otras distribuciones de probabilidades tiene un valor esperado o media (μ) y
una desviación estándar (σ), y vamos a ver la forma en que ambas medidas estadísticas se pueden calcular.
Simbólicamente, podemos representar la media de una distribución hipergeométrica como: Media
aritmética N nr μ = (12) En la que: n = número de muestras. r = número de elementos de la muestra con
ciertas características. N = tamaño de la población. Y podemos calcular la variancia y la desviación estándar
de una distribución hipergeométrica haciendo uso de la fórmula: Variancia: )1( )()( 2 2 − − − = NN
nNnrNr

LA DISTRIBUCION DE POISSON.
INTRODUCCIÓN, FUNCIÓN DE PROBABILIDAD (MODELO MATEMÁTICO)
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar el
número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la
consideración límite de procesos dicotómicos reiterados un gran número de veces si la probabilidad de
obtener un éxito es muy pequeña.

La función de distribución vendrá dada por:

7
FUNCIÓN GENERATRIZ DE MOMENTOS:

Su expresión será:

dado
que tendremos que

luego :

CARACTERÍSTICAS (FORMA, MEDIDA, DE DESV.EST.), USO DE LAS TABLAS.

Para la obtención de la media y la varianza aplicaríamos la F.G.M.; derivándola sucesivamente e
igualando t a cero.

Así.

8
 Una vez obtenida la media, obtendríamos la varianza en base

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.

9
  Estatura de una persona elegida al azar en una población. El valor que se obtenga será
una medición en cualquier unidad de longitud (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.

LA DIS. NORMAL DE PROBABILIDADES

LAS 3 RAZONES DE SU IMPORTANCIA
Importancia de la distribución Normal.
A. Enorme número de fenómenos que puede modelizar: Casi todas las características cuantitativas
de las poblaciones muy grades tienden a aproximar su distribución a una distribución normal.
B. Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse según una Normal,
bajo ciertas condiciones.
C. (En virtud del teorema central del límite).Todas aquellas variables que pueden considerarse
causadas por un gran número de pequeños efectos (como pueden ser los errores de medida)
tienden a distribuirse según una distribución normal.

ANTECEDENTES
La distribución normal se conoce como la curva de Gauss o campana de Gauss, famoso matemático
alemán del siglo 19.
Realmente, fue un trabajo de más de 200 años para descubrirla y establecer su ecuación. En este post,
explico la historia de la distribución más conocida de la estadística: la ley normal.
Su origen viene de la observación de un estadístico francés del siglo 18, Abraham de Moivre, que, entre
otras cosas, actuaba como consultor para temas de juegos. Observó, que al lanzar una moneda, la
probabilidad de obtener “cara” (o “cruz”) en N tirada tenía una representación gráfica con una curva suave
a medida que N se hacía grande. En el gráfico presentado a continuación, la altura de cada barra
representa la probabilidad de que ocurra el evento (sale “cara” al lanzar una moneda) de N veces que
lanzamos la moneda (hemos cogido, N=2; N=4; N=12). Si la moneda no está trucada, la probabilidad de
que salga “cara” al lanzarla es del 50% (p=0,5). Este fenómeno sigue una distribución conocida como
la Binomial.

10
La gracia reside en que esta peculiar forma de campana también se detectó, en el siglo 17, por Galileo en
el análisis de errores de mediciónde observaciones astronómicas; errores atribuibles a la instrumentación
y a los observadores. Notó que estos errores eran simétricos y que los pequeños errores eran más
frecuentes que los errores grandes. De ahí, se plantearon varias hipótesis sobre la distribución de los
errores de medición, fue solo a principio del siglo 19th que se descubrió que estos errores seguían
una distribución normal. Dos matemáticos establecieron de manera independiente su fórmula: Adrian
en 1808 y Gauss en 1809 que al final dio su nombre a la más famosa de las distribuciones estadísticas ya
que numerosos fenómenos naturales se ajustan a ella y que presenta unas propiedades sumamente
interesantes.

CARACTERÍSTICAS
Las principales características de esta distribución son:
1. y queda perfectamente
determinada por ellos. Debido a esto es que la notación abreviada que se usa para representar la

2. La moda (el valor más frecuente), la mediana (el valor central) y la media tienen el mismo valor.
3. El área total bajo la curva y el eje de las x es la unidad.
4. La curva tiene forma de campana, por lo que se le llama curva acampanada o campana de Gauss
5. La distribución es simétrica respecto a la media, es decir, el 50% del área está a la izquierda de la
media y el otro 50% a la derecha.
6. El punto de inflexión de la curva (el punto donde la curva deja de ser cóncava hacia abajo y
y
- y, e invariablemente la tangente en este punto de inflexión corta al eje de
las x y-
7. La curva se extiende en ambas direcciones y tiende gradualmente a unirse al eje de las x (se hace
asintótica al eje de las x), por lo que solamente se juntan en menos infinito (-
y-
CURVA NORMAL
curva se conoce como campana de Gauss y es el gráfico de una función gaussiana, una variable
aleatoria continua, X, definida en [- , ] seguirá una distribución normal de parámetros  y  , ( X  N( ;  ) )
, si su función de densidad es :

para x  [- , ]

Distribución normal estándar

11
 AREAS BAJO LA CURVA NORMAL

No importa cuáles sean los valores de la para una distribución de probabilidad normal, el área total
bajo la curva es 1.00, de manera que podemos pensar en áreas bajo la curva como si fueran
probabilidades. Matemáticamente es verdad que:

1) Aproximadamente 68% de todos los valores de una población normalmente distribuida se

encuentra dentro de desviación estándar de la media.

2) Aproximadamente 95.5 % de todos los valores de una población normalmente distribuida se

encuentra dentro de desviación estándar de la media.

3) Aproximadamente 99.7 % de todos los valores de una población normalmente distribuida se

encuentra dentro de desviación estándar de la media.

LA DISTRIBICION NORMAL ESTANDARIZADA

MODELO DE ESTANDARIZACIÓN
La palabra estandarización proviene de estándar y ésta viene del inglés. En efecto, inicialmente los
anglos de Inglaterra la tomaron a su vez del francés. Así standard que es la grafía inglesa, se divide en
stand cuyo significado es estar de pie, pararse y por hard que significa fuerte, firme.
Los anglos evolucionaron el concepto de la palabra hasta designar el de modelo o patrón que es el
uso actual.
A la castellanización de esa voz inglesa: estandar- se le ha sumado el sufijo -ción derivado del latino -
tio(n) que indica acción y efecto.
La distribución normal estándar, o tipificada o reducida, es aquella que tiene por media el valor cero, μ = 0, y
por desviación típica la unidad, σ =1

Laprobabilidad de la variable X d ependerá del área del recinto sombread o en la

figura. Y para calcularla utilizaremos una tabla.
USO DE LA TBLA DE DISTRIBUCIÓN. NORMAL ESTÁNDAR
12
 Distribución NORMAL ESTÁNDAR
 La distribución normal con parámetros m = 0 y s = 1 recibe el nombre de distribución
normal estándar.
 La variable aleatoria normal estándar se denota por Z y su fdp es:
z2
1
f ( z)  e 2
2
Distribución NORMAL ESTÁNDAR
Uso de tablas
Si Z es una variable aleatoria Normal Estándar, determine:
a) P(Z < 1.5)
b) el valor de z tal que P(Z > z) = 0.975
c) P(-2.33 < Z < 2.33)
d) el valor de w tal que la variable Z lo excede sólo con probabilidad 0.001
e) el valor de z tal que P(-z < Z < z) = 0.5
f) el percentil 95 de la distribución normal estándar.

-INTRODUCCION, FUNCIÓN DE PROBABILIDAD (MODELO MATEMÁTICO)

En este caso se estarán calculando probabilidades de experimentos Binomiales de una forma muy
aproximada con la distribución Normal, esto puede llevarse a cabo si n y p = p(éxito) no es muy cercana
a 0 y 1, o cuando n es pequeño y p tiene un valor muy cercano a ½ ; esto es,

Donde:
x = variable de tipo discreto; solo toma valores enteros
= np = media de la distribución Binomial

= = desviación estándar de la distribución Binomial

LAproximación de la distribución normal a la binomial

La distribución normal se puede utilizar como una aproximación de distribuciones discretas, en
particular cuando el tamaño de la muestra "n" tiende a infinito, p y q cercanos a 0.5 se puede aproximar
a la distribución binomial, con resultados altamente satisfactorios.

Sea X una variable aleatoria con distribución binomial, si n es grande, 0 < p < 1, la distribución binomial
se puede aproximar a la distribución normal con media µ= np y varianza σ²= npq
.
La distribución normal tiene como fdp,

Por lo tanto la distribución aproximada estará dada por:

13
lo que nos permite el cálculo de la siguiente probabilidad:

El teorema de Moivre (1.756) permite realizar esta aproximación considerando p=q=1/2 que las
variables aleatorias sigan una distribución binomial con: . Este teorema fue generalizado
posteriormente por Laplace en 1.810 para distribuciones no simétricas p≠q .

Vimos que la variable aleatoria binomial era el número de éxitos que tienen lugar cuando se
realizan n repeticiones independientes de un experimento o prueba de Bernoulli. La variable
aleatoria x puede escribirse como la suma de n variables aleatorias de Bernoulli.

-CARCTERISTICAS (FORMA, MEDIA, DESV. EST,), USO DE TABLAS.

Un estudio reciente de una compañía de investigación de mercados mostró que 15% de las casas en
Estados Unidos poseen una cámara de video. Se obtuvo una muestra de 200 casas.
De las 200 casas en la muestra ¿cuántas se espera que tengan una cámara de video?

La varianza

La desviación estándar
¿Cuál es la probabilidad de que menos de 40 casas de la muestra tengan cámara de video? Se
necesita P(X<40)>

14
DISTRIBUCIÓN EXPONENCIAL.
A pesar de que la distribución Normal puede utilizarse para resolver muchos problemas en ingeniería y
ciencias, existen aún numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales
como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos
sobre el uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribución gamma, ambas tienen un gran número
de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teoría de
colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y
el tiempo de falla de los componentes y sistemas eléctricos, frecuentemente involucran la distribución
exponencial. La relación entre la gamma y la exponencial permite que la distribución gamma se utilice en
tipos similares de problemas.
La variable aleatoria x tiene una distribución exponencial, con parámetro b, si su función de densidad es:
Relación con el proceso de Poisson.
Las aplicaciones más importantes de la distribución exponencial son aquellas situaciones en donde se
aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de la
distribución de Poisson. Recuérdese también que la distribución de Poisson se utiliza para calcular la
probabilidad de números específicos de “eventos” durante un período o espacio particular. En muchas
aplicaciones, el período o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero
industrial puede interesarse en el tiempo T entre llegadas en una intersección congestionada durante la
hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de Poisson.
La relación entre la distribución exponencial (con frecuencia llamada exponencial negativa) y el proceso
llamado de Poisson es bastante simple. La distribución de Poisson se desarrolló como una distribución
de un solo parámetro l, donde l puede interpretarse como el número promedio de eventos por unidad de
“tiempo” . Considérese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra
el primer evento. Mediante la distribución de Poisson, se encuentra que la probabilidad de que no ocurran
en el espacio hasta el tiempo t está dada por:

;
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La
probabilidad de que el período hasta que ocurre el primer evento de Poisson exceda x es la misma que la
probabilidad de que no ocurra un evento de Poisson en x. Esto último por supuesto está dado por .
Como resultado, P(X ³ x) =
Entonces, la función de distribución acumulada para x es: P(0£ X £ x) = 1 -
Ahora, con objeto de que se reconozca la presencia de la distribución exponencial, puede derivarse la
distribución acumulada anterior para obtener la función de densidad: f(x) =

La cual es la función de densidad de la distribución exponencial con .

Nótese que la media de la distribución exponencial es el parámetro , el recíproco del parámetro en la
distribución de Poisson. El lector debe recordar que con frecuencia se dice que la distribución de Poisson
no tiene memoria, lo cuál implica que las ocurrencias en períodos de tiempo sucesivos son
independientes. Aquí el parámetro importante es el tiempo promedio entre eventos. En teoría de la
confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson, recibe el nombre de
tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces
la distribución exponencial es aplicable

15
 Bibliografía

 http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_pri
vate/002APROXIMACION%20%20DE%20%20LA%20%20NORM
AL%20%20A%20%20LA%20%20BINOMIAL.htm

16